从投研到交易：基于 OpenClaw 的美股量化交易系统 InvestmentClaw 实践报告

摘要： 本报告详细介绍了由东吴证券地产团队基于 OpenClaw 框架构建的 US 股全自动量化交易系统 InvestmentClaw 的工程实践。该系统实现了从选股、评分、决策到执行、风控及观测的全链路闭环，旨在探索 AI Agent 在金融决策中从“辅助”走向“自主”的路径。

核心观点：

1. AI Agent 决策范式跃迁：通过构建严密的工程化闭环，AI Agent 可从 Copilot（辅助）升级为 Autopilot（自主），在金融决策中实现高效的自动化执行。
2. 量化与 AI 的互补融合：采用“量化压舱 + AI 增量”的权重结构（量化 60%、AI 20%、反向 20%），利用量化因子的稳定性对冲 LLM 的幻觉风险，同时利用 AI 捕捉定性增量信息。
3. 纪律性驱动收益：系统的核心价值在于通过机器纪律性（如强制止损、移动止盈、行业分散）克服人性弱点，以牺牲部分绝对收益为代价，大幅提升风险调整后收益。

论据支撑：

1. 分层架构：设计调度、选股、评分、决策、执行、观测六层架构，并配套多层降级策略，确保局部故障不导致系统停摆。
2. 差异化评分体系：针对成长股、杠杆 ETF、小盘股构建三套专用评分引擎，并引入 MiniMax 与 GLM 双模型交叉验证机制。
3. 严密风控防线：构建包含日亏 -5% 熔断、单票 30% 仓位上限、48 小时止损冷却在内的十道风控红线。
4. 回测验证：实测显示生产配置夏普比率 1.24，最大回撤 -19%，较保守基线（夏普 0.76，最大回撤 -50%）显著改善。

局限性/风险：

1. 模型局限：LLM 存在训练数据时效性滞后、无法获取非公开信息以及对复杂财务工程理解不足等问题。
2. 数据依赖：高度依赖 yfinance、Finviz 等第三方公开数据源的稳定性。
3. 策略衰减：回测显示近期（2025-02 之后）夏普比率有所下降，需持续通过 IC 监控进行因子迭代。