报告行业投资评级 未提及 报告的核心观点 - OpenClaw 跳出对话窗口，为 AI 实现完全通过对话构建量化策略更进一步，其通过接入 API 完成数据提取，降低量化工作门槛，能完成多因子选股和机器学习策略构建，但执行效果有待提升，当前距离“好用”还有距离 [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 发展为量化工作带来新投资策略方法论，为传统量化框架提升效率，经历三个阶段：第一阶段大模型数据幻觉严重，难以辅助量化研究；第二阶段 AI Coding 能力进化，提升量化研究写代码效率；第三阶段 OpenClaw 出现，有望实现零代码基础构建量化策略 [3][4][5] OpenClaw 的部署和准备工作 部署方式比较：云端 vs 本地 - OpenClaw 部署不应选常用工作机，可选择闲置机器或云服务器，大模型可本地部署或购买 API；线下闲置电脑部署成本有差异，云服务器部署需付费但安装方便，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 [7][8][9] 数据接口：既是 OpenClaw 的最大优势也是当前痛点 - OpenClaw 直接接入数据 API 接口是提升效率的优势，但商用 API 接口价格昂贵，免费或低价位第三方数据接口质量和读取速度难满足需求 [10] OpenClaw 的环境准备 - OpenClaw 可自主为 Python 安装量化处理所需库，配置数据源 API 的 Token 并自动测试，但装非官方 Skill 时让其自主配置 Token 有被盗风险 [11][13][14] 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 能完成简易量化策略回溯，如中证 500 指数成分股内二连涨停后买入持有 20 天策略和二连跌停后打开买入策略，使投资者更清晰认知策略面貌 [19][26] 中证 500 指数内多因子量化选股 - OpenClaw 可完成中证 500 指数成分股相关数据提取、因子构建、行业中性处理、因子测算等，输出策略和指数比较图，但执行中 AI 易出错，目前更适合做执行者 [28][33][54] 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，虽策略不稳定，但实现了量化“平权” [56][58][62] 目前仍然面临较多的缺点 - OpenClaw 存在响应方式被动、文件发送出错、基础计算理解错误、偶发“罢工”和数据幻觉严重等问题，Skill 丰富完善和大模型能力提升是其发展方向 [64][67][70]