2026年申萬金工因子觀察第5期：OpenClaw能否實現零代碼基礎構建量化策略？

AI 的發(fā)展大幅提升了量化工作的效率

AI 的發(fā)展對于量化工作而言，不僅僅開啟了以機器學習等非線性特征為代表的 新的投資策略方法論，就算對于傳統(tǒng)多因子或基本面量化框架來說，也能夠為量化整 個工作流程帶來效率上大幅度的提升，我們總結了 AI 在量化研究工作上進化的三個 階段： 第一階段：大模型的數據幻覺使得 AI 難以輔助量化研究。2025 年春節(jié)前后， DeepSeek 橫空出世，市場上都在熱烈討論 AI 對投研工作的輔助，資料搜索、整理紀 要等工作，但對于需要精確處理數據的量化工作而言，似乎一直以來都有一個邁不過 去的坎：大模型嚴重的數據幻覺使得無法直接完成對數據的處理工作。 第二階段：AI 通過輔助代碼快速提升量化研究的工作效率。不久后，AI 就展示 了強大的快速進化和迭代能力：雖然大模型的數據幻覺短期還沒有辦法完全消除，但 AI Coding 的能力快速進化，使得全行業(yè)不光是量化，也包括互聯(lián)網、軟件等需要寫 代碼的行業(yè)都開始廣泛使用 AI coding，傳統(tǒng)的程序員角色開始轉換為代碼督工，對 于量化研究的工作人員來說，現在需要自己預處理好的數據，告訴大模型數據的格式， 自己需要的構建策略，可以快速得到代碼，自己再去運行得到結果即可，在這個過程 中量化工作人員一方面因為 AI 的效率大幅提升了寫代碼的效率，也可以通過 AI 快速 撰寫之前并不熟悉的數據處理的一些代碼，還可以利用 AI 優(yōu)化自己之前的代碼，使 之運行速度更快，這一階段，AI 已經大幅提升了量化的工作效率。這一階段，工作人 員和 AI 的交流還是局限于對話窗口。 第三階段：OpenClaw 打通最后一公里：解決了量化代碼環(huán)境和數據提取工作之 后，OpenClaw 是否可以實現零代碼基礎構建量化策略？OpenClaw 出現后，工作人 員和 AI 的交流就從對話窗口中跳了出來。量化的工作環(huán)境和數據的提取工作可以由 AI 自主實現，如果安裝環(huán)境一切沒有問題，數據格式的理解也非常順利的話，那么理 論上，是不是只要工作人員有自己的想法，就可以通過 AI 實現量化策略的構建和回 溯呢？

本文我們就來嘗試 OpenClaw 在量化工作上的助力，實現從數據到測算等流程 的自動化，評估 OpenClaw 當前的可用性，以及對量化工作未來可能的影響。

OpenClaw 的部署和準備工作

2.1 部署方式比較：云端 vs 本地

首先，我們比較 OpenClaw 不同的部署方式，需要注意的是：由于 OpenClaw 需 要獲取所部署機器的一些核心權限，因此不應該放在常用的工作機或者有重要資料、 通信軟件的電腦上，而是選擇閑置的機器或者云服務器，而大模型則可以本地部署或 者購買 API。 下表我們比較了四種部署方式的優(yōu)缺點，一般來說，如果有閑置機器且該機器有 強大的顯卡，則可以采用成本最低的方式：線下部署+本地大模型運算，如果閑置機 器的性能不強，也可以采用線下部署+API 的方式，增加了一部分 API 的成本。 而線下部署對閑置機器還是有一定的要求：盡量不再挪為其他用處，盡量保持開 機狀態(tài)，因此云服務器也可以一個不錯的選擇，但需要支付額外的服務器成本，現在 的云服務廠商大都提供 OpenClaw 的鏡像，使得 OpenClaw 可以很方便的快速部署，綜合來看：對于系統(tǒng)裝機不熟悉的投資者可以采用云服務器鏡像+API 接入大模型的 方式。

本文的嘗試采用了騰訊云輕量級服務器，API 采用了 DeepSeek 的大模型接入。 Skill 除了常規(guī)了網頁搜索、Github 等，也選取了一些和量化分析和股票信息相關的 Skill 進行安裝。

