4月24日，晨星（中国）2026年度投资峰会于上海圆满落幕。本次峰会围绕"提升服务投资者水平， 促进行业高质量发展"为核心主题，通过7场深度圆桌对话与7场前沿主旨演讲，打造行业深度交流的 顶级平台。 作为晨星中国的年度盛会，本次峰会汇聚全球资管代表、国内头部公募机构与财富管理机构、行业 权威专家及金融科技先锋，通过主论坛与分论坛联动的形式，围绕公募基金变革、费率改革、资产 配置、ETF 创新、AI 投研、FOF 投资等行业核心议题展开深度研讨，为中国资产管理与财富管理 行业的高质量转型凝聚共识、贡献智慧。 本次峰会由晨星中国主办，智能投研技术联盟为技术支持单位，合作伙伴包括易方达财富、天弘基 金、中欧基金、中欧财富投顾、嘉信理财、富达国际（Fidelity）、DWS、基煜基金、万家基金、盈 米基金、广州投资顾问学院、讯兔科技、Plaud。本次峰会由AI工作伙伴 Plaud提供会议总结支持。 峰会吸引超1200人报名参会，在38个平台同步直播，线上观看近200万人次。同时， 峰会得到了超3 0家媒体报道支持，全方位传递峰会核心观点与行业前沿洞察。 01 全球视野锚定行业方向 峰会开幕式上， 上海市基金同业公会会 ...

WindClaw产品核心定位 - 产品定位为能协同工作的AI投研团队，旨在接管高频、重复、耗时的研究动作，用户负责判断，产品负责将研究流程跑起来 [2][3][32] WindClaw两大升级 - **升级一：培养小龙虾**：新增“学习与沉淀”功能，用户可让产品学习固定内容（如陆家嘴财经早餐）或喂入自有材料（本地文件、截图等），学习内容会整理进短期记忆，并将值得长期跟踪的主线、变量和框架沉淀到长期记忆，形成可后续调用的研究资产，解决信息过载和易遗忘的问题 [4][5][6][7][8] - **升级二：投资小龙虾广场**：引入多Agent能力，提供按不同投资风格划分的专属“小龙虾”，如事件驱动、价值投资、短线博弈、资产配置，使产品从一个统一助手转变为一组分工不同、研究路径不同的投研Agent，用户可同时使用多只不同风格的小龙虾进行研究，形成小型投研团队协作 [10][11][12][13][14] WindClaw三大核心能力 - **微信连接**：用户可通过微信随时向产品发送文字或语音指令并接收报告，使产品从一个固定在特定设备的工具转变为能随时接住研究动作的入口，确保研究流程不因离开电脑而中断 [16][19][20] - **定时任务**：产品可按用户预设的节奏（如每小时、每日开盘前/盘中/收盘后、每周/每月）主动整理并汇报信息，将高频、重复、应固定发生的研究动作自动化执行，成为一个能稳定执行研究流程的自动化助手 [21][22][23][24] - **Skill技能库**：提供丰富的预置技能（如产业链映射、风格轮动、个股投资逻辑研究），用户无需每次从零组织研究框架和问题逻辑，可一键添加技能快速进入对应研究场景，显著提升效率 [25][26][27][28][29][30] WindClaw五大应用场景 - 产品覆盖五大高频投研场景：邮股壹（一页纸讲清公司）、找机会（挖掘产业链机会）、做对比（公司间对比分析）、谈大势（分析市场数据如龙虎榜）、论策略（研判未来关注行业），在这些场景中产品负责接起研究动作、理顺逻辑并沉淀信息，实现从单次问答到持续跟踪的转变 [3][31]

