对比OpenClaw:CoWork类AI工具投研实例

自2026年1月 Anthropic发布Claude CoWork以来，国内外市场涌现出一批CoWork类工具，为各行业带来了全新的协同工作范式。同期，OpenClaw迅速走红，引发行业内外广泛关注，众多机构主动入局“养龙虾”，产品传播速度极快。相较于OpenClaw，CoWork类工具具有以下独特优势：OpenClaw为自托管框架，需本地/VPS部署，采用全局持久记忆+多 Agent协作模式，易出现上下文全局膨胀，需持续维护自托管环境、监控运行稳定性，7×24小时持续运行模式也会带来无差别token消耗；而CoWork类工具为轻量级架构，无需复杂配置与额外环境安装，可直接在桌面客户端运行，采用项目制工作模式，几乎零运维负担，token消耗也做了专项优化。基于此背景，本报告将聚焦 CoWork类工具的专项测评与横向对比，以及不同CoWork产品在工程实践中的能力差异。

1.1 CoWork类工具层出不穷

2026年初涌现了大量的CoWork工具软件。以Claude CoWork的出现为标志，国内外科技公司纷纷推出新一代智能工作平台，推动行业从传统的“代码开发”工具，进化为面向前台交互式工作流的 AI 原生工作平台。

目前，国内外陆续推出的CoWork工具有腾讯的WorkBuddy、字节跳动的Trae solo、稀宇极智的MiniMax CoWork、Openai的Codex Desktop、Anthropic的Claude CoWork。

1.2 CoWork 类工具详细介绍

WorkBuddy 在腾讯云 CodeBuddy 成熟的智能体架构基础上，更深度地整合了全场景办公AI 能力：操作逻辑贴合国内职场用户的办公习惯，无需复杂环境配置，下载即用兼容主流办公工具与 OpenClaw 全量技能生态和 MCP 全量工具技能生态，上手成本极低。Workbuddy提供了多种订阅方式：新用户注册送 500credits，连续 30 日每日登录送 100credits；付费分 3 个等级，个人 2000Credits/￥58，企业旗舰个人 2000Credits/￥78，企业专享定制化服务。

TRAE SOLO在字节跳动TRAE自研的多智能体协同架构基础上，更深度地整合了全链路AI开发与生产力能力支持MCP全量工具技能生态。

TRAE SOLO提供了多种订阅方式：个人用户支持免费使用；企业基础版10M Tokens/￥48，企业团队版20M Tokens/￥99，企业旗舰版40M Tokens/￥199但仅个人用户和企业旗舰版支持SOLO模式。

MiniMax CoWork是 在MiniMax成熟的自研多智能体协同架构与M2.7全模态大模型能力基础上，深度地整合了全场景生产力AI能力：操作逻辑贴合国内用户全场景使用习惯，下载即用，原生兼容MaxClaw远程协议和MCP全量工具技能生态，上手成本极低。

MiniMax CoWork提供了多种订阅方式：新用户注册送1000免费积分，每日登录可领取200免费积分；基础版5000积分/￥39 ，专业版16000积分/￥119。

QoderWork在阿里云Qoder成熟的自研编程智能体架构与通义大模型体系基础上，更深度地整合了办公全场景AI能力：操作逻辑贴合国内职场用户与开发者的使用习惯，无需复杂环境配置，下载即用；阿里云提供服务支持，上手成本极低。

QoderWork提供了多种订阅方式：新用户注册送300credits，可享14天Pro版全功能免费试用；个人Pro版2000Credits/$10，专业Pro+版6000Credits/$30，Ultra版20000Credits/$100，企业专享版定制化专属报价。

Codex Desktop在OpenAI成熟的自研代码大模型与多智能体协同架构基础上，更深度地整合了全链路AI开发与工程化能力：操作逻辑贴合开发者原生编程习惯，无需复杂环境配置，下载即用原生兼容GitHub全生态和MCP全量工具技能生态,上手成本极低。

Codex Desktop提供了多种订阅方式：新用户注册可享一个月内容免费体验；Plus版本个人付费分3个等级，Go版$8/月，Plus版$20/月，Pro版$100/月。企业版定制化专属报价。

