报告行业投资评级 未提及 报告的核心观点 - AI发展提升量化工作效率，OpenClaw或可零代码构建量化策略，但当前距“好用”有距离 [1] - OpenClaw虽能执行量化策略构建流程，但执行效果待提升，且面临诸多缺点 [1] 根据相关目录分别进行总结 AI的发展大幅提升了量化工作的效率 - AI在量化研究工作上进化分三阶段：第一阶段大模型数据幻觉使AI难辅助量化研究；第二阶段AI Coding提升量化研究效率；第三阶段OpenClaw或可零代码构建量化策略 [4][5][6] OpenClaw的部署和准备工作 部署方式比较：云端 vs 本地 - OpenClaw部署不应放常用工作机，可选择闲置机器或云服务器，大模型可本地部署或买API [9] - 不同部署方式各有优缺点，系统装机不熟悉的投资者可采用云服务器镜像+API接入大模型方式 [9][10] 数据接口：既是OpenClaw的最大优势也是当前痛点 - OpenClaw接入数据API接口提升效率，但商用接口价高，免费或低价接口数据质量和读取速度难满足需求 [12] OpenClaw的环境准备 - OpenClaw可自主完成量化代码环境准备，配置数据源API的Token，但装非官方Skill时自主配置Token有被盗风险 [13][16] OpenClaw实现量化策略构建的尝试 简易量化：基于想法的策略回溯 - OpenClaw可完成简易量化策略测算，如中证500指数成分股内二连涨停后买入和二连跌停后买入策略 [21][27] 中证500指数内多因子量化选股 - OpenClaw可完成中证500指数成分股数据提取、因子构建、行业中性处理、因子测算等工作，但执行中易出错，目前更适合做执行者 [30][44][57] 机器学习策略 - OpenClaw可自主完成机器学习策略开发环境搭建和GRU策略开发，实现量化“平权”，但策略不稳定 [59][65] 目前仍然面临较多的缺点 - OpenClaw响应方式被动，需催促询问进度；发送Excel文件易出错；基础计算易理解错误；偶发“罢工”和胡乱回答情况 [67][70][74]