Autostrategy

AI 驱动的量化策略自动生成工具。输入策略需求 → Agent 设计 → 代码生成 → 回测验证 → 自主优化。

⚠️ 免责声明：本工具生成的策略仅供学习和研究用途，不构成任何投资建议。量化交易有风险，过往回测表现不代表未来收益。

快速开始（产品版）

# 安装开发版
pip install -e .

# 初始化本地配置，会创建 ~/.autostrategy/settings.yaml
autostrategy config init

# 配置 LLM。API key 不写入配置文件，只从环境变量读取
autostrategy config set llm.provider openai
autostrategy config set llm.model gpt-4o-mini
export AUTOSTRATEGY_LLM_API_KEY="你的 API Key"

# 创建策略工作区
autostrategy strategy create dual-ma --template dual-ma

# 查看策略路径
autostrategy strategy paths dual-ma

# 用自然语言生成 STRATEGY_DESIGN.md，需要已配置 LLM key
autostrategy design create \
  --prompt "帮我做一个 A 股双均线策略" \
  --name dual-ma \
  --template dual-ma

# 从 STRATEGY_DESIGN.md 生成 strategy.py/config.yaml/README.md 等文件
autostrategy codegen create dual-ma --force

# 执行本地回测并生成 backtest/results/backtest_result.json
autostrategy backtest run dual-ma

# 查看策略状态，应从 draft/designed/coded 流转到 backtested
autostrategy strategy show dual-ma

design create 和 codegen create 会调用用户自己配置的 LLM Provider。开源项目不会内置 API key，也不会替用户付费。

本地 Web / REST API / MCP（Phase 4A-4B）

Phase 4A 将 autostrategy 从纯 CLI 扩展为本地 Agent 服务平台骨架：CLI、REST API、Dashboard 和 MCP 工具复用同一套 service layer。

Phase 4B 将 Dashboard 升级为基于 Ant Design 官方组件与默认主题 的浏览器工作台。Web 端使用 React + Vite + TypeScript + antd，不引入 Tailwind、Bootstrap、shadcn/ui 或其他主题系统。

安装 Phase 4A/4B 依赖

# Python 侧：包含测试、API、Web Dashboard、MCP adapter
pip install -e ".[dev,api,web,mcp]"

# 前端侧：安装 Ant Design React 工作台依赖
npm install
npm run build

前端开发命令

# 开发服务器，仅用于前端迭代
npm run dev

# 构建到 src/autostrategy/web/static，由 autostrategy serve 托管
npm run build

# 运行前端测试
npm test

启动本地服务

autostrategy serve --host 127.0.0.1 --port 8000

启动后可访问：

也可以指定工作区：

autostrategy serve --workspace-root /path/to/strategies

默认仅建议监听 127.0.0.1。Phase 4A 是本地优先能力，不提供多用户鉴权和远程托管安全边界。

REST API 示例

# 健康检查
curl http://127.0.0.1:8000/api/v1/health

# 创建策略工作区
curl -X POST http://127.0.0.1:8000/api/v1/strategies \
  -H "Content-Type: application/json" \
  -d '{"name":"phase4a-demo","market":"A股","template":"dual-ma"}'

# 查看策略详情
curl http://127.0.0.1:8000/api/v1/strategies/phase4a-demo

# 查看策略 artifact 状态
curl http://127.0.0.1:8000/api/v1/strategies/phase4a-demo/artifacts

# 预览设计文档
curl http://127.0.0.1:8000/api/v1/strategies/phase4a-demo/artifacts/design

# 运行回测（需要 strategy.py 已存在）
curl -X POST http://127.0.0.1:8000/api/v1/strategies/phase4a-demo/backtest

# 启动模拟运行（需要 strategy.py 暴露 run_paper(config)）
curl -X POST http://127.0.0.1:8000/api/v1/strategies/phase4a-demo/paper-run

# 查看模拟运行结果
curl http://127.0.0.1:8000/api/v1/strategies/phase4a-demo/paper-run-result

Phase 5A — 模拟运行（Paper Run）

Phase 5A 提供 replay-first 模拟运行：策略代码只需暴露 run_paper(config)，即可在本地按历史数据重放决策，并产出可审计的 paper run artifact。

模拟运行会写入：

• paper_run/results/paper_run_result.json — 当前状态、汇总指标、最新决策
• paper_run/results/paper_run_events.jsonl — 逐笔决策审计流
• paper_run/logs/paper_run.log — 运行日志

Phase 5A 还不是完整模拟盘：不做真实 broker、不做实时行情订阅、不做完整订单生命周期。它先把“本地 replay → 落盘 → 展示”的最小闭环跑通，为后续 Phase 5B 准实时运行打基础。

MCP 工具范围

Phase 4A 提供保守的 MCP adapter，主要用于本地 Agent 读取策略状态和触发低风险操作：

• list_strategies
• get_strategy
• get_strategy_paths
• list_templates
• get_backtest_result
• create_strategy
• run_backtest

暂不开放 design_strategy / codegen_strategy 作为 MCP 工具，避免其他 Agent 自动形成“生成代码 → 执行代码”的高风险链路。

Phase 4A 安全边界

• API/MCP 只能通过 strategy slug 访问当前 workspace 内文件。
• Workspace 会拒绝 ../、绝对路径等 path traversal。
• CodegenAgent 会拒绝明显危险的生成代码模式，例如 os.system、subprocess、eval(、exec(。
• 回测仍会在本地执行策略代码；这是本地研究工具，不是远程沙箱服务。

