最近一段时间OpenClaw 在量化圈和 AI Agent 圈子里的讨论度突然拉满热度甚至超过了不少传统的量化回测工具。大家真正感兴趣的不止是它“能聊天”而是它把“回测自己的期权量化交易策略”这件事做成了对话你负责说思路它负责写代码、调数据、跑回测、整理结果然后你再继续提要求反复几个来回往往一个午休时间就能把一个策略想法验证掉大半。这篇文章不打算给你复述官方文档而是把我从部署 OpenClaw 到用它跑期权策略回测的完整折腾过程拆开揉碎包括 Windows 上怎么配、手机上能不能跑、是不是非得接 API、以及 Backtrader 多股回测里那些容易翻车的地方。不管你是量化新手还是已经在写策略的老手只要想把“策略验证”这一步做得更轻这篇长篇实操记录应该都能帮上忙。1. OpenClaw 到底是什么为什么会在量化圈突然火起来1.1 先拆掉“聊天工具”的外壳很多人第一次看到 OpenClaw以为它又是个聊天机器人客户端这其实是个很大的误解。OpenClaw 本质上是一套 Agent 运行时它本身既不提供聊天界面也不内置大模型而是把模型、工具调用、任务规划和外部系统连接在一起。用一句话概括就是“给大模型接上双手双脚”模型只负责理解你的意图真正去执行命令、跑 Python 脚本、读写文件、调用接口这些脏活累活都由 OpenClaw 来完成。这套设计的核心价值在“有状态”三个字。普通聊天窗口是上下文一断就失忆而 OpenClaw 在处理一个任务时会把中间产物保存下来比如生成的回测脚本、跑出来的 CSV 结果、报错信息都会作为下一次决策的输入继续喂给模型。我之前试过一个典型场景让它跑完一遍回测后我直接说“最大回撤太大了把仓位从 30% 降到 20%再跑一次”它是真的会先找到上次生成的代码文件定位到仓位参数改完再重新执行。这种连续操作能力恰恰是量化策略验证最需要的。也因为这个原因OpenClaw 的技术栈没有绑定任何领域。我看到有人在 ROS2 环境里用 Humble 加 Gazebo 做机器人任务编排也有人把它接到自己的交易数据 API 上做每日复盘本质上都是同一套“模型 技能 工具调用”的架构。策略回测只是它众多用法里非常自然的一种场景。1.2 量化圈盯上它的真正原因过去我们做期权策略回测通常要经历这样一串流程先写信号逻辑再写数据清洗然后处理期权合约的到期日、行权价、保证金最后还要写绩效统计模块。这一套下来少说要几百行代码。如果用现成的回测框架比如 Backtrader代码量会少一些但改参数、看结果、再改依旧需要不停在编辑器、终端、Excel 之间来回切。OpenClaw 把这条链路压缩成了对话。你可以用自然语言描述一个策略思路它能直接生成对应代码跑给你看看到结果后你可以像和一个量化研究员讨论一样继续让它调整参数、换合约月份、增加手续费滑点。这个过程看起来像“聊天”底层其实是在做真实的代码生成、执行、反馈和迭代。当然这里要泼一盆冷水OpenClaw 本身不会告诉你策略逻辑对不对它的价值是把“你怎么想的”快速变成“代码是怎么跑的”。如果策略逻辑本身就是拍脑袋想的结果再好看也没用。所以我会建议把它的定位看成“策略实验室里的执行助理”而不是“策略军师”。2. 部署前必须想清楚的几件事算力、API 和跨平台2.1 OpenClaw 只能用接入 API 的方式使用算力吗这个问题在网上被问了很多次答案是“不是”。OpenClaw 的模型接入层是开放的默认配置确实会指向云端模型 API因为它要保证首屏体验够好但这不代表没有其他选择。你完全可以接本地部署的 Ollama让整个链条的数据都留在你自己电脑上包括模型推理和回测执行。我这边实际对比过两种方案差异比想象中大对比项云端 API本地 Ollama推理算力服务端提供按调用量计费本机 GPU 或 CPU只需电费上下文长度取决于模型服务配置取决于本地显存和模型量化等级数据隐私策略代码和部分数据要离开本机全程本地适合敏感策略部署复杂度配置密钥即可上手快需要先装 Ollama 和模型响应速度受网络影响波动较大本地延迟低但推理吞吐有限如果只是为了跑通期权回测的流程我个人的建议是先用云端 API 把整个链路跑顺然后再根据使用频率决定要不要切到本地。因为回测场景需要大模型反复生成代码和解读结果一次迭代动不动就是几万 token本地部署虽然省了接口费用但如果显存不够推理速度会让人等得难受。反过来如果模型只是用来辅助分析脚本报错、整理日志那本地小模型完全够用体验还更稳定。至于“是不是所有计算都必须接到 API 才能完成”——完全不是。OpenClaw 的代码执行、Backtrader 回测、数据下载这些都是在本机完成的只有模型推理那一环需要接 LLM。把这两件事分开理解很多部署上的困惑就迎刃而解了。2.2 Windows 环境的安装与 Companion 配置OpenClaw 对 Windows 的支持方式比较特别主程序跑在 WSL2 或 Docker 容器里Windows 端则通过一个叫 Companion 的小工具来提供剪贴板监听、系统托盘和快捷唤醒能力。这个设计一开始让我觉得绕后来想通了因为 Agent 要执行大量 shell 命令、装依赖、管理文件Linux 环境下的兼容性远好过直接在 Windows 上裸跑。我的安装步骤大致如下# 先准备好 WSL2 和 Docker Desktop然后拉项目镜像并启动服务 docker compose up -d # 查看服务状态等 healthy 后再进行配置 docker compose ps # 初始化配置文件 openclaw init # 启动 Windows Companion配置界面会引导你连接本地服务 openclaw companion startCompanion 配置里最需要留意的是端口和 Token 两样东西。OpenClaw 服务启动后会在本机监听一个随机端口Companion 需要通过 API Token 和服务建立连接。第一次配置时Token 一般会生成一份写进 config 文件的认证信息别复制漏了否则会一直卡在“无法连接”的报错上。另外Windows 下面跑 Backtrader 这类回测库时最常遇到的坑是 Python 环境版本不一致。OpenClaw 容器里默认装的 Python 可能是 3.11而你本机用的可能是 3.9如果数据脚本里用了新语法在容器里没问题在你本机跑就会报错。