2026年房地产行业深度报告：地产+AI工具系列报告之二，基于OpenClaw的房地产股票投研生产力提升实践

项目总体说明

1.1. 项目背景与动机

房地产行业是中国经济的支柱产业之一，其股票投资涉及宏观经济政策、地方调控 措施、公司财务状况、土地市场变化等众多复杂因素。2024 年以来，房地产行业进入深 度调整期，政策端密集出台“稳楼市”措施，行业格局加速重塑，央企国企与优质民企的 分化日益明显。在这一背景下，传统研究方式面临信息量爆炸、政策变化频繁、研究覆 盖面有限等多重挑战。 与此同时，以大语言模型（LLM）为代表的人工智能技术正在深刻改变金融投研领 域。ChatGPT、Kimi、DeepSeek 等模型展现出强大的文本理解、信息提取和逻辑推理能 力，但现有 AI 工具存在一个本质局限：无状态。每次对话都从零开始，无法记住分析 师的研究偏好、历史结论和持仓信息，更无法执行定时任务或调用外部数据接口。 OpenClaw 的出现改变了这一局面。作为新一代 AI Agent 框架，OpenClaw 提供了持 久化工作空间、长期记忆、技能系统、定时调度和本地代码执行等核心能力，使得构建 一个“有记忆的、能写代码的、会定时干活的”AI 投研助手成为可能。本项目正是基于这 一技术框架，构建了一套聚焦房地产行业的 AI 智能投研系统。 从行业层面看，2025 年房地产行业呈现出明显的结构性分化特征。一方面，头部央 企国企（如招商蛇口、保利发展、华润置地）凭借融资优势和土储质量，市场份额持续 提升；另一方面，部分民企仍在应对流动性压力，行业出清尚未完成。这种分化格局对 投研提出了更高要求——不仅要判断行业整体走势，更要精准识别个股的差异化机会。 政策端的变化频率也在加快。仅 2025 年上半年，就先后出台了取消限购放开、降 低首付比例、公积金贷款放宽、地方购房补贴等多项措施。每一项政策都可能对个股产 生显著影响，但影响方向和幅度因公司而异。传统的人工跟踪方式难以及时覆盖 60 只 标的的政策敏感度分析，而人工智能系统可以 7×24 不间断监控和分析。

1.2. 项目定位

本项目定位为面向房地产行业的 AI 原生智能投研辅助系统，核心目标是将大语言 模型的智能分析能力与传统多因子评分模型相结合，构建从数据采集、信号生成、研究 输出到投资决策辅助的完整链路。系统的核心特征包括： （1）双平台协同架构：本地 OpenClaw 投研体系（多因子评分引擎 + 12 个数据脚 本 + 6 套固化工作流）与云端房地产 AI 评级平台（详情请见【东吴地产】《基于量化分 析与大模型的房地产股票 AI 选股系统》深度报告）深度集成，形成“云端专业评级 + 本地智能分析”的双平台交叉验证机制。 （2）地产行业深度定制：针对房地产行业特性设计了专属的评分参数体系，包括破净逻辑（PB 0.3-0.8 满分）、地产专属情绪词库（三道红线、集中供地等多个关键词）、 地产权重方案等。 （3）三大市场覆盖：覆盖 A 股、港股、美股三大市场共 60 余只房地产相关标的， 涵盖房地产开发、物业管理、房产服务、REITs 信托等细分领域。 （4）AI 原生工作方式：通过自然语言交互驱动，研究员无需编程即可完成个股研 究、行业分析、信号扫描、组合风控等全流程操作。 本系统自 2026 年 2 月启动构建。截止 3 月 6 日，仅 OpenClaw 直接调用的代码已 累计产出 18 个 Python 脚本（约 8588 行代码），16 个 Skill 技能包，9 个 Cron 定时任务， 并且仍在持续迭代中。开发过程本身就是 AI 原生工作方式的最佳实践——超过 50%的 代码在与 OpenClaw 的对话中逐步生成和优化，无需独立的 IDE 或开发环境。这种开发 方式使得非专业程序员也能构建复杂的投研系统。 从成果来看，系统已经在实际投研工作中持续运行。每个工作日自动推送投研晨报 和地产精选，盘中实时监控 60 只地产标的的异动，每周五生成组合周报。系统不是一 个实验室产物，而是一个真实运行的投研辅助工具。

