duolaamengweb3/clawquant-trader/docs

ClawQuant Skills 使用指南

本文档说明如何在 AI Agent（如 Claude / Lobechat / GPTs）中加载和使用 ClawQuant 的 6 个 Skill。

什么是 Skill？

Skill 是 AI Agent 的"工具按钮"——把 CLI 命令封装成 Agent 可调用的函数接口。用户用自然语言下达指令，Agent 自动选择合适的 Skill 执行。

ClawQuant 提供 6 个 Skill，覆盖完整量化研究工作流：

拉数据 → 回测 → 扫参数 → 生成报告 → 扫机会 → 部署交易

所有 Skill 定义文件位于：clawquant/skills/*.yaml

Skill 一览表

Skill 详解

1. quant_data_pull — 拉取K线数据

用途： 从交易所拉取 OHLCV（开高低收量）数据，自动缓存为 Parquet 格式。

自然语言示例：

• "拉取 BTC 和 ETH 过去 10 天的 1 小时 K 线数据"
• "Pull 30 days of 4h data for BTC/USDT"

参数：

实际执行的命令：

clawquant --json data pull BTC/USDT,ETH/USDT --interval 1h --days 10 --exchange binance

2. quant_backtest_batch — 多策略批量回测

用途： 在多个策略 × 多个标的上批量跑回测，返回每个组合的绩效指标。

自然语言示例：

• "对比 DCA、MA交叉、Grid 在 BTC 和 ETH 上过去 30 天的表现"
• "Backtest ma_crossover and dca on BTC/USDT,ETH/USDT for 30 days"

参数：

实际执行的命令：

clawquant --json backtest batch dca,ma_crossover,grid --symbols BTC/USDT,ETH/USDT --interval 1h --days 30 --capital 10000

3. quant_backtest_sweep — 参数扫描寻优

用途： 对单个策略做参数网格/随机搜索，找到最优参数组合，结果按稳定性评分排序。

自然语言示例：

• "扫描 MA交叉策略的最优参数，快线 5-20，慢线 20-50"
• "Sweep ma_crossover fast_period=[5,10,20] slow_period=[20,30,50] on BTC/USDT"

参数：

实际执行的命令：

clawquant --json backtest sweep ma_crossover --symbol BTC/USDT --interval 1h --days 30 \
  --grid '{"fast_period": [5,10,20], "slow_period": [20,30,50]}' --mode grid

4. quant_report_get — 生成回测报告

用途： 根据回测 Run ID 生成完整报告，包括 JSON 数据、Markdown 文档和图表。

自然语言示例：

• "生成上次回测的报告"
• "Generate report for run ma_crossover_btc_usdt_20260304_abc12345"

参数：

实际执行的命令：

clawquant --json report generate <run_id> --formats json,md,charts

报告输出到 `runs/<run_id>/` 目录：

• report.json — 结构化指标数据
• report.md — Markdown 可读报告
• equity.png — 权益曲线图
• drawdown.png — 回撤图
• trades.png — 交易标记图

5. quant_radar_scan — 扫描交易机会

用途： 用多个策略扫描多个标的，返回带置信度评分和解释的交易机会排行。

自然语言示例：

• "扫描 BTC/ETH/SOL 有没有交易机会"
• "Scan BTC/USDT,ETH/USDT for signals using ma_crossover"

参数：

实际执行的命令：

clawquant --json radar scan --symbols BTC/USDT,ETH/USDT --strategies ma_crossover,dca \
  --interval 1h --days 10 --top 10

6. quant_deploy — 部署交易

用途： 部署策略进行模拟交易（Paper）或实盘交易（Live）。Paper 模式模拟订单，Live 模式需要显式确认。

自然语言示例：

• "用 MA交叉策略在 BTC 上开始模拟交易"
• "Start paper trading ma_crossover on BTC/USDT"

参数：

实际执行的命令：

clawquant --json deploy paper ma_crossover --symbol BTC/USDT --interval 1h --capital 10000

安全提醒： Live 模式涉及真实资金，Agent 应在执行前向用户确认。

可用的内置策略

Skills 中 strategies 参数可使用以下内置策略名：

也可使用 file:./path/to/my_strategy.py 加载用户自定义策略。

如何在 AI Agent 中加载 Skills

方式一：Claude Code / Claude Desktop

将 YAML 文件注册为 MCP Tool 或在 AGENTS.md / CLAUDE.md 中描述即可。Agent 会根据自然语言自动匹配 Skill 调用。

方式二：Lobechat / ChatGPT GPTs

1. 在插件/工具配置面板中，添加自定义函数
2. 按照每个 YAML 中的 name、description、parameters 填写
3. command 字段作为执行入口，替换 {project_root} 为实际路径

方式三：自定义 Agent 框架

解析 clawquant/skills/*.yaml，将每个 Skill 注册为工具函数：

import yaml, subprocess, json
def load_skills(skills_dir="clawquant/skills"):
    skills = {}
    for f in Path(skills_dir).glob("*.yaml"):
        skill = yaml.safe_load(f.read_text())
        skills[skill["name"]] = skill
    return skills
def call_skill(skill, params, project_root="."):
    cmd = skill["command"]
    for k, v in params.items():
        cmd = cmd.replace(f"{{{k}}}", str(v))
    cmd = cmd.replace("{project_root}", project_root)
    result = subprocess.run(cmd, shell=True, capture_output=True, text=True)
    return json.loads(result.stdout)

典型工作流编排

场景一：快速策略对比

用户：对比 7 个内置策略在 BTC 上最近 30 天的表现
 
Agent 编排：
  1. quant_data_pull    → 拉 BTC/USDT 30天 1h 数据
  2. quant_backtest_batch → 7 个策略批量回测
  3. quant_report_get   → 为 Top 3 生成报告

场景二：参数调优

用户：帮我优化 MA交叉策略，快线试 5/10/15/20，慢线试 20/30/40/50
 
Agent 编排：
  1. quant_data_pull       → 拉数据
  2. quant_backtest_sweep  → 4×4=16 组参数扫描
  3. quant_report_get      → 为最优参数生成报告

场景三：每日机会扫描

用户：扫一下主流币有没有机会
 
Agent 编排：
  1. quant_radar_scan → 扫描 BTC/ETH/SOL/BNB 等标的
  2. 返回 Top N 机会 + 解释 + 置信度

场景四：模拟上线

用户：用最优参数的均线交叉策略跑模拟盘
 
Agent 编排：
  1. quant_deploy (paper) → 启动模拟交易
  2. 定期检查状态和绩效

YAML Skill 文件格式说明

每个 .yaml 文件包含以下字段：

name: skill_name              # Skill 唯一标识
description: |                 # 功能描述（Agent 用来判断何时调用）
  Multi-line description...
usage: |                       # 自然语言调用示例
  "用户可能这样说..."
command: |                     # 实际执行的 shell 命令模板
  cd "{project_root}" && clawquant --json ...
parameters:                    # 参数定义
  param_name:
    type: string|integer|number
    description: "参数说明"
    required: true|false       # 是否必填
    default: "默认值"          # 可选默认值

常见问题

Q: 数据拉不下来？ A: 检查网络/代理配置（.env 中的 HTTPS_PROXY），确保能访问交易所 API。

Q: 策略名写错了？ A: 运行 clawquant strategy list 查看所有可用策略名。

Q: 怎么查看之前的 Run ID？ A: 查看 runs/ 目录，或在批量回测的 JSON 输出中获取。

Q: Live 模式安全吗？ A: Live 模式需要显式确认（--i-know-what-im-doing），Agent 默认不会自动执行实盘交易。