20260513-东吴证券-房地产行业深度报告_地产+AI_工具系列报告之四_从地产投研到交易——OpenClaw的跨界实践（如何训练一只会交易能风控的_龙虾_）_86页_2mb

房地产行业深度报告总结

核心内容

本报告围绕 OpenClaw 框架 构建的 InvestmentClaw 系统，详细介绍了其在房地产投研与量化交易领域的应用。该系统旨在通过 AI Agent 实现从数据采集、选股、评分、决策、执行到风控的全链路自动化交易流程，并为卖方研究提供一个可落地的 AI 应用范本。

主要观点

1. 为什么进行量化交易实践？

• 验证 OpenClaw 框架的通用性：证明其不仅适用于地产投研，还能在交易这种高实时性、高风险的场景中稳定运行。
• 探索 AI Agent 在金融决策中的能力边界：通过设计严密的风控机制，如十道防线、双模型交叉验证、熔断冷却等，提升 AI 在高自主决策场景下的可靠性。
• 为卖方研究提供 AI 落地范本：展示了一个完整的生产系统，从数据采集到决策执行、风控监控，实现全链路闭环。

2. InvestmentClaw 的核心价值

• 从辅助走向自主：系统在盘中可自主完成选股、评分、下单与风控，用户只需设定风控边界。
• 多模型交叉验证与熔断机制：通过 MiniMax 和 GLM 两个模型独立评分并交叉验证，降低单一模型偏差。
• 可解释性与可观测性：系统保持透明度，每一步决策均有记录，便于事后审计和迭代优化。
• 低门槛可复现：基于开源框架与公开数据源，个人开发者可在 1-2 周内复现系统功能。

关键信息

1. 系统架构

InvestmentClaw 采用 六层架构，包括：

• 调度层：定时任务与守护进程，确保系统持续运行。
• 选股层：通过 Finviz 筛选、异动扫描、SEED_TICKERS 和杠杆 ETF 专属池构建候选池。
• 评分层：三引擎量化评分 + 双模型 AI 交叉验证，形成 final_score。
• 决策层：根据 final_score 生成买入、卖出或持有信号。
• 执行层：调用券商 API 下单，实现交易落地。
• 观测层：通过日志、数据库与监控系统实现系统状态的追踪与审计。

2. 选股池体系

• 四路选股：Finviz 筛选、异动扫描、SEED_TICKERS、杠杆 ETF 专属池。
• 去重规则：同一股票保留最高优先级来源（异动扫描 > Finviz > SEED_TICKERS > 杠杆 ETF）。
• SEED_TICKERS：作为“保底名单”，覆盖市值 >1000 亿美元、流动性好、信息透明的核心资产，确保候选池稳定。

3. 评分机制

• 三引擎评分：成长股、杠杆 ETF、小盘股分别由独立引擎评分。
• 双模型交叉验证：使用 MiniMax 与 GLM 独立评分并融合，减少 AI 幻觉风险。
• final_score 计算：量化评分占 60%，AI 评分占 20%，反向指标占 20%，形成综合评分。

4. 风控体系

• 十道风控防线：包括止损、止盈、波动率过滤、VIX 联动、冷却机制、预算管理、行业分散等。
• 动态止盈止损机制：
  • ATR 自适应：止损宽度联动个股波动率。
  • 峰值阶梯锁利：盈利越大，回撤容忍越紧。
  • VIX 联动：恐慌时收紧止损，平静时放宽止盈。
• 冷却机制：止损后 48 小时内暂停重新买入，避免情绪化操作。
• 三桶预算：区分用户指令、系统自发交易与风险订单，实现风险隔离与交易优先级管理。

5. 交易执行

• 秒级决策与执行：系统在每日 21:00（SGT）开始选股与评分，随后生成交易信号并执行。
• 自动化下单：通过券商 API 提交限价单或市价单，确保交易及时性与准确性。
• 止损与止盈策略：采用移动止损机制，防止利润回吐。

6. 可观测性设计

• 三层观测体系：
  • 实时通知：通过 Telegram 推送交易事件与异常告警。
  • 结构化日志：SQLite 与 JSONL 存储交易记录，便于事后追溯。
  • 运行时日志：记录信号生成、监控、API 调用等关键步骤，支持深度复盘。

7. 策略表现

• 夏普比率：1.24，表明在波动中获取了相对较高的收益。
• 最大回撤：-19%，适合稳健型投资者。
• 回测验证：通过 CPCV 交叉验证与 IC 监控，确保策略稳健。

8. 系统局限与风险提示

• AI 评分的局限性：
  • 训练数据时效性不足。
  • 无法获取非公开信息。
  • 对复杂财务工程理解有限。
  • 情绪化与一致性问题。
  • 成本约束下的信息压缩。
• 风险提示：
  • AI 评级仅供参考，不构成投资建议。
  • 市场风险、流动性风险、底层资产风险、模型风险。

系统亮点

• 可解释性：每一步决策均有记录，便于理解与迭代。
• 低门槛复现：基于开源框架与公开数据源，个人开发者可快速构建。
• 纪律性与自动化：避免人为情绪干扰，实现机器的稳定交易。
• 全链路闭环：从数据采集到交易执行，再到风控与监控，形成完整系统。

对卖方研究的启示

1. AI 应用于决策：不应仅停留在模型评测与提示词工程层面，而应构建完整的 AI Agent 系统。
2. 可审计与可回溯：确保 AI 决策透明，便于事后分析与优化。
3. 结合 AI 与量化：AI 提供定性判断，量化提供定量分析，两者结合提升决策可靠性。

总结

InvestmentClaw 是一个基于 OpenClaw 框架的量化交易系统，其核心价值在于实现 AI Agent 从辅助走向自主，并通过严密的风控机制与可观测性设计，为普通投资者提供可复现、可审计、可解释的交易系统。其设计思路不仅适用于房地产投研，也可为其他金融领域提供参考。