1. 项目概述为什么需要一个盘前分析Agent做美股交易的朋友尤其是做日内或波段的朋友应该都体会过盘前那一个小时的紧张感。新闻、财报、异动、大盘期货、热门个股的盘前走势……信息像潮水一样涌来你需要在开盘前快速消化形成交易预案。过去几年我尝试过各种方法手动刷财经网站、订阅付费数据流、甚至写一些简单的脚本去抓取关键数据。但问题始终存在信息是碎片化的决策是感性的复盘是模糊的。你很难说清今天赚的这笔钱到底是因为你准确预判了财报还是仅仅因为运气好赶上了大盘的东风。这就是我决定动手搭建这个“美股盘前分析和量化指标Agent”的核心动机。我不想再依赖模糊的感觉而是希望构建一个系统化的、可量化的分析框架。这个Agent我称之为“OpenClaw”它的目标很明确在美股每个交易日的盘前通常是美东时间早上4点到9点30分自动完成信息收集、数据处理、指标计算和初步研判最终给我一份结构化的、带有量化评分的分析报告作为我开盘决策的重要参考。“从0到1”意味着我们不依赖任何现成的、封装好的商业分析平台而是从最基础的数据源和代码开始搭建。整个过程会涉及到数据获取如雅虎财经、Alpha Vantage、新闻API、核心金融指标的计算如波动率、相对强弱、资金流向、以及将这些指标融合成一个可操作的“信号”的决策逻辑。最终这个Agent不仅能告诉我“发生了什么”更能通过历史回测告诉我基于它产生的信号进行交易大概会有怎样的胜率和盈亏比。这才是“可量化”的真正含义——将分析过程从艺术变为工程。2. 核心架构与工具选型为什么是OpenClaw给这个项目起名“OpenClaw”是希望它像一只敏捷的爪子能从纷繁复杂的市场信息流中精准地抓取出有价值的部分。整个系统的架构设计围绕“数据流水线”和“决策引擎”两个核心展开。2.1 技术栈选型背后的考量选择合适的技术栈是项目能否顺利推进和后期易于维护的关键。我的选型原则是成熟、轻量、生态丰富并且适合快速原型开发和数据科学任务。编程语言Python为什么是Python这几乎是量化金融领域的“普通话”。Pandas、NumPy用于数据处理和计算有着无与伦比的便捷性yfinance、alpha_vantage等库让获取免费的市场数据变得异常简单scikit-learn、statsmodels为后续更复杂的模型提供了可能。其简洁的语法也让我们能更专注于业务逻辑而非语言细节。数据获取层yfinance NewsAPI 自制爬虫yfinance获取股票历史价格、盘前报价、基本面数据如市值、市盈率的主力。它免费、稳定虽然有时有速率限制但对于盘前分析这种低频调用场景完全够用。NewsAPI 或 RSS 订阅用于抓取指定公司的相关新闻头条。这里的关键不是做复杂的自然语言处理情感分析初期而是识别“有无重大新闻”以及新闻的来源权重例如华尔街日报的报道和某个小众博客的报道权重不同。自制爬虫备用对于一些特殊数据如特定论坛的热度、期权异动数据可能需要从CBOE等网站获取可能需要编写针对性的爬虫。我会使用requests和BeautifulSoup库但会严格遵守网站的robots.txt并设置礼貌的请求间隔。数据处理与计算层Pandas NumPy Ta-LibPandas NumPy数据操作的基石。DataFrame结构完美契合时间序列数据进行数据清洗、对齐、合并和转换。TA-Lib一个技术指标计算的C语言库有Python封装。它经过高度优化计算上百种技术指标如RSI, MACD, Bollinger Bands, ATR等速度极快且准确。强烈建议通过pip install TA-Lib安装这是量化分析的核心武器之一。Agent逻辑与调度Schedule 自定义逻辑Schedule一个轻量级的Python作业调度库。我们可以用它来设置Agent每天在美东时间凌晨4点自动启动执行一系列数据抓取和分析任务。自定义逻辑这是Agent的“大脑”。我们将编写一系列模块化的函数和类分别负责获取数据、清洗数据、计算技术指标、计算市场情绪指标、整合评分、生成报告。输出与可视化Logging Matplotlib/Plotly 邮件/钉钉Logging详细的运行日志便于调试和回溯。