产品发布与核心功能 - 万得投资小龙虾发布新版本，完成与微信的一键接入，用户可通过微信扫码完成绑定并使用该服务 [1][4][6] - 该产品核心功能是让用户直接在微信中通过聊天指挥“小龙虾”完成投研任务，包括做分析、写文档、整理信息和推进工作 [3][4][7] - 产品具备多项自动化分析能力，包括调用万得数据、自动分析公告、自动跟踪市场、自动总结交易逻辑、自动生成策略框架以及持续跟踪任务 [15] 产品定位与差异化优势 - 该产品定位为“AI投研团队”，其核心差异在于不仅能回答问题，更能直接执行并完成投研任务，而不仅仅是对话 [12][13] - 产品接入微信的核心意义在于将投研工作融入更灵活的真实场景，使用户能在不方便使用电脑的多种场景下即时开展工作，例如在路上、在会间或在出差时 [6][7] - 产品强调其行动能力，旨在解决投研工作受限于特定设备或场合的效率瓶颈，让用户“当下就能开始处理”原本需要回到电脑才能做的工作 [3][7] 应用场景与用户体验 - 该服务旨在提升投研工作的即时性和便捷性，用户可在微信中直接下达指令，并在几秒内获得处理结果 [7] - 具体应用场景包括：在路上将投研想法直接变为分析任务、在会间即时补充完善一段逻辑、在出差时随时编辑文档 [6] - 产品支持多样化的交互方式，用户可通过文字或语音下达指令，例如进行资产配置咨询、资金策略询问等 [8][9][10]

文章核心观点 - 当前市场上许多通用大模型在金融投研领域的应用仍处于“玩具”或“Demo”级别，距离生产力级别尚有距离 [12] - 专业、垂直的AI投研工具通过深耕场景、治理数据、构建闭环生态，能够有效提效降噪、捕捉投资信号，并放大而非替代人类分析师的价值 [4][5][6] - 进门财经作为AI投研领域的代表，其发展路径和产品逻辑揭示了AI在专业领域的应用方向：从过程交付转向结果交付，从服务人类交互转向优先适配AI原生能力 [14][40] 根据相关目录分别进行总结 通用AI与垂直AI投研工具的对比 - 通用AI（如OpenClaw、Manus）在投研领域存在局限：缺乏权威金融数据源、不懂投研范式、难以深度嵌入全流程，且早期版本操作繁琐、门槛高 [8][11] - 垂直AI投研工具（如进门）拥有通用AI无法替代的壁垒：聚焦金融场景的数据基座、专业逻辑、安全风控以及工作流与决策闭环 [11] - 生产力级别的投研AI对数据准确度和颗粒度要求极高，与市场上“玩具”级别的应用有本质区别，如同“军品与民品” [12] 进门财经的商业模式与生态构建 - 公司以沟通场景为基础，构建了上市公司、券商研究所、专业投资者三大群体的闭环生态 [5] - 已累计服务超过3100家上市公司、74家券商研究所及300多万专业投资者，并于2023年获得腾讯战投 [4] - 核心产品“AI进宝”已从助手进化为“数字研究员”，通过12个Agent、投研大脑及“投研龙虾”任务模式处理高频投研任务 [4][11] 数据治理与信号捕捉 - 投资的本质被归结为两层：数据治理与信号捕捉，高质量、治理后的数据是减少AI幻觉、获得可靠洞察的基础 [16][17] - 公司治理两大类数据：从沟通场景沉淀的动态信息（如路演、调研）以及外购的静态数据（财报、行情等） [17] - 通过数据治理推出了《进门内参》（一日三更）、事件信号等能力，帮助用户快速精确捕捉信号 [17] 从沟通场景切入的AI产品矩阵 - 选择沟通场景的原因：金融领域高频、信息富矿、存在信息差、信息反馈快，且具备天然的双边市场效应 [21] - AI产品矩阵围绕会议全流程：会前自动梳理资料，会中AI辅助问答，会后通过调优的金融转写模型自动生成纪要、提炼要点 [24] - 通过AI转写、AI会议托管、AI翻译及自研智能硬件（Finnote AI小饼干录音机）等工具，提高信息处理效率与密度，并延伸至线下场景 [6][25] AI时代下人类分析师的价值 - AI能替代分析师的部分例行工作（如会议纪要、简单总结、PPT制作），但无法替代人类的思考、提问及与非共识性判断的能力 [33] - 现实市场并非100%有效，存在信息孤岛、小样本、传播延迟等问题，AI无法完全捕捉所有市场“漏洞和机会”，这恰恰是人类分析师的机会 [4][35] - 公司的“思维链”功能旨在将人类研究员的思考过程结构化，高水平研究人员的思维链未来可作为付费订阅的知识产品进行商业化 [30][34][38] 