用 Claude Code 和 Alpaca 构建 24/7 AI 交易 Agent

Risk Disclaimer: This content is for educational purposes only. Trading involves significant risk of loss. Past performance does not guarantee future results. Always do your own research before using any trading tool or strategy.

2026 年最热门的 AI 交易趋势之一是使用 Claude Code Routines 构建自主交易 Agent。与简单的基于规则的机器人不同，这些 Agent 可以研究市场状况、形成观点、决定是否交易、通过经纪商 API 执行，并记录其推理过程。

在本教程中，你将构建一个连接到 Alpaca 免费模拟交易 API 的 Claude Code 交易 Agent。到最后，你将拥有一个可以按计划运行并带有适当风险护栏的工作系统。

这个 Agent 做什么

Agent 在循环中运行：

研究 — 获取观察列表的价格、技术信号和最近头条。
决策 — Claude 分析数据并输出结构化的交易决策。
执行 — 如果决策通过信心和风险检查，通过 Alpaca 下单。
记录 — 写入结构化日志条目，解释每个决策。

先决条件

一个 Alpaca 账户（免费）
一个 Anthropic API key，可访问 Claude
Node.js 20+ 或 Python 3.11+
安装并认证的 Claude Code
用于 24/7 运行的服务器或云实例（本地笔记本不行）

第 1 步：设置 Alpaca 连接

创建 alpaca.js，包含账户信息、报价和订单放置的辅助函数。

const ALPACA_BASE_URL = "https://paper-api.alpaca.markets";
const ALPACA_KEY = process.env.ALPACA_API_KEY;
const ALPACA_SECRET = process.env.ALPACA_API_SECRET;
 
async function alpacaFetch(path, options = {}) {
  const res = await fetch(`${ALPACA_BASE_URL}${path}`, {
    ...options,
    headers: {
      "APCA-API-KEY-ID": ALPACA_KEY,
      "APCA-API-SECRET-KEY": ALPACA_SECRET,
      "Content-Type": "application/json",
      ...options.headers,
    },
  });
  return res.json();
}
 
export async function getAccount() {
  return alpacaFetch("/v2/account");
}
 
export async function getLatestQuote(symbol) {
  const res = await fetch(
    `https://data.alpaca.markets/v2/stocks/${symbol}/quotes/latest`,
    {
      headers: {
        "APCA-API-KEY-ID": ALPACA_KEY,
        "APCA-API-SECRET-KEY": ALPACA_SECRET,
      },
    }
  );
  return res.json();
}
 
export async function placeOrder(order) {
  return alpacaFetch("/v2/orders", {
    method: "POST",
    body: JSON.stringify(order),
  });
}

第 2 步：构建研究模块

研究模块为 Claude 收集干净的数据。

// research.js
import { getAccount, getLatestQuote } from "./alpaca.js";
 
function rsi(prices, period = 14) {
  const gains = [];
  const losses = [];
  for (let i = 1; i < prices.length; i++) {
    const change = prices[i] - prices[i - 1];
    gains.push(change > 0 ? change : 0);
    losses.push(change < 0 ? Math.abs(change) : 0);
  }
  const avgGain = average(gains.slice(-period));
  const avgLoss = average(losses.slice(-period));
  if (avgLoss === 0) return 100;
  const rs = avgGain / avgLoss;
  return 100 - 100 / (1 + rs);
}
 
function average(arr) {
  return arr.reduce((a, b) => a + b, 0) / arr.length;
}
 
export async function buildMarketData(watchlist) {
  const account = await getAccount();
  const tickers = await Promise.all(
    watchlist.map(async (symbol) => {
      const quote = await getLatestQuote(symbol);
      return {
        symbol,
        price: quote.quote.ap,
        bid: quote.quote.bp,
        ask: quote.quote.ap,
      };
    })
  );
 
  return {
    timestamp: new Date().toISOString(),
    account: {
      buying_power: account.buying_power,
      portfolio_value: account.portfolio_value,
    },
    watchlist: tickers,
  };
}

本示例仅使用最新报价。对于真实策略，你需要历史 K 线来计算 RSI、移动平均线和其他指标。

第 3 步：创建 Claude 决策 Prompt

Prompt 是系统中最重要的部分。它告诉 Claude 如何作为一个有纪律的交易者行事。

# system_prompt.md
 
你是一个有纪律的算法交易 Agent。分析市场数据并决定是否下单。
 
规则：
- 单笔交易的风险 Never 超过投资组合价值的 2%。
- 只在美国常规市场时间（东部时间 9:30 AM - 4:00 PM）交易。
- 如果不确定，不要交易。默认动作是 NO_TRADE。
- 始终用 plain language 解释你的推理。
 