1.3. 系统核心能力概览

本项目已在 GitHub 开源，完整源代码、部署文档和使用说明均可在线获取： https://github.com/stock-picker-lab/Investment-Research-Claw。开源版本包含 18 个脚本的脱敏版（去除了硬编码的 IP 地址和密码，改为环境变量配置）、MIT 开源协议、完整的 README 文档、依赖清单和环境变量模板。开发者可以基于开源代码快速创建自己的 投研系统。后续团队也会持续上传最新代码，提供更多能力。

为什么是 OpenClaw

2.1. 为何选择 OpenClaw 作为投研系统底座

2.1.1. OpenClaw 成为 AI Agent 时代的新范式

从技术演进的角度看，AI Agent 是大语言模型能力的又一次跃迁。这种能力跃迁的 核心在于：AI 不再仅仅是一个回答问题的工具，而是一个能够主动规划、执行和验证任 务的智能体。 在金融投研领域，AI Agent 的价值尤为突出。投研工作天然具有多步骤、多数据源、 多工具协同的特点：研究一只股票需要先拉行情、再看财报、再查新闻、再做估值、最 后写研报。这恰恰是 Agent 最擅长的场景——将复杂的多步骤任务分解为一系列 Tool Call，自主编排执行顺序，最终交付完整结果。 2025 年被广泛认为是“AI Agent 元年”。如果说 2023 年的 ChatGPT 开启了大语言模 型的通用对话时代，那么 2025-2026 年的 AI Agent 浪潮则代表着 AI 从“聊天工具”向“执 行工具”的质变。AI Agent 不仅能理解指令，更能拆解任务、调用工具、执行代码、监控 结果，形成完整的任务闭环，更适合作为投研自动化底座。

OpenClaw 正是这一浪潮中最具代表性的开源 AI Agent 框架之一。它由社区驱动， 快速迭代，在短短数月内积累了大量开发者和专业用户。其核心理念可以用一句话概括： 让 AI 不仅能说，还能做；不仅能做一次，还能持续做。

2.1.2. 与 ChatGPT/Copilot 的本质区别：有状态 vs 无状态

这意味着，一个使用 ChatGPT 做投研的分析师，每天都需要重复告诉 AI 自己关注 哪些股票、使用什么分析框架。而在 OpenClaw 中，这些信息被持久化存储，AI 在每次 会话开始时自动加载，真正实现了“记住你是谁”。

2.1.3. 开源生态与社区驱动

OpenClaw 采用开源模式运营，其技能市场（Skill Store）允许用户共享和复用专业 工作流。社区中已涌现出大量面向不同领域的 Skill 包，涵盖软件开发、数据分析、内容 创作、学术研究等场景。这种生态化的发展模式意味着：每个用户的创新都可以被整个 社区复用，形成正向飞轮效应。

2.2. OpenClaw 对投研的独特价值

对于投研场景，OpenClaw 的六大核心能力构成了一套完整的 AI 原生投研基础设 施：

2.2.1. 持久化工作空间

OpenClaw 在/.openclaw/workspace/目录下维护一个持久化工作空间。所有 Python 脚 本、数据文件、配置信息跨会话保留。分析师可以逐步构建和完善自己的投研工具库， 每次对话都在前一次的基础上迭代。

2.2.2. 长期记忆系统

MEMORY.md 和 memory/目录构成了 AI 的长期记忆体系。系统自动记录持仓变动、 投资决策历史、研究结论等关键信息。当分析师询问“上次对招商蛇口的判断”时，AI 能 准确回忆并给出上下文。

2.2.3. 技能系统（Skill）

每个 Skill 定义了一套标准化工作流程，通过自然语言触发词即可执行。例如“研究 招商蛇口”自动执行标准流程：拉取行情→财务→新闻→K 线图→估值→搜索研报→输 出研报。

2.2.4. Cron 定时调度

系统配置了定时任务覆盖投研全时段：8:30 晨报、9:15 地产精选、9:30 异动监控、 11:30/14:30 信号扫描、周五 16:00 组合周报。分析师打开手机即可看到推送结果。

2.2.5. 本地代码执行

与 ChatGPT 的沙箱环境不同，OpenClaw 可直接在用户机器上执行 Python 脚本，调 用真实数据接口，生成实际图表。AI 不是“纸上谈兵”——当它执行 1855 行的信号引擎 代码时，返回的是实时数据而非编造结果。

编辑：火腿肠