量化策略的分类和原理全解析——从思想起源到六大主流策略兼谈 Qbot 项目中的工程化落地【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot量化投资正在以惊人的速度重塑国内资产管理行业。从 2010 年沪深 300 股指期货上市开启的对冲时代到如今百亿量化私募超过 20 家、总管理规模破万亿量化策略已经从一个小众的技术话题演变为整个机构投资生态的核心基础设施。本文以 Qbot 项目文档《量化策略的分类和原理》为主体脉络系统梳理量化策略的定义、思想起源、国内演变历程、多维度分类体系以及量化选股、指数增强、市场中性、股票多空、CTA、T0 六大主流策略的底层原理并结合仓库内的策略源码与经典策略文档说明这些理论在真实工程中的落地形态。一、什么是量化策略与主观策略的本质对比量化是把主观的思维通过数理的方法进行定量、系统的实现过程策略是可能实现目标的方案集合。两者结合量化策略就是区别于主观的定性分析通过数理方法、数据统计和机器决策来进行证券投资与交易。具体来说量化策略在选股、择时、交易、仓位管理、止盈止损等各个环节都以数理模型和计算机为工具进行量化的分析、决策和交易。它与主观策略的差异集中体现在四个维度对比维度主观策略量化策略选股依据分析师主观判断标准化的方案与流程持仓结构持仓较为集中全市场选股持仓高度分散少则 300 只、多则 2000 只决策方式分析师分析市场后再形成交易决策通过计算概率获取收益克服贪婪、恐惧、情绪波动等人性弱点交易系统要求不高构建完整的自动化买入/卖出交易系统其中量化策略的四大核心特征是纪律性选股过程有标准化的方案和流程克服人性的弱点分散化全市场选股根本方法论是通过计算概率来获取收益及时性实时跟踪市场变化发现定价错误及时触发指令市场风格转换时及时调整参数系统性从大类资产、细分行业、宏观周期等多维度进行投研配置并构建完整的自动化交易系统。用一句话概括量化策略的本质定性投资的数量化实践。即使 AI 可以生成投资决策数据选择和模型调试仍需要专业投资人士的参与因此量化策略并非完全没有人为和主观成分只是相对传统策略占比更少。二、全景视角完整闭环交易系统的四大组成理解量化策略需要先理解它所在的交易系统全链条。一个完整闭环的交易系统可分为 4 部分策略系统投研端→ 订单生成系统投研端或券商端→ 订单执行系统券商端→ 交易撮合系统交易所策略系统投研端使用投资决策算法以投资为目的是整个链条的大脑订单生成系统目标是提高交易效率、降低交易成本、减少对市场冲击、隐藏交易意图、捕捉交易机会核心是用算法交易和**组合交易篮子委托**做拆单可由券商端 PB 交易系统或投资端策略系统实现订单执行系统即券商核心交易系统提供交易通道和报盘席位PBU如金证、恒生等提供的集中交易柜台包含账户、股份、资金、交易、报盘、清算、外围及三方存管等管理模块交易撮合系统交易所完成最终的订单撮合。需要区分的是券商端看到的交易系统相对狭义主要集中在交易执行环节委托提交、委托确认、成交回报三个步骤对应报盘系统的 3 张表ashare_ordwth、ashare_ordwth2、ashare_cjhb而投资端视角的交易系统则包含选股、择时、交易、风控、仓位管理、资金管理、止盈止损等完整环节。算法交易被动型与主动型这里的**算法交易Algorithmic TradingALGO**是一个专有名词特指交易执行环节的算法与策略系统使用的投资决策算法目的不同——前者以辅助投资和交易执行为目的体现形式就是拆单。被动型算法交易最成熟、应用最广按照既定的交易计划委托下单。主流如 **TWAP时间加权平均价**在设定时间段内均匀下单**VWAP成交量加权平均价**在设定时间段内按照成交量分布下单主动型算法交易又称机会型算法交易如主动型 VWAP、狙击手Sniper、嗅探器Sniffer等会根据市场状况作出实时决策判断是否交易以及交易的数量和价格除减少滑点外还要预测价格趋势智能/综合算法如T0 日内策略根据智能信号捕捉交易拐点通过买卖、融资融券等方式获取价差当天交易完成后持仓不变赚取额外收益。国内主动型算法目前主要由卡方、金纳、丽海弘金、迅投、泰铼等第三方算法交易服务商提供。近年来随着量化投资兴起传统集中交易柜台已难以满足量化策略的速度要求券商纷纷采购或自研极速柜台系统采用独立高速线路和独立报盘网关在硬件、网络、系统层面展开军备竞赛——价投类多头策略使用功能齐全的 PB 交易端量化类策略则使用速度和性能更佳的极速交易柜台。从行业结构看私募除投研之外的业务产品设计、注册备案、募资、托管、研究支持、杠杆融资、证券拆借、交易执行、清算估值、后台运营全部外包给证券公司这一揽子服务构成了券商的PBPrime Brokerage主经纪商业务。三、量化策略的思想起源四大理论来源量化策略的思想大致来源于 4 个方面经典理论、逻辑推理、数据挖掘、机器学习。3.1 经典理论MPT、CAPM 与 APT现代资产组合理论MPT和资本资产定价模型CAPM是量化研究最核心的理论基础。1952 年哈里·马科维茨在《金融》杂志发表《资产组合选择——投资的有效分散化》合理假设证券收益率服从正态分布从而以均值、方差两个数字特征定量描述单一证券的收益和风险——这是经济学家第一次对风险和收益进行精确定义。1990 年马科维茨与 CAPM 创始人威廉·夏普共同获得诺贝尔经济学奖。经典 CAPM 将投资组合的期望收益分为两部分投资收益率 α收益 β收益其中 α 收益为投资组合超越市场组合的超额收益β 收益为投资组合承担系统风险而获得的收益。1976 年斯蒂芬·罗斯提出套利定价模型 APTArbitrage Pricing Theory。