用 OpenClaw + 飞书 Agent 打造 AI 自主模拟炒股系统：从零到实盘全记录
作者：海风 ｜ 日期：2026年3月17日
本文记录了我用 OpenClaw 2026.3.8 搭建 AI 自主模拟炒股系统的完整过程。trader Agent 拥有 5 万元虚拟资金，每天自主选股、自主决策买卖、自主管理仓位——完全不需要人类干预交易决策。
一、背景：为什么让 AI Agent 炒股？
2026 年，AI Agent 已经从"聊天机器人"进化到能自主执行复杂工作流的智能体。我一直在想：如果给一个 AI Agent 一笔钱，让它在 A 股市场上自主投资，它能做得怎么样？
这不是一个理论问题——借助 OpenClaw（一个开源 AI Agent 框架），我们真的可以搭建这样一个系统。于是在某个周二的傍晚，我开始了这个实验。
我的目标
- 给 trader Agent 5 万元虚拟资金
- 让它完全自主选股、买卖、管理仓位
- 严格遵守 A 股交易规则（T+1、涨跌停、手续费）
- 每天自动运行，我只看结果
- 验证 AI Agent 的投资决策能力
二、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 Agent 报告 |
| 大模型 | Kimi 2.5 | Agent 的"大脑"，负责推理决策 |
| 行情数据 | TuShare 高级 API | A 股日线、基本面、交易日历 |
| 信息搜索 | SearXNG + Jina Reader | 搜索财经新闻辅助决策 |
| 金融数据 Skill | TuShare 官方 Skill（waditu-tushare） | 220+ 接口：龙虎榜、资金流向、财务报表等 |
| 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 4 个子 Agent：researcher（研究员）、coder（程序员）、writer（写手）和 trader（交易员）。本文的主角就是 trader。
三、系统架构设计
3.1 两阶段每日循环
整个系统的核心是一个两阶段每日循环：
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 trade_plan.json"] 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"] H -.->|"过夜"| I O -.->|"等待收盘"| A 3.2 目录结构
~/.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 3.3 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
四、核心代码实现
4.1 TuShare 数据助手（tushare_helper.py）
这是 Agent 的"眼睛"——封装了所有行情数据接口：
# 核心函数一览 def get_trade_date(offset=0): # 获取最近交易日 def is_trade_day(date_str=None): # 判断是否交易日 def get_daily_data(trade_date): # 全市场日线行情 def get_daily_basic(trade_date): # 基本面指标（PE/PB/换手率） def get_stock_history(code, days): # 个股历史K线 def get_open_price(codes): # 获取开盘价 def screen_stocks(trade_date): # 基础选股筛选 选股筛选逻辑——这是 Agent 选股的第一道过滤网：
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) 选股范围的考量：
- ✅ 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
4.2 模拟交易引擎（trade_engine.py）
这是 Agent 的"手"——执行实际的买卖操作：
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 def sell_stock(code, price, shares=None,): # 1. 跌停检查：跌停的股票无法卖出 # 2. T+1 检查：今天买的不能今天卖 # 3. 计算费用：佣金 + 印花税千1 # 4. 收款、更新持仓、写日志 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。这保证了模拟的真实性。
4.3 手续费模型
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) 与真实 A 股完全一致，让模拟结果更有参考价值。
五、Agent 的"大脑"——AGENTS.md 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。
六、自动化：Crontab 定时触发
三个定时任务驱动整个系统：
# 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 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。
七、实战首秀：Agent 的第一次收盘分析
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：
7.1 选股结果
Agent 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：
| 代码 | 名称 | 收盘价 | Agent 看好理由 |
|---|---|---|---|
| 002475.SZ | 立讯精密 | 49.83 | 消费电子龙头，量价配合 |
| 300059.SZ | 东方财富 | 21.56 | 券商互联网龙头 |
| 600930.SH | 华电新能 | 6.80 | 新能源赛道，低价放量 |
| 002130.SZ | 沃尔核材 | 27.51 | 核电概念 |
| 601899.SH | 紫金矿业 | 34.90 | 有色资源龙头（仅关注未买入） |
7.2 自主制定的策略
Agent 写入 strategy.md 的核心策略：
- 核心原则：趋势跟踪 + 量价配合
- 基础筛选：价格 5-50 元、成交额 > 1 亿、涨幅 0-8%
- 技术面：MA5 > MA10 多头排列
- 仓位控制：单股 ≤ 30%，总仓位 ≤ 80%
- 风控：止损 -8%，止盈 +15%
7.3 生成的交易计划
计划明日买入 4 只股票，总投入约 4 万元，预留约 1 万现金（20%），完全符合风控规则。
这一切都是 Agent 自主完成的，我没有干预任何决策。
八、测试验证过程
在让 Agent 正式"上岗"之前，我做了完整的测试：
8.1 数据接口测试
# TuShare 连接 ✅ $ python3 tushare_helper.py trade_date 20260317 # 基础选股 ✅ —— 筛出 2422 只股票 $ python3 tushare_helper.py screen 共筛选出 2422 只股票 # 个股历史 ✅ —— 平安银行30天K线 $ python3 tushare_helper.py stock 000001.SZ 30 8.2 交易引擎测试
# 初始账户 ✅ $ python3 trade_engine.py summary 初始资金：50,000.00 元 当前现金：50,000.00 元 # 模拟买入 ✅ $ python3 trade_engine.py buy 000001.SZ 平安银行 12.50 500 "测试买入" 买入 平安银行 500股 @ 12.5，花费 6255（含佣金 5），剩余现金 43745 # 佣金计算验证：12.5 × 500 = 6250，佣金 = max(6250×0.00025, 5) = 5 ✅ # 总花费 = 6250 + 5 = 6255 ✅ 所有测试一次通过！
九、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 |
十、加装官方 TuShare Skill：从"够用"到"专业级"
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（skills.sh/waditu-tushare），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 # → Installation scope: Global # → Installation method: Symlink (Recommended) # → Proceed: Yes # 重启 Gateway openclaw gateway restart 安全评估：Gen Safe ✅ · Socket 0 alerts ✅ · Snyk Med Risk
效果立竿见影
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：
- 沪股通/深股通成交额与北向资金净买入
- 沪股通十大成交股（贵州茅台、兆易创新、紫金矿业……）
- 深股通十大成交股（宁德时代、中际旭创、天孚通信……）
- 港股通成交股（腾讯、阿里、小米、中海油……）
- 关键发现：Agent 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"
最后一条特别惊喜：Agent 自主建立了不同数据源之间的关联，这说明它的分析已经超越了单一数据维度。
双通道架构
现在 trader Agent 拥有两个互补的数据通道：
| 通道 | 用途 | 接口数 |
|---|---|---|
| tushare_helper.py | 模拟炒股专用（选股、交易执行） | ~10 个 |
| 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+ |
十一、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
十二、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。 但如果你也对 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
- 本文完整代码和配置：见附属指南页面
如果这篇文章对你有帮助，欢迎点赞收藏关注！后续我会持续更新 trader Agent 的实盘表现和策略进化过程。
标签：OpenClawAI Agent模拟炒股TuShare飞书Kimi量化投资Python