Claude CoWork在Anthropic成熟的自研Claude全模态大模型体系与多智能体协同架构基础上，更深度地整合了全场景知识工作与办公自动化AI能力：操作逻辑贴合全球职场与科研用户的办公习惯，无需复杂环境配置，下载即用；原生兼容MCP全量工具技能生态，无缝对接Claude全系列模型能力，上手成本极低。

Claude CoWork提供了多种订阅方式：个人免费版不支持CoWork使用个人付费版分两个等级,Pro版$17/月，Max版$100/月。

1.3 CoWork类工具基础功能

我们对多款主流CoWork类工具从原生可调用模型、是否支持自定义模型、有无skills、有无权限管理选择、是否支持多Agent并行角度进行横向对比，并从子智能体的运作模式和远程连接生态的角度进行详细对比。

WorkBuddy和Trae SOLO支持大部分国产先进模型，其中Trae SOLO支持自主研发的Doubao-Seed-2.0-Code等模型；而其余工具仅原生支持自家的大模型。多款CoWork工具中，MiniMax CoWork和Claude Desktop和QoderWork不支持接入自定义模型的api。作为CoWork类工具，全部原生支持skills商城，使用skills方便。Codex Desktop支持一键授权访问目录外的文件，运行自动化程度更高。所有工具都支持多Agent并行，但存在差别。

Workbuddy的子智能体模式是把自己的工作拆分成多个并行的子任务，每个子任务交给一个专门的子智能体去执行。

WorkBuddy的消息接发的调度方式指的是除了接受与反馈主智能体的分配之外，还支持各个子Agent通过接受其他Agent的任务和向其他Agent派发任务的方式迭代完成需求。因此各个子智能体之间可以并行处理，同时要求上下文隔离。

Trae SOLO的统一调度较为特殊，可以利用子智能体搜索项目中的文件内容,并通过主Agent直接统一调度来完成任务，但是主Agent采用近似串行调度的方式，一个任务节点的所有Agent完成后，再派发给下一个节点的Agent任务。同时，要求上下文相互独立，但各个子Agent之间不能直接收发消息，要通过主Agent进行内容沟通。

MiniMax和QoderWork均采用专家式的统一调度方式。这种模式下主Agent作为唯一调度中枢，子Agent为独立执行单元。

主Agent先完成任务复杂度评估与调度模式决策，再按任务依赖关系选择串行、并行或嵌套的分发执行策略，最终完成子任务结果的回收、校验与整合交付。专家式的统一调度模式的子Agent上下文之间相互独立，且内容沟通只能通过主Agent。

在远程连接领域，WorkBuddy的生态最为完善，支持聊天对话框和小程序两种模式，其中小程序模式是所有CoWork类工具中唯一可便捷使用云上服务的远程入口。QoderWork对自家办公软件钉钉的适配更佳。整体来看，国产CoWork类工具的通讯软件远程连接更加完善。所有CoWork类工具都支持定时任务。

小程序端支持Markdown格式消息并能发送图片和文件附件，对话框端则专注于纯文本消息和文件传输；所有连接方式均支持跨端文件回传功能，用户可在电脑端处理的任务结果可便捷地传回手机端查看。还可以借助远程连接进行信息抓取，向手机端定期发送最新信息，如定期访问相关网页并总结。

在设计本次评测方案时，我们提出了的一个在日常工作与学习中需要完成的典型任务：研报PDF转PPT。

为确保任务间对比结果具有一致性与可比性，我们在WorkBuddy、Trae SOLO中以GLM-5-Turbo作为使用模型，对CoWork类工具进行能力测评。由于Qoder本身不提供模型选择功能，其评测过程以Qoder中原生旗舰模式完成。而Codex Desktop中使用Codex。通过这一统一设计，我们得以在不同工具之间形成可比的评测标准，为后续的表现差异分析奠定基础。

该任务，我们通过5步进行完成。第一步，访问CoWork类工具下载页下载桌面端工具；第二步，在项目存在位置创建一个文件夹，并在底部文件夹模块打开指定文件夹；第三步；第四步，通过提示词，WorBuddy可自动通过https://officecli.ai/SKILL.md下载并配置officecli；第四步，导入研报PDF《BETA猎手系列之十三：多种类、多周期事件化的开放式择时框架》和PPT模板；第五步，通过将生成文件与模板文件对比和观察本身质量的方式对最终呈现的结果进行测评。

