基于OpenClaw框架构建AI选股系统：从量化策略到自动化部署-尧图网络科技

1. 从零到一：为什么你需要一个AI选股系统？

如果你和我一样，每天开盘前都要花大量时间翻看财经新闻、浏览研报、盯着K线图，试图从海量信息中找出那么一两个“潜力股”，那你一定深有体会：这活儿太累了，而且效率极低。人的精力是有限的，面对数千只股票和瞬息万变的市场，单靠人力筛选，不仅容易错过机会，更可能因为情绪波动做出非理性的判断。这就是我决定动手搭建一个AI选股系统的初衷——不是要取代人类的决策，而是让机器成为我们最不知疲倦、最客观冷静的“研究助理”。

这个系统的核心目标很明确：自动化、客观化、高效率。它能在每天收盘后，自动抓取最新的市场数据，运用预设的量化策略进行分析，最终筛选出符合特定条件的股票，并推送到我的手机上。整个过程，从数据获取到结果推送，完全无需人工干预。我给它起了个名字，叫“OpenClaw每日潜力股筛选器”。OpenClaw是一个新兴的、基于C#开发的AI Agent开发框架，它最大的特点就是轻量、灵活，特别适合我们这种想要快速实现自动化工作流的个人开发者。相比于一些庞大的量化平台，它更像一把瑞士军刀，让你能用最熟悉的代码（C#）和相对简单的配置，构建出功能强大的智能体（Agent）。

那么，这个系统具体能做什么？简单来说，它每天会帮我完成三件事：第一，自动获取全市场股票的实时行情和基本面数据；第二，运行我精心设计（并可以不断优化）的选股策略模型；第三，将筛选出的Top 5股票列表，通过飞书机器人发送给我，附上简单的入选理由。这样一来，我第二天开盘前只需要花10分钟，就能快速掌握经过初筛的标的，把宝贵的时间和精力集中在更深度的研究和最终的交易决策上。无论你是编程新手，还是有一定经验的开发者，只要跟着下面的步骤，都能在短时间内拥有属于自己的“AI投研助手”。

2. 核心组件拆解：OpenClaw Agent框架与选股逻辑设计

在动手敲代码之前，我们必须先搞清楚整个系统的骨架。一个能稳定运行的AI选股系统，绝不是简单的脚本堆砌，它需要几个核心组件协同工作。我的设计主要围绕OpenClaw框架展开，因为它完美契合了“轻量集成”和“灵活调度”的需求。

2.1 OpenClaw框架：你的自动化大脑

OpenClaw本质上是一个用于构建和运行AI智能体（Agent）的框架。你可以把它理解为一个“智能体操作系统”。在这个系统里，一个智能体就是一个能感知环境、进行决策并执行动作的独立程序单元。对于我们的选股系统，我们需要设计一个主智能体，它的核心职责是协调调度。

这个主智能体内部，又包含几个关键的“技能”（Skill）：

数据抓取技能：负责调用外部API，获取股票数据。这部分需要与行情数据源对接。
策略分析技能：这是选股的核心。它接收原始数据，运行我们设定的量化筛选规则，计算出每只股票的“得分”或“信号”。
结果推送技能：将筛选结果格式化，并通过消息通道（如飞书、钉钉、微信）发送出去。

OpenClaw的好处在于，它用清晰的C#类和方法封装了这些概念。定义一个技能，就是继承一个基类并实现几个关键方法；组装智能体，就是将这些技能像乐高积木一样组合起来。框架会负责智能体的生命周期管理、技能间的消息传递以及异常处理。这意味着我们不需要从零开始写多线程、写事件循环，可以专注于业务逻辑本身。

2.2 选股策略：量化模型的灵魂

策略部分是整个系统的灵魂。我采用的是一种多因子综合评分模型，它不追求预测股价，而是通过多个维度对股票进行“体检”，找出当前状态下相对健康、有潜力的标的。我的初版策略主要包含以下几个因子，你可以根据自身风险偏好和市场理解进行调整：