产品设计逻辑的范式转移 - 软件设计逻辑正从“人类交互优先”转向“AI原生能力优先”，底层架构、数据接口首要适配AI Agent的自动化调用 [40] - 未来趋势是人机协同，AI作为首要执行者，人类负责掌控判断、创意与关键决策，只需将思维链表达出来由AI组合执行 [40] - 金融行业用户习惯改变需要过程，因此产品保留了部分图形界面作为过渡，但最终希望收归至AI对话框处理 [42] 技术实现与成本考量 - 公司定位为应用型公司，不自主研发基座大模型，而是采用大小模型耦合的策略，根据不同任务选用不同模型 [47] - 通过工程方法（如上下文感知、异构信息动态检索、递归式假设验证）来保证AI能像顶级分析师一样思考，并处理海量信息 [44] - Token消耗成本在可承受范围内，出于安全考虑主要使用国内模型，个别部分在保障安全基础上考虑用境外模型提升性能 [47]

文章核心观点 - 金融科技服务商“进门”通过其AI产品“进宝”推出“任务模式”（即“投研龙虾”），将开源的AI助手OpenClaw封装为开箱即用的云端智能投研工具，旨在显著提升投研工作的效率与智能化水平，并可能改变投研人员的工作方式 [1][4][18] 产品升级与核心功能 - 进宝升级为“会话模式”和“任务模式”双模式，任务模式（投研龙虾）是升级亮点，专注于执行具体任务，如跟踪市场流动性、板块轮动、资金流向及修正配置思路 [4] - 投研龙虾为AI赋予了“眼睛”（视觉模型）、“大脑”（规划推理）和“手脚”（工具使用），使其能操作电脑、访问网站、运行脚本，而不仅是生成文本 [3] - 产品通过云端部署，用户无需复杂配置即可使用，享受安全、弹性扩展的体验，操作与本地电脑几乎无差别 [4] - 投研龙虾能7x24小时在线工作，用户只需用自然语言下达指令，所有复杂部署均封装在云端专属电脑中 [4] - 公司后续将上线手机端云养虾能力 [4] 投研场景应用与提效 - 投研龙虾能执行盘前筹备（登录平台、加载行情）、盘中监控（指数、个股、板块走势、资讯处置）及盘后工作（导出数据、整理日志、文件备份）等一系列自动化操作 [11] - 产品能帮助完成产业链拆解、指挥会议预约与参与、处理调研录音转写与整理，以及管理通讯录等任务 [11] - 用户可通过“技能市场”使用预设的投研Skills，如“上市公司管理层背调”、“每日自选股动态简报”，也可用自然语言指令创建专属技能 [7][10] - 投研龙虾能将工作转化为可创建、可定时、可复用的任务，并能理解、执行并记住用户偏好，随用户工作流一起进化，形成专属数字员工 [12] 数据与生态优势 - 会话模式基于公司治理后的高质量、高可信数据底座进行推理，从源头减少AI幻觉、统一口径、保证事实可追溯，在投研专业性、数据准确性和决策参考价值上具备优势 [5] - 公司拥有独特的数据生态，深度合作74家券商研究所、3100家上市公司，服务超300万专业投资者，积累海量独家及外购数据 [17] - 数据积累包括超过50万场金融路演会议、会议纪要、产业图谱等独家数据，以及公告、财报、EDB、研报等外购数据 [17] - 公司对平台原始数据做了大量工程化处理，以帮助AI更好地捕捉投资信号 [17] - 公司拥有全面的智能投研工具生态，AI工具矩阵覆盖转写、翻译、会议托管等全场景，并集成腾讯会议能力 [17] - 公司定位为领先的机构AI投研工作台，基于沟通场景聚合分析师、上市公司与投资者，构建金融信息闭环生态 [17] 公司背景与战略 - 公司是国家高新技术企业、深圳市专精特新企业，获高成资本、腾讯等机构战略投资，研发团队人员占比超过60% [18] - 公司致力于通过四阶智能工作流（信息获取→降噪提纯→智能推理→信号生成），为专业投资者提供一站式智能投研解决方案，提升投资胜率 [18] - 投研龙虾能将公司2025年上线的12个Agent的能力原子化，允许用户灵活组合与定制，实现个性化工作流搭建 [4] - 公司近期上线的“投研大脑”能力支持用户自定义创建个人思维链或复制大咖方法论，采用“按需调用预封装技能”以解决投资者思维范式多样性的问题 [18]