通过这一任务，我们能够较为直接地观察不同CoWork工具在PDF读取、复杂任务规划与执行方面的能力差异，为后续场景化评估提供基础参考。

直接使用简单提示词最终生成的PPT与目标模板完全不符，图片乱贴或没贴，并且存在明显的文字错位现象。

为了确保内容CoWork工具能够更加精准的明确我们的需求以更加顺利地完成任务，我们通过六个步骤来优化提示词：第一步：明确把PDF转化为纯文本和图表，以备后续使用；第二步，用python-pptx打开模板PPT，逐页分析每页的布局类型，并输出模板映射表；第三步，结合步骤1和步骤2的结果，将完整的内容规划保存为Markdown文件，提交给用户审阅确认；第四步，展示内容规划文档，请用户确认；第五步，使用python-pptx库和officecli，基于模板克隆+XML修改技术生成PPT；第六步，生成PPT后运行验证，检查文本内容质量和图片质量。

逐步添加提示词，提醒文字和图片的逐步迭代后，WorkBuddy整体效果有跨越式提升。文字能够正确的放置在PPT内部，且不会越界；能够从PDF中正确截取图片并在相对合理的位置附上图片。但仍存在少部分文字错位和图片覆盖情况。

直接使用完整优化后提示词，Trae SOLO可以完成PDF内容读取，规划并自动生成PPT的任务，但是生成的PPT内容质量较差，存在标题文字重复，文字超过边界，图片乱贴等一系列问题。

添加提醒上述问题的提示词后，相较于一次性提示词已有明显优化。但是标题文字的颜色和位置，模板底座没有保留原本样子等一系列问题仍然存在。这版PPT无法直接使用需要后续迭代和手动调整。

直接使用完整提示词后，QoderWork可以完成pdf读取到内容规划再到ppt生成的全流程工作。相较于前两款工具，QoderWork一次生成文字内容质量较高，标题得到了正确的修改，文字排版相对合理，但仍存在标题文字超过边界，无图片等问题。

简单增加提示词提醒上述问题后，QoderWork自主实现了字体大小和排版的二次规划，文字越界问题得到了大幅度改善。增加了pdf的截图相对精准贴附，图片和文字之间没有相互覆盖的问题。但仍存在图片截取过长或错漏，图片非正常放缩，以及文本内容的非正常书写格式等问题。QoderWork的任务完成能力和自我优化能力凸显，但是还需要继续迭代优化和手动调整，直接生成内容无法直接使用。

直接使用完整提示词，Codex自主良好的完成了PDF转化为PPT的流程任务，但是也出现了文字排版不合理，贴图错位等问题。经过多轮迭代后，Codex自主实现了字体大小和排版的二次规划，文字越界问题得到了完全解决。贴图比例正常且贴图位置正确，图片和文字之间没有相互覆盖的问题。几款CoWork工具中，Codex生成的内容质量较高，但是仍需反复迭代后才能够投入正常使用。

通过多款工具横向对比测试后能够明显发现，在一次性完整提示词的统一测试条件下，Codex对指令的理解精度更高，内容完整度、逻辑严谨性与细节贴合度表现最优，生成内容质量位居首位；QoderWork次之，整体内容完成度与适配能力处于中上水平。海外模型整体占优。而 WorkBuddy与Trae SOLO两款工具的单轮指令落地表现相对薄弱，存在细节缺失、逻辑衔接松散、需求匹配度不足等问题，整体内容产出质量较为一般。

综合实际使用场景来看，现阶段各类AI CoWork协同工具尚未具备成熟的复杂任务闭环处理能力，面对流程繁琐、逻辑层级多的综合性工作任务时，单轮输出难以直接达成交付标准，普遍需要依托人工反馈进行多轮指令优化、内容修正与持续迭代调试，逐步补齐内容短板、修正逻辑漏洞，才能完整落地复杂任务需求。

搭建可供复用优化的知识库是在工作和学习中的一个常见的重要场景。在该任务中，我使用了Obsidian作为展示平台，向CoWork类工具提供了Karpathy的wiki框架，使用CoWork类工具自动帮助我们整理学习和工作中遇到的相近主题文件成一个知识库。这个过程中我们提供了国金证券的多个研报，在进门中的路演视频等资料，作为测试案例。

