Claude Enterprise × OpenClaw エージェント型トレーディング

Library
Claude Enterprise × OpenClaw エージェント型トレーディング

Claude Enterprise × OpenClaw エージェント型トレーディング

Claude EnterpriseとOpenClawを組み合わせ、自然言語でのアイデアから決定論的なストラテジーツリーを生成してバックテストやシグナル生成まで行うエージェント志向のトレーディングインフラ。AIは戦略生成を担うが、実際の資金はAIが直接扱わない設計で、安全性と追跡可能性を重視するプロトタイプ実装。Python 3.10+、MITライセンスで提供され、OpenClaw互換のワークフローを備える。

https://github.com/jerrylearnscoding/claude-enterprise-openclaw-trading

概要

このリポジトリは「Agentic Trading Infrastructure」をコンセプトに、Claude Enterprise（大規模言語モデル）とOpenClaw（トレーディングフレームワーク）を組み合わせて、自然言語で表現したトレーディングのアイデアを実行可能なストラテジーツリー（戦略の決定論的表現）に変換し、バックテストやシグナル生成まで繋げるためのプロトタイプ実装です。アーキテクチャはエージェントファーストで、AIは戦略の設計と変換に使われますが、実際の注文や資金管理は外部の実行層で行い「AIが直接お金に触れない」ことを明確に保証する設計を採っています。Python 3.10以上、MITライセンス、OpenClaw互換を謳っています。

GitHub

リポジトリの統計情報

  • スター数: 18
  • フォーク数: 1
  • ウォッチャー数: 18
  • コミット数: 5
  • ファイル数: 12
  • メインの言語: Python

主な特徴

  • 自然言語→決定論的ストラテジーツリー：トレードアイデアをLLMで解釈し、実行可能な戦略定義に変換する。
  • Agent-firstアーキテクチャ：エージェントが戦略の設計・検証を行い、実行は分離して安全性を確保。
  • OpenClaw互換：生成された戦略をOpenClawフレームワークでバックテスト・シグナル生成に接続可能。
  • セーフティ重視：AIは設計支援に留め、実際の資金操作は別システムで行う設計思想。

技術的なポイント

本プロジェクトの核は「自然言語でのコンセプトを、トレーディング実行に移せる形式に落とし込むワークフロー」です。Claude Enterpriseのような強力なLLMをプロンプト設計により「エージェント」として使い、まずユーザーが与えたトレーディングアイデア（例：移動平均クロス、ボラティリティブレイクアウト、ニュース感度ベースのフィルタ）を解釈・分解します。次にエージェントはそのアイデアを決定論的なストラテジーツリー（条件ノード、指標計算、シグナル生成、エグゼキューションルールなどの階層構造）へと構造化します。ストラテジーはOpenClawとの互換性を念頭に置いたフォーマットで出力され、これにより既存のバックテストエンジンやシミュレーションパイプラインに接続できます。

技術的に注目すべき点は以下です。

  • フォーマット化（構造化）プロンプト：LLMの自由形式の出力ではなく、検証可能かつ機械的に処理可能なJSON/YAML等の決定論的スキーマに変換するためのプロンプトテンプレートとバリデーション層を備えます。
  • 分離された実行プレーン：生成された戦略はあくまで「設計」情報であり、実際の注文執行やブローカー連携は別モジュール（または外部システム）に委ねます。これにより、AIが誤って資金を操作するリスクを抑制します。
  • バックテスト重視の検証ループ：生成→テスト→修正のサイクルを経て戦略を改良できるよう、履歴データでのバックテスト機能とパラメータスイープ、パフォーマンスメトリクスの出力を想定した設計になっています（OpenClaw互換のため既存ツールとの相互運用が容易）。
  • 設定管理と安全設定：.envやconfigディレクトリでAPIキーや実行フラグ、リスクパラメータ（最大ドローダウン閾値、ポジションサイズ制約等）を管理できる構成を想定。これによりプロダクション移行時のガードレールを提供します。

さらに、拡張ポイントとしてカスタムインジケーターのプラグイン化、実行ラッパーによるブローカーAPI抽象化、監査ログとExplainability用の出力（どのプロンプトがどのルールを生成したか）などが容易に追加できる設計です。プロトタイプながら、トレーディング戦略をAIで「設計」し、人間または外部システムで「実行」するという責任の分離を明確にしている点が実用的な価値を持ちます。

プロジェクトの構成

主要なファイルとディレクトリ：

  • .env.example: file
  • .gitignore: file
  • LICENSE: file
  • README.md: file
  • config: dir

…他 7 ファイル

まとめ

AIで戦略を設計し、安全にバックテスト→実行へと繋げるプロトタイプで、実運用を見据えた設計が魅力。

リポジトリ情報：