附录O 至 附录V

• 附录O：一人多Agent的岗位映射模板（Excel格式）
• 附录P：低代码平台（n8n/Dify）与OpenClaw集成示例
• 附录Q：量化公司组织架构图（PDF）
• 附录R：一人量化投资Agent系统快速启动脚本
• 附录S：常用券商API接入示例
• 附录T：Tushare数据获取与清洗完整脚本
• 附录U：双均线策略Agent完整配置包
• 附录V：量化投资术语速查表

O.1 工作表1：岗位拆解附录O：一人多Agent的岗位映射模板

本附录提供可直接复制使用的岗位→Agent映射表格模板，帮助你快速将业务需求转化为Agent配置。

O.1 岗位拆解表

将业务中的每个岗位（或角色）填入下表，明确其职责、输入输出、推荐的Agent类型和所需Skill。

岗位名称	核心职责	输入	输出	推荐Agent类型	所需Skill	权限级别
示例：因子研究员	挖掘候选因子	历史行情数据	因子表达式、IC序列	Hermes	factor_mining, backtest	只读数据
示例：交易员	执行交易信号	信号、行情	订单、成交记录	OpenClaw	trade_execution, slippage_model	可交易（模拟盘需审批）
示例：风控专员	监控回撤和VaR	持仓、净值	告警、暂停指令	Hermes（独立）	risk_metrics, stop_loss	只读持仓，可执行止损
1.
2.
3.

O.2 协作流程表

定义岗位之间的数据流转关系。

上游岗位	下游岗位	传递数据	频率	触发方式
数据工程师	因子研究员	清洗后日线	每日收盘后	Cron
因子研究员	量化研究员	有效因子列表	每周	手动/事件
量化研究员	交易员	交易信号	实时	ACP委托
交易员	风控专员	持仓和净值	每5分钟	Cron

O.3 Skill清单表

列出每个岗位所需的Skill及其开发状态。

Skill名称	归属岗位	功能描述	依赖库/工具	状态（已有/待开发/第三方）
factor_mining	因子研究员	计算IC/IR，分组收益	pandas, numpy	已有（见第27章）
trade_execution	交易员	订单拆分、滑点管理	OpenClaw内置	已有（见第27章）
risk_metrics	风控专员	VaR、回撤计算	pandas, scipy	已有（见第29章）

O.4 使用说明

1. 复制表格：将上述表格复制到你的项目文档（Markdown、Excel或Notion）中。
2. 填写内容：根据你的实际业务，逐行填写岗位、协作和Skill信息。
3. 迭代更新：随着系统演进，定期更新表格，保持与代码配置一致。

---

附录P：低代码平台（n8n/Dify）与OpenClaw集成示例

P.1 n8n + OpenClaw 集成

P.1.1 场景：飞书消息触发Hermes任务并通过n8n编排

步骤：

1. 在n8n中创建Webhook节点，接收飞书消息（通过飞书机器人回调）
2. 添加HTTP Request节点，调用OpenClaw API：POST http://localhost:3000/message/send
   • Headers: Authorization: Bearer <your_token>
   • Body: {"agent": "hermes_proxy", "message": "{{$json.text}}"}
3. 添加IF节点，根据返回结果分支（成功/失败）
4. 添加飞书发送节点，将结果回传用户

OpenClaw侧配置：需创建一个专门接收n8n请求的Agent或使用OpenClaw内置的Webhook渠道。

P.2 Dify + OpenClaw 集成

Dify支持自定义工具，可将OpenClaw/Hermes封装为工具节点。

定义OpenClaw工具（OpenAPI规范）：

yaml

openapi: 3.0.0
info:
  title: OpenClaw Agent API
  version: 1.0.0
paths:
  /message/send:
    post:
      summary: 发送消息到Agent
      requestBody:
        content:
          application/json:
            schema:
              type: object
              properties:
                agent:
                  type: string
                message:
                  type: string

在Dify中添加自定义工具，导入上述YAML，即可在工作流中拖拽使用。

注意：低代码集成适合快速原型，生产环境建议仍使用原生ACP连接以保证性能和安全性。

---

附录Q：量化公司组织架构图（PDF）

本附录提供典型量化私募的组织架构图PDF文件，可从本书GitHub仓库下载。

架构图包含：

• 管理层（投资总监、风控总监）
• 策略研发部（因子研究员、量化研究员、高频策略经理）
• 交易执行部（交易员、算法执行岗）
• 风险控制部（风控专员、合规审计）
• IT与数据部（数据工程师、系统运维）

---

附录R：一人量化投资Agent系统快速启动脚本

R.1 一键部署脚本 deploy.sh

bash

#!/bin/bash
# 量化Agent系统一键部署脚本
set -e

echo "=== 量化Agent系统部署脚本 v1.0 ==="

# 1. 检查依赖
command -v docker >/dev/null 2>&1 || { echo "需要Docker"; exit 1; }
command -v openclaw >/dev/null 2>&1 || { echo "需要OpenClaw"; exit 1; }
command -v hermes >/dev/null 2>&1 || { echo "需要Hermes"; exit 1; }

# 2. 启动Redis
docker run -d --name quant-redis -p 6379:6379 redis:7-alpine

# 3. 配置环境变量
cp .env.example .env
echo "请编辑.env文件填入API Keys后按回车"
read

# 4. 启动Hermes ACP
hermes acp serve --listen tcp://0.0.0.0:50051 &
hermes acp serve --listen tcp://0.0.0.0:50052 --workspace ~/.hermes_risk &