Matplotlib/Plotly用于生成关键图表如个股价格走势叠加技术指标、投资组合相关性热力图等。这些图表可以嵌入最终的报告。邮件/钉钉/webhook将最终的分析报告摘要在开盘前通过邮件或即时通讯工具推送到我的手机。报告主体可以是一个HTML文件或PDF包含详细数据和图表。注意在数据源选择上务必遵守各平台的服务条款。免费API通常有调用频率限制在代码中务必加入time.sleep()等延迟避免被封IP。对于核心交易决策建议后期考虑接入更稳定、延迟更低的付费数据源如IEX Cloud, Polygon.io但项目初期免费资源完全足够验证想法。2.2 系统工作流设计整个Agent的工作流可以概括为以下四个阶段这是一个清晰的“数据管道”触发与采集美东时间 ~04:00 AMSchedule触发任务。Agent并行或串行执行从yfinance获取我关注列表Watchlist中所有股票的昨日收盘价、今日盘前价、成交量。从NewsAPI获取过去12小时内关于这些股票及所在行业的关键新闻标题。可选获取标普500指数期货、恐慌指数VIX的盘前数据用于判断大盘情绪。处理与计算~04:30 AM对采集到的原始数据进行加工。数据清洗处理缺失值例如某只股票盘前无交易统一时间戳将数据整理成规整的Pandas DataFrame。指标计算这是核心环节。利用TA-Lib和自定义公式计算每只股票的多个维度指标技术面基于近期日线数据计算RSI相对强弱指数、布林带位置、ATR平均真实波幅等。盘面面计算盘前涨跌幅、盘前成交量与日均成交量的比率。事件面基于新闻标题使用关键词匹配如“earnings beat”, “FDA approval”, “investigation”给出一个简单的事件分数。关联性计算个股与大盘指数如SPY的短期相关性。整合与评分~05:00 AM将上述多维指标融合成一个或几个易于理解的“信号”。我采用一种加权评分卡模型。例如技术面RSI超卖302分股价触及布林带下轨1.5分盘前放量上涨量比2且涨幅3%2分有重大利好新闻1.5分与大盘负相关在大盘跌时抗跌1分每只股票会得到一个总分。同时我会设定一个“异常波动警报”例如盘前涨跌幅超过±10%的股票无论总分如何都需要被重点标注审查。报告与推送~05:30 AM生成人类可读的报告。报告分为两部分摘要和详情。摘要推送至手机列表显示总分最高的前5只潜在“做多机会”和总分最低的或做空信号最强的前3只“风险/做空机会”并附上其核心理由如“RSI超卖放量反弹”。详情HTML文件包含所有关注股票的完整数据表格、关键指标图表、新闻摘要列表。这份文件会保存到本地并作为历史档案用于后续的策略回测和优化。3. 核心指标量化如何定义“机会”与“风险”搭建好框架后最核心也最有趣的部分来了我们究竟计算哪些指标又如何将它们量化这里没有“圣杯”只有基于历史经验和统计的“概率优势”。我分享一套经过我实战调整的初级指标体系它包含了技术、量价、事件三个维度。3.1 技术指标的计算与解读技术指标是历史价格和成交量的衍生品帮助我们识别趋势、动量和超买超卖状态。使用TA-Lib可以一键计算但关键在于理解其参数和适用场景。相对强弱指数RSI这是我最常用的动量振荡器之一用于识别超买超卖。计算ta.RSI(close, timeperiod14)。通常取14天周期。量化规则超卖信号潜在买入机会RSI 30。特别是当股价在盘前下跌但RSI已进入超卖区时可能预示着短期卖压衰竭。在我的评分卡里RSI30会触发一个较强的正向信号2分。超买信号潜在卖出/做空机会RSI 70。需要结合其他指标看在强势上涨趋势中RSI可能长期维持在50-80之间单纯70并非强烈做空信号。因此我会给RSI70一个较弱的负向信号-1分但如果同时出现“顶背离”价格创新高RSI未创新高则会升级为强负向信号-2.5分。实操心得RSI在盘整市中效果较好在单边暴涨暴跌的行情中容易“钝化”。盘前分析时我主要看RSI是否处于极端位置25 或 75这种位置的突破或反弹往往更有力度。布林带Bollinger Bands由中轨简单移动平均线、上轨和下轨中轨加减两倍标准差组成反映价格波动范围和相对位置。