APT 与套利交易无关是适用于所有资产的估值模型认为资本资产收益率是各种因素如 GDP 增长、通货膨胀水平等综合作用的结果并不仅仅受证券组合内部风险因素影响。除三大理论基础外量化策略还借鉴了 K 线理论、道氏理论、江恩法则、趋势理论、形态理论、波浪理论、时间周期理论等传统技术分析内容作为多因子选股的部分指标因此也以技术分析的三大假设为前提市场行为包含一切信息、价格沿趋势移动、历史会重演。3.2 逻辑推理、数据挖掘与机器学习逻辑推理对宏观信息进行量化处理整理出符合宏观基本面信息的量化模型如行业轮动策略、市场情绪轮动策略、上下游供需关系量化策略数据挖掘金融投资是高度数字化的行业历史行情、资讯、财务和交易信息积淀了丰富的数据资源数据挖掘可对高维度数据进行分析整理挖掘隐藏的规律信息形成量化交易策略机器学习作为人工智能的核心其核心是学习和预测能力——借助计算机对数据训练集进行学习后形成模式识别模型进而实现对未来数据测试集的预测。机器学习非常适合量化投资这类博弈领域。四、国内量化策略的演变四个阶段国内量化策略的演变大致分为 4 个阶段其演进主线是做空机制的逐步完善与计算能力的持续提升阶段时间关键事件与特征量化酝酿期2001—2010 年金融市场没有做空机制、计算能力不足、可用数据少主要是量价类因子筛选以人工为主量化 1.0 萌芽期2010—2015 年沪深300-IF 股指期货上市有了对冲工具主流策略是利用股指期货对冲的市场中性和套利策略收益多来自系统自身 β 上涨量化 2.0 转型期2015—2019 年中证500-IC、上证50-IH 股指期货上市对冲工具转向中证 500计算能力提升策略从传统多因子转向量价高频开始获取真正的 α量化 3.0 发展期2019 年至今公募基金转融通业务开启两融标的大扩容950 只增至 1600 只中证 800 成分股两融覆盖率 95%多空策略更完整机器学习大量应用策略迭代更快交易执行越来越重要五、量化策略的分类多维度的体系量化策略的精确分类并不容易——银行、券商、基金公司对基金和理财产品的分类各不相同前中后台、不同层级的分类也不相同。海外与国内对量化策略的分类存在差异且基础策略、组合策略、产品策略相互重叠。5.1 按交易思想分类三大基础策略国内量化策略按交易思想划分可分为三大基础策略基础策略策略细分策略简述趋势性策略股票多空持有股票多头同时用股票空头对冲选择标的同时对大盘多空择时以动量策略为主趋势性策略股票量化采用量化多因子模型选股通过调整仓位控制风险趋势性策略宏观对冲预判宏观走势投资于股票、债券、商品等多种资产趋势性策略管理期货CTA通过期货、期权等衍生品进行投机或套利交易相对价值股票市场中性通过多因子选股和股指期货对冲获取超越指数的收益相对价值套利策略从金融资产的错误定价中获利事件驱动并购重组、定向增发、大宗交易、特殊事件等挖掘可能造成特定上市公司股价波动的特殊事件把握交易时机获取收益笼统而言指数增强、市场中性、股票多空、量化选股、量化择时都可归为股票量化策略。5.2 按敞口、频率与规模分类按敞口划分分为指数增强和市场中性。两者同根同源——指数增强追求相对收益多头满仓无对冲市场中性追求绝对收益完全对冲、无风险敞口按交易频率划分分为中低频、中高频、日内高频三类。中低频和中高频策略主要使用基本面多因子和量价多因子预测个股收益收益来源主要是选股年化换手率在 50—100 倍日内高频策略使用高换手率日内因子或 T0 策略收益来源不仅有选股还有交易获利平均 1—2 天换仓一次年化换手率约 200 倍按管理规模划分私募排排网分 5 类量化中性、股票量化、管理期货量化、量化套利、量化多策略。海外最重要的策略是股票多空规模占比约 1/3国内管理规模最大的是市场中性约 27%其次是股票量化约 22%。从策略容量看最大单管理人规模股票量化约 300 亿、CTA 约 50 亿、套利约 10 亿、高频期货和期权约 5 亿。如果说量化投资是投资领域的王冠那么高频交易HFT就是这顶王冠上的明珠。六、六大主流量化策略的原理对量化和高频交易一般原则是先有数据、后有模型先有思路、后有量化。由于指数增强、市场中性和量化选股原理同根同源从量化选股展开最为自然。6.1 量化选股策略量化选股策略也叫量化因子选股策略、量化多头、空气指增的基本流程分为 4 步数据开发、因子开发、组合优化、交易执行。数据开发搜集、清洗、预处理各类数据包括量价数据技术面、基本面数据、现金流数据、舆情数据消息面、另类数据等数据质量直接关系到策略的有效程度因子研发通过研究员人工挖掘或机器挖掘提取具备预测能力的单因子用历史数据回测达标则提交因子库不达标则优化再回测或放弃。如果说策略是量化的核心那么因子就是策略的核心组合优化对因子库中的因子进行有机组合形成预测模型——这是整个量化策略的目标。因子选择、组合方式与优化由神经网络和机器学习实现预测模型确定后对全市场股票进行预期收益率评分排序排名靠前的股票进入实盘交易清单交易执行使用 TWAP/VWAP 等算法交易或篮子委托拆单降低交易成本、减少市场冲击也可低频策略叠加 T0或使用更先进的高频策略低延时线路、低延时网卡、高速交换机、内存数据库、FPGA、超融合技术等。量化选股没有基准指数在风格、行业、个股集中度方面约束宽松使预测模型的评分结果能尽可能应用到投资组合中。这类空气指增策略 2021 年才开始有实盘产品发行为国内特有——2015 年股灾后股指期货被监管限制、贴水一度达 30%—40%对冲功能受限后部分机构发现纯做 α 收益也很可观便放弃了对冲。