AI Quant Framework
一个 Python 桌面量化交易框架，把策略开发、历史回测、模拟交易与真实执行放进同一条工作流，并为 AI Agent 接入预留标准化能力。
THE INVESTMENT THESIS
量化工具的核心价值不是“生成策略”，而是让同一策略在回测、实时模拟和实盘执行之间保持一致，并把风险控制放在所有执行路径之前。
Python / Markdown excluded from count
不含 Git 元数据
Backtest / Paper / Live
Binance + OKX
MA / Bollinger / RSI / MACD / Martingale
risk control / switch
统一的交易生命周期
策略使用同一套信号逻辑，先在历史 K 线中验证，再进入模拟环境观察，最后才连接交易所执行。这样可以减少从研究代码迁移到实盘时的行为差异。
框架提供 K 线可视化、运行日志、策略热加载、多时间周期处理，并同时适配 Binance 与 OKX。
架构重点
回测引擎负责历史数据、撮合和绩效结果；模拟引擎用实时行情验证策略状态；实盘引擎处理账户、订单与执行。策略层与交易所连接层分离，便于扩展新的策略和数据源。
仓库同时保留主 GUI、早期版本、策略样例和风险测试，能够看出它不是一次性的演示页面，而是从可用工具向可扩展框架演化。
风控不是附加项
项目把仓位、止损、订单校验和运行状态作为核心模块，并用单独测试覆盖风险逻辑。任何实盘连接都应先使用测试网或最小资金验证；开源代码不构成收益承诺或投资建议。
AI Agent 接口
v1.1 加入 OpenClaw Skill 与路线图，使智能体可以理解框架能力、调用标准任务并读取结果。方向不是让模型随意下单，而是把 AI 放在受约束、可审计的工具边界内。
不是功能列表，是价值如何流动。
统一行情输入
历史与实时 K 线进入相同的策略输入边界，覆盖 1 分钟到周线周期。
热加载策略协议
策略实现 trade_signal，通过六类离散信号与引擎解耦。
三阶段验证
历史回测检查逻辑，实时模拟观察行为，实盘只在前两层通过后启用。
集中风控
回撤、单日亏损、单笔风险、单品种仓位与紧急停止可独立开关。
日志与可视化
K 线、信号点和操作日志用于复盘，而不是只展示最终收益。
价值、交付和增长，必须同时成立。
降低从 Python 策略到可视化验证环境的工程门槛。
开源仓库作为信任入口，OpenClaw Skill 承接自然语言任务。
商业化前提是模块化、持续测试、密钥管理和交易所沙盒验证。
框架是研究与执行基础设施，不销售策略收益率。
不把规划写成成绩。
代码可审计
仓库包含主引擎、5 个策略、README、路线图、Skill 定义和 2 个风控测试脚本。
风控实现已进入主引擎
当前代码有最大回撤 20%、单品种仓位 30%、默认单笔风险 2% 等可配置默认值与 emergency_stop。
GUI 仍是单体结构
核心交易、界面和连接逻辑集中在较大的 Python 文件中，后续维护与自动测试成本较高。
Agent 化尚处接口阶段
Skill 与自然语言调用路径已定义，但策略生成、权限边界与端到端审计仍需继续实现。
能看见风险，才有资格谈规模。
回测偏差
撮合、滑点、资金费率和未来函数会让历史表现失真。
引入事件驱动撮合、显式手续费/滑点、walk-forward 与数据泄漏测试。
实盘安全
API 密钥、网络异常和重复下单可能造成真实损失。
默认测试网、最小权限密钥、幂等订单、断路器与人工解锁。
单体可维护性
GUI 与领域逻辑耦合阻碍多策略与服务化。
拆分 data / strategy / portfolio / execution / risk / UI 六个包并建立 CI。
下一步，用可以被验证的指标定义。
模块化与测试
核心引擎单元测试覆盖率、确定性回放和交易所适配契约测试。
可信绩效报告
统一输出收益、最大回撤、Sharpe、换手率、费用敏感性与基准对比。
受控 Agent 接口
只读分析与真实执行权限分离，所有动作带审批和审计日志。
Binance Quantitative Framework
完成 Binance 单平台原型，覆盖 GUI、策略信号、回测、模拟和 API 实盘连接。
AI Quant Framework v1.0
重构为新的开源仓库，统一三类交易引擎并扩展多交易所能力。
v1.1 与 Agent 集成
加入 OpenClaw Skill、路线图和更明确的风险控制说明。
继续模块化
规划 / 待验证计划沿数据、策略、执行、风控与智能体协作方向持续拆分和测试。
SOURCE & DATA ROOM NOTES
BUSINESS CONTACT
如需完整项目材料、合作方案或进一步核验信息，可通过邮件联系。