计算ta.BBANDS(close, timeperiod20, nbdevup2, nbdevdn2)。量化规则触及或跌破下轨通常被视为超卖可能反弹。如果同时伴随成交量萎缩信号更强。1.5分。触及或突破上轨通常被视为超买可能回调。但如果价格沿着上轨强势运行则是趋势强劲的表现此时不应视为做空信号。因此单纯触及上轨给-0.5分若同时出现缩量或RSI超买则扣分增加。布林带收窄预示着波动率降低可能即将出现方向性突破。这个信号本身不直接产生多空评分但会作为一个“高关注度”标记提示我接下来要重点观察该股票的突破方向。平均真实波幅ATR衡量价格的波动剧烈程度用于设置止损止盈位非常有效。计算ta.ATR(high, low, close, timeperiod14)。量化应用ATR本身不产生交易信号但它是风险管理的核心。在盘前分析中我会计算股票的当前ATR值。例如如果某股票ATR为$5那么我计划入场时止损位设置就可能参考这个数值如入场价下方1.5倍ATR。对于盘前波动异常放大例如盘前波动幅度已达到昨日ATR的2倍以上的股票我会格外谨慎因为这意味着今日日内波动可能极大风险与收益并存。3.2 量价关系与盘前异动“量在价先”成交量是确认价格变动有效性的关键。盘前时段成交量虽不如常规时段但异动往往蕴含重要信息。盘前涨跌幅与量比计算盘前涨跌幅 (盘前价 - 昨日收盘价) / 昨日收盘价量比 盘前成交量 / 过去20日平均小时成交量折算到相同时长。量化规则放量上涨量比2涨幅3%强烈的短期看多信号。表明有资金在盘前积极买入。2分。放量下跌量比2跌幅3%强烈的短期看空信号。可能是利空消息驱动。-2分。缩量上涨/下跌量比0.5价格变动缺乏成交量支持可持续性存疑。此类信号我会给予很低的权重或直接忽略不纳入评分。实操心得盘前成交量数据有时不稳定特别是对于流动性较差的股票。因此我更关注“相对变化”而非绝对数值。比如一只平时盘前只有几千股成交的股票突然放量到几十万股即使绝对量不大也值得高度关注。异常波动监控这是一个简单的过滤器。我会设置一个阈值例如±8%。任何盘前涨跌幅超过此阈值的股票无论其综合评分如何Agent都会在报告摘要中将其高亮标红并附上简要原因如“财报超预期”、“被做空报告狙击”。这能确保我不会错过任何突发性的重大事件。3.3 事件驱动的简易量化新闻和事件对股价的短期冲击是立竿见影的。我们不需要一开始就搭建复杂的NLP模型用规则匹配就能解决80%的问题。关键词评分表我维护一个简单的字典将关键词映射到分数和影响方向。event_keywords { ‘positive‘: {‘earnings beat‘: 1.5, ‘FDA approval‘: 2.0, ‘upgrade‘: 1.0, ‘buyback‘: 0.8, ‘partnership‘: 0.7}, ‘negative‘: {‘earnings miss‘: -1.5, ‘investigation‘: -2.0, ‘downgrade‘: -1.0, ‘cut guidance‘: -1.8, ‘lawsuits‘: -1.2} }操作流程Agent抓取新闻标题后遍历标题中的单词与评分表匹配。将所有匹配到的关键词分数累加得到该新闻事件的初步分数。同时根据新闻来源如Reuters, Bloomberg权重更高可以对分数进行微调。局限性这种方法无法理解语境。比如“Company beats earnings but guides weakly”单纯匹配“beats”会给正分但实际可能是利空。因此事件分数在初期权重不宜过高更多是作为一个“提示器”提醒我去人工阅读那篇具体的新闻。4. Agent决策逻辑与报告生成当所有维度的指标都计算完毕后我们需要一个“大脑”来整合信息做出判断。我的设计原则是透明、可调、不以预测绝对涨跌为目标而是评估“概率优势”。4.1 加权评分卡模型这是将多维数据降维到单一可比较分数的核心方法。模型的核心是权重矩阵和评分规则表。首先我为每个指标类别分配一个基础权重反映我对该类别的重视程度。