市场表现 - 3月17日早盘，A50指数直线拉升，一度涨超1.5%，技术形态上已走出下降通道[1] - 香港市场集体大涨，恒生指数一度涨超1%，恒生科技指数一度涨超2%[3] - A股大金融板块走强，爱建集团涨停，国信证券、广发证券、华泰证券、中信证券、东方财富等跟涨，银行股普遍走强，保险股表现强劲，新华保险一度大涨超4%[3] - 港股金融股大涨，中资券商板块一度涨超5%，其中中信证券大涨近8%，广发证券大涨近6%，保险板块大涨超2%[3] 驱动逻辑一：蚂蚁集团收购耀才证券 - 蚂蚁集团对耀才证券金融的要约收购已通过有关部门审批，预计3月30日完成交割[3] - 耀才证券金融是一家成立30年的老牌券商，持有多块宝贵的金融牌照[3] - 此次收购有助于蚂蚁集团快速补齐“支付—理财—证券”的业务闭环，未来用户或可直接在支付宝APP内完成港股、美股交易，并借助AI投研模型获得个性化资产配置建议[3] - 该消息是引爆中资券商股的重要原因，耀才证券金融股价在3月17日早盘一度狂拉近80%[1][3] 驱动逻辑二：中东资金回流叙事 - 中东地缘政治冲突（美以伊冲突）爆发后，香港股市成交金额从冲突前一周的平均每日约2400亿港元，增加四成至冲突后一周的平均每日3400多亿港元，市场认为部分增量来自中东市场的外逃资金[4] - 券商人士指出，许多中东本土基金及主权基金开始了解香港的投资机会[4] - 设在香港的家族办公室调整计划，加快香港总部的扩展步伐，包括增聘100名客户经理，而非原计划的新加坡及迪拜分公司[4] - 多家银行和机构报告指出，中东客户对香港投资、债券、保险产品及设立家族办公室的查询量明显增加，对港股、家族信托等兴趣上升[4] - 花旗报告认为，中东不稳定可能推动资金流入中国香港和新加坡等亚洲中立中心，香港因低税率等优势处于有利位置[4][5] - 富邦银行（香港）行政总裁表示，中东局势不稳或推动更多资金流入，利好香港财富管理业务[5]

AI在投资研究领域的应用与痛点 - 当前AI应用已超越通用聊天工具，向能够实际工作的智能体（Agent）方向发展 [1][2] - 但在投资研究领域，AI落地仍面临“最后一百米”的障碍，具体包括部署复杂和专业性不足两大痛点 [3] - 部署难题体现在用户需自行配置环境、调试代码和Debug，过程繁琐导致效率倒退 [4] - 专业性问题在于投研高度依赖数据和专业知识，缺乏金融数据底座的AI难以产出有价值的研究成果 [4] WindClaw产品的核心定位与功能 - 公司推出WindClaw产品，旨在打造一款真正懂投资且易于上手的AI工具 [5] - 该产品的核心是让AI替代用户进行研究工作，其基础在于深度耦合了万得的专业金融数据 [7] - 产品能够自动阅读实时行情、财务数据、行业信息和合规公告，为研究提供可靠支持 [8][9] - 该工具能将原本需要数小时的工作缩短至几分钟完成，极大提升效率 [10] 产品的易用性与部署优势 - WindClaw致力于实现AI能力的民主化，使其不再是少数人的特权 [11] - 产品设计为零代码、免复杂配置，用户可像安装办公软件一样一键完成部署 [12][13] - 产品支持本地化运行，用户的研究逻辑和策略偏好可沉淀在本地设备 [14] - 本地化运行实现了物理级的数据隔离，有效保障了用户的数据隐私 [14] 预置的投研技能模块 - 产品设有“技能广场”，预置了高频投研场景的模块化逻辑，开箱即用 [16] - 预置技能模块包括宏观分析、行业分析、个股分析和投资组合分析等 [15] - 宏观分析技能涵盖利率、通胀与政策交流，并输出分析报告 [15] - 行业分析技能聚焦行业景气度与资金动向，可追踪主题性行业 [15] - 个股分析技能解读财务、公司事件，并输出个股关注点 [15] - 投资组合技能提供仓位检验、风险分析和组合再平衡建议 [15] 多智能体协同与自动化研究 - WindClaw旨在打造一个7×24小时不间断工作的AI投研团队，而非单向助手 [17][21] - 用户可训练属于自己的投资智能体矩阵，实现分工协同 [18] - 智能体可分别负责基本面分析（如拆解公告、分析研报）、盯盘面（追踪资金流向与题材信号）以及寻找投资机会 [18][19][20] - 产品支持自定义触发条件，实现了从“被动问答”到“主动研究”的跨越 [23] 产品的持续进化与社区生态 - 每个AI智能体都能在与用户的互动中学习投资习惯、优化分析方式，实现持续进化 [24] - 产品设有论坛生态，用户可分享思路、交流结论，并观摩他人训练的智能体 [24] - 该论坛被定位为一个AI投研的“策略工厂”，允许用户共享全球同行的逻辑智慧 [24] 产品发布与行业展望 - WindClaw已正式开启公测 [25] - 公司认为AI正在改变投资方式，未来投资将更依赖AI投研能力而非单纯的信息优势 [25] - 产品的价值主张是让用户将研究交给AI，而自己保留最终决策权 [25]

文章核心观点 - 通用AI工具在金融投研领域存在部署繁琐、缺乏专业数据、不懂投研逻辑的痛点，难以直接投入使用 [1][2] - 熵简科技推出的AlphaClaw是一款专为金融人打造的AI投研工具，其核心是从“有问必答的助手”进化为能够“自主执行”复杂投研工作流的“AI分析师” [3][4][6] - AlphaClaw的核心优势在于其深度整合了专业的金融投研数据库，并采用本地优先架构保障数据安全，旨在赋能专业投资者，将分析师从繁琐的案头工作中解放出来，专注于深度思考 [31][32][33][36][40][41] AlphaClaw产品定位与核心功能 - AlphaClaw是搭载于AlphaEngine平台的金融投研AI工具，其定位是“自主执行”的AI分析师，能够独立跑通复杂投研工作流，直接交付Excel表格、回测报告、研报点评等结果 [6] - 产品核心功能是“Skill”的创建与应用，用户可将巴菲特股东大会纪要（超过3200页）等专业资料喂给AI，提炼生成名为“Buffett Investment Philosophy”等可复用的投资逻辑框架 [9][10][11] - 生成的Skill可被直接调用，结合平台内数据对具体市场事件进行分析，输出包含具体标的、配置权重、投资逻辑与风险点的完整投资建议，例如针对霍尔木兹海峡禁运事件生成包含19只股票的自选股清单 [13][14] 三大硬核投研应用场景 - **场景一：大师投资逻辑提炼与应用** - 用户可将《金融炼金术》、《投资最重要的事》等经典著作输入，生成索罗斯、霍华德・马克斯等投资大师的逻辑Skill，用于多角度分析市场事件 [15] - **场景二：连接主观想法与量化回测** - 该功能服务于有独特选股逻辑但不会编程的基本面投资者，AI可自动梳理最新金工量化报告并筛选出如“凸显性因子”、“行业拥挤度因子”等最有价值的量价因子 [20][21] - AI能将投资灵感转化为完整的Python代码，应用于自选股票池进行回测，实现“巴菲特帮你选股，量化因子帮你择时”的主客观结合 [22] - **场景三：自动化、风格化研报生成** - 在年报季，AI可学习分析师过往的几篇业绩点评，总结其写作风格并生成对应的Skill [25] - 用户可指令AI模仿其个人风格，批量生成所有自选股的业绩点评，数据来源于平台内置研报和公告，分析师仅需做最终审核，从而节省大量时间 [27][28][29] 核心竞争优势：数据与安全 - **专业金融数据库**：AlphaClaw内置AlphaEngine平台的日更近万篇投研资料，包括全量内外资券商研报库、全球上市公司会议纪要库、行业点评资讯库、专家访谈纪要库等，这是其与OpenClaw等通用工具的最大区别，确保分析基于专业数据而非通用知识 [32][33][34] - **“Local-First”数据安全架构**：采用本地优先架构，用户的个人知识库（私有笔记、内部纪要）在本地完成向量化处理，沉淀的投资逻辑Skill仅在本地运行，物理隔绝云端，杜绝数据泄露风险，使产品成为可在本地放心使用的专属私密参谋 [36][37][42] 产品现状与获取方式 - AlphaClaw目前搭载于AlphaEngine平台，现有用户登录官网下载桌面端即可使用 [44] - 对于新用户，官方首批开放了1000个体验名额，采取先到先得方式，但目前仅限机构投资者，个人投资者暂无法使用 [45] - 下载地址为 www.alphaengine.top [46]

量化模型与因子总结 根据所提供的研报内容，该报告主要介绍了一个名为“OpenClaw”的AI智能体框架在投研领域的部署与应用，其核心是构建一个能够自动化处理投研任务的智能体系统，而非传统意义上的量化交易模型或选股因子。报告中没有涉及具体的量化交易策略模型（如多因子选股模型、CTA策略等）或用于量化选股的因子（如价值、动量、质量等因子）的构建、测试与回测结果。 报告的核心内容可以总结为以下两个部分： 一、 智能体框架与技能 (Skills) **1. 框架名称：OpenClaw AI 智能体框架** * **构建思路**：构建一个集成了大语言模型（LLM）理解能力、金融数据接口和自动化工具链的开源AI智能体框架，实现“认知、执行、记忆”的闭环，旨在将投研人员从重复性流程工作中解放出来，提升效率并增强复杂决策能力[1]。 * **具体构建过程**：该框架的部署是一个软件安装与配置过程，而非数学模型构建。主要步骤包括： 1. **运行环境准备**：在目标操作系统（Windows或MacOS）上安装Node.js（版本需>22）、Git等必要软件[11][12][13]。 2. **安装OpenClaw**：通过包管理器npm执行全局安装命令 `npm install -g openclaw@latest`[26]。 3. **启动与配置**：执行 `openclaw onboard` 命令启动配置向导，依次选择或输入以下配置[27]： * 同意用户协议和风险提示[28]。 * 选择快速启动（QuickStart）模式[28]。 * 选择大模型提供商（如Moonshot AI）并输入对应的API Key[28][31][32]。 * 选择默认使用的大模型[33]。 * 暂时跳过对话通道和Hooks的配置[37][38]。 * 选择需要安装的Skill（技能）[39]。 * 保存生成的Web UI访问链接（Gateway链接）[40][41]。 4. **配置通讯工具**：报告以飞书为例，详细说明了如何创建企业自建应用、获取凭证、配置权限、启用飞书插件并将其添加为OpenClaw的对话通道[45][46][47][48]。 * **框架评价**：OpenClaw标志着投研工作范式从“人力驱动型”向“智能体驱动型”的跃迁，能够作为“数字投研团队”7×24小时自主运行，重构信息处理、研究生产与决策支持的价值链条[1]。它降低了AI应用的门槛，无需深厚编程基础即可通过自然语言配置任务[3]。 **2. 技能 (Skill) 名称：研报分析器 (Research Report Analyzer)** * **构建思路**：创建一个能够自动分析中英文研究报告，并提取关键信息生成结构化总结的智能体技能[48]。 * **具体构建过程**：该技能通过自然语言描述其功能、触发条件和执行流程来定义[48]： 1. **触发条件**：当用户上传文件名包含“研报”、“report”、“research”的PDF/DOCX文件，或用户指令包含“分析研报”、“总结报告”时激活。 