📰 研报摘要
查看全文 ➔摘要： 本报告详细介绍了基于 OpenClaw 框架构建的美股全自动交易 Agent —— InvestmentClaw 的系统架构与工程实践。该系统实现了从选股、评分、决策到执行与风控的全链路闭环，旨在通过“量化+AI”的互补范式克服人性弱点，在降低最大回撤的同时获取稳健的风险调整后收益。
核心观点：
提出一种“量化压舱、AI 增量”的决策模式（权重为 60% 量化评分 + 20% AI 评分 + 20% 反向指标评分），主张在金融高风险决策中 AI 应作为定性辅助而非主导。通过分层解耦的六层架构、双模型交叉验证和严密的十道风控防线，实现“主动但不失控”的自主决策。
论据支撑：
- 系统架构：构建了调度层、选股层、评分层、决策层、执行层和观测层的闭环体系，确保局部故障不扩散。
- 评分机制：针对成长股、杠杆 ETF 和小盘股设计三套专用引擎，并引入 MiniMax-M2.7 与 GLM-5.1 双推理模型进行定性复核与交叉验证。
- 风控体系：设计了包括日亏熔断（-5%）、单票仓位上限（30%）、三桶预算模型及动态移动止损在内的十道防线。
- 回测表现：回测显示策略夏普比率达 1.24，最大回撤从基线的 -50% 显著降低至 -19%。
局限性/风险：
LLM 存在训练数据时效性滞后、无法获取非公开信息、对复杂财务工程理解有限以及输出随机性等固有局限。同时，系统仍需面对市场整体波动、流动性及底层资产本身的风险。