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-Lib

  • Pandas & 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”：

1. 触发与采集（美东时间 ~04:00 AM）：Schedule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。

2. 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。

3. 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（<30）：+2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。

4. 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, timeperiod=14)。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，RSI<30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RSI>70一个较弱的负向信号（-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, timeperiod=20, nbdevup=2, nbdevdn=2)。
  • 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, timeperiod=14)。
  • 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。

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：

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：

1. 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RSI<30）。

2. 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。

3. 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.html

5. 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”：

1. 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。
2. 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。
3. 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_days=1) # 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：

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。