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？.pdf

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？OpenClaw 跳出對話窗口，為 AI 實現完全通過對話實現量化策略更進了一步。除了提供 一些機器學習的策略，AI 為傳統量化多因子或者基本面量化提供的輔助功能也隨著其能 力的提升而逐步加強，第一階段：數據幻覺嚴重的大模型并不適合直接處理數據；第二階 段：AI Coding 大幅提升了量化工作人員的效率，量化工作人員更多進行督工角色；第三 階段：OpenClaw 的誕生，從數據提取到撰寫代碼并執行都可以代勞，似乎可以完全實現 零代碼基礎構建量化策略？

OpenClaw 通過接入 API 完成數據提取的工作，大幅降低了量化工作的門檻。數據來源 是量化策略的基礎，OpenClaw 通過接入 API 接口直接調用數據大幅降低了量化工作的 門檻，以往量化工作人員對表格數據字段的熟悉優勢不復存在。

簡單的“Idea 測試“對 OpenClaw 不是問題。對于簡易的選股 idea，可以快速通過 OpenClaw 實現，API 接口還節省了數據準備的工作，工作效率大幅提升。

OpenClaw 可以完成從自主部署環境-根據提示提取數據-根據提示撰寫代碼完成因子測 算和構建策略-輸出數據到 excel 的過程，基本上能夠完整執行一個多因子選股策略，但 執行效果仍有待提升。整個過程完全通過對話窗口實現，不需要了解任何撰寫代碼的知 識，但這里舉例的構建多因子模型，意味著對話人要對數據結構和因子邏輯比較熟悉。但 從實際執行過程中來看，數據提取和策略計算的過程中 AI 容易犯錯，而且往往是一些較 低級的錯誤，包括對提示詞完全反向執行，使得效率被大幅拖慢，執行效果仍然有待提升。 此外，多因子模型往往需要對因子表現的邏輯進行分析，OpenClaw 的 AI 顯然不具備很 好的分析能力，未來如果 OpenClaw 的 AI 向網頁端的版本靠攏，有望實現分析和自我 改進的閉環。

OpenClaw 還成功實現了機器學習策略的構建。OpenClaw 再次完成了自主搭建環境下 載安裝軟件，到構建 GRU 機器學習模型并完成訓練。即使是作為有一定門檻的機器學習 模型，目前看起來也可以較低門檻的使用，雖然策略還不夠成熟，策略的進化還需要投資 者對策略有更好的認知，但一定程度上量化實現了“平權”，策略的難度不再是門檻。

當前 OpenClaw 距離“好用“還有一段距離。我們在測算的過程中，遇到了各種問題， 包括但不限于：只能被動響應，需要不停催促詢問進度，文件發送無法完成，數據處理和 命令犯低級錯誤不按要求執行等，偶發罷工和胡亂回答的情況，目前 OpenClaw 提供了 一個能為 AI 大幅提升工作效率的框架，但距離徹底實現還需要一段距離。