自然语言创建AI交易Agent：Wallstreetclaws实战全攻略

Hacker News 的 Show HN 板块每天都能冒出来一堆看起来很酷的项目，但大多数都是一眼望到头的玩具。Wallstreetclaws.com 这个项目能让我停下来多翻几页，是因为它的定位很直接：Create AI Agents for Trading。翻译成人话就是，你不用再亲手一行行写代码去实现某个交易策略，而是通过自然语言描述你的想法，让平台帮你把“如果……就……”的逻辑变成一个能自动跑回测、模拟交易、甚至直连券商下单的 AI Agent。这个方向对两类人特别有吸引力：一类是脑子里有交易思路但真的不想整天跟 Python 缠斗的散户，一类是想把策略迭代速度提上去、快速验证新想法的量化研究员。我花了一周时间从注册账号跑到把第一个 Agent 挂到模拟盘上，中间也踩了不少坑，今天把这套流程拆开揉碎讲清楚，顺便把那些文档里不会写明白的关键点，一次性交代完。

1. 交易 AI Agent 到底是什么，以及它和传统策略脚本的本质区别

1.1 传统策略脚本解决不了的问题

大部分人最初理解的量化交易，是那种“行情来了发个信号，程序自动下单”的脚本。它是一条直线：数据进、指标算、条件判断、出单、结束。这种模式在策略简单、行情稳定的时候没什么问题，一旦市场进入复杂阶段，脚本的短板就暴露得很明显：它没有状态，没有记忆，也不会自我约束。举个例子，你写了一个“价格站上 20 日均线就买入”的脚本，它只会机械地执行。但作为一个成熟交易者，你其实还希望它在财报发布前别开仓、在日内波动率飙升时自动缩仓、在连续亏损三次后停手休息，这些“有上下文的行为”对传统脚本来说就是一场灾难，因为你需要人为地往代码里塞无数个 if-else。

Wallstreetclaws 这种平台的价值，就是把“Agent”这个概念落地到交易场景。Agent 不是一条直线，它更像一个带状态的小员工：它有自己的记忆，能记住昨天的持仓、今天的盈亏、最近的连亏次数；它有感知能力，能读取价格、成交量、甚至新闻情绪；它能做计划，根据当前状态决定下一步动作。这正好是传统脚本和全自动化交易系统之间的那个过渡形态，既不至于复杂到需要你掌握完整的强化学习体系，又能让你用接近自然语言的方式去表达交易思路。

1.2 Agent 的四层结构：感知、规划、行动、记忆

我在 Wallstreetclaws 里实际配置 Agent 的时候，发现它的核心逻辑归纳下来就是四个层：感知层负责把外部数据变成 Agent 能理解的信号，比如“BTC 十五分钟线突破了布林带上轨”，这是原料；规划层负责根据这些信号制定当前动作，比如“下一根K线如果继续收在轨道上方，就建立 10% 仓位”；行动层负责执行具体指令，包括市价单、限价单、止损单的生成与撤单；记忆层则负责保存关键状态，比如当前持仓成本、今日累计交易次数、距离上次盈利的时间，这部分直接影响 Agent 的下一步判断。

理解这四层之后，你在配置自己的 Agent 时就不会再迷茫了。大多数人一上来就纠结“我的策略用什么指标”，实际上更合理的顺序是：先想清楚你的 Agent 需要感知什么，需要记忆哪些状态，再决定规则怎么写。一个只读价格数据、没有记忆状态的 Agent，本质上还是传统脚本，只不过换了个输入框而已。真正让 Agent 变聪明的地方，是你给它的“上下文”和“自我约束”足够丰富。

1.3 为什么“可解释”的交易 Agent 比“黑盒”模型更实用

很多人一听到“AI 交易”就以为是大模型自动炒股，每天给你掉几根金条。现实很骨感。Wallstreetclaws 这类平台虽然用了一些 AI 能力，比如自然语言理解、策略模板推荐，但底层的执行逻辑依然是规则驱动的、可解释的。我特意去看了它生成出来的 Agent 内部结构，本质上是一种结构化的策略描述，AI 做的是把你说的人话翻译成规则和参数，而不是凭空创造一套玄学交易逻辑。