动量因子：过去20个交易日的涨幅。寻找处于上升趋势的股票，但避免涨幅过大的“高位股”。我设置的条件是涨幅在5%到30%之间。
波动率因子：过去20个交易日的历史波动率。过高的波动率意味着风险大，我倾向于选择波动率处于市场中等偏低水平的股票，以控制回撤。
估值因子：市盈率（PE）和市净率（PB）。寻找估值相对合理的股票，避免陷入“价值陷阱”或“估值泡沫”。我会设定PE和PB的历史分位数阈值，比如要求其处于历史30%到70%的分位区间。
流动性因子：日均成交额。确保股票有足够的流动性，方便进出。通常要求日均成交额大于1亿元。
技术形态因子（简易版）：例如，当前价格是否站在20日均线之上。这是一个简单的趋势过滤条件。

每个因子都会根据规则计算出一个0到1的分数，然后根据我赋予的权重进行加权求和，得到每只股票的综合得分。最后，对所有股票按得分从高到低排序，取前5名。这里的关键在于，权重不是一成不变的。我会根据市场风格（是成长股行情还是价值股行情）定期回测和调整权重。OpenClaw的灵活性允许我将策略参数（如权重、阈值）放在配置文件中，修改后无需重新编译代码，重启智能体即可生效。

2.3 数据源与工具链：系统的血液与骨骼

没有数据，再好的策略也是无米之炊。对于个人开发者，有几种性价比高的数据获取方式：

免费/低成本API：如AKShare（一个基于Python的财经数据接口库，但我们可以通过封装HTTP服务或直接调用其数据文件来与C#交互）、Tushare（需注册获取Token）、新浪财经/东方财富的公开接口。这些接口通常有频率和数量的限制，但对于日级别的选股足够用。
本地量化平台：如果你使用JoinQuant、RiceQuant等平台的本地研究环境，可以直接使用它们提供的内置数据API，数据质量更高更稳定。

我的选择是使用AKShare，因为它免费、全面且维护活跃。我写了一个简单的Python Flask服务，专门负责按需调用AKShare获取A股列表、日线行情、基本面数据等，然后我的C# OpenClaw智能体通过HTTP请求来调用这个服务。这样就将数据获取的复杂性隔离在了Python端，C#端只需处理HTTP通信和JSON解析，架构更清晰。

工具链方面，除了OpenClaw框架本身，我们还需要：

开发环境：Visual Studio 2022或VS Code，安装.NET 6+ SDK。
包管理器：NuGet。我们需要通过它安装OpenClaw的核心库、HTTP客户端库（如RestSharp或HttpClient）、JSON处理库（如Newtonsoft.Json或System.Text.Json）。
部署环境：可以是Windows服务器、Linux服务器（Ubuntu），或者更简单的——Docker容器。我强烈推荐使用Docker，它能将应用及其所有依赖打包，确保在任何环境下的运行一致性，彻底解决“在我机器上好好的”这类问题。

3. 实战部署：十分钟搭建OpenClaw选股智能体

理论讲完，我们进入最激动人心的实操环节。我将以在Ubuntu服务器上使用Docker部署为例，展示最清晰、最易复现的路径。如果你用Windows，步骤大同小异，主要是安装Docker Desktop和修改一下路径。

3.1 环境准备与OpenClaw安装

首先，确保你有一台云服务器（如腾讯云、阿里云的轻量应用服务器）或本地Linux机器，并已安装Docker和Docker Compose。

获取OpenClaw Docker镜像：OpenClaw社区提供了官方镜像，大大简化了部署。打开终端，执行以下命令拉取镜像：
```
docker pull crestodian/openclaw:latest
```
这里你可能注意到了crestodian这个发布者。根据社区资料，Crestodian是OpenClaw项目相关的贡献者或组织，其发布的镜像通常是经过测试的相对稳定版本。
准备配置文件目录：在服务器上创建一个项目目录，比如/home/ubuntu/ai_stock_picker，并在里面创建两个子目录：config和skills。
```
mkdir -p /home/ubuntu/ai_stock_picker/{config,skills,logs}
```
config用于存放智能体和技能的配置文件，skills用于存放我们自定义的技能代码（编译后的DLL文件），logs用于存放运行日志。

