Autostrategy

AI 驱动的量化策略自动生成工具。输入策略需求 → Agent 设计 → 代码生成 → 回测验证 → 自主优化。

⚠️ 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。

它能做什么？

入口	你说	它做
明确需求	"帮我设计一个双均线交叉策略"	直接分析 → 设计文档 → 代码 + 回测
模糊需求	"我想做A股量化，但不确定用什么方法"	诊断推荐 → 选方向 → 生成策略
博主策略	"按某大V的投资逻辑做个策略"	互联网研究 → 提炼逻辑 → 量化策略
优化迭代	"优化这个策略的回测结果"	诊断弱点 → 5轮自主优化 → 输出报告

核心设计

文档驱动

STRATEGY_DESIGN.md 是「系统施工图纸」 — 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」，每行代码都有文档对应；修改策略时改文档，代码跟随更新。

Agent 化工作流

Autostrategy 采用多 Agent 串联架构，用户只需在 3 个关键审批点参与决策：

用户输入
    ↓
┌─────────────────┐  Phase 1: 策略设计 Agent
│  设计 Agent      │  → 产出 STRATEGY_DESIGN.md
│  (design_agent)  │
└────────┬────────┘
         ↓ ⏸ 审批点 1：确认设计文档
┌─────────────────┐  Phase 2: 代码生成 Agent
│  代码 Agent      │  → 产出 strategy.py + 回测报告
│  (codegen_agent) │
└────────┬────────┘
         ↓ ⏸ 审批点 2：确认回测结果
┌─────────────────┐  Phase 3: 优化 Agent（自主/交互式）
│  优化 Agent      │  → 产出优化报告
│  (optimization)  │
└────────┬────────┘
         ↓ ⏸ 审批点 3：最终决策（接受 / 重做 / 回 Phase 1）

文件驱动状态转移：STRATEGY_DESIGN.md → strategy.py → backtest_result.json → changelog.md
棘轮决策：每次优化用 score_strategy() 评分，有效保留、无效回滚

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

npx skills add rivar0107/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）

pip install numpy pandas pyyaml

A股数据：安装 ftshare-all-in-one Skill（免费）
港美股数据：安装 FutuAPI Skill（需 Futu OpenD）

使用示例

"帮我设计一个双均线交叉策略"
"我想做一个港股量化策略，但不清楚用什么方法"
"帮我根据某大V在微博上的投资观点做个量化策略"
"优化这个策略的回测结果，降低最大回撤"

项目结构

autostrategy/
├── SKILL.md                          # 调度台：入口分流 + Agent 编排 + 审批点控制
├── prompts/
│   ├── design_agent.md               # Phase 1：策略设计 Agent 指令
│   ├── codegen_agent.md              # Phase 2：代码生成 Agent 指令
│   └── optimization_agent.md         # Phase 3：自主优化 Agent 指令
├── scripts/
│   ├── env_setup.py                  # 环境检查与依赖安装
│   ├── quality_check.py              # 策略设计文档质量检查
│   └── run_backtest.py               # 回测执行与评分
├── examples/
│   └── dynamic-grid-multi-market/    # 示例：动态网格多标的策略
│       ├── STRATEGY_DESIGN.md
│       ├── config.yaml
│       ├── strategy.py
│       ├── requirements.txt
│       └── data/
│           └── fetch_data.py
└── skills-lock.json

示例策略

内置「动态网格多标的」策略示例，覆盖 5 个跨市场标的（腾讯、科创50ETF、中证2000ETF、小鹏、特斯拉）。

2024-2025 回测：年化收益 11.99%，最大回撤 30.47%，夏普 0.49，胜率 75.2%。

评估与设计原则

评分函数：5 个维度共 100 分 + 简洁性惩罚（条件数 > 10 时每个扣 1.5 分）。

维度	满分	满分条件	设计原则
年化收益率	25	> 基准×2（沪深300 8% / 恒生 5% / 标普 10%）	简洁性优先：分数提升必须大于复杂度增加
最大回撤	20	< 10%（回撤≥30%得0分）	文档是核心：所有逻辑先写入 DESIGN.md
夏普比率	25	> 2.0	人在回路：设计文档和回测结果人类确认
胜率	15	> 60%	量化评估：用 score_strategy() 决定 keep/revert
盈亏比	15	> 2.5	不推实盘：定位是策略创建和验证工具

同时检测：过拟合、幸存者偏差、未来函数、流动性、前后半段稳定性。

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

License

MIT License

autostrategy