OpenClaw跳出对话窗口，为AI实现完全通过对话实现量化策略更进了一步。除了提供一些机器学习的策略，AI为传统量化多因子或者基本面量化提供的辅助功能也随着其能力的提升而逐步加强，第一阶段：数据幻觉严重的大模型并不适合直接处理数据；第二阶段：AICoding大幅提升了量化工作人员的效率，量化工作人员更多进行督工角色；第三阶段：OpenClaw的诞生，从数据提取到撰写代码并执行都可以代劳，似乎可以完全实现零代码基础构建量化策略？
　　OpenClaw通过接入API完成数据提取的工作，大幅降低了量化工作的门槛。数据来源是量化策略的基础，OpenClaw通过接入API接口直接调用数据大幅降低了量化工作的门槛，以往量化工作人员对表格数据字段的熟悉优势不复存在。
　　简单的“Idea测试“对OpenClaw不是问题。对于简易的选股idea，可以快速通过OpenClaw实现，API接口还节省了数据准备的工作，工作效率大幅提升。
　　OpenClaw可以完成从自主部署环境-根据提示提取数据-根据提示撰写代码完成因子测算和构建策略-输出数据到excel的过程，基本上能够完整执行一个多因子选股策略，但执行效果仍有待提升。整个过程完全通过对话窗口实现，不需要了解任何撰写代码的知识，但这里举例的构建多因子模型，意味着对话人要对数据结构和因子逻辑比较熟悉。但从实际执行过程中来看，数据提取和策略计算的过程中AI容易犯错，而且往往是一些较低级的错误，包括对提示词完全反向执行，使得效率被大幅拖慢，执行效果仍然有待提升。此外，多因子模型往往需要对因子表现的逻辑进行分析，OpenClaw的AI显然不具备很好的分析能力，未来如果OpenClaw的AI向网页端的版本靠拢，有望实现分析和自我改进的闭环。
　　OpenClaw还成功实现了机器学习策略的构建。OpenClaw再次完成了自主搭建环境下载安装软件，到构建GRU机器学习模型并完成训练。即使是作为有一定门槛的机器学习模型，目前看起来也可以较低门槛的使用，虽然策略还不够成熟，策略的进化还需要投资者对策略有更好的认知，但一定程度上量化实现了“平权”，策略的难度不再是门槛。
　　当前OpenClaw距离“好用“还有一段距离。我们在测算的过程中，遇到了各种问题，包括但不限于：只能被动响应，需要不停催促询问进度，文件发送无法完成，数据处理和命令犯低级错误不按要求执行等，偶发罢工和胡乱回答的情况，目前OpenClaw提供了一个能为AI大幅提升工作效率的框架，但距离彻底实现还需要一段距离。
　　风险提示与声明：本报告对于量化策略、OpenClaw的研究分析均基于历史公开信息，可能受指数样本股的变化而产生一定的分析偏差；阅读本报告时，投资者需结合自身风险偏好及风险承受能力，充分理解因子表现及量化策略的波动、风格、历史表现、风险等因素。模型根据历史数据构建，历史表现不代表未来，市场环境发生重大变化时可能失效。