在 Qbot 仓库中多因子选股的完整思路与代码可见 docs/02-经典策略/01-股票/多因子选股.md其中以 Fama-French 三因子模型为基础通过市值和账面市值比双重排序构建 SMB规模因子与 HML价值因子对每只股票做 OLS 回归得到 alpha 截距项——alpha 为负说明股票被低估应买入选取 alpha 最小且小于 0 的 10 只股票等权买入同时 pytrader/strategies/multi_factor.py 提供了 JoinQuant 风格的工程化版本支持配置调仓频率、样本长度、持仓数目与因子权重是理解因子→评分→排序→选股全流程的绝佳参考实现。6.2 指数增强策略指数增强策略是包含量化选股 指数追踪的资产组合策略不论策略容量还是超额水平都堪称国内量化策略的主赛道其核心是Alpha 能力。指数增强有一个隐含的理论前提大多数主动型基金无法长期战胜被动指数基金。既然无法超越指数就以指数β为基准叠加量化选股进行收益增强——以股票市场指数沪深 300、中证 500、中证 1000为基准在全市场范围内选股并保持满仓运作同时获取指数收益 β 和超越指数的超额收益 α。这类策略的特点是短期跟指数β长期累超额α。与量化选股流程最大的差别在于组合优化环节加入了风险控制行业中性、市值中性、风格中性目的是更贴近基准指数。有风险控制约束即风格收敛的指数增强无约束即风格放松的量化选股。其组合过程是先跟 β再加 α依据行业中性、风格中性原则先从指数成分股中选出代表性股票作为组合基础贴近 β再加入量化选股预期收益靠前的股票组合获取 α。指数增强与量化选股的差异集中体现在 5 个方面对比维度指数增强量化选股收益来源追求最大化超额收益与超额夏普追求最大化超额收益与绝对夏普跟踪基准严格控制与对标指数的跟踪误差无对标指数跟踪误差较大风格约束行业中性、风格中性、Beta1行业、风格偏移不做严格限制选股范围偏向成分股有一定限制全市场选股最大化量化模型发挥收益波动贴近指数相对较小更大尤其是市场风格反转时指数的选择上一般私募热衷中证 500公募偏爱沪深 300沪深 300 代表大金融和大消费优势行业金融食品饮料中证 500 代表周期煤炭钢铁有色化工创业板 50 代表科技新能源医药。海外则流行 130/30 多空混合模式即用杠杆、对冲工具构建 130% 多头仓位同时开仓 30% 空头仓位实现 βα 的指数增强。6.3 市场中性策略市场中性策略Market Neutral Strategies也叫 α 策略国内常指代量化对冲是海外引进的最主流策略。其定义是构建一组量化选股的股票多头同时通过股指期货等工具卖空对冲市场风险使组合的市场系统性风险β接近于 0只保留超额收益 α。因为股价存在波动一般 β 值小于 0.3 即可算作市场中性。CAPM 揭示了其理论根基Rp-Rf α β(Rm-Rf)。虽然优秀基金经理可以通过选股、择时获得 α 收益但无法避免市场下跌带来的系统风险因此采用做空股指对冲获取稳健收益。策略原理即(αβ) - β α无论市场涨跌都能获得稳定超额收益。但现实是对冲工具不是股指而是股指期货理论上的 (αβ) - β 变成了现实中的 (αβ) - β - 基差 α - 基差只有当 α 收益战胜负基差时投资者才能获得正收益。基差 现货价格 - 期货价格现货价格低于期货价格时基差为负期货升水、现货贴水现货价格高于期货价格时基差为正期货贴水、现货升水。2016 年起中证 500 股指期货一直保有较大负基差长时间年化 8—10 个点股指期货贴水带来额外对冲成本加上期货保证金占用 15%—20% 的资金影响资金使用效率两者叠加大大降低了市场中性策略的收益率。市场中性策略与指数增强原理同根同源区别仅在风险敞口指数增强市场中性追求相对收益追求绝对收益多头满仓无对冲完全对冲获取市场收益 β 超额收益 α获取超额收益 α以高波动博取高收益低波动收益稳健因此市场中性的关键在于 α 选股能力。由于对冲成本和资金效率限制其收益一般不会太高国内私募通常采用日内回转交易T0 高频 α 策略增厚收益。长期来看市场中性策略收益率与股票指数相当波动性近似债券指数但风险调整后收益远高于股票和债券指数——牛市表现不突出熊市则体现很强优越性。6.4 股票多空策略股票多空策略Equity Long/short是在买入被低估股票的同时卖空被高估的股票资产配置中既有多头仓位也有空头仓位。空头仓位主要是融券卖空股票也可以是卖空股指期货或股票期权。它是最经典、最广泛、规模也最大的对冲基金策略海外管理规模占比接近 1/3稳居全球对冲基金各策略之首长期年化收益可达 9% 左右、波动率仅 7% 左右、夏普比例可超过 1。其基本思路是既然能选出超越市场表现的组合自然也能选出跑输大盘的组合——如果用跑输大盘的组合代替股指进行对冲做多多头组合同时做空空头组合就可以获取双倍 α 收益。相比其他 Alpha 策略股票多空不仅收益大幅增长且空头组合采用一篮子融券的现货对冲方式没有股指期货的负基差成本。国内之前很少实践股票多空策略主要原因在于空头组合需要一篮子融券而此前国内券源种类和规模都非常稀缺2019 年底转融通正式开启、两融标的大扩容后该策略才具备发展条件。按对冲手段可分为个股做空和股指做空两类个股对冲可以在对冲市场风险的同时额外增加 α 收益股指做空主要起对冲市场风险作用。个股做空又分为配对交易和一篮子多/空头做空指数可分为完全对冲和不完全对冲。所谓配对交易是分别做多和做空同一行业内分别处于上升期和下降期的企业只要两者相对收益可以确定即可获得正收益。做空工具方面个股做空可通过融券、收益互换、个股期权等股指做空可通过股指期货、股指期权等。从收益角度看做空预期下跌的股票使收益来源更丰富熊市时可卖空获得较高收益从风险角度看空头可对冲市场风险、弱化择时要求加杠杆还可提升资金使用效率。但该策略总体操作难度较大除标的选择外还需要对大盘多空进行择时判断。