适合快速验证策略原型
FiClaw 更适合策略原型阶段：先判断想法是否值得继续投入，而不是一开始就搭完整研究平台。
- 动量、均值回归、多因子等策略想法
- 需要快速看到 Sharpe、回撤、胜率等指标
- 希望保留策略 spec、代码和回测结果用于复盘
AI Quant Backtesting
AI 量化回测工具：从一句话策略想法到真实回测报告
很多量化想法卡在第一份回测报告之前：要写代码、接数据、处理参数、调试环境。FiClaw 把这些工程步骤收进策略工厂，让研究员用自然语言描述策略逻辑，AI 自动生成代码并提交真实回测。
示例 Prompt
“基于 20 日动量因子的月度轮动策略，选沪深 300 中动量最强的 20 只股票。”
“设计一个结合动量和低波动过滤的多因子策略，并输出可达 10 年以上的历史回测。”
“对均值回归策略做参数优化，比较 10 日、20 日、40 日窗口表现。”
可复核指标
回测周期
可达 10 年+
按标的和数据可用性调整
核心指标
Sharpe / 回撤
同时观察收益和风险
迭代轮数
多轮
回测不达标时继续诊断
回测结果需要继续诊断
策略第一次回测通常不会直接达标。FiClaw 的价值在于把诊断、修正和再回测放进连续流程。
- 识别回撤过大、胜率不足、因子衰减等问题
- 自动提出参数和逻辑调整方向
- 保留多轮结果，方便横向比较
Workflow
FiClaw 如何处理这个问题
1
描述策略想法
输入自然语言策略逻辑，例如 20 日动量轮动或多因子选股。
2
生成可运行代码
AI 生成 Python 策略代码，并完成基础语法和结构校验。
3
提交真实回测
调用回测引擎和历史数据，输出收益、回撤、胜率、Sharpe 等指标。
4
诊断与迭代
根据回测结果继续修改策略逻辑或参数，再次验证。
FAQ
常见问题
FiClaw 的 AI 回测和普通回测平台有什么区别？
普通回测平台通常要求用户先写好代码，FiClaw 会从自然语言策略想法开始，自动生成代码、提交回测并根据结果继续诊断。
回测结果可以直接用于实盘吗？
不可以。回测结果只用于研发评估，真实上线前还需要样本外验证、交易成本敏感性分析、人工风控复核和合规确认。
Boundaries
适用边界
金融类 AI 工具需要明确边界。FiClaw 用来提高策略研发效率，输出仍需团队复核。
- 回测结果用于策略研发评估，不构成投资建议。
- 历史回测不能保证未来收益，真实上线前仍需人工复核和风险控制。
- FiClaw 重点解决策略研发和验证，不替代券商交易终端。