这一点在我看来极其重要。做交易的人都知道，不可解释的黑盒策略是最危险的，因为你根本不知道它什么时候发疯。Agent 的规则越透明，你越容易在盘后复盘时发现问题的根源。比如我第一个 Agent，某天突然频繁开仓，换做黑盒模型我只能干瞪眼；但因为是规则驱动，我拉日志一看，原来是当天的波动率计算里使用了未复权的价格，某只股票分红除权导致指标跳变。这种问题，规则透明的时候五分钟就能定位。

2. 在 Wallstreetclaws 上创建 Agent 前的核心准备

2.1 注册、环境与数据源选型

上手第一步是注册账号，这个没什么好说的。真正需要花心思的是在进入 Agent 编辑页之前，想清楚三件事：你要交易哪些品种、你的数据粒度要到什么级别、以及你打算接入真实券商还是先跑模拟盘。

平台默认支持股票、加密货币和期货三大类常用数据源。我的建议是，新手从头开始做第一个 Agent 时，选单一品种、日线或 15 分钟线级别的数据就好，比如就做一只主流 ETF。不要一上来就选 1 秒钟 tick 级数据，那个数据量太大、噪音也大，策略逻辑稍微写歪一点，回测出来的结果会给你非常强的误导。数据源选型的时候，顺便看一眼平台支持的上下界，别问为什么，问就是我见过有人选了加密币的永续合约，结果发现资金费率在 Agent 逻辑里根本没有地方配置，最后实际收益比回测差了 2 个百分点。

2.2 一个 Agent 配置的最小完整框架

当你在 Wallstreetclaws 里点击新建 Agent 时，模板里会让你填一些基础字段：名称、交易品种、K线周期、初始资金分配方式。接下来才是重头戏，你需要配置的其实是四个最小模块：入场条件、退出条件、仓位管理和风控规则。这四个缺一不可，少了任何一个，Agent 相当于带着一条腿跑步。

我强烈建议第一版 Agent 不要追求复杂，把框架跑通比什么都强。比如我第一个 Agent 就极其朴素：感知的是 15 分钟线的价格突破与布林带位置，记忆的是今日连亏次数，规划层写的是“突破上轨且未持仓时开多，收益达到 1.5% 或跌破中轨时平仓”，行动层用的是限价单，风控层设置单日最大亏损 3% 自动熔断。这套逻辑写起来像搭积木，但已经把 Agent 的几个关键维度都覆盖到了。

2.3 自然语言描述策略时的几个表达技巧

Wallstreetclaws 支持你用自然语言描述策略，但这不意味着你可以像跟朋友聊天一样随便。它背后有一层语言解析器，在把句子转成结构化规则的时候，对数字单位、时间表达、触发条件有固定的理解方式。我试出来的经验是，你要用“如果说……就……”这样的结构化句式，而且尽量把数字写清晰。

比如“如果价格突破前 20 根 K 线的最高价，就买入 5% 仓位，止损设为入场价的 1%”，这能解析得很好；但你要是写“等它涨得不错了再买，要是跌得厉害就赶紧跑”，解析器大概率会给你返回一个错误提示，让你重新组织语言。这不是平台笨，而是交易策略天然不允许歧义存在。你在描述策略的时候，花的每一分钟把语句说清楚，都是在给你的 Agent 排雷。

3. Agent 背后引擎的工作原理与关键细节

3.1 从自然语言到可执行规则的转换流程

既然平台主打“创建 AI Agent”，我就把它的引擎原理拆开讲一讲。整个流程分三步：自然语言解析、结构化规则生成、执行与回测。

自然语言解析的核心是一个意图识别模型，它负责把你输入的那句话拆成几个要素：操作方向、触发条件、标的范围、仓位大小、止盈止损水平。之后它会将这些要素填进一个我们内部称为“策略槽位”的结构里。我在配置界面里能够看到解析结果的预览，如果某个字段识别错误，直接手动修正就行。这种“人机协同”的模式很舒服，既不要求你懂语法，也不会让 AI 全权接管然后给你一堆莫名其妙的执行逻辑。