目前的量化多空策略往往以动量策略为主——市场出现较明显趋势性行情时再做相应调整。盈利关键是选股能力和择时能力策略能否实施的关键则是能否借到所需品种和足够数量的股票进行做空。在 Qbot 仓库中配对交易的完整 backtrader 实现参见 docs/02-经典策略/01-股票/量化三-配对交易.md该文档展示了用 tushare 获取同行业股票、计算相关性、构造价差调仓策略的完整链路并配有 Pairs_Trading 笔记本见 docs/notebook/Pairs_Trading.ipynb可作为股票多空体系中个股对冲分支的入门参考。6.5 CTA 策略CTA 策略Commodity Trading Advisor Strategy商品交易顾问策略又称管理期货策略Managed Futures主要投资于期货市场——这是与股票策略的最大不同。简单来说CTA 策略是通过期货、期权等衍生品进行投机或套利交易的策略主要投资于大宗商品期货农产品、金属、能源、化工材料和金融期货外汇期货、利率期货、股指期货。CTA 策略的核心优势有三点低相关性与传统股票资产低相关甚至负相关具备很强配置价值保证金交易制度可通过不同保证金占用比例控制杠杆。一般净合约价值不超过基金净资产的 2—3 倍保证金占用 10%—20%不同品种通过保证金交易可实现数倍至数十倍的无成本杠杆双向 T0 市场多空双向均可投资操作在涨跌市场都可能获益。趋势性强、波动性高的市场环境更适合 CTA 发挥因此 CTA 也被称为危机 Alpha——市场危机时往往能获取独特收益对股票和债券构成的投资组合有良好保护作用。CTA 分为主观 CTA投资者根据调研、基本面或操盘经验判断走势和量化 CTA通过大数据分析建立数量化模型由模型产生的买卖信号决策。目前大部分机构采用量化 CTA它通常也被认为是学习量化投资的入门策略。具体分为单品种时间序列策略趋势跟踪、趋势反转和多品种截面组合套利跨品种套利、跨期套利、期限套利、境内外套利、强弱对冲等对应三大子策略子策略策略描述趋势跟踪跟随已形成的价格趋势获利上涨持多仓、下跌持空仓是 CTA 主流策略管理规模占全部 CTA 的 70% 以上有明显平台期趋势反转均值回归判断价格拐点从价格回归过程获利信号显示反转向上时持多仓、反转向下时持空仓价格回归时平仓套利对冲对相关品种/合约交易多数为做多低估品种、做空高估品种从价格回归中获利包括期现、跨期、跨品种、跨市场套利策略相对稳健趋势跟踪的基本逻辑来自市场惯性和市场不有效性——新信息传播需要过程资产从一个均衡价格 X 到达另一个均衡价格 Y 的过程就是趋势。其操作大致分 4 步观察到上涨趋势买入 → 持续加大多头仓位并盈利 → 观察到趋势结束逐步调整仓位 → 观察到下跌趋势逐步加大空头仓位。趋势跟踪观测周期越长预测效果越差但策略容量越大。高频交易HFT的策略模式主要有做市商策略和投机策略最赚钱的领域是股指期货商品期货领域竞争激烈。趋势反转策略偏短期交易常用于震荡行情套利策略主要分为统计套利和逻辑套利核心为价差的收敛回归和发散。与单品种趋势跟踪相反套利策略一般胜率较高但盈亏比较差。市场呈趋势行情时趋势跟踪表现好市场盘整时套利或对冲策略表现好。6.6 T0 策略T0 日内策略是对同一只股票在同一个交易日内完成一次或多次买入卖出的盈利模式目的在保持持股数量不变的情况下通过市场波动的差价高抛低吸获利从而增厚收益、降低持股成本。T0 策略不负责选股建仓只基于已有持仓做交易——不赚选股的钱只赚交易的钱。国外没有把 T0 列为单独策略因为国外交易所通常实行 T0 制度但 A 股是 T1 制度当天买入的股票只能等下一个交易日交割过户后才能卖出。所以国内 T0 策略是一种变相的 T0本质是高频交易HFT在国内落地的一种方式也是 A 股最常见的高频交易策略。由于 A 股不允许卖出当天买入的股票策略必须持有该股票作为底仓前期自建持仓或向券商融券在保持日终清算后总头寸不变的情况下既可做多也可做空通过极低止损捕捉确定性高的短期高波动。由于印花税千分之 1和券商手续费的存在T0 交易要求股价振幅足够大才能盈利——股价低于 10 元、超过 100 元、流通盘较小或估值较高的股票都不太适合做 T0沪深两市适合做 T0 的高波动、低估值股票最多不超过 15%。T0 日内交易有 4 个特征高频率、高胜率、低回撤、赚小钱。单笔利润微薄靠高频度交易次数将超过 50% 的胜率变现积少成多。举例若每次日内交易 70% 概率盈利 0.2%、30% 概率亏损 0.1%印花税千 1、交易佣金万 1.5每天交易一次、一年 252 次累计收益相当可观且 T0 回撤和止损幅度极小80% 以上的止损交易只亏手续费。人工 T0靠日内交易员的技术分析能力、综合预判经验和盘感驱动策略分为联动板块联动、反向联动、期指联动、突破横盘突破、区间突破、开盘突破、反转、接多接飞刀个股大幅下跌动能衰竭后快速反弹时底部进仓等几类量化 T0包含两类驱动子策略——第一类借鉴人工 T0 经验依据特定价量形态和事件联动、突破、反转触发交易第二类是多因子策略类似量化选股建立预测模型寻找稳定预测能力的因子指标线性或非线性组合成预期收益率扣除费用和冲击后由系统判断是否触发买卖可算作日内的 α 策略。目前 T0 仍以人工为主流占比 80% 以上、量化 T0 为补充——还没有 AI 或量化 T0 的收益能真正跑赢人工 T0 团队优秀手工交易员日均收益可达交易额千分之 2量化 T0 做到千分之 1.5 已很不错。量化 T0 训练的高频数据主要包括逐笔成交、逐笔委托、盘口快照数据以及日内交易员量化后的操盘经验数据。