背景与目标
2026 年，AI Agent 已从简单的对话机器人进化为能自主执行复杂工作流的智能体。如果给一个 AI Agent 一笔资金，让它完全自主地在 A 股市场投资，结果会如何？借助 OpenClaw（开源 AI Agent 框架），这个实验变得可行。
本次实验的核心目标是：
- 配置 trader Agent 拥有 5 万元虚拟资金
- 实现完全自主的选股、买卖决策及仓位管理
- 严格遵守 A 股交易规则（T+1、涨跌停、手续费）
- 每日自动运行，仅观察最终结果
技术栈一览
| 组件 | 技术选型 | 用途 |
|---|---|---|
| Agent 框架 | OpenClaw 2026.3.8 | 多 Agent 协作平台 |
| 前端交互 | 飞书 Agent「多多助理」 | 人机交互界面，接收报告 |
| 大模型 | Kimi 2.5 | 决策核心，负责推理 |
| 行情数据 | TuShare 高级 API | A 股日线、基本面、日历 |
| 信息搜索 | SearXNG + Jina Reader | 财经新闻辅助决策 |
| 金融数据 Skill | TuShare 官方 Skill | 220+ 接口支持 |
| 服务器 | 阿里云 ECS | 7×24 小时运行 |
OpenClaw 支持多子 Agent 架构，我配置了 researcher（研究员）、coder（程序员）、writer（写手）和 trader（交易员）。本文重点聚焦于 trader 的实现逻辑。
系统架构设计
两阶段每日循环
整个系统的核心是一个闭环流程：
graph TD
A[16:30 收盘分析] --> B[拉取全市场行情]
B --> C[更新持仓市值]
C --> D[评估持仓：持有/卖出/加仓]
D --> E[基础选股筛选 2000+ 只]
E --> F[精选候选标的 3-5 只]
F --> G[生成次日交易计划]
G --> H[推送分析摘要到飞书]
I[09:45 开盘执行] --> J[解冻 T+1 冻结仓位]
J --> K[读取交易计划]
K --> L[获取今日开盘价]
L --> M[自主判断：执行/调整/放弃]
M --> N[逐笔执行交易]
N --> O[推送成交报告到飞书]