Obsidian 是一个本地笔记工具。它的优势有：Obsidian底层就是极其干净的、结构化的纯文本文件夹。这对于构建 AI 语料库来说几乎是完美的；可以用 Python 脚本、LlamaIndex或LangChain直接读取整个 Vault（仓库），进行向量化（Embedding），打造出一个完全懂你个人知识体系的专属AI助理。并且可以清晰的可视化方法与完备的skill接口，使得其与CoWork工具十分适配。

LLM Wiki是一种知识库架构，其核心逻辑在于改变知识处理的顺序，将原始资料优先整理为持久化的Wiki，使后续的查询图谱和研究建立在这一稳固的知识层之上。其架构分为三层，各层职责明确，共同维护知识结构的持续演进。

第一层为原始资料层（Raw Material）：保持不可变状态，作为知识的源头，确保数据的原始性与可追溯性；

第二层为Wiki层（Wiki）：保存相关的概念、来源与知识以及知识之间的联接；

第三层为模式层（Schema）：定义结构规则，规范知识的组织形式，确保知识库的逻辑一致性与扩展性。

相较于传统的RAG模式，LLM Wiki提出了一种逆向构建思路，即优先构建具有知识关系的Wiki层，再依次为基础支撑查询和研究。

以投研研究员查询「同赛道龙头上市公司近 3 年盈利预测、产能扩张、资本开支的关联投资逻辑」为例：使用普通RAG时，系统会在提问后临时检索零散的公司公告、单篇券商研报片段、业绩会纪要文本、行业数据快照，当场拼接答案，仅保障本次问答的基础数据准确，用到的资料多为一次性消费，无法沉淀跨公告、跨研报、跨周期的关联逻辑，后续同赛道、同类型的公司研究查询，仍需重新检索、重新梳理，甚至出现前后数据口径不一致、投资逻辑矛盾的问题；而使用LLM Wiki时，团队早已提前搭建好全赛道上市公司全维度信息的持久化结构化投研Wiki层，打通了产业链上下游的关联图谱、标注了每一项数据的权威合规来源，统一了盈利预测、产能扩张、资本开支的核心统计口径；提问后直接在成熟的投研知识体系内调取内容作答，不仅能精准输出三项核心指标的全周期关键数据，还能完整讲清三者的底层关联投资逻辑；后续新增的公司公告、业绩交流信息、行业政策变动，可一键合规沉淀进Wiki体系，知识越用越成体系，可反复复用为后续深度报告撰写、机构路演交流、新研究员培训、组合持仓动态跟踪的标准化基础，核心是长期维护整套合规、规范、可溯源的投研知识系统，而非只关注单次问答的临时结果。

在CoWork工具中安装与使用Obsidian可以分为5步来完成。第一步，访问https://Obsidian.md/download，安装 Mac/Windows 桌面版，登录；第二步，在需要的位置创建一个文件夹，并在Obsidian的登录界面或内部打开指定文件夹；第三步，通过提示词，WorBuddy可自动通过https://github.com/kepano/Obsidian-skills下载并配置；第四步，在创建md格式的wiki框架原文，告知workbuddy仓库地址和wiki原文地址，即可生成知识库；第五步，直接传入所需要整理的知识文件Obsidian即可自动完善知识库。

借助软件插件，CoWork工具可以轻松实现把游览器等界面的日常阅读内容，文章、视频进行汇总，并整理成知识库，便于在当下和日后的投研工作中进行复习和拿取使用。

在将视频导入obsidian任务中，我们使用了国金证券自研的skill，借助这个skill，CoWork工具可以把上传在进门视频等平台的路演和会议内容加以总结整理为知识文库。可以方便在路演和会议等场景后对过程内容进行温习和重点捕捉。wiki的知识联接，可以有助与我们在复习时理解相关概念和工具使用缘由。

由于接入了CoWork工具，我们在调用知识库的时候，可以直接询问CoWork中的智能体，对知识库中的内容直接进行问答和调用。CoWork工具可以对专业繁多的知识内容进行二次检索整理，极大的提高了工作和学习中，在Obsidian上调用知识库的效率，降低我们的检索和学习的成本。

在此基础上，我们进一步关注到一个重要趋势：在AI协同办公产品快速渗透专业金融服务领域的同时，国内大模型在投研场景的垂直适配能力也在显著提升，其信息整合、逻辑推演与合规化研报输出能力相比此前已有跨越式进步。