按持仓时间日内交易可分为三种子策略子策略持仓时间止损幅度日内超短大多 2—3 分钟内一般不超过 10 分钟千分之 3日内趋势约 30 分钟拿小波段大多千分之 6日内长线1 小时以上利润大、波动大一般在百分之 1其中日内超短策略相对比较容易获得稳定盈利。T0 可应用于指数增强、转债套利、打新等场景适用范围大致有 5 类高净值套牢客户降低持仓成本、价值投资客户长期持有高波动个股同时增厚收益、特定 α 收益型产品股票池基础上捕捉日内波动、偏好 T0 交易的客户借券/融券建底仓或交易 T0 品种、线下打新用户利用底仓市值参与新股配售并捕捉日内波动。在 Qbot 仓库中T0 策略已有工程化尝试pytrader/strategies/中概互联_自动T.py即是一个面向具体标的中概互联 ETF的自动 T 实现展示了底仓 日内高抛低吸逻辑在真实代码中的落地形态可对照本文原理阅读。七、量化策略的未来趋势结合文档的研判与行业现状量化策略正呈现五大趋势占比持续抬升国内量化发展不到 10 年百亿量化私募已达 20 多家、总管理规模超万亿但在证券私募行业占比还不到 20%对照海外美国量化规模占比超 70%国内仍有很大空间。且 A 股散户占比超 80%、市场不有效性强烈对量化超额 Alpha 是特殊红利——头部管理人相对中证 500 的平均年化超额收益约 25%沪深 300 平均年化超额收益约 12%基本面量化Quantamental兴起随着量化处理能力提升上市公司基本面信息、专业投资人积累的分析投资经验等非结构化数据正被量化。在消化具体数据方面人的能力不如机器技术分析的相关性终究弱于基本面分析的逻辑性基本面因子相比量价因子会越来越重要Alpha 下滑、频率降低、执行重要规模、波动和收益是不可兼得的三角随规模增加 Alpha 不断减弱只能降低频率或风格暴露获取收益导致波动增加且策略趋同后交易执行越来越重要研究重心与管理模式转变头部管理人的研究重心从因子挖掘转向投资购买非公开数据管理模式从 PM 组模式向工厂模式转变——统合管理因子挖掘、组合与股票组合的 PM 组分化为因子团队、AI 团队、投决会、算法团队的车间工厂模式分工更明确精细AI 与机器学习影响加深量化策略的核心要素是信息、算法、执行进入数字化时代后这三者都会受到 AI 和大数据技术的赋能提升。八、从理论到工程Qbot 中的策略落地全景本文所述的理论体系在 Qbot 仓库中均有对应的工程实现可以参考和学习多因子/量化选股docs/02-经典策略/01-股票/多因子选股.mdFama-French 三因子完整回测代码、pytrader/strategies/multi_factor.py多因子工程化实现、pytrader/strategies/multi_factor_strategy.py趋势/动量类CTA 与择时思想docs/02-经典策略/01-股票/量化策略-RSRS择时.md 与其工程实现 pytrader/rsrs.pyRSRS 斜率因子择时、qbot/strategies/sma_cross_strategy_bt.py双均线、qbot/strategies/adx_strategy.pyADX 趋势强度、qbot/strategies/boll_strategy.py布林带均值回归配对交易/相对价值docs/02-经典策略/01-股票/量化三-配对交易.md 与 docs/notebook/Pairs_Trading.ipynbT0/高频思想pytrader/strategies/中概互联_自动T.py智能/机器学习策略docs/03-智能策略/model_zoo.md 汇总了模型库qbot/strategies/lstm_strategy_bt.py、qbot/strategies/rl_strategy_bt.py 分别对应 LSTM 与强化学习策略的回测实现pytrader/strategies/benchmarks/下还有 LSTM、Transformer、XGBoost、LightGBM、TFT 等模型的基准对比网格交易震荡市工具docs/03-智能策略/网格交易.md 给出了价格中枢 网格宽度 单次买卖数量的完整参数化设置示例。这些策略代码与回测配置恰好印证了本文论述的数据开发 → 因子开发 → 组合优化 → 交易执行四步方法论也展示了从理论分类到可运行策略的完整转化路径。需要说明的是本文及仓库内所有策略文档均仅用于学习、交流、演示不构成任何投资建议。本文主体内容整理自仓库文档 docs/01-新手指引/量化策略的分类和原理.md并结合仓库内经典策略文档与源码实现进行了工程化视角的补充。【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 量化策略的分类和原理全解析——从思想起源到六大主流策略，兼谈 Qbot 项目中的工程化落地
量化策略的分类和原理全解析——从思想起源到六大主流策略兼谈 Qbot 项目中的工程化落地【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot量化投资正在以惊人的速度重塑国内资产管理行业。从 2010 年沪深 300 股指期货上市开启的对冲时代到如今百亿量化私募超过 20 家、总管理规模破万亿量化策略已经从一个小众的技术话题演变为整个机构投资生态的核心基础设施。本文以 Qbot 项目文档《量化策略的分类和原理》为主体脉络系统梳理量化策略的定义、思想起源、国内演变历程、多维度分类体系以及量化选股、指数增强、市场中性、股票多空、CTA、T0 六大主流策略的底层原理并结合仓库内的策略源码与经典策略文档说明这些理论在真实工程中的落地形态。一、什么是量化策略与主观策略的本质对比量化是把主观的思维通过数理的方法进行定量、系统的实现过程策略是可能实现目标的方案集合。