2026年申万金工因子观察第5期：OpenClaw能否实现零代码基础构建量化策略？

AI 的发展大幅提升了量化工作的效率

AI 的发展对于量化工作而言，不仅仅开启了以机器学习等非线性特征为代表的 新的投资策略方法论，就算对于传统多因子或基本面量化框架来说，也能够为量化整 个工作流程带来效率上大幅度的提升，我们总结了 AI 在量化研究工作上进化的三个 阶段： 第一阶段：大模型的数据幻觉使得 AI 难以辅助量化研究。2025 年春节前后， DeepSeek 横空出世，市场上都在热烈讨论 AI 对投研工作的辅助，资料搜索、整理纪 要等工作，但对于需要精确处理数据的量化工作而言，似乎一直以来都有一个迈不过 去的坎：大模型严重的数据幻觉使得无法直接完成对数据的处理工作。 第二阶段：AI 通过辅助代码快速提升量化研究的工作效率。不久后，AI 就展示 了强大的快速进化和迭代能力：虽然大模型的数据幻觉短期还没有办法完全消除，但 AI Coding 的能力快速进化，使得全行业不光是量化，也包括互联网、软件等需要写 代码的行业都开始广泛使用 AI coding，传统的程序员角色开始转换为代码督工，对 于量化研究的工作人员来说，现在需要自己预处理好的数据，告诉大模型数据的格式， 自己需要的构建策略，可以快速得到代码，自己再去运行得到结果即可，在这个过程 中量化工作人员一方面因为 AI 的效率大幅提升了写代码的效率，也可以通过 AI 快速 撰写之前并不熟悉的数据处理的一些代码，还可以利用 AI 优化自己之前的代码，使 之运行速度更快，这一阶段，AI 已经大幅提升了量化的工作效率。这一阶段，工作人 员和 AI 的交流还是局限于对话窗口。 第三阶段：OpenClaw 打通最后一公里：解决了量化代码环境和数据提取工作之 后，OpenClaw 是否可以实现零代码基础构建量化策略？OpenClaw 出现后，工作人 员和 AI 的交流就从对话窗口中跳了出来。量化的工作环境和数据的提取工作可以由 AI 自主实现，如果安装环境一切没有问题，数据格式的理解也非常顺利的话，那么理 论上，是不是只要工作人员有自己的想法，就可以通过 AI 实现量化策略的构建和回 溯呢？

本文我们就来尝试 OpenClaw 在量化工作上的助力，实现从数据到测算等流程 的自动化，评估 OpenClaw 当前的可用性，以及对量化工作未来可能的影响。

OpenClaw 的部署和准备工作

2.1 部署方式比较：云端 vs 本地

首先，我们比较 OpenClaw 不同的部署方式，需要注意的是：由于 OpenClaw 需 要获取所部署机器的一些核心权限，因此不应该放在常用的工作机或者有重要资料、 通信软件的电脑上，而是选择闲置的机器或者云服务器，而大模型则可以本地部署或 者购买 API。 下表我们比较了四种部署方式的优缺点，一般来说，如果有闲置机器且该机器有 强大的显卡，则可以采用成本最低的方式：线下部署+本地大模型运算，如果闲置机 器的性能不强，也可以采用线下部署+API 的方式，增加了一部分 API 的成本。 而线下部署对闲置机器还是有一定的要求：尽量不再挪为其他用处，尽量保持开 机状态，因此云服务器也可以一个不错的选择，但需要支付额外的服务器成本，现在 的云服务厂商大都提供 OpenClaw 的镜像，使得 OpenClaw 可以很方便的快速部署，综合来看：对于系统装机不熟悉的投资者可以采用云服务器镜像+API 接入大模型的 方式。

本文的尝试采用了腾讯云轻量级服务器，API 采用了 DeepSeek 的大模型接入。 Skill 除了常规了网页搜索、Github 等，也选取了一些和量化分析和股票信息相关的 Skill 进行安装。