为更全面地验证AI协同框架在专业投研场景的落地能力，我们将全流程分析统一放置在CoWork这一成熟的AI协同办公环境下，搭配标准化Financial Service Plugins金融服务插件与国金证券专属投研增强模板，使工具底座、数据接口与投研规范保持一致，核心差异聚焦于AI协同体系对专业投研场景的深度适配效果。

基于这一框架，我们以新能源板块标的为案例分析对象，完成了全流程机构级投研案例的构建与落地，重点考察其在海量研报与财报信息整合、产业链上下游关联分析、核心财务指标拆解、合规化投研观点输出方面的实际表现，旨在呈现当下AI协同工具结合垂直金融插件与机构专属模板，在专业投研场景中的真实落地能力与核心价值。

4.1 金融建模 Financial Service Plugins介绍

Anthropic针对金融从业者的工作场景，推出了Financial Service Plugins，其中包含了各个场景的AI skills。而里面对于金融投资相关人员来说，财务分析和股票研究两个部分的skills 比较关键，我们可以基于他们提供的skills快速搭建我们自己的使用场景：

l 财务分析（核心）—构建可比公司分析、DCF模型、LBO模型和三表财务；

l 股票研究–盈利预测、盈利分析、公司覆盖、晨报、行业分析、催化剂日历、模型更新等。

4.2 投研的日常简单任务

在获取上市公司近期的催化剂工作中，CoWork工具直接调用插件中的research:catalysts技能，可直接完成单一或多个上市公司的全周期催化事件的系统性梳理与强弱分级，精准提炼出核心跟踪要点与对应风险预警，全流程锚定公司公告、定期报告等权威信源。体现了其核心投研赋能能力之一：它可通过金融插件实现权威信源的自动抓取、结构化解析与时间轴梳理，大幅压缩个股跟踪的人工成本、提升投研效率。

在2026年4月21日A股市场汇总晨报的生成工作中，CoWork工具直接调用了插件中的research:morning-note技能，完成了昨日A股盘面复盘、隔夜海外市场动态梳理、今日盘前催化事件拆解、交易策略制定与核心结论提炼的全流程标准化晨报输出，精准研判了市场主线轮动节奏、板块强弱分化逻辑，同步提示了题材炒作风险与实操交易要点，全流程锚定沪深交易所行情数据、权威财经资讯、上市公司公告、宏观政策发布等一手信源。体现了其核心投研赋能能力之一：它可通过金融服务插件实现跨市场行情数据、实时财经资讯、政策与公告信息的自动化抓取、多维度结构化整合与专业投研逻辑输出，将原本需要数小时完成的晨间报告撰写工作压缩至分钟级完成，大幅降低了日常投研服务的人工成本、提升了内容输出效率与标准化程度。

Claude financial Service Plugins里面的只是金融建模的骨架，但是分析深度较浅，只是直接写入，并没有业务拆分等等内容， 我们通过明确输入输出需求，并明确我们自己的研究框架的方式将其分析能力增强。增强后的分析表格明显更为清晰有条理，更方便后续使用。

在国金研究模板和Financial Service Plugins的帮助下，CoWork类工具可以进一步对分析标的的各项财务指标进行科学预测。

在完成标的公司财务建模底稿的搭建与校验后，我们便可依托机构专属的标准化投研模板开展公司业绩点评、重大事项解读与深度价值分析，为保障分析的精准性与全面性，我们首先通过标准化接口完成Alpha派、全市场财经新闻与券商研报数据库、Wind金融终端底层MySQL数据库的对接，自动化抓取整合标的公司财务明细、行情交易及行业对标等全维度多元数据，为投研分析输出提供坚实的底层数据支撑。

4.3 形成报告公司点评和深度报告

在生成公司点评和深度报告时，我们使用了国金证券自研的Word插件来辅助CoWork工具更高效优质的生成符合格式的报告。

在完成全维度多元投研数据的抓取、清洗与结构化整合后，我们通过导入国金证券专属的标准化分析报告模板，借助CoWork AI协同工具对机构投研场景的深度适配能力，基于底层数据更深入地完成标的公司的业绩事件点评，同时严格匹配机构投研的合规要求与内容规范，依次高效生成各类点评、分析及深度研究报告。