编写智能体配置文件：在config目录下创建StockPickerAgent.json。这个文件定义了我们的智能体。

{ "AgentName": "每日选股智能体", "Description": "自动执行选股策略并推送结果", "Skills": [ { "SkillName": "DataFetcherSkill", "AssemblyPath": "/app/skills/StockPickerSkills.dll", "ClassName": "StockPickerSkills.DataFetcherSkill" }, { "SkillName": "StrategyAnalyzerSkill", "AssemblyPath": "/app/skills/StockPickerSkills.dll", "ClassName": "StockPickerSkills.StrategyAnalyzerSkill" }, { "SkillName": "NotifierSkill", "AssemblyPath": "/app/skills/StockPickerSkills.dll", "ClassName": "StockPickerSkills.NotifierSkill" } ], "Schedule": "0 30 16 * * 1-5", "MaxConcurrentOperations": 1 }

Skills数组列出了智能体拥有的三个技能，它们都位于同一个DLL文件中。
Schedule是Cron表达式，这里表示“每周一到周五的下午16:30（收盘后）执行”。这是关键，确保在交易日收盘后运行。
MaxConcurrentOperations设为1，保证同一时间只执行一个任务，避免资源冲突。

3.2 开发核心技能：数据、策略与通知

接下来，我们需要在本地开发环境（Windows/Mac）上用Visual Studio创建C#类库项目，编写这三个技能。项目需要引用OpenClaw的NuGet包（如OpenClaw.Core）。

1. DataFetcherSkill（数据抓取技能）这个技能负责调用我们之前提到的Python数据服务。核心是重写ExecuteAsync方法。

using OpenClaw.Core; using System.Net.Http; using System.Threading.Tasks; namespace StockPickerSkills { public class DataFetcherSkill : SkillBase { private readonly HttpClient _httpClient; private readonly string _dataServiceUrl; public DataFetcherSkill(IConfiguration configuration) { // 从配置读取数据服务地址 _dataServiceUrl = configuration["DataService:BaseUrl"]; _httpClient = new HttpClient(); } public override async Task<SkillResult> ExecuteAsync(SkillContext context) { LogInfo("开始获取A股市场数据..."); // 示例：获取全市场股票列表和昨日行情 var stockListResponse = await _httpClient.GetAsync($"{_dataServiceUrl}/api/stock_basic"); if (!stockListResponse.IsSuccessStatusCode) { return SkillResult.Failure($"获取股票列表失败: {stockListResponse.StatusCode}"); } var stockList = await stockListResponse.Content.ReadAsStringAsync(); // 这里可以继续获取市盈率、市净率等基本面数据 // var peResponse = await _httpClient.GetAsync($"{_dataServiceUrl}/api/stock_valuation"); // 将获取到的原始数据存入上下文，供下一个技能使用 context.SetData("RawStockList", stockList); // context.SetData("RawValuationData", peData); LogInfo("市场数据获取完成。"); return SkillResult.Success("数据抓取成功"); } } }

注意：在实际项目中，你需要处理JSON反序列化，将字符串转换为强类型的股票对象列表。同时，要考虑网络异常、数据缺失的重试机制。我的做法是引入Polly库来实现简单的重试策略。