我当时直接把所有回测依赖都写进 requirements.txt让 OpenClaw 在容器里统一安装彻底避免了两套环境互相干扰的问题。2.3 手机部署Termux 安装 OpenClaw 到底靠不靠谱网上关于“如何用 Termux 安装 OpenClaw 手机版下载步骤”的教程不少我也实际试了一遍。结论是能装上但要做好性能预期管理。Termux 本质上是 Android 上的 Linux 终端模拟器可以安装 Python、Git 和各类依赖所以 OpenClaw 这种以 Python 为核心的 Agent 运行时理论上是可以在手机上跑起来的。安装过程并不复杂# 更新软件源并安装基础依赖 pkg update pkg install python git binutils # 从官方仓库拉取 OpenClaw git clone https://github.com/openclaw/openclaw.git cd openclaw # 创建虚拟环境并安装 python -m venv .venv source .venv/bin/activate pip install -e . openclaw init真正的问题不是安装而是内存。OpenClaw 就算只跑一个小模型加上回测进程很容易把手机内存撑爆。我试过在手机上用 Termux 启动一个很小的量化模型再让它跑一次期权回测脚本最后手机直接开始卡顿触控响应都明显变慢。如果你是抱着“随时用手机盯盘、回测一下策略”的目的我更建议用“手机 Termux 做客户端远端电脑跑模型和回测服务”的组合。这样手机只负责发指令和看结果真正吃算力的地方还是在电脑上体验会好很多。如果一定要让手机端跑推理最现实的选择是接局域网内另一台机器的 Ollama而不是指望手机本地推理。手机端的 Ollama 虽然支持一些量化小模型但跑复杂回测代码生成时速度慢到让人怀疑人生。2.4 配置模型和中文支持的小技巧还有一个经常被问起的点是“OpenClaw 中文版”。实际上 OpenClaw 的交互界面本身就是多语言的所谓中文版更多取决于你接的模型中文能力强不强以及技能模板里的指令描述是不是中文。如果你用的是中文能力比较弱的模型可能会发现它生成的 Backtrader 代码注释全是英文但这不影响回测结果。真正影响用户体验的地方在 Agent 对指令的解析建议在初始化配置时把系统提示词里的“用中文回复”和“用中文输出回测摘要”两条规则写进去它就会自动切换。我在配置里开头就加了这两行之后的交互明显顺滑很多。3. 让 OpenClaw 跑期权策略回测前的关键准备3.1 期权回测和股票回测根本不是一回事很多做股票量化的人第一次让 AI 生成期权策略回测代码时都会犯同一个错误以为期权策略就是“信号出现就买入卖出”那么简单。实际上期权策略有五个绕不开的维度标的资产价格、行权价、到期时间、隐含波动率、还有希腊字母。一个完整的期权策略回测至少要判断清楚这几点策略用哪些合约月份月间价差怎么处理用实值、平值还是虚值合约行权价档位怎么选择是否考虑保证金占用双卖类策略的保证金计算尤其关键到期日临近时是展期还是平仓展期要加入新的隐波假设手续费和滑点按什么标准计提期权合约流动性和股票完全不是一个量级。我在对话里通常会让 OpenClaw 先把这些“边界条件”列出来再让它写代码。比如做双卖策略我会明确告诉它标的用上证 50ETF 近月合约行权价选虚值一档或两档距离到期 5 天时平仓。这些限制给得越清晰AI 生成的代码越接近真实可跑的样子。这里也要说明一下我聊的是工具链的使用方式不是在推荐任何具体策略组合更不构成投资建议。每种策略都有对应的风险结构回测只能展示历史路径上可能发生的情况真正实盘时还需要额外考虑流动性、波动率突变和保证金追缴问题。3.2 Backtrader 多股回测环境搭建Backtrader 是我用得最多的开源回测框架它的优点在于策略逻辑和数据分析是分离的Agent 生成的代码只要保持结构统一就能在不同策略之间复用。搭建多股回测环境时最核心的一点是用cerebro同时添加多个数据源。import backtrader as bt class ShortStrangle(bt.Strategy): def __init__(self): # 会在下一个交易日自动处理多条数据源 self.etf50 self.datas[0] self.etf300 self.datas[1] def next(self): # 两个标的同时满足条件才触发信号 if self.etf50.close[0] self.etf50.ma20 and \ self.etf300.close[0] self.etf300.ma20: self.buy(dataself.etf50) self.buy(dataself.etf300) if __name__ __main__: cerebro bt.Cerebro() data1 bt.feeds.GenericCSVData( dataname50ETF.csv, dtformat%Y-%m-%d, datetime0, close4, open1, high2, low3, volume5, openinterest-1 ) data2 bt.feeds.GenericCSVData( dataname300ETF.csv, dtformat%Y-%m-%d, datetime0, close4, open1, high2, low3, volume5, openinterest-1 ) cerebro.adddata(data1) cerebro.adddata(data2) cerebro.addstrategy(ShortStrangle) cerebro.broker.setcash(1000000.0) cerebro.broker.setcommission(commission0.0005, mult1.0) print(净值为 %.2f % cerebro.run()[0].value)这里有一个非常容易被忽略的问题多股回测里每个标的的上市日期和交易日历可能不一样比如 50ETF 先上市、300ETF 后上市数据源一拼接前面的日期就会出现空值。