2. **执行流程**： a. 使用 `pdf_parser` 工具提取文档全文。 b. 使用大语言模型 (`llm`) 分析内容结构，识别投资评级、目标价、核心逻辑、财务预测、风险提示等，并区分中英文研报风格。 c. 使用 `table_generator` 工具整理数据对比表。 d. 使用 `doc_generator` 工具输出总结报告（Markdown/PDF格式）。 3. **输出内容**：包括研报标题、作者、日期、投资评级与目标价、核心观点摘要（3-5条）、财务预测对比表、风险提示、与上一期报告的观点差异等[48][51]。 4. **工具依赖**：该技能需要调用 `pdf_parser`, `table_generator`, `doc_generator`, `web_search` 等其他工具或技能[51]。 二、 投研应用场景与工作流 报告展示了OpenClaw框架在三个典型投研场景下的自动化应用方案，这些方案本质上是预定义或可配置的智能体工作流。 **1. 应用场景名称：公告摘报自动化工作流** * **构建思路**：将公告信息的抓取、分类、关键信息抽取与格式化输出整合为标准自动化流程，以替代传统人工处理方式[52]。 * **具体构建过程**： 1. **数据获取**：自动调用Wind等金融数据API或通过浏览器自动化抓取交易所公告[53]。 2. **分类与处理**：利用AI（NLP）自动对公告进行分类（如业绩快报、业绩预告、风险提示等），并提取摘要、关键数据和影响评估[53]。 3. **格式化输出**：自动生成结构化的Markdown、Excel或PDF文档[53]。 4. **推送**：通过定时任务将结果推送至飞书、钉钉、企业微信等协作平台[53]。 * **应用评价**：相比人工，该工作流在时效性（7×24小时监控、秒级响应）、覆盖面（全市场监控）和输出标准化方面具有显著优势[53]。 **2. 应用场景名称：大事简报自动化工作流** * **构建思路**：实现对多信源（如彭博、路透、财新、交易所公告、社交媒体）金融事件的实时监控、影响评估与关键信息推送，以解决传统人工监控存在的信息时差问题[56]。 * **具体构建过程**： 1. **跨信源监控**：7×24小时实时监控多个信息源[57]。 2. **事件评估**：AI自动评估监控到的事件的影响等级[57]。 3. **信息推送**：将筛选出的关键信息进行秒级推送[57]。 * **应用评价**：针对金融市场对重大事件反应迅速的特点，该工作流能有效解决信源割裂、信息过载和反应滞后等传统痛点[56]。 **3. 应用场景名称：研报精读自动化工作流** * **构建思路**：利用大语言模型对大量券商研报进行批量处理，实现结构化提取核心观点、论据，并生成知识图谱，以应对研报数量过载、质量参差和知识分散的挑战[61][62]。 * **具体构建过程**： 1. **批量处理**：自动批量读取研报PDF文件[62]。 2. **分析与解构**：对研报内容进行质量评分和结构化解构，提取逻辑链条[62]。 3. **知识整合**：生成观点图谱，并可能进行关联推荐[62]。 * **应用评价**：此工作流特别适用于知识密度高、深度文本分析任务重的研报精读环节，能显著提升研究效率和信息提取的深度[61]。 三、 模型/因子的回测效果 **本报告未提供任何量化模型或量化因子的历史回测数据，如年化收益率、夏普比率、最大回撤、信息比率（IR）、因子IC值、多空收益等指标。** 报告内容聚焦于AI智能体框架的部署方法及其在投研信息处理流程自动化中的应用潜力，属于金融科技与工作流效率工具范畴，而非展示具体的量化投资策略或选股因子的实证绩效。

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]。