O -.->|等待收盘 | A
H -.->|过夜 | I
目录结构
合理的文件组织是自动化运行的基础：
~/.openclaw/workspace/trading/
├── data/
│ ├── portfolio.json # 账户与持仓
│ ├── strategy.md # Agent 自主维护的策略文档
│ └── trade_plan.json # 次日交易计划
├── scripts/
│ ├── tushare_helper.py # TuShare 数据助手
│ ├── check_trade_day.py # 交易日判断
│ └── trade_engine.py # 模拟交易引擎
└── logs/
├── trade_log.csv # 交易日志
└── cron.log # 定时任务日志
关键设计原则
- Agent 决策，脚本执行：Agent 负责分析和决策，Python 脚本负责数据拉取和交易执行。
- 严格模拟真实规则：T+1、涨跌停限制、手续费，一个不少。
- 防止 Agent 作弊：所有数据必须来自 TuShare，禁止编造行情；禁止直接修改
portfolio.json。 - 策略自主进化：Agent 自己维护
strategy.md，每周复盘更新。
核心代码实现
TuShare 数据助手
这部分充当了 Agent 的感知层，封装了所有行情数据接口。选股筛选逻辑是 Agent 的第一道过滤网：
# 核心函数 def get_trade_date(offset=0): ...
def screen_stocks(trade_date=None):
basic = get_daily_basic(trade_date)
daily = get_daily_data(trade_date)
merged = pd.merge(daily, basic, on=['ts_code', 'trade_date'])
# 选股范围：上证 A 股 + 深市 A 股 + 创业板
# 排除：科创板 (688xxx)、北交所、ST 股
filtered = merged[
(merged['ts_code'].str.startswith(('00', '60', '30')))
& (~merged['ts_code'].str.startswith('688'))
& (~merged['ts_code'].str.contains('ST'))
& (merged['pct_chg'] < 9.9) # 排除涨停
& (merged['pct_chg'] > -9.9) # 排除跌停
& (merged['total_mv'] > 50) # 市值 > 50 亿
& (merged['turnover_rate'] > 1) # 换手率 > 1%
]
# 创业板涨跌停为 20%，需单独处理
is_gem = filtered['ts_code'].str.startswith('30')
gem_limit = filtered[is_gem & (filtered['pct_chg'].abs() < 19.9)]
main_board = filtered[~is_gem]
filtered = pd.concat([main_board, gem_limit])
return filtered.sort_values('vol', ascending=False)
这里做了明确的范围界定：
- ✅ 上证 A 股（60xxxx）：大盘蓝筹为主
- ✅ 深市 A 股（00xxxx）：中小盘标的丰富
- ✅ 创业板（30xxxx）：成长性强，20% 涨跌停带来更多机会
- ❌ 科创板（688xxx）：门槛高、波动大，暂不纳入
- ❌ 北交所（8/4xxxxx）：流动性不足
模拟交易引擎
这是 Agent 的'手'，执行实际的买卖操作。涨跌停硬拦截是一个重要的设计——即使 Agent 的决策出了偏差，引擎层面也会阻止不可能的操作，保证模拟的真实性。
def buy_stock(code, name, price, shares):
# 1. 涨停检查：涨停的股票无法买入
pct_chg = get_current_pct_chg(code)
limit = 19.9 if code.startswith('30') else 9.9
if pct_chg >= limit:
return {"success": False, "msg": f"{name} 已涨停，无法买入"}
# 2. 股数取整到 100 的倍数
shares = (shares // 100) * 100
# 3. 计算费用：佣金万 2.5（最低 5 元）
commission = max(amount * 0.00025, 5)
# 4. 资金检查、扣款、更新持仓
# 5. T+1 冻结：当天买入的股票今天不能卖
# 6. 写入交易日志 CSV
手续费模型
与真实 A 股完全一致，让模拟结果更有参考价值。
def calc_fee(amount, direction):
commission = max(amount * 0.00025, 5) # 佣金万 2.5，最低 5 元
stamp_tax = amount * 0.001 if direction == 'sell' else 0 # 卖出印花税千 1
return round(commission + stamp_tax, 2)
Agent 规则配置
OpenClaw 通过 AGENTS.md 文件给 Agent 下达指令。这是 trader Agent 的核心规则精简版：
## trader 子 Agent 模拟炒股系统
### 每日工作流程
**阶段一：收盘分析（16:30）**
1. 读取持仓 → 2. 拉行情 → 3. 更新市值 → 4. 评估持仓 → 5. 筛选新标的 → 6. 生成交易计划 → 7. 推送摘要