Backtrader 默认会把空值跳过但如果你写的是“两个标的同时满足条件才开仓”某一段时间只有一个标的有数据策略很可能会漏掉信号。处理方式是在喂数据之前先把交易日历对齐做一次reindex把缺失值前向填充或者直接截取两个数据源的交集区间。另一个关键点是佣金设置。期权回测里commission不是按股票万分之几那么简单期权要按张数收取手续费部分组合策略还要计算保证金利息。我在配置里一般会把commission拆成腿部交易的固定费用再用一个自定义 Analyzer 记录每笔交易的期权张数和保证金占用这样最后输出的绩效报告才会更接近真实情况。3.3 把回测能力封装成 OpenClaw 技能OpenClaw 的优势在于技能扩展。你可以把“期权策略回测”做成一个 Skill之后每次只需要说“跑一下双卖策略回测”它就自动调用对应的脚本和配置而不是每次从零开始让模型猜。我的 Skill 结构大概是这样的~/.openclaw/skills/options_backtest/ ├── SKILL.md ├── run_backtest.py ├── data_loader.py └── config.yaml--- name: options_backtest description: 运行期权策略回测支持单个标的或多标的一起回测 parameter: symbol: str strategy: str start_date: str end_date: str --- 步骤 1. 根据 strategy 选择对应的 Backtrader 策略类 2. 用 config.yaml 中的数据路径加载日线数据 3. 运行 run_backtest.py 4. 输出包含净值、夏普比率、最大回撤的绩效汇总data: symbols: [50ETF.csv, 300ETF.csv] start_date: 2022-01-01 end_date: 2024-12-31 backtest: initial_cash: 1000000 commission: 5 slippage: 1 strategy: name: short_strangle option_days: 30 strike_deviation: 2 days_to_close: 5配置好这个技能之后OpenClaw 在执行回测任务时会优先读取 SKILL.md 的指令描述再调用对应脚本。它不会重新发明轮子而是稳定复用同一套文件这能让回测结果在不同策略之间保持可比性。我在实际使用中明显感觉有 Skill 和没 Skill 是两个时代的体验后者经常出现“模型这次生成的代码和上次完全不一样”的情况导致结果对不上。4. 实录用“聊天”跑一轮期权策略回测4.1 第一轮对话从零搭一个双卖策略回测我把整个流程走一遍给你看所有模型输出都经过了简化处理但节奏是真实的。我的第一条指令是“帮我搭一个期权双卖策略回测标的上证 50ETF用最近月份合约虚值一档到期前 5 天平仓初始资金 100 万。”OpenClaw 收到指令后先读取了options_backtest技能里的配置然后生成了三样东西一个数据清理脚本、一个 Backtrader 策略类、一个主执行脚本。它还会主动和我确认几个细节最近月份合约的数据文件叫什么名字、虚值一档的具体行权价怎么计算、平仓条件是“收盘前”还是“开盘后”。这些确认问题刚开始看会觉得啰嗦但实际非常关键。如果不说清楚行权价档位的计算规则模型很可能用“现价上下 5%”这种拍脑袋方式代替回测出来肯定失真。我当时补了一句“虚值一档定义为行权价距现价最近的一档 Call 和 Put取 delta 绝对值在 0.2 到 0.3 之间的。”这句补充直接让生成的代码专业了很多。第一轮跑完输出结果大概是这样的策略双卖 区间2022-01-01 至 2024-12-31 初始资金1000000 期末净值1145300 年化收益2.3% 最大回撤-8.7% 夏普比率0.61 交易次数48说实话这个结果并不惊艳年化只有 2.3%最大回撤却接近 9%风险收益比偏低。但重点是这个过程我只花了大概十分钟省掉了过去写代码、查数据、调框架的时间。4.2 继续对话让它解释结果并自动调整参数看到上面这个结果我直接问“为什么收益这么低回撤主要发生在哪段时间”OpenClaw 会先重新读取回测过程中生成的订单记录 CSV然后按月份汇总净值变化最后给出分析“收益低的主要原因是 2022 年部分月份标的单边波动较大双卖策略的亏损集中在这几个月整体期权费收入不足以覆盖几次大的回撤。”我接着提要求“那就把合约换成次月合约虚值变为两档同时加入 20 日均线过滤只在均线上方开仓卖 Put均线下方不操作。”这段对话的本质是在做策略迭代。OpenClaw 不是每次都重新生成完整代码而是在上一版脚本基础上做局部修改。它需要先定位策略类的__init__和next方法然后加入均线过滤器再重新执行回测。整个过程看起来就像有一个不会疲倦的研究员在帮你改代码。第二版结果策略双卖 均线过滤 期末净值1210800 年化收益4.8% 最大回撤-6.1% 夏普比率0.83 交易次数40虽然年化还是不高但回撤明显收敛夏普也上升到接近 0.9。这已经足够说明对话式迭代可以显著提升策略开发速度你只要把每一轮的修改意图说清楚剩下的事情它都会自动完成。4.3 多股回测的对话技巧如果你想一次性回测多个标的对话方式会稍有不同。我通常这样下指令“对 50ETF、300ETF 和中证 500ETF 三个标的一起跑回测每个标的分配 30 万资金信号同时满足才开仓按等权下单。”这里有个容易踩坑的地方如果你只说“一起跑”OpenClaw 默认会把这些标的当成同一个数据源拼接结果就是日期错位。必须在指令里明确指出“按时间对齐取三个数据源的共同交易日区间”。我建议在 Skill 的data_loader.py里预先写好对齐函数这样每次多股回测都会自动处理日期交叉而不是依赖模型现场发挥。多股回测的输出也会复杂一些除了总体的净值和回撤还需要看每个标的单独贡献了多少收益。我习惯让 OpenClaw 输出一张按标的分组的盈亏表一眼就能看出哪个标的在拖后腿哪个在贡献主要收益。这个表也可以让模型自己生成只要告诉它“把每笔交易的标的名称记录在订单里”它就能在回测结束后按标的汇总。