2.2 数据接口：既是 OpenClaw 的最大优势也是当前痛点

数据的准备工作是一项繁琐的事务工作，过去量化工作人员往往对数据表格的字 段都要非常熟悉才能了解如何提取数据以及数据的格式面貌，才能方便进一步处理， 但随着 OpenClaw 直接接入，让 OpenClaw 直接调用数据 API 接口成为大幅提升效率 的优势，也是从 AI Coding 到 OpenClaw 最重要的一步进化。 考虑到商用的 API 接口价位较高，我们这里采用了 Tushare 的数据接口作为本文 的尝试，除了 Tushare，目前也还有一些 Akshare 等数据 API 接口可以使用。但在整 理数据接口的过程中，我们发现这也是当前的痛点，商用的 API 接口功能强大，数据 全面，但价格昂贵，而免费或者低价位的第三方数据接口数据质量和读取速度很难满 足工作的需求。

2.3 OpenClaw 的环境准备

通过腾讯云完成 OpenClaw 的部署后，我请 OpenClaw 自主完成量化所谓的相 关准备，可以看到，在服务器端，OpenClaw 自主为 Python 安装了一般量化处理所 需要的库。

我把 Tushare 的 token 提供给 OpenClaw 后，他也可以完成自主的配置，并自 动测试实现数据源的可用。但是这里有一个风险点是：如果装了一些非官方的 Skill， 要谨慎让 OpenClaw 自主配置 Token，存在 Token 被盗的风险。

OpenClaw 实现量化策略构建的尝试

接下来，我们完全只依靠对话，来尝试让 OpenClaw 进行量化策略的构建尝试。

3.1 简易量化：基于想法的策略回溯

在日常工作中，我们不一定是需要构建很复杂的量化策略，尤其是对于非量化专 业的投资者，更多是的“我有一个 idea 或许能在历史上赚钱“，这种想法，想要去 试一试，但又苦于没有快速的测算手段，现在 OpenClaw 完成这种简易量化基本不在 话下： 我们尝试在中证 500 指数的成分股内，构建一个在两个涨停板后，打开买入持有 20 天的策略，OpenClaw 快速完成了测算，并给出了策略的特征：低胜率，有一定赔 率，平均收益率为正的统计信息。

然后，我们再请 OpenClaw 测算是一个二连跌停后打开的策略，这个策略与刚才 的策略呈现出相反的收益分布特征：二连跌停的次数少但胜率较高，部分年份甚至达 到 80%以上，平均收益率和中位数收益率都为正。正是通过这样的测算，使得我们过 去这样的想法可能心心念念，但快速测算后，我们对这类策略的面貌就有了更清晰的 认知，两种策略赚钱特征不一样，二连涨停需要的是不停的执行，才能在少数个股上 赚到爆发式的收益，但超过 50%的交易都是亏损的，但二连跌停次数虽少，能更好保 障单笔策略的胜率。

3.2 中证 500 指数内多因子量化选股

我们来尝试一个量化的经典场景：使用 OpenClaw 构建中证 500 指数成分股内 的多因子量化策略选股，第一步也是较为重要的一步是：让 OpenClaw 实现从中证 500 指数成分股相关数据的提取。 从尝试来看，需要在对话时注意的点有：第一，尽量让 OpenClaw 先参考官网的 数据文件说明，否则会出现自己摸索降低提取效率的情况；第二，尽量说清楚需要数 据的频率和日期格式（如自然日、交易日），否则 AI 的理解容易出错；第三，一些 可以优化的细节可以多提示。整体而言，对话时讲解的越细致，越有助于减少误判， 提升效率。 经过几次不成功的尝试，最终 OpenClaw 完成了质量较高的数据提取。

在数据提取都完成后，进一步通过对话，让 OpenClaw 帮我生成 500 内因子的 构建，这里使用了几个简单的常规因子举例，仍然是说明的相对细致减少核对的成本。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）