结构化规则生成这一步是技术核心。你会看到一个类似 JSON 的配置面板，里面明确写着 buy_condition、stop_loss_pct 之类的东西。网上有朋友开玩笑说这就是“AI 写的代码”，我觉得更准确的比喻是：AI 帮你把口语翻译成了乐高积木的说明书，你自己再检查一遍积木块，然后拼起来。强烈建议你在这个页面多停留几分钟，逐项看一遍平台理解出来的条件，因为这一步是唯一能在上实盘之前发现逻辑错误的机会。

3.2 回测引擎的正确打开方式

Wallstreetclaws 内置的回测引擎让我有点意外，它不只是拉一段历史行情复盘这么简单。它可以让你设置回测区间、初始资金、交易手续费、滑点模型，还支持把数据集划分为样本内和样本外区域。听起来很专业，但我发现很多新用户根本不用这些高级选项，直接点“开始回测”，看了一个漂亮的收益率数字就兴冲冲准备上实盘，这是大忌。

正确用法是：先用最近两年数据做样本内测试，把 Agent 参数调到一个不错的水平；然后固定 Agent 不做任何改动，把回测区间改到最近三个月，观察它在“未知行情”下的表现。这个操作逻辑其实就是 Walk-Forward 分析。重复一遍，这是我能给所有 Agent 平台用户的最真诚建议：看回测结果时，永远优先看样本外表现，样本内再漂亮都只是自我安慰。

3.3 关于滑点和手续费，回测里的两个隐藏刺客

回测结果看起来很丰满，一上实盘就骨感，绝大部分原因是滑点和手续费设置得太乐观了。Wallstreetclaws 里默认的滑点模型是固定比例，如果你不去动它，默认值通常是 0.5 个基点，这在流动性好的大盘股身上还可能接近现实，放到小盘股或者冷门币种上就完全失真了。

我的做法是：把手续费设置成和你真实券商完全一致，股票按笔收、期货按合约数收；滑点则按成交量的分布来估算，平台支持高级模式，能看到不同时段的成交量分布。你需要记住，回测是为了找极端情况下的问题，不是为了看一个自我陶醉的数字。你把滑点设得比预期更严苛一些，比如普通时段设 5 个基点、高波时段设 10 个基点，这时候 Agent 还能跑出正收益，再考虑下一步。

4. 实操全过程：从零创建一个可跑通的 AI 交易 Agent

4.1 第一步：用自然语言定义你的交易思路

登录平台之后，点击创建 Agent，我建议在描述框里直接按照这个模板写策略：“以 XXX 的 YYY 周期作为决策依据，当满足 A 条件时，以 Z 仓位建立多头仓位；当满足 B 条件时平仓；单日亏损达到 C 时停止交易。”

我实际写的第一个策略是这样的：“以标普 500 ETF 的 15 分钟 K 线作为决策依据，当收盘价突破过去 20 根 K 线最高价时，以 10% 仓位建立多头仓位；当收盘价低于过去 5 根 K 线最低价时平仓；单日亏损达到 2% 时停止交易到次日开盘。”这个描述在解析器里一次通过。如果你写的句子被识别出歧义，不要气馁，通常只需要调整连接词就行，把“并且”改成“同时满足”，把“或者”改成“任一满足”，这些微小的措辞变化对解析结果有很大影响。

4.2 第二步：微调 Agent 参数面板

在参数面板里，你会看到解析结果被拆成了几块，分别是数据源设置、入场条件、离场条件、仓位管理和风控设置。这里有几个关键参数值得单独拿出来说。一个是 K 线数量，也就是策略里“过去 20 根”中的 20，它决定了你观察窗口的长度；另一个是止损模式的选择，平台提供固定百分比、ATR 动态止损、以及基于均线的移动止损，新手建议先选固定百分比，等对 Agent 的行为模式有感觉了再切 ATR。