5. 翻车实录Agent 做期权回测时我踩过的那些坑5.1 模型能写代码但执行不了这是遇到过频率最高的问题。OpenClaw 生成的 Backtrader 代码明明看起来逻辑没问题执行时却报模块找不到。排查下来原因大多是“执行环境里没装依赖”。OpenClaw 的代码执行默认跑在它自己的虚拟环境里和你在终端手动pip install backtrader的环境不是同一个。解决方法是把依赖文件固定住# 在 OpenClaw 项目根目录准备 requirements.txt backtrader1.9.78.123 pandas2.2.1 numpy1.24.4 akshare1.12.0然后在初始化配置里加上一条“每次执行代码前先检查 requirements.txt 中的依赖是否已安装缺失则自动安装”。这样能避免很多不必要的报错同时也保证模型生成的代码跑在稳定的包版本上。我自己至少在这里浪费了一个小时所以如果你刚开始折腾建议直接把这条规则写进配置。5.2 多股回测日期不对齐导致信号漏掉前面提过多标的回测时每个数据源的起始日期不一定相同。如果没做对齐Backtrader 在next()方法里拿到的行情可能有一个数据源是空值。更麻烦的是这个空值不会报错只会让你少开一些仓单结果上的问题不容易被察觉。我的处理方式是在data_loader.py里强制做一次索引对齐def align_dates(frames): common_index set(frames[0].index) for df in frames[1:]: common_index set(df.index) common_index sorted(common_index) return [df.loc[common_index].ffill() for df in frames]这段代码取的是所有数据源日期的交集把缺失日期过滤掉再用前向填充补齐可能存在的盘中空值。用过之后再也没有出现“三个标的信号对不齐”的问题。5.3 没有真实期权数据模型会用股票数据糊弄你如果你不提供期权合约的隐含波动率和希腊字母数据模型很容易偷懒直接用标的资产的价格数据做判断。这在某些策略场景下影响不大但在期权回测里是致命的。因为期权收益是非线性的单纯用标的涨跌来判断期权仓位的盈亏会严重偏离实际情况。最稳妥的做法是给 OpenClaw 提供带期权特征的数据文件至少要包含每个交易日的主力合约价格、行权价、剩余到期时间和隐含波动率。数据源可以用 AkShare、Tushare 这类公开接口也可以先从开户券商的数据接口导出。有了这些字段模型生成的回测逻辑才真正贴合期权策略。5.4 平台差异导致的路径问题如果你和我一样先在 Windows 下调试又跑到 Termux 上测试必然遇到路径分隔符的问题。Windows 的D:\data\50ETF.csv在 Termux 里就是一堆乱码。解决办法很笨但很有效在配置里统一使用相对路径并且把所有数据文件都放在 OpenClaw 项目内的data/目录下。这样换任何平台都不需要改路径。5.5 常见问题速查表现象可能原因解决方案模型生成的代码报 ModuleNotFoundError执行环境和安装环境不一致固定 requirements.txt并让 Agent 自动检查依赖多股回测结果明显偏少日期未对齐导致信号丢失数据加载时取公共交易日做 reindex 对齐期权策略回测结果和实际偏差大缺少隐含波动率数据数据文件增加 IV、delta 等字段手机 Termux 运行卡死内存不足改为连接远端 Ollama 或远端 OpenClaw 服务Companion 无法连接服务Token 或端口配置错误检查配置文件中的认证信息和端口号中文指令解析混乱模型中文能力不足在系统提示词中强制使用中文输出和中文指令解析6. 一些关于 OpenClaw 和回测的补充思考6.1 本地模型和云端 API 可以混用很多人的传统思路是“整个 OpenClaw 要么全用本地模型要么全用云端 API”其实没必要。我现在的配置是日常对话和策略分析用本地 Ollama 的中等规模模型因为这部分任务不追求生成代码的绝对准确重点在理解意图而真正需要生成复杂 Backtrader 代码时我会临时切换成一个能力更强的云端模型。混用方式可以在配置里设定多个模型 profile然后用变量动态切换OpenClaw 的架构完全支持。这个思路尤其适合回测场景它能兼顾成本和准确性。策略描述和结果解读这类任务对模型要求没那么高但代码生成和 Bug 定位模型能力差异会直接影响成功率。两段任务分开处理效率其实是更高的。6.2 把回测结果沉淀成可复用的分析模板跑回测很容易陷入“每次都让模型重新总结绩效”的低效循环。更聪明的做法是把分析模板也做成 Skill。我会让 OpenClaw 每次回测结束后自动输出一份固定格式的报告里面包含净值曲线描述、回撤区间分析、胜率盈亏比、最大单笔亏损等几个维度。这样连续跑十次不同参数结果可以直接横向比较而不是每次都要在聊天记录里翻箱倒柜。我甚至会让它把每次回测的配置参数也一并记录成 JSON 文件这样回溯实验时就能复现当时的完整环境。Agent 做策略研究最大的风险之一就是“这次跑的结果和上次不一样”参数记录能有效对冲这个问题。6.3 下一次迭代把回测和实盘信号连起来跑通回测之后自然会想往前走一步把 OpenClaw 从“回测工具”升级成“盯盘助手”。我已经在测试让它定时拉取最新行情判断当前是否满足策略开仓条件然后推送一条提醒。这本质上和跑回测是同一套逻辑只需要把 Backtrader 的回放模式换成实时数据流再把触发的动作从“记录订单”改成“发送提醒”。如果你已经开始用 OpenClaw 做回测这条路径其实非常顺畅。我个人在实际操作中的体会是OpenClaw 最厉害的地方不是它生成的策略有多赚钱而是它把“想法到回测结果”之间的距离缩短到了一个午休的时间。期权量化这件事本来最卡人的就是迭代速度写代码和调参数的体力活交给 Agent你才能真正把精力放在策略逻辑本身。最后再提醒一句回测只是验证不是保证期权市场的风险结构远比历史数据复杂任何策略在上实盘之前都要先想清楚自己到底在赚什么钱、亏什么钱。 
