openclaw用同花顺官方skill进行选股

Clippings 子晓聊技术关注股票AI量化，全网同名 2026-04-10 置信度: high

综合质量 2 /5

新颖性 3 /5

可复现性 4 /5

核心内容

同花顺推出问财SkillHub，核心是将金融数据库与AI自然语言处理能力结合。用户输入自然语言即可完成多条件选股及全链路投研分析。平台支持官方技能与社区技能，可通过Prompt或CLI方式集成进主流大模型工具，实现选股、研究、跟踪、监控、模拟交易等闭环。

经济逻辑

通过降低数据获取和条件筛选的门槛，提高投研效率。其本身不直接产生超额收益，而是加速经典基本面因子（价值、质量、成长）的筛选和组合过程，依托大模型提升信息处理效率。

超额收益逻辑

研报本身不探讨超额收益逻辑，核心在于工具赋能。若从示例条件（高ROE、低PE、高营收增速）推断，其依赖的是经典的价值、质量、成长因子溢价，即市场对基本面稳健且被低估的成长型公司的错误定价修复。

构造细节 [config]

数据输入

: (财务(低频)): (日频): (财务(低频)): (日频)

组合方式

采用自然语言多条件交集过滤，例如输入'ROE大于15%、市盈率低于20、营收增速超30%的非ST股票'，系统对各个条件取并集或交集（通常为交集）直接输出股票池。

绩效

本文为同花顺问财SkillHub产品功能介绍，未提供任何具体的量化策略回测绩效数据或指标。

收益归因

无归因分析。

缺口: 文章未涉及任何收益归因方法或相关讨论。

稳健性

子样本稳定性: 未提及。基于经典财务因子的策略在中长期具有一般稳定性，但受市场风格切换影响大。

风格偏差: 价值风格、成长风格、质量风格

工具筛选结果高度依赖于用户输入的条件，样本外稳定性取决于所选因子在特定市场环境下的表现。

数据依赖

所需数据: 同花顺全市场行情数据、财务报表数据、资金流向数据及宏观/事件数据。

可复现性: easy

通过问财官方接口或平台可直接复现，数据源高度依赖同花顺自有体系，若脱离该平台需接入Wind等其他金融终端替代。

新颖性评估 [新组合]

将传统金融数据库API与大模型的自然语言交互能力深度整合，通过Prompt配置即可在通用AI助手中调用专业金融技能，降低了投研工具的使用门槛。

不足与缺陷

仅为产品介绍，缺乏任何量化策略的历史回测数据和绩效指标支撑。
未探讨自然语言解析的准确性及歧义处理机制（如'估值处于历史低位'的具体量化定义）。
未考虑因子衰减、多重共线性及过拟合问题，简单阈值筛选难以形成稳健的Alpha策略。

可复用元素

提供了基于自然语言的金融数据查询范式，大幅降低投研工具使用门槛。
覆盖了从宏观、行业、选股到模拟交易的全链路AI技能生态，功能全面。
兼容主流AI平台的集成方案（Prompt/CLI），具备良好的开放性和可扩展性。

启发

LLM Agent结合垂直领域API是降低量化投研门槛的有效路径，可应用于自动生成研报、策略监控等场景。
将复杂的因子计算过程隐藏在自然语言交互之后，便于非技术投研人员快速验证投研逻辑。

改进方向

将自然语言阈值筛选改进为多因子打分模型，并引入回测模块验证Alpha收益

基于: 文中提及的'ROE大于15%、市盈率低于20、营收增速超30%'的硬性阈值筛选预期收益: 从简单的股票过滤升级为可验证的量化策略，通过因子加权融合获取更稳健的风险溢价收益，并降低单一阈值过拟合风险。

复现计划

1. 获取同花顺问财SkillHub使用权限并配置Prompt；2. 在OpenClaw或Claude环境中输入目标条件（如ROE>15%且PE<20）；3. 记录AI返回的股票池；4. 提取条件对应的因子数据，在第三方量化平台（如聚宽/米筐）编写代码复现该选股逻辑，并加入回测框架以验证策略历史收益和稳健性。