人工智能投研应用系列之三：OpenClaw+本地大模型量化策略开发

核心观点与关键数据

• 本地大模型应用场景：OpenClaw框架支持在线大模型和本地大模型私有化部署，本地模型适用于企业内网环境和数据隐私需求场景。
• 本地模型选择：使用qwen3.6:35b（MoE架构，35b参数，稀疏模型）和qwen3.6:27b（稠密模型，27b参数）作为测试主力本地模型。
• 数据源选择：优先选择本地SQL数据库，因其速度快、数据自主可控、隐私安全且大模型擅长理解SQL语言。

研究过程与结论

• 数据查询能力测试：机器人能准确执行跨表查询，并接受模糊指令，但存在CUR_SIGN条件使用风险和未来信息风险。
• PB-ROE选股策略开发：
  • 单期选股：机器人完成代码框架搭建，但存在SQL查询效率低、未利用向量化计算等问题。
  • 代码优化：机器人优化代码结构与风格，但未考虑财报日期映射等业务逻辑。
  • 多期选股：机器人设计多期回测流程，解决财报日期匹配和股本数据查询问题，但MoE模型出现幻觉，切换至稠密模型后问题解决。
  • 策略优化：机器人提出选股因子优化建议，最终实现行业内PB-ROE回归，策略表现提升。
• 模型对比：MoE模型推理速度快但易出现幻觉，稠密模型稳定但速度慢。

研究结论

• OpenClaw结合本地大模型可高效开发量化策略，保障数据隐私。
• 机器人擅长数据查询和代码生成，但需人工审核复杂逻辑。
• 稠密模型更适合复杂任务，MoE模型需谨慎使用。
• 研究过程对在线模型同样具有参考意义。