通过上述步骤形成的公司点评，严格契合卖方机构研报的标准框架，完整覆盖了标的业绩复盘、经营亮点拆解、盈利预测、投资评级建议与风险提示等核心模块，配套了清晰的目录索引、财务明细数据与可视化图表，核心观点明确、数据支撑扎实，精准锚定了公司盈利与现金流同步改善的核心业绩亮点，完成了基本面深度梳理与投资逻辑的清晰输出。

在此基础上，通过反复调试提示词和手动调整书写等方式可进一步生成更为完整的深度分析报告，极大得提高了简单报告的完成速度和效率。

通过上述步骤，依托CoWork AI协同工具与国金专属投研模板完成的全流程标准化产出生成的深度研究报告，体例完整、格式规范，严格匹配国金证券投研报告的标准化框架要求，完整覆盖了标的基本面复盘、产业链格局分析、盈利预测、投资逻辑与风险提示等深度研究的核心模块，配套的财务数据、对标分析表格与可视化图表清晰完整，核心观点明确、论证逻辑连贯。

CoWork与OpenClaw为互补而非替代关系：OpenClaw并未取代CoWork类工具的核心价值，二者在能力上形成差异化互补。国产CoWork工具能力各有侧重：

WorkBuddy：远程连接生态最完善，微信小程序支持云上/电脑双模式，适配多款国产先进大模型；Trae SOLO：以无上限免费额度支持多款国产大模型，同时提供付费免排队方案，性价比最高；QoderWork：对钉钉生态适配更佳，单轮任务完成度与自我优化能力突出；海外工具：综合任务完成能力更优，高要求的复杂任务，单轮一次性提示词生成效果普遍不佳，需通过多轮提示词优化、内容修正才能达到可用标准，所有CoWork工具在完善指令下均具备高实用价值。

CoWork工具可推动投研知识库从RAG向LLM wiki升级：通过先构建持久化wiki层再开展查询研究的模式，实现知识的持续沉淀、关联与复用，相比传统RAG更适配投研场景的长期研究需求。

金融投研落地需成效显著：其一，提效能力明确，CoWork工具搭配官方金融服务插件，可覆盖机构投研从日常跟踪、财务建模到研报生产的全链条工作，实现投研效率的量级式提升，大幅降低人工成本与重复劳动；其二，明确了落地核心准则，官方金融插件仅能提供基础能力骨架，必须叠加机构自有研究框架，才能让AI输出的内容具备实战深度、匹配机构级投研的专业要求，这是CoWork工具在金融投研场景落地的核心准则；其三，确定了金融投研场景的最优选型方案，即“海外工具基座+官方金融插件+机构自有研究框架”，其中海外工具在复杂结构化任务的指令理解、多轮迭代优化效果上具备显著优势，是最佳的工具底座，而机构自有研究框架是决定投研内容专业度的核心内核。

1、基金历史业绩不代表未来，需警惕基金业绩不及预期的风险；

2、指数表现受宏观经济环境、市场环境等多种因素影响，指数历史表现不代表未来；

3、以上结果根据历史数据计算、统计得出，在市场环境发生变化时可能会发生变化。

Alpha掘金系列

1. 《Alpha掘金系列之十二：排序学习对GRU选股模型的增强》

2. 《Alpha掘金系列之十一：基于BERT-TextCNN的中证1000舆情增强策略》

3. 《Alpha掘金系列之十：细节决定成败：人工智能选股全流程重构》

4. 《Alpha掘金系列之九：基于多目标、多模型的机器学习指数增强策略》

5. 《Alpha掘金系列之八：FinGPT对金融论坛数据情感的精准识别——沪深300另类舆情增强因子》

6. 《Alpha掘金系列之七：ChatGLM医药行业舆情精选策略——大模型微调指南》

7. 《Alpha掘金系列之六：弹性与投资者耐心——基于高频订单簿的的斜率凸性因子》

8. 《Alpha掘金系列之五：如何利用ChatGPT挖掘高频选股因子？》

9. 《Alpha掘金系列之四：基于逐笔成交数据的遗憾规避因子》

10. 《Alpha掘金系列之三：高频非线性选股因子的线性化与失效因子的动态纠正》

11. 《Alpha掘金系列之二：基于高频快照数据的量价背离因子》

12. 《Alpha掘金系列：多维度卖方分析师预测能力评价——券商金股组合增强策略》

＋