**阶段二：开盘执行（09:45）**
1. 解冻 T+1 → 2. 读计划 → 3. 获取开盘价 → 4. 自主判断执行 → 5. 推送成交报告
### 交易规则（硬性）
- T+1、最小 100 股、佣金万 2.5+ 印花税千 1
- 涨停不买、跌停不卖（引擎自动拦截）
- 仅限上证 A 股、深市 A 股、创业板
### 风控红线
- 单股仓位 ≤ 30%，总仓位 ≤ 80%
- 单股止损 ≥ 8%，总回撤 ≥ 10% 暂停交易
### 绝对禁止
- 不允许编造行情数据
- 不允许修改历史交易记录
- 不允许绕过 trade_engine.py 直接改 portfolio.json
这套规则的设计哲学是：给 Agent 足够的自主权去决策，但用硬规则约束它不能做危险的事。
自动化部署
三个定时任务驱动整个系统，每个触发脚本都会先判断是否为交易日（调用 TuShare 交易日历），非交易日自动跳过：
# 收盘分析：每个工作日 16:30
30 16 * * 1-5 /bin/bash ~/trading/scripts/trigger_close_analysis.sh
# 开盘执行：每个工作日 09:45
45 9 * * 1-5 /bin/bash ~/trading/scripts/trigger_open_execute.sh
# 周末复盘：每周日 10:00
0 10 * * 0 /bin/bash ~/trading/scripts/trigger_weekly_review.sh
实战首秀
搭建完成后，我在飞书给 trader Agent 发了第一条指令：@trader 请执行收盘分析流程，这是第一次运行。
Agent 的表现让我惊喜：从 3699 只股票中，经过基础筛选得到约 2400 只，再根据自主制定的策略精选出 5 只重点关注股票。例如立讯精密、东方财富等，Agent 给出了量价配合、赛道逻辑等理由。
Agent 写入 strategy.md 的核心策略包括趋势跟踪、MA5>MA10 多头排列、单股≤30% 仓位控制等。这一切都是 Agent 自主完成的，我没有干预任何决策。
测试验证过程
在让 Agent 正式'上岗'之前，我做了完整的测试：
- 数据接口测试：TuShare 连接正常，基础选股筛出 2422 只股票，个股历史 K 线获取无误。
- 交易引擎测试：初始账户 5 万元，模拟买入平安银行 500 股，佣金计算验证正确（6255 元含佣金 5 元），剩余现金 43745 元。
所有测试一次通过！
踩过的坑
| 问题 | 原因 | 解决方案 |
|---|---|---|
tree: command not found | 阿里云 ECS 最小化安装没有 tree | yum install -y tree 或用 find 替代 |
| 创业板涨跌停与主板不同 | 创业板是 20%，主板是 10% | 选股和交易引擎中分别处理 |
| 可能买入涨停股 | 选股筛除了但交易时没拦截 | trade_engine 加入涨跌停硬拦截 |
| 科创板/北交所混入选股池 | 初始代码只过滤了主板代码 | 明确范围为上证 + 深市 + 创业板 |
加装官方 TuShare Skill
前面的 tushare_helper.py 覆盖了选股和交易的核心需求，但 TuShare 其实还有更多宝藏接口。好消息是，TuShare 官方发布了一个 OpenClaw 专属 Skill，覆盖 220+ 数据接口，安装后 Agent 可以直接调用。
安装一行搞定：
# 备份旧版（如有）
mv ~/.openclaw/skills/tushare ~/.openclaw/skills/tushare.bak.old
# 安装官方 Skill
npx skills add https://github.com/waditu-tushare/skills --skill tushare
# 重启 Gateway
openclaw gateway restart
安全评估显示 Gen Safe ✅ · Socket 0 alerts ✅ · Snyk Med Risk。
安装后我在飞书问了一句'查询今日沪深港通资金流向'，Agent 立刻返回了一份完整报告，甚至自动把资金流向数据和交易计划关联——'立讯精密在深股通中排名第 5，获北向资金关注，支持明日买入计划'。这说明它的分析已经超越了单一数据维度。
现在 trader Agent 拥有两个互补的数据通道：
- tushare_helper.py：模拟炒股专用（选股、交易执行），约 10 个接口。
- TuShare 官方 Skill：深度分析（龙虎榜、资金流向、筹码、财报、技术因子、新闻……），220+ 接口。
后续计划
- 手动验证期（第 1 周）：每天手动触发，观察 Agent 决策质量
- 全自动运行（第 2 周起）：切换到 crontab 全自动
- 策略进化：观察 Agent 是否会根据盈亏自主调整策略
- 增加 Researcher 协作：让 researcher Agent 搜索行业新闻，trader 综合判断
- 月度/季度收益对比：与沪深 300 指数做基准对比
写在最后
整个搭建过程大约花了一个傍晚。最让我惊喜的不是系统本身，而是 trader Agent 第一次运行就展现出了合理的投资逻辑——它会看量价关系、会分散仓位、会预留现金、会设置止损线。
当然，AI 炒股到底能不能赚钱，还需要时间来验证。但至少，OpenClaw 让我们能够快速搭建这样一个实验平台，用极低的成本去探索 AI Agent 在金融领域的可能性。
这不是炒股建议，这是一次技术实验。 如果你也对 AI Agent 感兴趣，不妨动手试试——毕竟，5 万虚拟资金，输了也不心疼。
相关资源
- OpenClaw 官方文档：GitHub
- TuShare 数据接口：tushare.pro