以这种 exact 格式输出有效 JSON：
 
{
  "decision": "BUY" | "SELL" | "NO_TRADE",
  "symbol": "TICKER or null",
  "qty": number or null,
  "reasoning": "2-3 sentence explanation",
  "confidence": "LOW" | "MEDIUM" | "HIGH"
}

第 4 步：执行决策

// execution.js
import { placeOrder } from "./alpaca.js";
 
export async function executeDecision(decision, account) {
  if (decision.decision === "NO_TRADE") {
    console.log("No trade:", decision.reasoning);
    return null;
  }
 
  if (decision.confidence === "LOW") {
    console.log("Skipping low-confidence signal:", decision.reasoning);
    return null;
  }
 
  const portfolioValue = parseFloat(account.portfolio_value);
  const maxRisk = portfolioValue * 0.02;
 
  // 验证仓位大小
  if (decision.qty * decision.estimatedPrice > maxRisk) {
    throw new Error("Position exceeds 2% risk limit");
  }
 
  return placeOrder({
    symbol: decision.symbol,
    qty: decision.qty,
    side: decision.decision.toLowerCase(),
    type: "market",
    time_in_force: "day",
  });
}

第 5 步：记录每个周期

日志将脚本变成学习系统。

// journal.js
import fs from "fs";
import path from "path";
 
export function writeJournalEntry({ marketData, decision, order, timestamp }) {
  const entry = {
    timestamp,
    market_snapshot: marketData,
    agent_decision: decision,
    order_result: order || "NO_ORDER_PLACED",
  };
 
  const logPath = path.join("./journal", `${timestamp.split("T")[0]}.jsonl`);
  fs.mkdirSync("./journal", { recursive: true });
  fs.appendFileSync(logPath, JSON.stringify(entry) + "\n");
}

第 6 步：接入 Claude Code Routine

创建 agent.js 作为主入口：

// agent.js
import { buildMarketData } from "./research.js";
import { getTradeDecision } from "./claude.js";
import { executeDecision } from "./execution.js";
import { writeJournalEntry } from "./journal.js";
 
const WATCHLIST = ["AAPL", "MSFT", "NVDA", "TSLA"];
 
async function runCycle() {
  const timestamp = new Date().toISOString();
  console.log(`Starting cycle: ${timestamp}`);
 
  const marketData = await buildMarketData(WATCHLIST);
  const decision = await getTradeDecision(marketData);
  const order = await executeDecision(decision, marketData.account);
 
  writeJournalEntry({ marketData, decision, order, timestamp });
 
  console.log(`Cycle complete: ${decision.decision}`);
}
 
runCycle().catch(console.error);

然后在你的 CLAUDE.md 中定义 routine：

## Routines
 
### trading-cycle
Schedule: every 15 minutes on weekdays between 9:30 AM and 4:15 PM ET
Command: node agent.js
Description: Run one full trading cycle

第 7 步：添加护栏

在接触真实资本之前，添加这些安全检查：

每日亏损限制： 如果一天内下跌超过 3%，停止交易。
市场时间检查： 在交易前验证市场是否开放。
仓位大小验证： 在代码中而不仅仅是在 prompt 中执行 2% 规则。
紧急停止开关： 一个简单的文件标志或环境变量，可以立即停止 Agent。

始终从 Alpaca 模拟交易开始。在运行数周并审查每个日志条目之前，Never 部署真实资金。

部署选项

对于 24/7 运行，你有三个主要选择：

选项	成本	最适合
Cloud VPS (Hetzner, DigitalOcean)	$5-10/月	完全控制，易于调试
AWS Lambda + EventBridge	~$1-5/月	低维护，按执行付费
Docker on managed container service	不一	团队，复杂工作负载

常见错误

过度拟合 prompt。 在一个市场机制有效的 prompt 可能在另一个机制中失败。
忽略费用。 滑点和佣金会侵蚀频繁交易的回报。
没有监控。 Agent 可能在悄无声息地亏钱数天。
太多上下文。 给 Claude 喂噪音数据会导致噪音决策。

下一步

现在你已经有了骨架，可以扩展它：

添加历史 K 线和技术指标。
通过新闻 API 整合新闻情绪。
构建一个仪表板来可视化日志条目。
在实盘部署任何策略之前运行回测。