我建议在这个页面上把“允许做空”的开关保持默认关闭状态。原因很简单，做多失败时你最多是仓位亏损，做空会遇到逼空行情，亏损空间理论上没有上限。如果你还在学习阶段，就把全部精力放在做多方向上，别以为做空能帮你对冲，一个 Agent 同时做多做空，逻辑复杂程度是成倍增长的。

4.3 第三步：回测、数据区间与结果解读

参数配置完成后，我直接进入了回测页面。先设置日期区间为过去一年，初始资金设为 10 万美元，手续费设置为每股 0.005 美元，滑点模型选择中等。点击运行，大概几秒钟，平台就返回了结果，包括总收益率、最大回撤、夏普比率、交易次数、胜率等常用指标。

这里我要特别强调一个新手容易犯的错误：只盯着总收益率看。两个 Agent，一个年化 30%、最大回撤 5%，另一个年化 50%、最大回撤 40%，谁更优秀不言而喻。你要关注的排序应该是：最大回撤、夏普比率、交易次数、最后才是年化收益率。我那个第一版 Agent 回测年化 23%，最大回撤 6.7%，交易次数 341 次，整体还像个样子，于是进入模拟盘验证环节。

4.4 第四步：模拟盘验证的关键细节

模拟盘的体验让我印象很深，因为它不是那种挂机就行的模拟，而是要跟真实行情实时联动，并且会模拟真实的订单执行滑点。平台会给你一个虚拟资金账户，你在这里把 Agent 挂上，然后让它跑。

我在模拟盘阶段加了几个自己的检查项：每天下午看一遍 Agent 的交易日志；每周对比一下实际成交价跟信号触发时价格的差距；重点观察的是极端行情下的表现，比如 CPI 发布前后的那几分钟，Agent 有没有出现不符合预期的抢单行为。模拟盘至少跑了一周，直到我确认这个 Agent 没有做出过任何一笔让我摇头的交易，才考虑接真实券商。

4.5 第五步：接入实盘 API，设置安全边界

如果你跟我一样决定上实盘，请做好最后一道防线。Wallstreetclaws 支持通过 API Key 连接主流券商和交易平台。在填入 API Key 的那一刻，我给自己定了三条铁律：第一，券商账户里只放一笔固定的小额资金，绝对不会超过总资产的 5%；第二，在平台设置里强制开启“单日最大亏损 3% 自动全部平仓”和“单一持仓不超过总资产 20%”这两条硬性风控；第三，设置好邮件和手机推送，每一次开平仓操作都要有通知到达。

这条 API Key 的安全边界再怎么强调都不为过。你是在让一个 AI Agent 动真金白银，不是在玩模拟经营游戏。哪怕你对策略再自信，实盘初期也一定要拿一笔亏光了也不会肉疼的钱去跑，这是所有交易领域老玩家的共识。

5. 跑了一个月之后，我遇到的几个典型问题

5.1 行情数据源中断导致 Agent 凭空发呆

第一周就遇到过一次数据源中断，美股某个交易日下午，ETF 的实时行情源突然没有数据更新了，Agent 的反应是停在了原地，盯着最后一个价格发呆，直到收盘都没有再进行任何交易判断。这种故障不会产生亏损，但会让你懊恼，因为你失去了几次本来符合条件的开仓机会。

排查方法很简单：平台有 Agent 运行日志，里面记录了每一次心跳检测和数据源断开的时间点。我个人会给每个 Agent 加一条“死链告警”规则，在数据源超过 5 分钟没有推送数据时直接发通知消息到手机上，然后用备用数据源或者人工确认行情状态。做交易的人要有一个共识：数据管道永远会出问题，区别只是早和晚。

5.2 突破策略在震荡行情里反复打脸

跑了一个月，最让我头疼的是我的突破策略开始反复在区间震荡行情里触发假突破。回测数据里它的胜率是 43%，逻辑上是靠盈亏比 2:1 取胜的，但实盘里假突破的密度比回测时高得多，导致一周内连续止损五次，直接触发了我设置的“连续亏损三次停止交易”规则。

