从自然语言到策略 spec
FiClaw 先把策略想法拆成股票池、信号、调仓和风控约束，再生成代码。
- 因子定义、入场规则、出场规则
- 调仓频率、股票池、风控约束
- 可调参数与默认参数
Strategy Generation
AI 生成量化策略代码：把策略想法变成可运行 Python
通用 AI 可以生成代码片段。量化研究还要处理策略 spec、数据口径、信号计算、组合约束和回测验证。FiClaw 生成代码后可以直接提交历史回测。
示例 Prompt
“写一个基于布林带的均值回归策略，触及下轨买入，触及上轨卖出。”
“生成一个低波动、低换手、正动量三因子选股策略，并加入单票权重限制。”
“把行业动量轮动策略转成 Python 代码，并保留参数可调接口。”
可复核指标
生成对象
Python 策略
围绕回测链路组织
验证方式
真实回测
生成后立即验证
上下文
Spec + 代码
便于复盘和迭代
生成后立即验证
代码生成只有进入回测才有意义。FiClaw 会把生成代码提交到真实回测链路，而不是停在编辑器里。
- 减少手动复制和环境配置
- 用回测指标验证代码是否有研究价值
- 失败后进入诊断和修正流程
Workflow
FiClaw 如何处理这个问题
1
输入策略描述
用一句话或一段话描述策略逻辑和限制条件。
2
生成策略 spec
AI 把自然语言拆成结构化策略设计。
3
输出 Python 代码
生成包含信号、持仓、风控和参数的策略代码。
4
回测并修正
代码进入回测，失败时自动定位问题并迭代。
FAQ
常见问题
FiClaw 生成的是代码片段还是完整策略？
FiClaw 的目标是生成可进入回测链路的策略代码，而不是孤立代码片段。生成前会先形成策略 spec，生成后进入回测验证。
生成代码需要人工审查吗？
需要。FiClaw 可以减少从想法到代码的工程时间，但生成代码仍应经过人工审查、回测验证和风控确认。
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。
- 生成代码需要结合回测和人工审查，不应直接用于实盘。
- 复杂策略可能需要多轮描述、约束补充和人工确认。
- FiClaw 关注量化策略研发流程，不提供通用软件外包式代码生成。