长河君 · 2026/10/8 15:09:15 · 阅读 1.2k OpenClaw量化实操：用AI对话跑通期权策略回测
最近一段时间OpenClaw 在量化圈和 AI Agent 圈子里的讨论度突然拉满热度甚至超过了不少传统的量化回测工具。大家真正感兴趣的不止是它“能聊天”而是它把“回测自己的期权量化交易策略”这件事做成了对话你负责说思路它负责写代码、调数据、跑回测、整理结果然后你再继续提要求反复几个来回往往一个午休时间就能把一个策略想法验证掉大半。这篇文章不打算给你复述官方文档而是把我从部署 OpenClaw 到用它跑期权策略回测的完整折腾过程拆开揉碎包括 Windows 上怎么配、手机上能不能跑、是不是非得接 API、以及 Backtrader 多股回测里那些容易翻车的地方。不管你是量化新手还是已经在写策略的老手只要想把“策略验证”这一步做得更轻这篇长篇实操记录应该都能帮上忙。1. OpenClaw 到底是什么为什么会在量化圈突然火起来1.1 先拆掉“聊天工具”的外壳很多人第一次看到 OpenClaw以为它又是个聊天机器人客户端这其实是个很大的误解。OpenClaw 本质上是一套 Agent 运行时它本身既不提供聊天界面也不内置大模型而是把模型、工具调用、任务规划和外部系统连接在一起。用一句话概括就是“给大模型接上双手双脚”模型只负责理解你的意图真正去执行命令、跑 Python 脚本、读写文件、调用接口这些脏活累活都由 OpenClaw 来完成。这套设计的核心价值在“有状态”三个字。普通聊天窗口是上下文一断就失忆而 OpenClaw 在处理一个任务时会把中间产物保存下来比如生成的回测脚本、跑出来的 CSV 结果、报错信息都会作为下一次决策的输入继续喂给模型。我之前试过一个典型场景让它跑完一遍回测后我直接说“最大回撤太大了把仓位从 30% 降到 20%再跑一次”它是真的会先找到上次生成的代码文件定位到仓位参数改完再重新执行。这种连续操作能力恰恰是量化策略验证最需要的。也因为这个原因OpenClaw 的技术栈没有绑定任何领域。我看到有人在 ROS2 环境里用 Humble 加 Gazebo 做机器人任务编排也有人把它接到自己的交易数据 API 上做每日复盘本质上都是同一套“模型 技能 工具调用”的架构。策略回测只是它众多用法里非常自然的一种场景。1.2 量化圈盯上它的真正原因过去我们做期权策略回测通常要经历这样一串流程先写信号逻辑再写数据清洗然后处理期权合约的到期日、行权价、保证金最后还要写绩效统计模块。这一套下来少说要几百行代码。如果用现成的回测框架比如 Backtrader代码量会少一些但改参数、看结果、再改依旧需要不停在编辑器、终端、Excel 之间来回切。OpenClaw 把这条链路压缩成了对话。你可以用自然语言描述一个策略思路它能直接生成对应代码跑给你看看到结果后你可以像和一个量化研究员讨论一样继续让它调整参数、换合约月份、增加手续费滑点。这个过程看起来像“聊天”底层其实是在做真实的代码生成、执行、反馈和迭代。当然这里要泼一盆冷水OpenClaw 本身不会告诉你策略逻辑对不对它的价值是把“你怎么想的”快速变成“代码是怎么跑的”。如果策略逻辑本身就是拍脑袋想的结果再好看也没用。所以我会建议把它的定位看成“策略实验室里的执行助理”而不是“策略军师”。2. 部署前必须想清楚的几件事算力、API 和跨平台2.1 OpenClaw 只能用接入 API 的方式使用算力吗这个问题在网上被问了很多次答案是“不是”。OpenClaw 的模型接入层是开放的默认配置确实会指向云端模型 API因为它要保证首屏体验够好但这不代表没有其他选择。你完全可以接本地部署的 Ollama让整个链条的数据都留在你自己电脑上包括模型推理和回测执行。我这边实际对比过两种方案差异比想象中大对比项云端 API本地 Ollama推理算力服务端提供按调用量计费本机 GPU 或 CPU只需电费上下文长度取决于模型服务配置取决于本地显存和模型量化等级数据隐私策略代码和部分数据要离开本机全程本地适合敏感策略部署复杂度配置密钥即可上手快需要先装 Ollama 和模型响应速度受网络影响波动较大本地延迟低但推理吞吐有限如果只是为了跑通期权回测的流程我个人的建议是先用云端 API 把整个链路跑顺然后再根据使用频率决定要不要切到本地。因为回测场景需要大模型反复生成代码和解读结果一次迭代动不动就是几万 token本地部署虽然省了接口费用但如果显存不够推理速度会让人等得难受。反过来如果模型只是用来辅助分析脚本报错、整理日志那本地小模型完全够用体验还更稳定。至于“是不是所有计算都必须接到 API 才能完成”——完全不是。OpenClaw 的代码执行、Backtrader 回测、数据下载这些都是在本机完成的只有模型推理那一环需要接 LLM。把这两件事分开理解很多部署上的困惑就迎刃而解了。2.2 Windows 环境的安装与 Companion 配置OpenClaw 对 Windows 的支持方式比较特别主程序跑在 WSL2 或 Docker 容器里Windows 端则通过一个叫 Companion 的小工具来提供剪贴板监听、系统托盘和快捷唤醒能力。这个设计一开始让我觉得绕后来想通了因为 Agent 要执行大量 shell 命令、装依赖、管理文件Linux 环境下的兼容性远好过直接在 Windows 上裸跑。我的安装步骤大致如下# 先准备好 WSL2 和 Docker Desktop然后拉项目镜像并启动服务 docker compose up -d # 查看服务状态等 healthy 后再进行配置 docker compose ps # 初始化配置文件 openclaw init # 启动 Windows Companion配置界面会引导你连接本地服务 openclaw companion startCompanion 配置里最需要留意的是端口和 Token 两样东西。OpenClaw 服务启动后会在本机监听一个随机端口Companion 需要通过 API Token 和服务建立连接。第一次配置时Token 一般会生成一份写进 config 文件的认证信息别复制漏了否则会一直卡在“无法连接”的报错上。另外Windows 下面跑 Backtrader 这类回测库时最常遇到的坑是 Python 环境版本不一致。