# 5. 启动OpenClaw Gateway
openclaw gateway start

# 6. 添加Cron任务
openclaw cron add --name "data_pipeline" --cron "30 15 * * 1-5" --tz Asia/Shanghai --message "拉取数据"
openclaw cron add --name "factor_mining" --cron "0 17 * * 1-5" --tz Asia/Shanghai --message "挖掘因子"
openclaw cron add --name "risk_check" --every "5m" --message "风控监控"

echo "部署完成！访问 http://localhost:18789 查看Web UI"

R.2 停止脚本 stop.sh

bash

#!/bin/bash
openclaw gateway stop
pkill -f "hermes acp serve"
docker stop quant-redis

---

附录S：常用券商API接入示例（以中泰证券XTP为例）

S.1 XTP Python接口安装

bash

pip install xtp-python-api

S.2 统一交易接口抽象类

python

# broker_adapter.py
from abc import ABC, abstractmethod

class BrokerAdapter(ABC):
    @abstractmethod
    def place_order(self, symbol, direction, price, volume):
        pass

class XTPAdapter(BrokerAdapter):
    def __init__(self, account, password, client_id=1):
        from xtp import XTPClient
        self.client = XTPClient()
        self.client.login(account, password, client_id)

    def place_order(self, symbol, direction, price, volume):
        # XTP下单逻辑
        return self.client.insert_order(symbol, price, volume, direction)

S.3 券商API配置（.env）

bash

# 中泰XTP
XTP_ACCOUNT=123456
XTP_PASSWORD=xxxx
XTP_SERVER_IP=127.0.0.1
XTP_SERVER_PORT=6001

# 华泰MATIC
HTSC_ACCOUNT=xxx
HTSC_PASSWORD=xxx

注意：实盘前必须向券商申请程序化交易权限，并获得API接入许可。上述代码仅示例，具体接口以券商最新文档为准。

---

附录T：Tushare数据获取与清洗完整脚本

T.1 数据获取脚本 fetch_and_clean.py

python

#!/usr/bin/env python3
import tushare as ts
import pandas as pd
import time
from datetime import datetime

# 初始化
ts.set_token('你的token')
pro = ts.pro_api()

def fetch_daily(ts_code, start_date, end_date, retry=3):
    """获取单只股票日线（带重试）"""
    for attempt in range(retry):
        try:
            df = pro.daily(ts_code=ts_code, start_date=start_date, end_date=end_date)
            return df
        except Exception as e:
            print(f"Attempt {attempt+1} failed: {e}")
            time.sleep(1)
    return pd.DataFrame()

def clean_daily(df):
    """清洗日线数据"""
    # 类型转换
    df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
    numeric = ['open', 'high', 'low', 'close', 'vol', 'amount', 'adj_factor']
    for col in numeric:
        df[col] = pd.to_numeric(df[col], errors='coerce')
    # 排序
    df = df.sort_values('trade_date')
    # 后复权
    df['adj_close'] = df['close'] * df['adj_factor']
    df['adj_open'] = df['open'] * df['adj_factor']
    # 去除停牌日（成交量为0）
    df = df[df['vol'] > 0]
    return df

if __name__ == '__main__':
    df = fetch_daily('600519.SH', '20200101', '20231231')
    df_clean = clean_daily(df)
    df_clean.to_parquet('data/600519.parquet')
    print("数据保存完成")

---

附录U：双均线策略Agent完整配置包（第25章）

本附录提供第25章双均线策略Agent的完整配置文件，可直接部署使用。

U.1 目录结构

dual_ma_agent/
├── openclaw/
│   ├── agents/data_pipeline/AGENTS.md
│   └── skills/trade_execution/SKILL.md
├── hermes/
│   ├── skills/dma_strategy/SKILL.md
│   └── skills/risk_monitor/SKILL.md
└── scripts/
    ├── backtest_dma.py
    └── run_sim.py

U.2 关键文件：Hermes双均线策略Skill

markdown

# ~/.hermes/skills/dma_strategy/SKILL.md
---
name: dma_strategy
description: 双均线策略信号生成器
---

## 触发器
- 每日15:30（数据更新后）

## 执行步骤
1. 读取最新日线数据（从共享记忆）
2. 计算5日和20日均线
3. 若金叉（MA5 > MA20 且前一日 MA5 ≤ MA20）→ BUY
4. 若死叉（MA5 < MA20 且前一日 MA5 ≥ MA20）→ SELL
5. 否则 HOLD
6. 将信号写入 `management.tasks`

---

附录V：量化投资术语速查表

术语	英文	解释
夏普比率	Sharpe Ratio	(收益-无风险利率)/波动率，衡量风险调整后收益
最大回撤	Max Drawdown	净值曲线最高点到最低点的最大跌幅
信息系数	IC (Information Coefficient)	因子值与未来收益的相关性
信息比率	IR (Information Ratio)	IC均值 / IC标准差
胜率	Win Rate	盈利交易次数 / 总交易次数
盈亏比	Profit/Loss Ratio	平均盈利 / 平均亏损
卡玛比率	Calmar Ratio	年化收益 / 最大回撤
过拟合	Overfitting	策略过度适应历史数据，实盘失效
未来函数	Future Function	回测中使用了当时未知的数据
前视偏差	Look-ahead Bias	同上
幸存者偏差	Survivorship Bias	回测只包含当前存活的股票
滑点	Slippage	成交价与信号价的差异
冲击成本	Impact Cost	大额订单对价格的影响
波动率目标	Volatility Targeting	根据波动率调整仓位
凯利公式	Kelly Criterion	最优仓位计算公式
风险平价	Risk Parity	使各资产风险贡献相等
VaR	Value at Risk	在险价值
CVaR	Conditional VaR	条件在险价值（尾部风险）