一、元数据与概览(引言与报告概览)
标题与来源信息: OpenClaw+本地大模型量化策略开发——人工智能投研应用系列之三,作者为“华西证券华西研究”,发布在华西证券研究所的科普/研究栏目下,作为“人工智能投研应用系列”中的第三期。该信息集中体现于文首的标题页与开篇说明部分。1
作者、机构与日期: 文章署名“证券分析师:杨国平 S1120520070002”;发布日期为2026年5月13日(系列文章于5月15日再度披露)。发布主体为“华西证券HUAXISECURITIES”与其研究所(华西研究创造价值的表述在文末页亦可见)。1
主旨与要点概览: 本文围绕“OpenClaw+本地大模型”在本地化量化研究中的应用场景、模型选择与数据源策略,以及一个以PB-ROE选股策略为验证流程的实验性应用框架展开,侧重展示本地化大模型部署在企业内网环境中的可行性、对数据安全与低延迟的优势,以及在策略开发过程中的辅助作用。核心论点包括:本地大模型在某些场景优于在线模型,特别是在内网、核心机密场景;通过对qwen3.6:35b(MoE稀疏、35B参数但推理激活3B)与qwen3.6:27b( dense,27B参数全参与)两种本地模型的组合使用,覆盖不同算力与推理需求;数据源方面优先采用本地SQL数据库以实现速度与自主可控性,且SQL语言对大模型理解友好,优于API模式;OpenClaw机器人在PB-ROE选股策略开发中表现出数据查询、策略理解、代码生成等能力,但在代码细节及复杂业务逻辑上仍需人工审核。风险提示强调历史规律的局限性及AI生成内容的潜在不准确性;文末亦包含法律声明与订阅受众限定等合规信息。1
重要性与定位:该文不是对某支具体股票的分析报告,而是围绕AI投研应用的工程化尝试与方法论展示,强调本地化部署在数据安全和内网场景中的应用价值,属于方法论与实验性案例的传播,面向专业投资机构客户。1
视觉材料/图片:文中包含页首的宣传型图片和一个二维码图片,用以提升品牌与信息传播的效果;如下图像所示的文字与标识强调“华西研究 创造价值”的口号,与专业投研应用的主题相呼应。为方便溯源,以下两张图片的链接形式按原文给出: , 。1 2
二、逐节深度解读(逐章精读与剖析)
(一) 本地大模型应用场景
要点概述:OpenClaw在默认配置下优先使用在线大模型,但架构本身支持本地大模型的私有化部署。本地大模型在企业内网环境不可用在线大模型时具有显著优势,且可以避免数据外发风险,尤其适用于核心量化策略代码开发等高保密场景。1
推理逻辑与假设:文中对在线大模型通常具备更强能力的判断,转而指出“特定场景下本地模型更合适”,核心在于数据安全与网络可用性。该判断隐含的前提是:在企业内部网络受限或对数据安全要求高的情况下,本地部署能够提高可控性、降低外部依赖与泄露风险,从而更符合风控要求。该点直接支撑后续关于数据源与策略开发流程的安排。1
关键数据点与含义:本段未给出量化数据,但通过对比逻辑指向两类模型的取舍:在线模型在整体性能上可能略优于本地模型,而本地化的价值在于场景适配度与风险控制。该论断奠定了后续章节对模型选择的定性框架。1
与文本的联系:该场景导向了“选择大模型”与“选择数据源”两大章节的核心议题,解释为何要构建本地化的量化研究工作流,并为PB-ROE选股策略的落地提供安全/ privées 的基础设施假设。1
(二) 选择大模型
要点概述:本次测试的主力本地模型为 qwen3.6:35b(MoE稀疏,参数总量35B,但推理时仅激活3B)和 qwen3.6:27b(稠密架构,推理时270亿参数全部参与计算)。两者在架构和规模上的差别,旨在覆盖不同计算资源和速度-精度权衡场景。MoE稀疏模型的优势在于较低的推理成本与可扩展性,而密集模型则在推理质量和表达能力方面更强。该对比构成本研究中“多模型并用”的核心设计思路。1
推理逻辑与假设:采用两种截然不同的模型架构,体现了“以场景驱动模型选择”的原则。MoE模型在实际部署中可实现更高吞吐与节约算力,适合需要快速迭代的模块;而密集模型则用于对话、代码生成等需要更高语言理解与生成质量的任务。作者假设通过两种模型的互补,可以在不同任务中获得更好的综合表现。1
关键数据点与含义:具体的指标如吞吐、延迟、精度等未在文中给出,但参数分布的描述(35B中仅激活3B vs 全部270B参与)揭示了资源利用效率与性能权衡的核心取舍,暗示后续在“数据源选择”和“PB-ROE选股策略开发”的实现中,推理成本与对实时性的要求会被分别分配给不同模型。该点也为后续对系统架构的理解提供技术线索。1
与文本的联系:模型选择直接决定了本地化投研系统的性能边界、部署复杂度与维护成本,从而影响数据源的接入方式、策略实现的速度和迭代能力。1
(三) 选择数据源