这个问题的病根在于市场环境发生了切换。Agent 里面没有任何关于“震荡与趋势判断”的表达，它的世界里只有突破这个动作。解决方案是在入场之前加了一个过滤条件，用 ADX 指标来衡量趋势强度，只有 ADX 大于 20 的时候才允许突破入场。加了这条过滤之后，交易次数少了一半，但胜率提升到了 51%，最大回撤也缩小了。

5.3 手机推送消息过于频繁，触达疲劳

这个问题听起来不像是技术问题，但在实际运维里是存在的。我一度把 Agent 的每一次心跳、每一次信号扫描都推送到手机上，一天能收上百条消息。第一周我还看得很勤，到第二周我开始报复性屏蔽，结果某次 Agent 触发了真实的大额止损，我却因为消息疲劳没有及时看到。

后来我把推送级别重新梳理了一遍，分成两类：一类是交易执行类通知，包括开仓、平仓、止损，这类必须推送；另一类是状态类通知，包括心跳检查、数据源断开、网络重连，这类只在异常时推送。万幸止损单是在券商端设置的，Agent 平台就算宕机了，止损单依然在，人总有疏忽的时候，但这个提醒机制能让你少犯很多错误。

6. 一些更深的排查经验与速查表

6.1 回测年化很高，实盘却跑不出来？优先检查这三个地方

第一，检查你的滑点假设是不是太乐观。把滑点参数调高 3 倍，再跑一遍回测，看收益曲线是否还可以接受；第二，检查你有没有无意中用到未来数据，最典型的是“当日收盘价突破时入场”却用了当日的最高价作为条件，这就是标准的前视偏差，你需要确认触发条件用的是已经收盘的稳定数据；第三，检查手续费有没有完全覆盖真实券商的费用结构，很多平台默认不收交易所数据费或者最低佣金，这在小资金账户上会造成明显的偏差。

6.2 Agent 频繁开平仓，手续费吃穿利润怎么办

这个问题出现的频率比你想的高得多。Agent 逻辑写得很敏捷，几乎每一个小波动都要进场出场，回测里可能收益还行，但实盘里手续费和滑点会把那点利润吃干抹净。解决办法很简单，在 Agent 配置里增加一个“最小变动确认”选项，比如要求信号连续出现两次再触发开仓，或者要求价格突破超过 0.5% 的缓冲幅度才视为有效信号。我试过用这个办法，交易次数直接降了 60%，整体净利润反而提升了。

6.3 常见问题速查表

7. 关于 Agent 设计的一些个人深层感想

在做这个项目的过程中，我发现很多人低估了 Agent 设计里“记忆”和“状态”的价值。你可以在平台里给 Agent 加一个规则，叫“连续亏损三次，当日停止交易”，这个规则听起来很简单，但它的本质是给 Agent 注入了交易者的自保意识。在实盘交易里，意识和纪律的价值，远远超过某个技术指标的微调。

实盘运行一个月之后，我又开始回看回测参数，发现 Agent 的三个指标参数已经到了一个不需要频繁调整的状态。在这之前我是那种每天都要改参数的人，总觉得参数不调就是浪费。但后来想明白了，你每一次调参数，其实都是在用当前行情去重新拟合历史，这会让 Agent 对未来行情的适应能力越来越差，类似过度拟合。后来我给自己定了一条规矩：参数修改之后，必须先跑样本外回测，再跑两周模拟盘，都通过了才允许上实盘。这套流程把 Agent 的“上线门槛”抬高了很多，但也帮我挡掉了很多次头脑发热的冲动改动。

我个人的最终体会是，Wallstreetclaws 给了我一个非常好的借口去做交易系统的规划和约束，它在 AI 和自动化之间找到了一个均衡点。市场上不存在什么全能策略，所谓的 AI Agent 本质上是一个能忠实执行你想法的工具。你可以给它足够的记忆和感知，但风控决策和最终的资金分配还是要你自己来把关。我的建议依旧是那两条：从小资金开始，让风控规则永远走在收益规则前面。Agent 能帮你抓住更多机会，但能不能把钱留住，看的永远是你自己设计的边界有多坚硬。