两者结合量化策略就是区别于主观的定性分析通过数理方法、数据统计和机器决策来进行证券投资与交易。具体来说量化策略在选股、择时、交易、仓位管理、止盈止损等各个环节都以数理模型和计算机为工具进行量化的分析、决策和交易。它与主观策略的差异集中体现在四个维度对比维度主观策略量化策略选股依据分析师主观判断标准化的方案与流程持仓结构持仓较为集中全市场选股持仓高度分散少则 300 只、多则 2000 只决策方式分析师分析市场后再形成交易决策通过计算概率获取收益克服贪婪、恐惧、情绪波动等人性弱点交易系统要求不高构建完整的自动化买入/卖出交易系统其中量化策略的四大核心特征是纪律性选股过程有标准化的方案和流程克服人性的弱点分散化全市场选股根本方法论是通过计算概率来获取收益及时性实时跟踪市场变化发现定价错误及时触发指令市场风格转换时及时调整参数系统性从大类资产、细分行业、宏观周期等多维度进行投研配置并构建完整的自动化交易系统。用一句话概括量化策略的本质定性投资的数量化实践。即使 AI 可以生成投资决策数据选择和模型调试仍需要专业投资人士的参与因此量化策略并非完全没有人为和主观成分只是相对传统策略占比更少。二、全景视角完整闭环交易系统的四大组成理解量化策略需要先理解它所在的交易系统全链条。一个完整闭环的交易系统可分为 4 部分策略系统投研端→ 订单生成系统投研端或券商端→ 订单执行系统券商端→ 交易撮合系统交易所策略系统投研端使用投资决策算法以投资为目的是整个链条的大脑订单生成系统目标是提高交易效率、降低交易成本、减少对市场冲击、隐藏交易意图、捕捉交易机会核心是用算法交易和**组合交易篮子委托**做拆单可由券商端 PB 交易系统或投资端策略系统实现订单执行系统即券商核心交易系统提供交易通道和报盘席位PBU如金证、恒生等提供的集中交易柜台包含账户、股份、资金、交易、报盘、清算、外围及三方存管等管理模块交易撮合系统交易所完成最终的订单撮合。需要区分的是券商端看到的交易系统相对狭义主要集中在交易执行环节委托提交、委托确认、成交回报三个步骤对应报盘系统的 3 张表ashare_ordwth、ashare_ordwth2、ashare_cjhb而投资端视角的交易系统则包含选股、择时、交易、风控、仓位管理、资金管理、止盈止损等完整环节。算法交易被动型与主动型这里的**算法交易Algorithmic TradingALGO**是一个专有名词特指交易执行环节的算法与策略系统使用的投资决策算法目的不同——前者以辅助投资和交易执行为目的体现形式就是拆单。被动型算法交易最成熟、应用最广按照既定的交易计划委托下单。主流如 **TWAP时间加权平均价**在设定时间段内均匀下单**VWAP成交量加权平均价**在设定时间段内按照成交量分布下单主动型算法交易又称机会型算法交易如主动型 VWAP、狙击手Sniper、嗅探器Sniffer等会根据市场状况作出实时决策判断是否交易以及交易的数量和价格除减少滑点外还要预测价格趋势智能/综合算法如T0 日内策略根据智能信号捕捉交易拐点通过买卖、融资融券等方式获取价差当天交易完成后持仓不变赚取额外收益。国内主动型算法目前主要由卡方、金纳、丽海弘金、迅投、泰铼等第三方算法交易服务商提供。近年来随着量化投资兴起传统集中交易柜台已难以满足量化策略的速度要求券商纷纷采购或自研极速柜台系统采用独立高速线路和独立报盘网关在硬件、网络、系统层面展开军备竞赛——价投类多头策略使用功能齐全的 PB 交易端量化类策略则使用速度和性能更佳的极速交易柜台。从行业结构看私募除投研之外的业务产品设计、注册备案、募资、托管、研究支持、杠杆融资、证券拆借、交易执行、清算估值、后台运营全部外包给证券公司这一揽子服务构成了券商的PBPrime Brokerage主经纪商业务。三、量化策略的思想起源四大理论来源量化策略的思想大致来源于 4 个方面经典理论、逻辑推理、数据挖掘、机器学习。3.1 经典理论MPT、CAPM 与 APT现代资产组合理论MPT和资本资产定价模型CAPM是量化研究最核心的理论基础。1952 年哈里·马科维茨在《金融》杂志发表《资产组合选择——投资的有效分散化》合理假设证券收益率服从正态分布从而以均值、方差两个数字特征定量描述单一证券的收益和风险——这是经济学家第一次对风险和收益进行精确定义。1990 年马科维茨与 CAPM 创始人威廉·夏普共同获得诺贝尔经济学奖。经典 CAPM 将投资组合的期望收益分为两部分投资收益率 α收益 β收益其中 α 收益为投资组合超越市场组合的超额收益β 收益为投资组合承担系统风险而获得的收益。1976 年斯蒂芬·罗斯提出套利定价模型 APTArbitrage Pricing Theory。APT 与套利交易无关是适用于所有资产的估值模型认为资本资产收益率是各种因素如 GDP 增长、通货膨胀水平等综合作用的结果并不仅仅受证券组合内部风险因素影响。除三大理论基础外量化策略还借鉴了 K 线理论、道氏理论、江恩法则、趋势理论、形态理论、波浪理论、时间周期理论等传统技术分析内容作为多因子选股的部分指标因此也以技术分析的三大假设为前提市场行为包含一切信息、价格沿趋势移动、历史会重演。3.2 逻辑推理、数据挖掘与机器学习逻辑推理对宏观信息进行量化处理整理出符合宏观基本面信息的量化模型如行业轮动策略、市场情绪轮动策略、上下游供需关系量化策略数据挖掘金融投资是高度数字化的行业历史行情、资讯、财务和交易信息积淀了丰富的数据资源数据挖掘可对高维度数据进行分析整理挖掘隐藏的规律信息形成量化交易策略机器学习作为人工智能的核心其核心是学习和预测能力——借助计算机对数据训练集进行学习后形成模式识别模型进而实现对未来数据测试集的预测。