Autostrategy

AI 驱动的量化交易策略自动生成 Skill，专为 Claude Code、Gemini CLI、Copilot CLI 等 AI Agent 设计。

⚠️ 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。

合规说明

本 Skill 的定位是学习工具，帮助用户理解量化策略的设计逻辑和验证方法。

学习导向：策略生成和回测的目的是帮助用户学习量化交易知识、理解策略原理，而非提供可直接用于实盘的交易系统
策略验证：回测结果仅反映历史数据上的表现，不预示未来收益。实盘交易受滑点、流动性、市场冲击等影响，实际表现可能与回测有显著差异
实盘建议：如用户计划将策略用于实盘交易，请务必充分了解相关风险，建议先进行长时间的模拟盘验证，并根据自身风险承受能力谨慎决策
投资责任：所有投资决策由用户自行做出，本工具不对任何因使用本工具产生的投资损失承担责任
数据合规：本工具使用的数据均来自公开市场数据源，用户应确保其数据获取和使用符合当地法律法规

它能做什么？

Autostrategy 是一个 AI Agent Skill，让量化策略开发变得像对话一样简单：

你说什么	它做什么
"帮我设计一个双均线交叉策略"	自动生成完整策略代码 + 回测验证
"我想做一个A股量化策略，但不确定用什么方法"	诊断推荐 → 选择方法 → 生成策略
"根据某博主的投资观点做个策略"	互联网研究 → 提炼交易逻辑 → 量化策略
"这个策略回测一下"	运行回测 → 输出评估报告
"优化这个策略的回测结果"	Agent 自主迭代优化（5-15分钟）→ 输出优化报告

核心理念

STRATEGY_DESIGN.md — 「系统施工图纸」

这是 Autostrategy 最核心的设计：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」，每行代码都有设计文档对应
策略逻辑可追溯、可审计、可复现
修改策略时改文档，代码跟随更新

四种入口路径

┌─────────────────────────────────────────────────────┐
│                   用户输入                            │
├─────────────┬───────────┬───────────┬───────────────┤
│  明确需求    │  模糊需求  │  已有策略  │  大V/博主     │
│  "双均线交叉"│ "想做个    │ "优化这个  │ "按某博主的   │
│             │  A股策略"  │  回测结果" │  投资逻辑"    │
├─────────────┼───────────┼───────────┼───────────────┤
│ 直接分析     │ 诊断推荐   │ 优化迭代   │ 互联网研究    │
│      ↓      │     ↓     │     ↓     │      ↓       │
│         STRATEGY_DESIGN.md                          │
│                    ↓                                │
│            strategy.py + 回测                       │
│                    ↓                                │
│             评估 → Agent自主优化 → 看报告决策           │
└─────────────────────────────────────────────────────┘

适用市场

市场	数据源	交易规则
A股	FTShare（免费）	T+1，涨跌停 ±10%/±20%
港股	FutuAPI（需 Futu OpenD）	T+0，无涨跌停
美股	FutuAPI（需 Futu OpenD）	T+0，PDT 规则

期货、期权暂不支持，后续版本逐步加入。

快速开始

安装

# 使用 skills CLI 安装
npx skills add zhangchao0911/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）

如果需要运行回测，安装 Python 依赖：

pip install numpy pandas pyyaml

如果需要获取行情数据：

A股 ETF/股票：安装 ftshare-all-in-one Skill（免费，推荐）
港美股：安装 FutuAPI Skill（需 Futu OpenD 运行）

使用示例

在 AI Agent 中直接说：

# 示例1：明确策略
"帮我设计一个动态网格策略，标的是腾讯控股和小鹏汽车"

# 示例2：模糊需求
"我想做一个港股量化策略，但不清楚用什么方法"

# 示例3：博主策略
"帮我根据某大V在微博上的投资观点做个量化策略"

# 示例4：优化已有策略
"优化这个策略的回测结果，降低最大回撤"

项目结构

autostrategy/
├── SKILL.md                          # Skill 定义（AI Agent 读取）
├── prompts/
│   └── optimization_agent.md         # Agent 自主优化 prompt
├── scripts/
│   ├── env_setup.py                  # 环境检查与依赖安装
│   ├── quality_check.py              # 策略代码质量检查
│   └── run_backtest.py               # 回测执行与评估
├── examples/
│   └── dynamic-grid-multi-market/    # 示例：动态网格多标的策略
│       ├── STRATEGY_DESIGN.md        # 策略设计文档（施工图纸）
│       ├── config.yaml               # 回测参数配置
│       ├── strategy.py               # 策略实现代码
│       ├── requirements.txt          # Python 依赖
│       └── data/
│           └── fetch_data.py         # 数据获取脚本
└── skills-lock.json

示例策略：动态网格多标的

内置了一个完整的动态网格策略示例，覆盖 5 个跨市场标的：

标的	市场	数据源
腾讯控股 (0700.HK)	港股	FutuAPI
科创50ETF (588000.SH)	A股	FTShare
中证2000ETF (563300.SH)	A股	FTShare
小鹏汽车 (9868.HK)	港股	FutuAPI
特斯拉 (TSLA)	美股	FutuAPI

真实数据回测结果（2024-2025）：

指标	数值
年化收益率	11.99%
最大回撤	30.47%
夏普比率	0.49
胜率	75.2%
总交易次数	276
期末资产	¥1,330,743

策略评估体系

Autostrategy 使用 score_strategy() 对策略进行量化评分，从 5 个维度评估 + 简洁性惩罚：

维度	满分	满分条件
年化收益率	25	> 基准指数年均收益 × 2（沪深300 8% / 恒生 5% / 标普 10%）
最大回撤	20	< 10%（回撤≥30%得0分）
夏普比率	25	> 2.0
胜率	15	> 60%
盈亏比	15	> 2.5
简洁性惩罚	—	条件数 > 10 时，每个额外条件扣 1.5 分

同时检测：过拟合、幸存者偏差、未来函数、流动性匹配、前后半段收益稳定性。

设计原则

#	原则	说明
1	简洁性优先	分数提升必须大于复杂度增加
2	文档是核心	所有逻辑先写入 STRATEGY_DESIGN.md
3	入口分流	不假设用户知道怎么用，提供明确路径引导
4	人在回路	策略方向和设计文档人类确认，优化由 Agent 自主完成
5	量化评估	用 score_strategy() 一个数字决定 keep 或 revert
6	免费优先	只推荐免费数据源，不引导用户付费
7	不推实盘	定位是策略创建和验证，不推荐实盘交易

技术栈

语言：Python 3.9+
数据处理：NumPy, Pandas
数据源：FTShare（A股）、FutuAPI（港美股）
AI Agent 兼容：Claude Code, Gemini CLI, Copilot CLI, Codex, Cline 等

Author

Maxzhang

License

MIT License

autostrategy