2. StrategyAnalyzerSkill（策略分析技能）这是最核心的部分，接收原始数据，运行量化模型。

using OpenClaw.Core; using System.Linq; using System.Threading.Tasks; using Newtonsoft.Json.Linq; namespace StockPickerSkills { public class StrategyAnalyzerSkill : SkillBase { public override async Task<SkillResult> ExecuteAsync(SkillContext context) { LogInfo("开始执行选股策略分析..."); // 从上下文中取出上一个技能存储的数据 var rawStockListJson = context.GetData<string>("RawStockList"); if (string.IsNullOrEmpty(rawStockListJson)) { return SkillResult.Failure("未获取到有效的股票列表数据。"); } // 解析JSON数据（这里简化处理，实际应定义实体类） var stockArray = JArray.Parse(rawStockListJson); var scoredStocks = new List<StockScore>(); foreach (var stock in stockArray) { var code = stock["code"].ToString(); var name = stock["name"].ToString(); var closePrice = stock["close"].ToObject<double>(); var pe = stock["pe"].ToObject<double?>() ?? 0; // 处理空值 var pb = stock["pb"].ToObject<double?>() ?? 0; var turnover = stock["turnover"].ToObject<double>(); // 成交额，单位：万 // 计算因子分数（示例，需根据完整数据实现） double momentumScore = CalculateMomentumScore(stock); double volatilityScore = CalculateVolatilityScore(stock); double valuationScore = CalculateValuationScore(pe, pb); double liquidityScore = (turnover > 10000) ? 1.0 : 0.0; // 成交额大于1亿得满分 // 加权综合得分（权重可配置） double totalScore = momentumScore * 0.3 + volatilityScore * 0.2 + valuationScore * 0.3 + liquidityScore * 0.2; scoredStocks.Add(new StockScore { Code = code, Name = name, Score = totalScore }); } // 按得分降序排序，取前5 var top5Stocks = scoredStocks.OrderByDescending(s => s.Score).Take(5).ToList(); // 将结果存入上下文 context.SetData("Top5Stocks", top5Stocks); LogInfo($"策略分析完成，筛选出{top5Stocks.Count}支潜力股。"); return SkillResult.Success("策略分析完成"); } // 以下是简化的因子计算函数，实际需要更复杂的历史数据计算 private double CalculateMomentumScore(JToken stock) { /* 实现20日涨幅计算逻辑 */ } private double CalculateVolatilityScore(JToken stock) { /* 实现20日波动率计算逻辑 */ } private double CalculateValuationScore(double pe, double pb) { /* 实现PE/PB分位数计算逻辑 */ } } public class StockScore { public string Code { get; set; } public string Name { get; set; } public double Score { get; set; } } }

踩坑提示：因子计算依赖历史数据。如果你的数据服务只提供最新日期的数据，就需要在DataFetcherSkill中一次性获取足够长时间序列的数据（比如最近60个交易日），并传递给分析技能。数据在技能间的传递要规划好，避免频繁的IO操作拖慢速度。

3. NotifierSkill（通知技能）将结果推送到飞书。

using OpenClaw.Core; using System.Collections.Generic; using System.Net.Http; using System.Text; using System.Threading.Tasks; namespace StockPickerSkills { public class NotifierSkill : SkillBase { private readonly HttpClient _httpClient; private readonly string _feishuWebhookUrl; public NotifierSkill(IConfiguration configuration) { _feishuWebhookUrl = configuration["Feishu:WebhookUrl"]; _httpClient = new HttpClient(); } public override async Task<SkillResult> ExecuteAsync(SkillContext context) { var top5Stocks = context.GetData<List<StockScore>>("Top5Stocks"); if (top5Stocks == null || top5Stocks.Count == 0) { LogWarning("未获取到选股结果，跳过通知。"); return SkillResult.Success("无结果，通知跳过"); } // 构建飞书富文本消息 var messageContent = new { msg_type = "post", content = new { post = new { zh_cn = new { title = "📈 今日AI选股结果", content = new List<object[]> { new object[] { new { tag = "text", text = "根据量化策略筛选，今日潜力股Top 5如下：\n" } }, new object[] { new { tag = "text", text = "----------------------------\n" } } } } } } }; // 动态添加股票信息 foreach (var stock in top5Stocks) { var stockText = $"**{stock.Name} ({stock.Code})** - 综合评分: {stock.Score:F2}\n"; ((JArray)messageContent.content.post.zh_cn.content).Add(new JArray(new { tag = "text", text = stockText })); } // 添加尾部说明 ((JArray)messageContent.content.post.zh_cn.content).Add(new JArray(new { tag = "text", text = "\n----------------------------\n*数据来源: AKShare，策略模型: 多因子综合评分*" })); var jsonPayload = Newtonsoft.Json.JsonConvert.SerializeObject(messageContent); var httpContent = new StringContent(jsonPayload, Encoding.UTF8, "application/json"); var response = await _httpClient.PostAsync(_feishuWebhookUrl, httpContent); if (response.IsSuccessStatusCode) { LogInfo("选股结果已成功推送至飞书。"); return SkillResult.Success("通知发送成功"); } else { var error = await response.Content.ReadAsStringAsync(); LogError($"飞书消息发送失败: {error}"); return SkillResult.Failure($"通知发送失败: {response.StatusCode}"); } } } }