OpenClaw 容器里默认装的 Python 可能是 3.11而你本机用的可能是 3.9如果数据脚本里用了新语法在容器里没问题在你本机跑就会报错。我当时直接把所有回测依赖都写进 requirements.txt让 OpenClaw 在容器里统一安装彻底避免了两套环境互相干扰的问题。2.3 手机部署Termux 安装 OpenClaw 到底靠不靠谱网上关于“如何用 Termux 安装 OpenClaw 手机版下载步骤”的教程不少我也实际试了一遍。结论是能装上但要做好性能预期管理。Termux 本质上是 Android 上的 Linux 终端模拟器可以安装 Python、Git 和各类依赖所以 OpenClaw 这种以 Python 为核心的 Agent 运行时理论上是可以在手机上跑起来的。安装过程并不复杂# 更新软件源并安装基础依赖 pkg update pkg install python git binutils # 从官方仓库拉取 OpenClaw git clone https://github.com/openclaw/openclaw.git cd openclaw # 创建虚拟环境并安装 python -m venv .venv source .venv/bin/activate pip install -e . openclaw init真正的问题不是安装而是内存。OpenClaw 就算只跑一个小模型加上回测进程很容易把手机内存撑爆。我试过在手机上用 Termux 启动一个很小的量化模型再让它跑一次期权回测脚本最后手机直接开始卡顿触控响应都明显变慢。如果你是抱着“随时用手机盯盘、回测一下策略”的目的我更建议用“手机 Termux 做客户端远端电脑跑模型和回测服务”的组合。这样手机只负责发指令和看结果真正吃算力的地方还是在电脑上体验会好很多。如果一定要让手机端跑推理最现实的选择是接局域网内另一台机器的 Ollama而不是指望手机本地推理。手机端的 Ollama 虽然支持一些量化小模型但跑复杂回测代码生成时速度慢到让人怀疑人生。2.4 配置模型和中文支持的小技巧还有一个经常被问起的点是“OpenClaw 中文版”。实际上 OpenClaw 的交互界面本身就是多语言的所谓中文版更多取决于你接的模型中文能力强不强以及技能模板里的指令描述是不是中文。如果你用的是中文能力比较弱的模型可能会发现它生成的 Backtrader 代码注释全是英文但这不影响回测结果。真正影响用户体验的地方在 Agent 对指令的解析建议在初始化配置时把系统提示词里的“用中文回复”和“用中文输出回测摘要”两条规则写进去它就会自动切换。我在配置里开头就加了这两行之后的交互明显顺滑很多。3. 让 OpenClaw 跑期权策略回测前的关键准备3.1 期权回测和股票回测根本不是一回事很多做股票量化的人第一次让 AI 生成期权策略回测代码时都会犯同一个错误以为期权策略就是“信号出现就买入卖出”那么简单。实际上期权策略有五个绕不开的维度标的资产价格、行权价、到期时间、隐含波动率、还有希腊字母。一个完整的期权策略回测至少要判断清楚这几点策略用哪些合约月份月间价差怎么处理用实值、平值还是虚值合约行权价档位怎么选择是否考虑保证金占用双卖类策略的保证金计算尤其关键到期日临近时是展期还是平仓展期要加入新的隐波假设手续费和滑点按什么标准计提期权合约流动性和股票完全不是一个量级。我在对话里通常会让 OpenClaw 先把这些“边界条件”列出来再让它写代码。比如做双卖策略我会明确告诉它标的用上证 50ETF 近月合约行权价选虚值一档或两档距离到期 5 天时平仓。这些限制给得越清晰AI 生成的代码越接近真实可跑的样子。这里也要说明一下我聊的是工具链的使用方式不是在推荐任何具体策略组合更不构成投资建议。每种策略都有对应的风险结构回测只能展示历史路径上可能发生的情况真正实盘时还需要额外考虑流动性、波动率突变和保证金追缴问题。3.2 Backtrader 多股回测环境搭建Backtrader 是我用得最多的开源回测框架它的优点在于策略逻辑和数据分析是分离的Agent 生成的代码只要保持结构统一就能在不同策略之间复用。搭建多股回测环境时最核心的一点是用cerebro同时添加多个数据源。import backtrader as bt class ShortStrangle(bt.Strategy): def __init__(self): # 会在下一个交易日自动处理多条数据源 self.etf50 self.datas[0] self.etf300 self.datas[1] def next(self): # 两个标的同时满足条件才触发信号 if self.etf50.close[0] self.etf50.ma20 and \ self.etf300.close[0] self.etf300.ma20: self.buy(dataself.etf50) self.buy(dataself.etf300) if __name__ __main__: cerebro bt.Cerebro() data1 bt.feeds.GenericCSVData( dataname50ETF.csv, dtformat%Y-%m-%d, datetime0, close4, open1, high2, low3, volume5, openinterest-1 ) data2 bt.feeds.GenericCSVData( dataname300ETF.csv, dtformat%Y-%m-%d, datetime0, close4, open1, high2, low3, volume5, openinterest-1 ) cerebro.adddata(data1) cerebro.adddata(data2) cerebro.addstrategy(ShortStrangle) cerebro.broker.setcash(1000000.0) cerebro.broker.setcommission(commission0.0005, mult1.0) print(净值为 %.2f % cerebro.run()[0].value)这里有一个非常容易被忽略的问题多股回测里每个标的的上市日期和交易日历可能不一样比如 50ETF 先上市、300ETF 后上市数据源一拼接前面的日期就会出现空值。