要点概述:数据源配置有两种主流方式:本地SQL数据库与在线API接口。本地SQL在速度、数据自主可控性方面优于在线API;SQL语言具备更强的理解能力,通用性与准确性高于API方式。此处强调“数据掌控”和“快速查询能力”是本地化投研系统的重要基础。 1
推理逻辑与假设:作者的核心假设是,LLM对结构化语言(如SQL)的理解能力强于对API调用的序列化指令,因而本地SQL可以带来更高的查询效率与准确性,同时降低对外部系统的依赖与数据外泄风险。这也是本地化部署在证券研究中被强调的关键因素之一。1
关键数据点与含义:没有给出具体的查询时间、延迟对比或数据完整性指标,但文本明确指出速度与自主可控性是本地SQL的优势所在,且对模型的任务完成质量具有重要影响。这些因素决定了策略开发的迭代速度、风险控制的可控性以及数据治理的简化程度。1
与文本的联系:数据源的选择直接支撑了“本地化部署”的可行性,以及后续在PB-ROE选股策略开发中的数据获取与处理流程。若切换到在线API,将需要额外处理数据泄露与网络依赖带来的风险。1
(四) PB-ROE选股策略
要点概述:OpenClaw机器人用于PB-ROE选股策略的开发,研究目标在于评估机器人的能力及其在策略开发过程中的作用,而非直接评估某一投资策略本身。结果显示,机器人能够完成从单期选股到多期选股,再到策略优化的全流程,表现良好;在数据查询、策略理解、代码生成方面能力突出,但在部分代码处理细节与复杂业务逻辑方面仍需人工审核。1
推理逻辑与假设:通过一个完整工作流的自动化演示,来验证OpenClaw在量化研究中的辅助作用与局限性。核心假设是:AI机器人可以提升策略开发的效率、降低重复性工作、提高代码生成的一致性;但实际落地仍需人工干预以确保对复杂场景的准确性与合规性。1
关键数据点与含义:文本对能力维度进行了定性评估(数据查询、策略理解、代码生成等方面“较强”),并明确指出在“细节实现”与“复杂业务逻辑”处还需人工审核。这反映出一个典型的人机协作模型:AI负责通用性与高频任务,人工承担高风险、边界模糊和合规性要求高的环节。1
与文本的联系:该章节直接体现了论文的核心实验框架与评价目标,即以PB-ROE的端到端流程为载体,评估OpenClaw在实际投研工作流中的潜力与局限性,为未来的自动化投研提供实证性观点。1
(五) 风险提示、法律声明与合规边界
风险提示要点(来自文中常规段落):量化报告的结论基于历史统计规律,历史规律发生改变时,模型和结论可能失效;AI生成内容可能不准确,供参考、需独立判断。该段落明确了方法外部的不可控性与使用中的自我判断需求。1
合规与受众边界:重要提示及法律声明表明订阅对象为华西证券的专业投资机构客户,信息传播具有受众限制性质,且文末强调若非专业机构客户应退出订阅以控制风险。这些信息反映出该材料属于机构研究的一部分,以及对读者资质的要求。3
结论性提示:文本总体给出的是对本地大模型投研应用的实验性描述与方法论展示,而非对具体证券做出投资建议的正式结论。风险披露与法律声明共同构成对信息使用边界的清晰划分。3
三、图表深度解读(图表与图片解读)
重要图表/图像的存在情况:原文没有提供常规的定量图表、表格或具体的业绩数据表,而是以宣传性图片和二维码图片为视觉载体。由此,本文中的“图表深度解读”将以对图像信息的解读为主,而非对量化数据的解读。
图像1:封面宣传图(page 0)
描述与含义:封面图展示高耸的写字楼与企业标识“华西证券 华西研究创造价值”的口号,传递出专业、稳健、面向金融市场的企业形象。该图像并未承载可量化的数据,但对读者的情感与机构信任度有稳定作用,强化了文章作为专业研究材料的形象与定位。1
与文本的联系:图像的视觉定位与文中强调的“专业投研应用系列”相吻合,起到品牌与主题的导入作用,而非作为论证工具的一部分。图片并非用于支撑具体论点的数据证据。1
溯源展示:
图像2:二维码宣传图(page 1)
描述与含义:二维码图像通常用于获取更多信息或关注公众号,属于传播与信息扩展工具,并非分析性数据的呈现。其存在说明文档除了文字信息外,亦配合传播渠道的扩展策略。对分析本身没有直接数据支撑意义。2
溯源展示:
小结:本文提供的“图表深度解读”中,实质上没有标准量化图表或表格数据供解读;可解读的仅是视觉材料的传播性功能及其对专业机构形象的支撑作用。若后续版本增加具体的数据表、回测结果或对照图,将需要按同样的规范进行图表分析与溯源标注。
四、估值分析(估值分析)
本文档结构中并未包含正式的估值分析章节、目标价或可比分析等常规证券研究要素。文中核心内容聚焦在方法论、技术实现与实验性应用上,而非对具体股票进行估值判断。这一点需要在正式研究报告中另行提供相关财务数据、假设与敏感性分析。基于现有文本,无法给出可执行的估值区间或目标价。1