指标类别基础权重说明技术面35%RSI布林带位置趋势线等量价面40%盘前涨跌幅、量比、异常波动事件面15%新闻关键词评分大盘关联10%与SPY的相关性逆市强势为加分项然后为每个指标的具体状态设计评分规则。以下是一个简化示例指标条件得分说明RSI 302超卖反弹概率增RSI 70-1超买回调风险增布林带位置价格触及下轨1.5支撑位附近量价组合涨幅3% 量比22放量上涨动能强新闻事件有利好关键词0.5 ~ 2根据关键词强度浮动大盘关联大盘跌该股平或涨1显示相对强势最终分数计算对于每只股票遍历所有评分规则将符合条件规则的得分相加得到一个原始总分。然后用这个原始总分去乘以该规则所属类别的基础权重实际上是在设计规则得分时已经隐含了权重考虑更常见的做法是直接使用加权后的得分。最后将所有加权后的得分求和得到该股票的综合机会分数。重要提示这个权重和评分表不是一成不变的。它应该被视为你交易哲学的量化体现。如果你是趋势交易者可以提高量价和趋势指标的权重如果你是价值或事件驱动者可以提高事件面权重。最好的优化方式是基于历史数据进行回测调整规则和权重使得高分数股票在后续一段时间内例如接下来5个交易日的平均收益显著优于低分数股票。4.2 报告生成与自动化推送一份好的报告应该让使用者在30秒内抓住重点。我的Agent生成两份报告终端/日志输出结构化数据这是最原始的数据用于调试和存档。它会列出所有股票每只股票的详细指标值和计算出的综合分数。[PRE-MARKET SCAN] 2023-10-27 05:30 EST TICKER | PRICE | CHG% | VOL_RATIO | RSI | BB_POS | EVENT_SCORE | FINAL_SCORE -------|-------|------|-----------|-----|--------|-------------|------------- AAPL | 172.5 | 1.2%| 1.8 | 45.2| Middle | 0.5 | 0.7 TSLA | 200.3 | -4.5%| 3.2 | 28.1| Lower | -1.0 (miss) | 1.8* NVDA | 425.6 | 0.8%| 0.9 | 65.0| Upper | 0.0 | -0.4 ... (更多股票)其中TSLA分数较高1.8主要因为RSI超卖2和触及布林带下轨1.5尽管有财报利空-1.0。星号(*)标记表示该股票触发了“高关注度”规则如RSI30。HTML可视化报告人类可读使用Jinja2模板引擎将Pandas DataFrame和Matplotlib生成的图表嵌入到一个美观的HTML模板中。报告包含概览仪表盘展示市场整体状态如上涨/下跌股票比例平均涨跌幅。机会排行榜按综合分数降序排列展示Top 10和Bottom 5的股票并列出其主要加分/减分项。个股详情页可折叠点击股票代码可展开查看其近期价格走势图附上RSI、布林带等技术指标、相关新闻列表、详细指标数值。今日重点关注列出所有触发“异常波动”或“高关注度”标记的股票。推送摘要使用Python的smtplib邮件或requests调用钉钉/企业微信机器人webhook将最重要的信息在开盘前推送到手机。【OpenClaw盘前分析】2023-10-27 潜在机会高分数 1. TSLA (1.8): RSI超卖布林带支撑尽管财报利空。 2. XOM (1.2): 放量突破近期平台油价上涨带动。 注意风险低分数/异动 1. META (-1.5): 盘前放量下跌-5%传闻监管审查。 2. AMZN (异动): 盘前12%季度营收超预期。 市场情绪中性偏多上涨股票占比58%。 详细报告file:///path/to/report.html5. 回测验证与策略迭代一个不能验证效果的量化工具是盲目的。搭建好Agent并运行一段时间后我们必须回答一个问题按照它的信号操作能赚钱吗这就需要回测。5.1 简易回测框架搭建我们不需要搭建复杂的回测平台初期可以做一个简单的“事后验证”数据记录每天开盘前将Agent生成的“机会排行榜”Top N股票和“风险榜”Bottom M股票记录下来包括股票代码、综合分数、入选理由。绩效追踪追踪这些股票在后续一段时间例如1个交易日、5个交易日的表现。