机器学习非常适合量化投资这类博弈领域。四、国内量化策略的演变四个阶段国内量化策略的演变大致分为 4 个阶段其演进主线是做空机制的逐步完善与计算能力的持续提升阶段时间关键事件与特征量化酝酿期2001—2010 年金融市场没有做空机制、计算能力不足、可用数据少主要是量价类因子筛选以人工为主量化 1.0 萌芽期2010—2015 年沪深300-IF 股指期货上市有了对冲工具主流策略是利用股指期货对冲的市场中性和套利策略收益多来自系统自身 β 上涨量化 2.0 转型期2015—2019 年中证500-IC、上证50-IH 股指期货上市对冲工具转向中证 500计算能力提升策略从传统多因子转向量价高频开始获取真正的 α量化 3.0 发展期2019 年至今公募基金转融通业务开启两融标的大扩容950 只增至 1600 只中证 800 成分股两融覆盖率 95%多空策略更完整机器学习大量应用策略迭代更快交易执行越来越重要五、量化策略的分类多维度的体系量化策略的精确分类并不容易——银行、券商、基金公司对基金和理财产品的分类各不相同前中后台、不同层级的分类也不相同。海外与国内对量化策略的分类存在差异且基础策略、组合策略、产品策略相互重叠。5.1 按交易思想分类三大基础策略国内量化策略按交易思想划分可分为三大基础策略基础策略策略细分策略简述趋势性策略股票多空持有股票多头同时用股票空头对冲选择标的同时对大盘多空择时以动量策略为主趋势性策略股票量化采用量化多因子模型选股通过调整仓位控制风险趋势性策略宏观对冲预判宏观走势投资于股票、债券、商品等多种资产趋势性策略管理期货CTA通过期货、期权等衍生品进行投机或套利交易相对价值股票市场中性通过多因子选股和股指期货对冲获取超越指数的收益相对价值套利策略从金融资产的错误定价中获利事件驱动并购重组、定向增发、大宗交易、特殊事件等挖掘可能造成特定上市公司股价波动的特殊事件把握交易时机获取收益笼统而言指数增强、市场中性、股票多空、量化选股、量化择时都可归为股票量化策略。5.2 按敞口、频率与规模分类按敞口划分分为指数增强和市场中性。两者同根同源——指数增强追求相对收益多头满仓无对冲市场中性追求绝对收益完全对冲、无风险敞口按交易频率划分分为中低频、中高频、日内高频三类。中低频和中高频策略主要使用基本面多因子和量价多因子预测个股收益收益来源主要是选股年化换手率在 50—100 倍日内高频策略使用高换手率日内因子或 T0 策略收益来源不仅有选股还有交易获利平均 1—2 天换仓一次年化换手率约 200 倍按管理规模划分私募排排网分 5 类量化中性、股票量化、管理期货量化、量化套利、量化多策略。海外最重要的策略是股票多空规模占比约 1/3国内管理规模最大的是市场中性约 27%其次是股票量化约 22%。从策略容量看最大单管理人规模股票量化约 300 亿、CTA 约 50 亿、套利约 10 亿、高频期货和期权约 5 亿。如果说量化投资是投资领域的王冠那么高频交易HFT就是这顶王冠上的明珠。六、六大主流量化策略的原理对量化和高频交易一般原则是先有数据、后有模型先有思路、后有量化。由于指数增强、市场中性和量化选股原理同根同源从量化选股展开最为自然。6.1 量化选股策略量化选股策略也叫量化因子选股策略、量化多头、空气指增的基本流程分为 4 步数据开发、因子开发、组合优化、交易执行。数据开发搜集、清洗、预处理各类数据包括量价数据技术面、基本面数据、现金流数据、舆情数据消息面、另类数据等数据质量直接关系到策略的有效程度因子研发通过研究员人工挖掘或机器挖掘提取具备预测能力的单因子用历史数据回测达标则提交因子库不达标则优化再回测或放弃。如果说策略是量化的核心那么因子就是策略的核心组合优化对因子库中的因子进行有机组合形成预测模型——这是整个量化策略的目标。因子选择、组合方式与优化由神经网络和机器学习实现预测模型确定后对全市场股票进行预期收益率评分排序排名靠前的股票进入实盘交易清单交易执行使用 TWAP/VWAP 等算法交易或篮子委托拆单降低交易成本、减少市场冲击也可低频策略叠加 T0或使用更先进的高频策略低延时线路、低延时网卡、高速交换机、内存数据库、FPGA、超融合技术等。量化选股没有基准指数在风格、行业、个股集中度方面约束宽松使预测模型的评分结果能尽可能应用到投资组合中。这类空气指增策略 2021 年才开始有实盘产品发行为国内特有——2015 年股灾后股指期货被监管限制、贴水一度达 30%—40%对冲功能受限后部分机构发现纯做 α 收益也很可观便放弃了对冲。在 Qbot 仓库中多因子选股的完整思路与代码可见 docs/02-经典策略/01-股票/多因子选股.md其中以 Fama-French 三因子模型为基础通过市值和账面市值比双重排序构建 SMB规模因子与 HML价值因子对每只股票做 OLS 回归得到 alpha 截距项——alpha 为负说明股票被低估应买入选取 alpha 最小且小于 0 的 10 只股票等权买入同时 pytrader/strategies/multi_factor.py 提供了 JoinQuant 风格的工程化版本支持配置调仓频率、样本长度、持仓数目与因子权重是理解因子→评分→排序→选股全流程的绝佳参考实现。6.2 指数增强策略指数增强策略是包含量化选股 指数追踪的资产组合策略不论策略容量还是超额水平都堪称国内量化策略的主赛道其核心是Alpha 能力。指数增强有一个隐含的理论前提大多数主动型基金无法长期战胜被动指数基金。既然无法超越指数就以指数β为基准叠加量化选股进行收益增强——以股票市场指数沪深 300、中证 500、中证 1000为基准在全市场范围内选股并保持满仓运作同时获取指数收益 β 和超越指数的超额收益 α。