它能做什么？

核心设计

文档驱动

STRATEGY_DESIGN.md 是「系统施工图纸」 — 所有策略逻辑先落在设计文档上，代码只是文档的严格翻译产物。

用户需求 → STRATEGY_DESIGN.md（精确规格）→ strategy.py（严格翻译）→ 回测验证

这意味着：AI 不会「自由发挥」，每行代码都有文档对应；修改策略时改文档，代码跟随更新。

Agent 化工作流

Autostrategy 采用多 Agent 串联架构，用户只需在 3 个关键审批点参与决策：

用户输入
    ↓
┌─────────────────┐  Phase 1: 策略设计 Agent
│  设计 Agent      │  → 产出 STRATEGY_DESIGN.md
│  (design_agent)  │
└────────┬────────┘
         ↓ ⏸ 审批点 1：确认设计文档
┌─────────────────┐  Phase 2: 代码生成 Agent
│  代码 Agent      │  → 产出 strategy.py + 回测报告
│  (codegen_agent) │
└────────┬────────┘
         ↓ ⏸ 审批点 2：确认回测结果
┌─────────────────┐  Phase 3: 优化 Agent（自主/交互式）
│  优化 Agent      │  → 产出优化报告
│  (optimization)  │
└────────┬────────┘
         ↓ ⏸ 审批点 3：最终决策（接受 / 重做 / 回 Phase 1）

• 文件驱动状态转移：STRATEGY_DESIGN.md → strategy.py → backtest_result.json → changelog.md
• 棘轮决策：每次优化用 score_strategy() 评分，有效保留、无效回滚

适用市场

期货、期权暂不支持，后续版本逐步加入。

快速开始

安装

npx skills add rivar0107/autostrategy --yes

安装后在 Claude Code / Gemini CLI / Copilot CLI 中直接使用，无需额外配置。

环境准备（可选）

pip install numpy pandas pyyaml

• A股数据：安装 ftshare-all-in-one Skill（免费）
• 港美股数据：安装 FutuAPI Skill（需 Futu OpenD）

使用示例

"帮我设计一个双均线交叉策略"
"我想做一个港股量化策略，但不清楚用什么方法"
"帮我根据某大V在微博上的投资观点做个量化策略"
"优化这个策略的回测结果，降低最大回撤"

项目结构

autostrategy/
├── pyproject.toml                     # Python 包定义与 CLI 入口
├── VERSION                            # 当前版本
├── CHANGELOG.md                       # 版本变更记录
├── TODOS.md                           # 项目待办与已完成事项
├── SKILL.md                           # 兼容旧 Skill 安装路径的 shim
├── src/autostrategy/
│   ├── cli/main.py                    # Typer CLI
│   ├── api/                           # FastAPI REST API
│   │   ├── app.py
│   │   ├── routers/                   # strategies / design / codegen / backtest / paper_run / artifacts / config / health
│   │   ├── schemas.py
│   │   └── dependencies.py
│   ├── services/                      # 业务 service layer
│   │   ├── strategy_service.py
│   │   ├── design_service.py
│   │   ├── codegen_service.py
│   │   ├── backtest_service.py
│   │   ├── backtest_job_service.py
│   │   ├── paper_run_service.py
│   │   ├── paper_run_job_service.py
│   │   └── artifact_service.py
│   ├── mcp/                           # MCP adapter
│   │   ├── server.py
│   │   └── tools.py
│   ├── web/                           # Ant Design React 工作台
│   │   └── frontend/
│   │       ├── src/App.tsx
│   │       └── ...
│   ├── config.py                      # 本地配置与 LLM Provider 配置
│   ├── llm/client.py                  # OpenAI-compatible LLM Client
│   ├── agents/
│   │   ├── design_agent.py            # 自然语言 → STRATEGY_DESIGN.md
│   │   └── codegen_agent.py           # STRATEGY_DESIGN.md → strategy.py/config/README
│   ├── core/
│   │   ├── strategy.py                # Strategy 领域模型与状态
│   │   ├── workspace.py               # 策略工作区 CRUD 与文件 API
│   │   ├── template_registry.py       # 内置模板市场
│   │   └── backtest_engine.py         # 可导入的产品化回测引擎 + paper run workflow
│   └── templates/                     # dual-ma / grid / momentum 模板
├── .claude/skills/autostrategy/       # Claude Code Skill 兼容层
│   └── prompts/                       # 原 Skill prompts
├── scripts/
│   ├── env_setup.py                   # 环境检查与依赖安装
│   ├── quality_check.py               # 旧版策略设计文档质量检查
│   └── run_backtest.py                # 兼容脚本入口
├── examples/
│   └── dynamic-grid-multi-market/     # 示例：动态网格多标的策略
├── docs/superpowers/                  # 产品化设计文档与计划
└── tests/                             # unit / integration 测试

示例策略

内置「动态网格多标的」策略示例，覆盖 5 个跨市场标的（腾讯、科创50ETF、中证2000ETF、小鹏、特斯拉）。

2024-2025 回测：年化收益 11.99%，最大回撤 30.47%，夏普 0.49，胜率 75.2%。

评估与设计原则

评分函数：5 个维度共 100 分 + 简洁性惩罚（条件数 > 10 时每个扣 1.5 分）。

同时检测：过拟合、幸存者偏差、未来函数、流动性、前后半段稳定性。

技术栈

• 语言：Python 3.11+
• CLI：Typer
• 配置/数据模型：Pydantic + PyYAML
• 数据处理：NumPy, Pandas
• 回测：函数式 run_backtest(config) 优先，兼容 Backtrader Strategy class
• 数据源：FTShare（A股）、FutuAPI（港美股）、akshare/yfinance 等可扩展源
• LLM Provider：OpenAI-compatible，本地读取用户环境变量中的 API key
• AI Agent 兼容：Claude Code, Gemini CLI, Copilot CLI, Codex, Cline 等

相关项目

• all-in-one — 免费的 A 股/港股行情数据 Skill
• darwin-skill — AI Skill 持续优化框架

License

MIT License