计算做多组Top N的平均收益率。做空组/规避组Bottom M的平均收益率。做多组 vs 做空组的收益差。胜率做多组中上涨股票的比例。基准对比将做多组的平均收益与同期大盘指数如SPY的收益进行对比看是否有超额收益Alpha。例如你可以每周运行一次这样的分析# 伪代码分析过去一周的信号表现 signals_df load_from_csv(‘daily_signals_last_week.csv‘) # 加载过去5天每天的信号 performance_data [] for date, row in signals_df.iterrows(): top_5 row[‘top_5_tickers‘] # 当天推荐的5只股票 next_day_returns get_returns(top_5, date, holding_days1) # 获取它们第二天的收益率 performance_data.append(next_day_returns.mean()) # 计算平均收益 weekly_avg_return np.mean(performance_data) weekly_win_rate np.mean([ret 0 for ret in performance_data]) print(f“过去一周次日平均收益{weekly_avg_return:.2%} 胜率{weekly_win_rate:.2%}“)5.2 策略迭代与优化回测结果会给你提供优化方向如果胜率高但平均收益低可能是你的评分卡过于保守捕捉到的都是小幅波动。可以尝试提高对强势信号如放量大涨的权重或者调整持仓逻辑不止盈那么早。如果平均收益高但胜率低策略波动大可能依赖少数几次高收益交易但经常小亏。需要检查止损规则是否合理或者是否过度依赖某些高波动、高风险的信号。如果整体无效需要重新审视你的核心指标和逻辑。是不是RSI参数不合适盘前量比这个指标在当下市场环境下是否失效新闻关键词是否需要更新迭代流程应该是运行 - 记录 - 回测 - 分析 - 调整权重/规则- 再运行。这是一个持续的循环。切记不要基于非常短期的数据比如一两天的结果就大幅修改策略避免“过度拟合”。至少积累一个月的交易数据后再做系统性评估。5.3 常见陷阱与我的心得在开发和运行这个Agent的过程中我踩过不少坑这里分享几点最重要的心得数据质量是生命线垃圾进垃圾出。务必处理好数据缺失、异常值如股价为0、除权除息导致的股价跳空。yfinance有时会返回NaN你的代码必须能稳健处理比如用前值填充或直接剔除该股票当天的分析。避免“未来函数”这是量化回测中最经典的错误。在计算指标时绝对不能使用当天收盘后的数据。在盘前分析场景中我们使用的是“截至昨日收盘”的历史数据来计算技术指标如RSI(close, 14)使用“当前盘前”的数据来计算盘前涨跌幅和量比。逻辑必须清晰确保在实盘中Agent在时刻t做出的决策只依赖于t时刻及之前的信息。参数迷信RSI(14)一定比RSI(10)好吗布林带用20日均线还是26日没有绝对答案。我的建议是先选择市场公认的默认参数如RSI14布林带20把整个流程跑通。优化应该放在整个策略框架稳定之后并且要用样本外数据检验。Agent是辅助不是圣杯这个Agent最大的价值是把我从繁重的信息筛选中解放出来并将我的交易思路结构化、纪律化。它给出的“分数”是一个经过量化的“注意力过滤器”而不是一个自动交易指令。最终的下单决策必须结合盘中的实时走势、整体的市场环境以及我个人的风险承受能力来做出。永远不要完全放弃自己的判断。从简单开始逐步复杂化我最初版本的Agent只计算RSI和盘前涨跌幅两个指标。运行稳定后才陆续加入布林带、新闻、相关性等维度。这样更容易定位问题。如果你一开始就想构建一个包含20个因子的复杂模型很容易在调试中崩溃。搭建这样一个Agent的过程本身就是一个极好的学习过程。它强迫你去深入理解每一个市场指标的含义去思考数据之间的关系去建立一套属于自己的、理性的决策框架。即使最终这个Agent的直接交易收益有限这个过程中培养出的系统化思维和数据敏感度对任何交易者来说都是无价的财富。