从地产投研到交易：InvestmentClaw 美股量化交易系统实践报告

摘要： 本报告详细介绍了基于 OpenClaw AI Agent 框架构建的垂直领域量化交易系统——InvestmentClaw。该系统实现了从数据采集、量化评分、AI 判别到自动执行与风控监控的全链路闭环，旨在验证 AI Agent 从“辅助投研”向“自主决策”跨越的可行性。

核心观点：

1. 自主决策范式：AI Agent 可通过“量化压舱、AI 增量”的设计（量化 60% + AI 20% + 反向 20%），在保证交易纪律性的同时，捕捉定性增量信息，实现从 Copilot 到 Autopilot 的跃迁。
2. 工程化是核心壁垒：金融 AI 的落地关键在于严密的工程实现，如双模型交叉验证、分层解耦架构、多级降级策略及全链路可观测性，而非单纯依赖模型能力。
3. 纪律性胜过复杂度：通过简单的可解释因子组合结合严格的止损（如 4% 硬止损）和行业分散约束，可有效降低最大回撤并提升风险调整后收益。

论据支撑：

1. 系统架构：构建了调度、选股、评分、决策、执行、观测六层架构，采用 growth/leverage/smallcap 三套专用引擎适配不同资产定价逻辑。
2. AI 验证机制：采用 MiniMax-M2.7 与 GLM-5.1 双推理模型独立打分并交叉融合，通过保守取值原则降低单模型幻觉风险。
3. 回测表现：3 年历史回测显示，生产配置的夏普比率提升至 1.24，最大回撤从 -50% 显著收窄至 -19%。

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有限等问题。
2. 市场风险：策略在不同市场状态（Regime）下的表现存在差异，且依赖于底层 API 的稳定性。