开发完成后，将项目编译成StockPickerSkills.dll，并上传到服务器的/home/ubuntu/ai_stock_picker/skills/目录下。

3.3 配置与启动：让智能体跑起来

编写Docker Compose文件：在项目根目录创建docker-compose.yml，这是最优雅的部署方式。

version: '3.8' services: openclaw-stock-picker: image: crestodian/openclaw:latest container_name: ai_stock_picker restart: unless-stopped # 自动重启，保证服务持续运行 volumes: - ./config:/app/config # 挂载配置文件目录 - ./skills:/app/skills # 挂载技能DLL目录 - ./logs:/app/logs # 挂载日志目录 environment: - ASPNETCORE_ENVIRONMENT=Production - OpenClaw__AgentConfigPath=/app/config/StockPickerAgent.json # 如果需要连接宿主机的服务（如Python数据服务），可能需要配置network_mode: host # network_mode: host

关键点在于volumes，它将宿主机的目录映射到容器内部，这样我们修改配置或更新技能DLL时，只需替换宿主机的文件，然后重启容器即可，无需重新构建镜像。

配置应用设置：在config目录下创建appsettings.json，存放数据服务地址、飞书Webhook等敏感或可配置信息。
```
{ "DataService": { "BaseUrl": "http://你的服务器IP:5000" // Python数据服务的地址 }, "Feishu": { "WebhookUrl": "https://open.feishu.cn/open-apis/bot/v2/hook/你的Webhook令牌" } }
```
安全提醒：切勿将包含真实Token或密钥的配置文件提交到Git等版本控制系统。可以通过Docker Compose的environment部分注入环境变量，或在生产环境使用密钥管理服务。
启动服务：在项目根目录执行一条命令，一切就绪。
```
docker-compose up -d
```
使用docker-compose logs -f openclaw-stock-picker可以实时查看智能体的启动和运行日志。如果一切正常，你会看到智能体加载了配置文件、注册了技能，并等待Cron调度触发。

4. 调优、排错与进阶思考

系统跑起来只是第一步，要让其真正可靠、有用，还需要持续的观察、调优和问题排查。

4.1 日常监控与日志分析

OpenClaw框架和我们的技能代码都会产生日志。日志是我们排查问题的第一手资料。我强烈建议将日志级别设置为Information或Debug，并定期检查logs目录下的文件。

查看定时任务是否触发：在设定的时间（交易日16:30）后，查看日志中是否有“开始获取A股市场数据…”等字样。如果没有，检查服务器的系统时间、时区设置，以及Docker容器的时钟是否与宿主机同步。
检查技能执行链路：观察三个技能是否按顺序执行成功。如果某个技能失败，日志会明确报错，例如网络超时、数据解析异常等。
验证飞书消息：确保消息能成功送达。如果没收到，检查飞书机器人的Webhook URL是否正确，以及消息内容格式是否符合飞书的要求。

一个常见的坑是技能执行超时。如果数据获取或策略分析非常耗时，可能会超过OpenClaw框架默认的任务超时时间。这时需要在智能体配置文件中增加"TimeoutInSeconds": 300这样的配置，为任务预留充足时间。

4.2 策略回测与迭代优化

初始的策略参数和权重很可能不是最优的。我们需要一个反馈循环来优化它。

历史回测：编写一个简单的回测脚本（可以用Python，也可以用C#），使用历史数据运行你的选股策略，看看如果按照这个策略在过去一段时间内交易，收益率、夏普比率、最大回撤等指标如何。这是验证策略有效性的基础。
模拟盘跟踪：将每日选出的5支股票放入一个模拟股票池，虚拟买入并跟踪其后续一段时间的表现（如5日、20日涨跌幅）。记录每只股票的“命中率”（上涨概率）和平均收益。
分析归因：定期（比如每季度）分析策略的表现。是哪类因子贡献了主要收益？在哪种市场环境下（牛市、熊市、震荡市）策略会失效？根据分析结果，动态调整因子权重或引入新的过滤条件。