Backtrader 默认会把空值跳过但如果你写的是“两个标的同时满足条件才开仓”某一段时间只有一个标的有数据策略很可能会漏掉信号。处理方式是在喂数据之前先把交易日历对齐做一次reindex把缺失值前向填充或者直接截取两个数据源的交集区间。另一个关键点是佣金设置。期权回测里commission不是按股票万分之几那么简单期权要按张数收取手续费部分组合策略还要计算保证金利息。我在配置里一般会把commission拆成腿部交易的固定费用再用一个自定义 Analyzer 记录每笔交易的期权张数和保证金占用这样最后输出的绩效报告才会更接近真实情况。3.3 把回测能力封装成 OpenClaw 技能OpenClaw 的优势在于技能扩展。你可以把“期权策略回测”做成一个 Skill之后每次只需要说“跑一下双卖策略回测”它就自动调用对应的脚本和配置而不是每次从零开始让模型猜。我的 Skill 结构大概是这样的~/.openclaw/skills/options_backtest/ ├── SKILL.md ├── run_backtest.py ├── data_loader.py └── config.yaml--- name: options_backtest description: 运行期权策略回测支持单个标的或多标的一起回测 parameter: symbol: str strategy: str start_date: str end_date: str --- 步骤 1. 根据 strategy 选择对应的 Backtrader 策略类 2. 用 config.yaml 中的数据路径加载日线数据 3. 运行 run_backtest.py 4. 输出包含净值、夏普比率、最大回撤的绩效汇总data: symbols: [50ETF.csv, 300ETF.csv] start_date: 2022-01-01 end_date: 2024-12-31 backtest: initial_cash: 1000000 commission: 5 slippage: 1 strategy: name: short_strangle option_days: 30 strike_deviation: 2 days_to_close: 5配置好这个技能之后OpenClaw 在执行回测任务时会优先读取 SKILL.md 的指令描述再调用对应脚本。它不会重新发明轮子而是稳定复用同一套文件这能让回测结果在不同策略之间保持可比性。我在实际使用中明显感觉有 Skill 和没 Skill 是两个时代的体验后者经常出现“模型这次生成的代码和上次完全不一样”的情况导致结果对不上。4. 实录用“聊天”跑一轮期权策略回测4.1 第一轮对话从零搭一个双卖策略回测我把整个流程走一遍给你看所有模型输出都经过了简化处理但节奏是真实的。我的第一条指令是“帮我搭一个期权双卖策略回测标的上证 50ETF用最近月份合约虚值一档到期前 5 天平仓初始资金 100 万。”OpenClaw 收到指令后先读取了options_backtest技能里的配置然后生成了三样东西一个数据清理脚本、一个 Backtrader 策略类、一个主执行脚本。它还会主动和我确认几个细节最近月份合约的数据文件叫什么名字、虚值一档的具体行权价怎么计算、平仓条件是“收盘前”还是“开盘后”。这些确认问题刚开始看会觉得啰嗦但实际非常关键。如果不说清楚行权价档位的计算规则模型很可能用“现价上下 5%”这种拍脑袋方式代替回测出来肯定失真。我当时补了一句“虚值一档定义为行权价距现价最近的一档 Call 和 Put取 delta 绝对值在 0.2 到 0.3 之间的。”这句补充直接让生成的代码专业了很多。第一轮跑完输出结果大概是这样的策略双卖 区间2022-01-01 至 2024-12-31 初始资金1000000 期末净值1145300 年化收益2.3% 最大回撤-8.7% 夏普比率0.61 交易次数48说实话这个结果并不惊艳年化只有 2.3%最大回撤却接近 9%风险收益比偏低。但重点是这个过程我只花了大概十分钟省掉了过去写代码、查数据、调框架的时间。4.2 继续对话让它解释结果并自动调整参数看到上面这个结果我直接问“为什么收益这么低回撤主要发生在哪段时间”OpenClaw 会先重新读取回测过程中生成的订单记录 CSV然后按月份汇总净值变化最后给出分析“收益低的主要原因是 2022 年部分月份标的单边波动较大双卖策略的亏损集中在这几个月整体期权费收入不足以覆盖几次大的回撤。”我接着提要求“那就把合约换成次月合约虚值变为两档同时加入 20 日均线过滤只在均线上方开仓卖 Put均线下方不操作。”这段对话的本质是在做策略迭代。OpenClaw 不是每次都重新生成完整代码而是在上一版脚本基础上做局部修改。它需要先定位策略类的__init__和next方法然后加入均线过滤器再重新执行回测。整个过程看起来就像有一个不会疲倦的研究员在帮你改代码。第二版结果策略双卖 均线过滤 期末净值1210800 年化收益4.8% 最大回撤-6.1% 夏普比率0.83 交易次数40虽然年化还是不高但回撤明显收敛夏普也上升到接近 0.9。这已经足够说明对话式迭代可以显著提升策略开发速度你只要把每一轮的修改意图说清楚剩下的事情它都会自动完成。4.3 多股回测的对话技巧如果你想一次性回测多个标的对话方式会稍有不同。我通常这样下指令“对 50ETF、300ETF 和中证 500ETF 三个标的一起跑回测每个标的分配 30 万资金信号同时满足才开仓按等权下单。”这里有个容易踩坑的地方如果你只说“一起跑”OpenClaw 默认会把这些标的当成同一个数据源拼接结果就是日期错位。必须在指令里明确指出“按时间对齐取三个数据源的共同交易日区间”。我建议在 Skill 的data_loader.py里预先写好对齐函数这样每次多股回测都会自动处理日期交叉而不是依赖模型现场发挥。多股回测的输出也会复杂一些除了总体的净值和回撤还需要看每个标的单独贡献了多少收益。我习惯让 OpenClaw 输出一张按标的分组的盈亏表一眼就能看出哪个标的在拖后腿哪个在贡献主要收益。