五、风险因素评估(风险因素评估)
风险识别要点:文中明确提示“历史统计规律可能失效”“AI生成内容可能不准确、仅供参考、需自行判断”等风险,强调研究结论具备不确定性,属于基于历史数据的统计推断在未来可能失效的范畴。此外,PB-ROE选股策略的实际落地还存在代码实现细节和复杂业务逻辑需要人工审核的风险。这些风险点都指向对实施过程的严格治理与人工监督的重要性。1
潜在影响评估:若历史规律改变,量化模型的预测能力可能显著下降,策略的收益与鲁棒性将受到冲击;若对代码与业务逻辑的瑕疵未及时纠正,可能引发执行偏差、风险控制不足等后果。文章通过“需要人工审核”的提示,传达了人机协同的必要性以及治理的边界。1
缓解策略与概率:文本未给出明确的缓解概率或统计性缓解措施,但通过强调人机协同、人工审核以及合规性边界,隐含的缓解策略包括:强化代码审查、设立清晰的职责分工、对关键模块进行严格的测试与回放、以及遵循法律声明中对专业投资机构客户的诉求。这些措施属于非量化的治理性控制,结合现实场景具有一定的有效性风险缓解作用。1
与文本的联系:风险章节与前述“历史规律、AI准确性、内网部署”等要点形成了完整的风险-治理结构,强调该工作流的试验性与治理要求,而非对外部投资建议的安全性承诺。1
法律声明的风险边界:法律声明明确要求订阅内容仅面向专业机构客户,且信息摘编自已发布的研究报告,存在信息发布平台的限制与潜在误解风险,因此在应用时需以正式报告的完整版本为准。此处的合规边界对风险因素的解释具有重要作用。3
六、批判性视角与细微差别(审慎视角与细节)
潜在偏见与局限:文章具有明显的工程化、应用导向的气质,突出OpenClaw在本地化投研中的可行性与流程化能力,但缺乏对比实验的量化结果、回测数据、误差分析等关键证据。读者应警惕“能力展示”与“实际落地效率”的差距,尤其在没有给出具体指标(如命中率、回撤、执行成本等)的情况下,结论的稳健性受限。此点在文本的叙述风格与结构中可感知,但未被直接量化呈现。1
内部矛盾与需要留意之处:文中对“本地SQL优于API”的论断与对“数据安全”的强调,与下文对PB-ROE选股策略的实现呈现出一致性,但未提供对比数据来证明哪种数据源在特定任务上的实际增益程度。如果后续版本能够提供不同数据源下的任务完成时间、准确性或稳定性指标,将更有助于评估真正的增益点。1
结构与定位的透明度:文稿整体把目标放在“方法论与案例演示”层面,而非提供公开的投资建议或具体的投资结论。这有利于强调研究工具的可重复性与风险控制,但若读者期待看到明确的投资绩效指标,当前文本可能显得不足。这并非错误,而是文章定位的选择性偏向——“实验性展示”大于“投资结果披露”。1
溯源提醒:对于所有在文中提出的结论,应以原文中的页码进行溯源标注。本分析在每个关键结论后均尽量附上相应的 1 、2 、3 标注,以确保后续在生成文本时能追溯原始来源。若在后续整合中引用多页内容,请按要求添加不超过两个页面的标注,如 1 3 等组合。1 3
七、结论性综合(结论性综合)
核心发现与判断:本报告以OpenClaw为载体,系统性地展示了本地大模型在投研工作流中的应用场景、模型与数据源的协同设计,以及一个完整的PB-ROE选股策略开发的实验范例。结论性要点包括:在内网/核心数据场景下,本地大模型具备明显的安全与时效性优势;通过两种不同架构的本地模型组合(qwen3.6:35b MoE 与 qwen3.6:27b dense)实现对不同任务的适配与效率优化;本地SQL数据源在速度和控制力方面具有显著优势,且对大模型的理解能力有利于提升任务完成度;OpenClaw在数据查询、策略理解、代码生成方面显示出较强的辅助能力,但在某些细节和复杂业务逻辑方面仍需人类审核来确保实现质量与合规性。对于风险,文本强调历史规律的局限性、AI生成内容的潜在不准确性,以及策略实现中的代码与业务逻辑风险。总体而言,该系列报告呈现出一种“工程化、渐进式、可控”的本地化投研路径,强调人机协同的治理框架与合规边界。1 3
作者的总体立场与推荐:文章以技术演示和方法论分享为主,避免对具体证券给予投资建议。其总体立场是推动本地化大模型在投研中的可重复、可控应用,倡导以专业机构客户为合适受众、以严格的风险与合规治理为前提的应用路线。若以投资建议的角度解读,需要在正式报告中补充量化的财务假设、回测结果、敏感性分析及可复现的实验数据。1 3
附注:若后续需要对该系列报告进行更深入的对比分析(如对比在线大模型与本地大模型在具体子任务上的表现差异、数据源选择对策略结果的敏感性、以及不同模型在PB-ROE或其他策略中的迭代效率),可基于文中提供的框架扩展更多量化指标与案例,并在每一处引出具体的页码溯源,以满足追溯性与可验证性要求。1 2 3