量化模型与构建方式 本报告主要介绍AI智能体OpenClaw的部署与应用，并未涉及传统意义上的量化模型或量化因子构建。报告内容聚焦于如何利用OpenClaw这一工具平台，通过安装和调用特定的“技能”（Skills）来执行金融投研任务[3][48]。报告本身未提出新的量化模型或因子，而是展示了使用该工具实现数据获取、条件选股、技术分析等功能的流程。 量化因子与构建方式 本报告未提出或构建新的量化因子。 OpenClaw 技能与构建方式 报告详细介绍了如何利用OpenClaw平台安装和使用多种投研相关的“技能”（Skills），这些技能可以视为实现特定量化分析功能的工具模块。 1. 技能名称：Stock Watcher * 技能构建思路：该技能旨在通过自然语言指令，实现对自选股的实时行情监控与数据获取[58]。 * 技能具体构建过程：该技能并非由报告作者构建，而是从OpenClaw官方技能生态社区ClawHub获取并安装[52]。用户通过与OpenClaw对话，下达指令“请帮我安装并启用这个技能：https://clawhub.ai/Robin797860/stock-watcher”，即可完成安装[58]。安装后，技能自动加载到OpenClaw工作区，用户可通过自然语言对话调用其功能，如添加自选股、查看行情、获取涨跌幅等[58][63]。当默认数据源（如同花顺）出现问题时，OpenClaw会灵活地自动切换至备用数据源（如新浪）以完成指令[62]。 2. 技能名称：Technical Analyst * 技能构建思路：该技能旨在对K线图进行自动化技术分析，并生成详细的分析报告[75]。 * 技能具体构建过程：该技能同样从ClawHub社区获取。用户通过指令调用该技能分析指定的K线图文件（如“k线图.png”）[77]。技能执行后，会输出包含趋势判断、强度评估、关键位置、情景分析概率分布等要点的分析结果，并将完整分析报告保存至本地指定路径[77]。 3. 技能名称：read_file（基础系统技能） * 技能构建思路：作为OpenClaw的基础系统技能，用于演示其“技能”模块如何通过标准化接口，让大语言模型安全地操作本地系统[51]。 * 技能具体构建过程：该技能体现了OpenClaw技能的双层架构设计[51]： * 接口声明层：面向大语言模型，通过OpenAPI规范定义技能功能（如读取文件）和必填参数（如文件路径file_path）。大模型在需要时会输出包含这些参数的结构化指令[57]。 * 物理执行层：面向宿主机，OpenClaw核心调度器接收并解析结构化指令，将其转化为宿主机环境（如Python）下的真实I/O操作，执行读取文件等动作[57]。 * 反馈闭环：执行结果（文件内容或错误信息）作为“观察结果”反馈给大模型，驱动其进行后续决策[57]。 4. 复合技能应用：条件选股与回测 * 应用构建思路：结合数据获取与数据处理能力，通过自然语言指令实现多条件选股并对结果进行简单回测[65]。 * 应用具体构建过程：用户在安装数据类技能（如Stock Watcher）后，可直接向OpenClaw下达复合指令。例如：“选择合适的数据源，获取最新数据对自选股列表进行条件选股：总市值小于1000亿元，市盈率为正且小于100倍。并回测所选个股的等权组合在过去20个交易日的收益率”[65]。OpenClaw会解析该指令，调用相应技能获取数据，执行筛选逻辑，并计算回测收益率。 5. 复合技能应用：财报分析 * 应用构建思路：利用OpenClaw自动选择并调用合适的工具（如文档解析技能）来读取和分析本地财务文档[71]。 * 应用具体构建过程：用户下达指令如“用合适的工具读取目录下的‘某公司财报.pdf’文件，并客观总结”[71]。OpenClaw会自动选择合适的技能（可能是内置或已安装的文档处理技能）来读取PDF文件，并调用大模型对内容进行总结。 6. 复合技能应用：复杂代码工程 * 应用构建思路：利用OpenClaw的文件管理和大模型代码生成能力，根据需求文档构建结构化的量化因子计算代码工程[74]。 * 应用具体构建过程：用户通过指令指定任务，例如：“基于目录下的‘cne-6公式.pdf’文件，编写barra cne6因子的python实现代码。我希望所有代码文件保存在新建的‘cne6’文件夹中，并实现合理的代码结构和分层级目录...”[74]。OpenClaw会读取参考文档，生成符合要求的、具有分层结构的多个Python脚本文件，并保存到指定目录。 模型与因子的回测效果 本报告未对任何量化模型或因子进行回测，因此没有相关的回测效果指标数据。报告展示的“条件选股与回测”示例，其回测结果（过去20个交易日等权组合收益率）是单次指令执行的输出示例，并非系统性的历史回测绩效指标[65]。