2.2 數據接口：既是 OpenClaw 的最大優(yōu)勢也是當前痛點

數據的準備工作是一項繁瑣的事務工作，過去量化工作人員往往對數據表格的字 段都要非常熟悉才能了解如何提取數據以及數據的格式面貌，才能方便進一步處理， 但隨著 OpenClaw 直接接入，讓 OpenClaw 直接調用數據 API 接口成為大幅提升效率 的優(yōu)勢，也是從 AI Coding 到 OpenClaw 最重要的一步進化。 考慮到商用的 API 接口價位較高，我們這里采用了 Tushare 的數據接口作為本文 的嘗試，除了 Tushare，目前也還有一些 Akshare 等數據 API 接口可以使用。但在整 理數據接口的過程中，我們發(fā)現這也是當前的痛點，商用的 API 接口功能強大，數據 全面，但價格昂貴，而免費或者低價位的第三方數據接口數據質量和讀取速度很難滿 足工作的需求。

2.3 OpenClaw 的環(huán)境準備

通過騰訊云完成 OpenClaw 的部署后，我請 OpenClaw 自主完成量化所謂的相 關準備，可以看到，在服務器端，OpenClaw 自主為 Python 安裝了一般量化處理所 需要的庫。

我把 Tushare 的 token 提供給 OpenClaw 后，他也可以完成自主的配置，并自 動測試實現數據源的可用。但是這里有一個風險點是：如果裝了一些非官方的 Skill， 要謹慎讓 OpenClaw 自主配置 Token，存在 Token 被盜的風險。

OpenClaw 實現量化策略構建的嘗試

接下來，我們完全只依靠對話，來嘗試讓 OpenClaw 進行量化策略的構建嘗試。

3.1 簡易量化：基于想法的策略回溯

在日常工作中，我們不一定是需要構建很復雜的量化策略，尤其是對于非量化專 業(yè)的投資者，更多是的“我有一個 idea 或許能在歷史上賺錢“，這種想法，想要去 試一試，但又苦于沒有快速的測算手段，現在 OpenClaw 完成這種簡易量化基本不在 話下： 我們嘗試在中證 500 指數的成分股內，構建一個在兩個漲停板后，打開買入持有 20 天的策略，OpenClaw 快速完成了測算，并給出了策略的特征：低勝率，有一定賠 率，平均收益率為正的統(tǒng)計信息。

然后，我們再請 OpenClaw 測算是一個二連跌停后打開的策略，這個策略與剛才 的策略呈現出相反的收益分布特征：二連跌停的次數少但勝率較高，部分年份甚至達 到 80%以上，平均收益率和中位數收益率都為正。正是通過這樣的測算，使得我們過 去這樣的想法可能心心念念，但快速測算后，我們對這類策略的面貌就有了更清晰的 認知，兩種策略賺錢特征不一樣，二連漲停需要的是不停的執(zhí)行，才能在少數個股上 賺到爆發(fā)式的收益，但超過 50%的交易都是虧損的，但二連跌停次數雖少，能更好保 障單筆策略的勝率。

3.2 中證 500 指數內多因子量化選股

我們來嘗試一個量化的經典場景：使用 OpenClaw 構建中證 500 指數成分股內 的多因子量化策略選股，第一步也是較為重要的一步是：讓 OpenClaw 實現從中證 500 指數成分股相關數據的提取。 從嘗試來看，需要在對話時注意的點有：第一，盡量讓 OpenClaw 先參考官網的 數據文件說明，否則會出現自己摸索降低提取效率的情況；第二，盡量說清楚需要數 據的頻率和日期格式（如自然日、交易日），否則 AI 的理解容易出錯；第三，一些 可以優(yōu)化的細節(jié)可以多提示。整體而言，對話時講解的越細致，越有助于減少誤判， 提升效率。 經過幾次不成功的嘗試，最終 OpenClaw 完成了質量較高的數據提取。

在數據提取都完成后，進一步通過對話，讓 OpenClaw 幫我生成 500 內因子的 構建，這里使用了幾個簡單的常規(guī)因子舉例，仍然是說明的相對細致減少核對的成本。