这个表也可以让模型自己生成只要告诉它“把每笔交易的标的名称记录在订单里”它就能在回测结束后按标的汇总。5. 翻车实录Agent 做期权回测时我踩过的那些坑5.1 模型能写代码但执行不了这是遇到过频率最高的问题。OpenClaw 生成的 Backtrader 代码明明看起来逻辑没问题执行时却报模块找不到。排查下来原因大多是“执行环境里没装依赖”。OpenClaw 的代码执行默认跑在它自己的虚拟环境里和你在终端手动pip install backtrader的环境不是同一个。解决方法是把依赖文件固定住# 在 OpenClaw 项目根目录准备 requirements.txt backtrader1.9.78.123 pandas2.2.1 numpy1.24.4 akshare1.12.0然后在初始化配置里加上一条“每次执行代码前先检查 requirements.txt 中的依赖是否已安装缺失则自动安装”。这样能避免很多不必要的报错同时也保证模型生成的代码跑在稳定的包版本上。我自己至少在这里浪费了一个小时所以如果你刚开始折腾建议直接把这条规则写进配置。5.2 多股回测日期不对齐导致信号漏掉前面提过多标的回测时每个数据源的起始日期不一定相同。如果没做对齐Backtrader 在next()方法里拿到的行情可能有一个数据源是空值。更麻烦的是这个空值不会报错只会让你少开一些仓单结果上的问题不容易被察觉。我的处理方式是在data_loader.py里强制做一次索引对齐def align_dates(frames): common_index set(frames[0].index) for df in frames[1:]: common_index set(df.index) common_index sorted(common_index) return [df.loc[common_index].ffill() for df in frames]这段代码取的是所有数据源日期的交集把缺失日期过滤掉再用前向填充补齐可能存在的盘中空值。用过之后再也没有出现“三个标的信号对不齐”的问题。5.3 没有真实期权数据模型会用股票数据糊弄你如果你不提供期权合约的隐含波动率和希腊字母数据模型很容易偷懒直接用标的资产的价格数据做判断。这在某些策略场景下影响不大但在期权回测里是致命的。因为期权收益是非线性的单纯用标的涨跌来判断期权仓位的盈亏会严重偏离实际情况。最稳妥的做法是给 OpenClaw 提供带期权特征的数据文件至少要包含每个交易日的主力合约价格、行权价、剩余到期时间和隐含波动率。数据源可以用 AkShare、Tushare 这类公开接口也可以先从开户券商的数据接口导出。有了这些字段模型生成的回测逻辑才真正贴合期权策略。5.4 平台差异导致的路径问题如果你和我一样先在 Windows 下调试又跑到 Termux 上测试必然遇到路径分隔符的问题。Windows 的D:\data\50ETF.csv在 Termux 里就是一堆乱码。解决办法很笨但很有效在配置里统一使用相对路径并且把所有数据文件都放在 OpenClaw 项目内的data/目录下。这样换任何平台都不需要改路径。5.5 常见问题速查表现象可能原因解决方案模型生成的代码报 ModuleNotFoundError执行环境和安装环境不一致固定 requirements.txt并让 Agent 自动检查依赖多股回测结果明显偏少日期未对齐导致信号丢失数据加载时取公共交易日做 reindex 对齐期权策略回测结果和实际偏差大缺少隐含波动率数据数据文件增加 IV、delta 等字段手机 Termux 运行卡死内存不足改为连接远端 Ollama 或远端 OpenClaw 服务Companion 无法连接服务Token 或端口配置错误检查配置文件中的认证信息和端口号中文指令解析混乱模型中文能力不足在系统提示词中强制使用中文输出和中文指令解析6. 一些关于 OpenClaw 和回测的补充思考6.1 本地模型和云端 API 可以混用很多人的传统思路是“整个 OpenClaw 要么全用本地模型要么全用云端 API”其实没必要。我现在的配置是日常对话和策略分析用本地 Ollama 的中等规模模型因为这部分任务不追求生成代码的绝对准确重点在理解意图而真正需要生成复杂 Backtrader 代码时我会临时切换成一个能力更强的云端模型。混用方式可以在配置里设定多个模型 profile然后用变量动态切换OpenClaw 的架构完全支持。这个思路尤其适合回测场景它能兼顾成本和准确性。策略描述和结果解读这类任务对模型要求没那么高但代码生成和 Bug 定位模型能力差异会直接影响成功率。两段任务分开处理效率其实是更高的。6.2 把回测结果沉淀成可复用的分析模板跑回测很容易陷入“每次都让模型重新总结绩效”的低效循环。更聪明的做法是把分析模板也做成 Skill。我会让 OpenClaw 每次回测结束后自动输出一份固定格式的报告里面包含净值曲线描述、回撤区间分析、胜率盈亏比、最大单笔亏损等几个维度。这样连续跑十次不同参数结果可以直接横向比较而不是每次都要在聊天记录里翻箱倒柜。我甚至会让它把每次回测的配置参数也一并记录成 JSON 文件这样回溯实验时就能复现当时的完整环境。Agent 做策略研究最大的风险之一就是“这次跑的结果和上次不一样”参数记录能有效对冲这个问题。6.3 下一次迭代把回测和实盘信号连起来跑通回测之后自然会想往前走一步把 OpenClaw 从“回测工具”升级成“盯盘助手”。我已经在测试让它定时拉取最新行情判断当前是否满足策略开仓条件然后推送一条提醒。这本质上和跑回测是同一套逻辑只需要把 Backtrader 的回放模式换成实时数据流再把触发的动作从“记录订单”改成“发送提醒”。如果你已经开始用 OpenClaw 做回测这条路径其实非常顺畅。我个人在实际操作中的体会是OpenClaw 最厉害的地方不是它生成的策略有多赚钱而是它把“想法到回测结果”之间的距离缩短到了一个午休的时间。期权量化这件事本来最卡人的就是迭代速度写代码和调参数的体力活交给 Agent你才能真正把精力放在策略逻辑本身。最后再提醒一句回测只是验证不是保证期权市场的风险结构远比历史数据复杂任何策略在上实盘之前都要先想清楚自己到底在赚什么钱、亏什么钱。