用途：该技能将量化模型与金融 API 结合，自动执行买卖订单，处理市场数据、运行回测并支持实盘交易，用于高频交易、投资组合优化或策略回测等场景，尤其适合股票、外汇或加密货币中基于移动平均线、RSI 等指标的自动化交易。
主要能力：可从 Alpha Vantage、Yahoo Finance 等 API 获取实时或历史数据（如 /query?function=TIME_SERIES_DAILY）；内置移动平均交叉、均值回归等策略，例如 strategy.run('MA_Crossover', params)；支持基于历史数据的回测并输出夏普比率等指标；可通过券商 API（如 Alpaca 的 POST /v2/orders）执行交易，并支持止损等风控；可结合 NumPy 等库进行数据分析，例如 rsi = talib.RSI(close, timeperiod=14); signals = np.where(rsi > 70, 'sell', 'buy')。
使用方式：先设置认证环境变量，如 export ALPHA_VANTAGE_API_KEY=$SERVICE_API_KEY；代码中通过 import openclaw; oc = openclaw.Skill('algo-trading') 初始化。CLI 可用 openclaw algo-trading init --config config.json 加载策略文件，或用 openclaw algo-trading run --strategy MA_Crossover --symbols AAPL,GOOG --timeframe 1h 执行策略；回测命令如 openclaw algo-trading backtest --file historical.csv --strategy RSI_Overbought --iterations 100。策略配置使用 JSON，例如 {"strategy": "MA_Crossover", "params": {"short_window": 50, "long_window": 200}, "symbols": ["AAPL"]}，通过 openclaw algo-trading load-config path/to/config.json 加载。集成时可用 openclaw add-skill algo-trading 添加技能，并通过 oc.set_auth('alpaca', os.environ['BROKER_API_KEY']) 设置认证。
适用场景与限制：适用于需要自动化交易、减少情绪化决策的场景。资料提示需用 try-except 处理 API 错误（如 429 限流），可用 oc.retry_on_error(call_func, max_retries=3) 重试，用 openclaw algo-trading validate-config config.json 校验配置，并建议先在沙箱环境（--sandbox true）测试。该技能依赖 financial-data-fetcher，与 risk-analysis 相关，与 manual-trading 冲突，可增强 portfolio-management。其他收费、价格、平台支持等细节暂未提供。