我的经验是，不要追求一个“圣杯”策略。市场在变，有效的因子也在变。这个系统的价值在于提供了一个可以快速迭代、测试想法的自动化平台。你可以轻松地创建StrategyAnalyzerSkillV2、V3，通过修改配置文件来切换使用哪个技能，从而对比不同策略的效果。

4.3 常见问题与故障排除

OpenClaw启动失败，提示“无法加载技能DLL”：
- 检查：技能DLL的路径在配置文件中是否正确？是否上传到了正确的挂载目录？
- 检查：技能DLL的依赖项（如Newtonsoft.Json）是否齐全？可以尝试将技能项目发布为“独立部署”模式，将所有依赖打包进一个文件夹，然后上传整个文件夹。
- 检查：Docker容器内的.NET运行时版本是否与编译技能DLL时使用的目标框架兼容？确保使用匹配的镜像标签。
数据获取技能总是超时或返回空数据：
- 检查：Python数据服务是否正常运行？在宿主机上用curl http://localhost:5000/api/stock_basic测试一下。
- 检查：如果数据服务在宿主机，Docker容器默认的桥接网络可能无法通过localhost访问。需要改用宿主机的真实IP，或将Docker Compose的网络模式改为host（注意安全风险）。
- 检查：AKShare等数据源接口是否有更新？免费接口不稳定是常态，需要有备用方案或错误重试机制。
飞书消息格式错误，发送失败：
- 检查：飞书机器人消息格式非常严格。使用在线JSON格式化验证工具检查你构建的消息体。特别注意富文本内容中content字段的嵌套结构。
- 检查：飞书机器人是否已被添加到正确的群聊？Webhook URL是否还有效？

4.4 系统扩展与进阶玩法

当基础系统稳定运行后，你可以考虑以下扩展方向，让它变得更强大：

多策略并行与投票机制：不再是一个策略定乾坤。可以部署多个不同的StrategyAnalyzerSkill（例如价值策略、成长策略、技术策略），让它们同时对市场进行扫描。最后用一个“投票聚合技能”来综合各策略的推荐结果，形成最终的Top 5名单。这能有效分散单一策略失效的风险。
集成大语言模型（LLM）进行解读：单纯的股票列表和分数可能不够直观。可以在NotifierSkill之后，增加一个LLMCommentSkill。将选股结果和简单的财务指标、近期新闻摘要一起，发送给本地部署的Ollama（运行Llama 3、Qwen等开源模型），让AI生成一段简要的“今日选股逻辑解读”或“风险提示”，附在飞书消息里。这能让你的报告更具可读性和洞察力。
接入更多数据源：除了行情和基本面，可以接入舆情数据（如股吧热词）、产业链数据、宏观经济指标等，作为新的因子纳入模型，让选股维度更立体。
实现简单的自动化交易（谨慎！）：这是一个更进阶、风险也更高的领域。你可以让系统在筛选出股票后，通过券商提供的条件单API或自动化交易接口，执行预设的买入指令。但必须极度谨慎，务必加入严格的风控规则（如单只股票最大仓位、总体仓位控制、止损条件），并先在模拟环境中充分测试。我强烈建议将交易决策权留给人，系统只做辅助推荐。

搭建这个系统的过程，与其说是为了得到一个“黑箱”赚钱工具，不如说是一次绝佳的、将软件开发、数据工程和金融知识结合的实践。它强迫你去思考市场的逻辑，去理解数据背后的意义，去设计稳健的系统架构。每天下午准时收到的选股清单，更像是对自己逻辑和代码的一次次小考。经过几个月的运行和迭代，我不仅对市场有了更量化的认识，C#和Docker的熟练度也大大提升。最重要的是，它把我从重复、繁琐的初筛劳动中解放了出来，让我能更专注于策略的思考和深度的公司研究。