6 min read

你的龙虾赚钱了吗?我做了一个龙虾版TradingView(策略+回测)

Source: http://x.com/i/article/2029491454117343232

ClawQuant Trader:把量化研究从“会写代码的人专属”,变成“任何会提问题的人都能用”的 Agent 原生终端。🦞

产品链接: https://docs-chi-one-86.vercel.app/#top

——

——

为什么做这个项目

过去我们在做策略研究时,最大的痛点不是“没有想法”,而是从想法到验证之间的链路太长:拉数据、清洗、回测、评估、报告,任何一步都可能把节奏打断。

我们做 ClawQuant Trader 的出发点很简单:让研究流程标准化、可复现、可批量,让个人研究者和小团队也能拥有接近专业量化团队的基础设施能力。

——

产品介绍

ClawQuant Trader 是一套面向 AI Agent 与研究者协作的量化研究终端,核心目标是解决三件事:

  1. 把研究流程串起来
  2. 把结果评估做扎实
  3. 把策略迭代速度提上来

具体能力如下:

📊 数据层(Data Infra)— 深度集成 Binance

- 默认对接 Binance 交易所,通过 ccxt 拉取 OHLCV 实时行情数据

- 内置 Binance Skill Wrapper,为 AI Agent 提供标准化的数据调用接口

- Parquet 本地缓存 + 增量更新,减少 API 请求频次,高效利用 Binance 数据服务

- 提供数据质量检查(缺口、重复、异常值)

- 支持多标的时间对齐,方便组合或横向比较

价值点:Binance 作为全球最大的加密货币交易所,提供了业界最稳定、最全面的行情数据 API。ClawQuant 将 Binance 的数据能力作为默认底座,确保研究结论建立在高质量数据之上。

⚙️ 策略系统(Strategy Runtime)— 开箱即用 7 大内置策略

内置 7 个经典量化策略,覆盖趋势跟踪、均值回归、被动投资三大流派:

| 策略 | 类型 | 说明 |

|------|------|------|

| DCA(定投) | 被动投资 | 固定金额定期买入,适合长期持有 |

| MA Crossover(均线交叉) | 趋势跟踪 | 快慢均线金叉/死叉信号 |

| Grid(网格交易) | 均值回归 | 价格网格挂单,震荡市利器 |

| RSI Reversal(RSI 反转) | 均值回归 | 超买超卖反转信号 |

| Bollinger Bands(布林带) | 均值回归 | 价格触及布林带上下轨反转 |

| MACD | 趋势跟踪 | MACD 金叉/死叉信号 |

| Breakout(唐奇安突破) | 趋势跟踪 | N 周期高低点突破,经典海龟交易法 |

- 支持用户自定义策略,统一 BaseStrategy 接口规范(6 个抽象方法)

- 支持策略校验与快速 scaffold,降低开发门槛

- 为状态型策略保留运行上下文,便于复杂逻辑落地

价值点:不是只跑”一个策略”,而是开箱即用 + 可无限扩展的策略工厂。

🚀 回测引擎(Backtest Engine)

- 事件驱动回测主循环(Bar → Signal → Order → Fill → Portfolio)

- 默认采用“下一根 K 线开盘价成交”模型,避免未来函数偏差

- 支持手续费、滑点、风控约束(仓位、回撤、冷却等)

- 输出完整交易明细与资金曲线,便于复盘

价值点:把“看起来赚钱”的策略,和“真实可执行”的策略区分开。

🧠 评估与评分(Evaluate + Score)

- 覆盖核心指标:Sharpe、Sortino、Calmar、Max Drawdown 等

- 稳定性评分 0-100(质量、风险、稳健性、成本敏感、过度交易)

- 支持多策略横向比较,减少主观判断偏差

价值点:不是只看收益率,而是看策略在不同维度下是否“活得久”。

📝 报告系统(Report)

- 一键生成 JSON / Markdown / 图表报告

- 图表包含资金曲线、回撤、交易点分布

- run_id + 配置快照,保证结果可追踪、可复现

价值点:研究结果可沉淀、可分享、可审阅,团队协作效率会明显提升。

🛰️ 批量研究与机会扫描(Batch / Sweep / Radar)

- 批量回测:多策略 × 多标的 × 多周期并行

- 参数扫描:网格/随机搜索,提升调参效率

- Walk-forward 验证:减少过拟合

- Radar 扫描:快速发现当前市场下潜在机会

价值点:从“手工试错”升级到“系统化搜索”。

🤖 Agent 原生集成(Skills)— 基于 Binance 生态的 AI 工作流

- 6 个标准化 Skill 定义,AI Agent 可通过自然语言完成从 Binance 数据拉取到策略部署的全流程

- 内置 Binance Skill Wrapper 适配层,Agent 无需理解底层 API 即可调用交易所能力

- 命令行与结构化 JSON 输出,适配各类 Agent 框架

- 支持将”自然语言任务”映射到数据拉取、批量回测、报告生成等流程

价值点:ClawQuant 将 Binance 的交易基础设施能力封装为 AI Agent 可直接消费的 Skill 接口——未来的研究不是”人 vs 工具”,而是”人 + Agent + Binance 生态”的协同。

——

使用说明(如何结合数据与功能辅助决策)

这里给一个通用工作流,保持简单但实用:

🧩 第一步:先定研究问题

比如“最近 30 天 BTC/ETH 在 1h 周期下,哪类策略稳定性更高?”

📥 第二步:拉数据 + 做质量检查

先保证数据可用,不要急着跑策略。数据质量不稳,后面都是噪音。

🧪 第三步:小范围单测,再批量对比

先跑单策略验证逻辑,再上 batch 比较多个策略与参数组合。

📈 第四步:看收益,也看风险结构

重点看回撤、交易次数、稳定性评分分解,而不是只看总收益。

🔁 第五步:用 sweep + walk-forward 做二次筛选

筛掉对参数过敏、样本外表现弱的方案。

🗂️ 第六步:生成报告沉淀结论

把 run 结果结构化保存,形成可追溯的研究档案。

一句实话:这个工具不是“自动印钞机”,它做的是把研究和决策过程工程化,帮你更快发现机会、过滤噪音、控制试错成本。长期看,这比一次性抓到行情更重要。

——

如果你本身在做 Web3 交易、策略开发、研究协作,ClawQuant Trader 更像一个”研究操作系统”:

它不替你做判断,但能让你的判断更快、更稳、更可复盘。🛠️

——

技术集成

ClawQuant Trader 的数据与交易基础设施建立在 Binance 生态之上:

- 默认交易所:Binance — 全球最大的加密货币交易所,提供最全面的交易对覆盖与最稳定的行情 API

- 数据层:通过 ccxt 对接 Binance OHLCV API,支持全量交易对、多时间周期(1m ~ 1d)的行情数据拉取

- Skill 适配:内置 Binance Skill Wrapper,将 Binance API 能力封装为 AI Agent 可直接调用的标准接口

- 部署层:Paper Trading 与 Live Trading 均基于 Binance 交易接口,从回测到实盘无缝衔接