这类策略的特点是短期跟指数β长期累超额α。与量化选股流程最大的差别在于组合优化环节加入了风险控制行业中性、市值中性、风格中性目的是更贴近基准指数。有风险控制约束即风格收敛的指数增强无约束即风格放松的量化选股。其组合过程是先跟 β再加 α依据行业中性、风格中性原则先从指数成分股中选出代表性股票作为组合基础贴近 β再加入量化选股预期收益靠前的股票组合获取 α。指数增强与量化选股的差异集中体现在 5 个方面对比维度指数增强量化选股收益来源追求最大化超额收益与超额夏普追求最大化超额收益与绝对夏普跟踪基准严格控制与对标指数的跟踪误差无对标指数跟踪误差较大风格约束行业中性、风格中性、Beta1行业、风格偏移不做严格限制选股范围偏向成分股有一定限制全市场选股最大化量化模型发挥收益波动贴近指数相对较小更大尤其是市场风格反转时指数的选择上一般私募热衷中证 500公募偏爱沪深 300沪深 300 代表大金融和大消费优势行业金融食品饮料中证 500 代表周期煤炭钢铁有色化工创业板 50 代表科技新能源医药。海外则流行 130/30 多空混合模式即用杠杆、对冲工具构建 130% 多头仓位同时开仓 30% 空头仓位实现 βα 的指数增强。6.3 市场中性策略市场中性策略Market Neutral Strategies也叫 α 策略国内常指代量化对冲是海外引进的最主流策略。其定义是构建一组量化选股的股票多头同时通过股指期货等工具卖空对冲市场风险使组合的市场系统性风险β接近于 0只保留超额收益 α。因为股价存在波动一般 β 值小于 0.3 即可算作市场中性。CAPM 揭示了其理论根基Rp-Rf α β(Rm-Rf)。虽然优秀基金经理可以通过选股、择时获得 α 收益但无法避免市场下跌带来的系统风险因此采用做空股指对冲获取稳健收益。策略原理即(αβ) - β α无论市场涨跌都能获得稳定超额收益。但现实是对冲工具不是股指而是股指期货理论上的 (αβ) - β 变成了现实中的 (αβ) - β - 基差 α - 基差只有当 α 收益战胜负基差时投资者才能获得正收益。基差 现货价格 - 期货价格现货价格低于期货价格时基差为负期货升水、现货贴水现货价格高于期货价格时基差为正期货贴水、现货升水。2016 年起中证 500 股指期货一直保有较大负基差长时间年化 8—10 个点股指期货贴水带来额外对冲成本加上期货保证金占用 15%—20% 的资金影响资金使用效率两者叠加大大降低了市场中性策略的收益率。市场中性策略与指数增强原理同根同源区别仅在风险敞口指数增强市场中性追求相对收益追求绝对收益多头满仓无对冲完全对冲获取市场收益 β 超额收益 α获取超额收益 α以高波动博取高收益低波动收益稳健因此市场中性的关键在于 α 选股能力。由于对冲成本和资金效率限制其收益一般不会太高国内私募通常采用日内回转交易T0 高频 α 策略增厚收益。长期来看市场中性策略收益率与股票指数相当波动性近似债券指数但风险调整后收益远高于股票和债券指数——牛市表现不突出熊市则体现很强优越性。6.4 股票多空策略股票多空策略Equity Long/short是在买入被低估股票的同时卖空被高估的股票资产配置中既有多头仓位也有空头仓位。空头仓位主要是融券卖空股票也可以是卖空股指期货或股票期权。它是最经典、最广泛、规模也最大的对冲基金策略海外管理规模占比接近 1/3稳居全球对冲基金各策略之首长期年化收益可达 9% 左右、波动率仅 7% 左右、夏普比例可超过 1。其基本思路是既然能选出超越市场表现的组合自然也能选出跑输大盘的组合——如果用跑输大盘的组合代替股指进行对冲做多多头组合同时做空空头组合就可以获取双倍 α 收益。相比其他 Alpha 策略股票多空不仅收益大幅增长且空头组合采用一篮子融券的现货对冲方式没有股指期货的负基差成本。国内之前很少实践股票多空策略主要原因在于空头组合需要一篮子融券而此前国内券源种类和规模都非常稀缺2019 年底转融通正式开启、两融标的大扩容后该策略才具备发展条件。按对冲手段可分为个股做空和股指做空两类个股对冲可以在对冲市场风险的同时额外增加 α 收益股指做空主要起对冲市场风险作用。个股做空又分为配对交易和一篮子多/空头做空指数可分为完全对冲和不完全对冲。所谓配对交易是分别做多和做空同一行业内分别处于上升期和下降期的企业只要两者相对收益可以确定即可获得正收益。做空工具方面个股做空可通过融券、收益互换、个股期权等股指做空可通过股指期货、股指期权等。从收益角度看做空预期下跌的股票使收益来源更丰富熊市时可卖空获得较高收益从风险角度看空头可对冲市场风险、弱化择时要求加杠杆还可提升资金使用效率。但该策略总体操作难度较大除标的选择外还需要对大盘多空进行择时判断。目前的量化多空策略往往以动量策略为主——市场出现较明显趋势性行情时再做相应调整。盈利关键是选股能力和择时能力策略能否实施的关键则是能否借到所需品种和足够数量的股票进行做空。在 Qbot 仓库中配对交易的完整 backtrader 实现参见 docs/02-经典策略/01-股票/量化三-配对交易.md该文档展示了用 tushare 获取同行业股票、计算相关性、构造价差调仓策略的完整链路并配有 Pairs_Trading 笔记本见 docs/notebook/Pairs_Trading.ipynb可作为股票多空体系中个股对冲分支的入门参考。6.5 CTA 策略CTA 策略Commodity Trading Advisor Strategy商品交易顾问策略又称管理期货策略Managed Futures主要投资于期货市场——这是与股票策略的最大不同。简单来说CTA 策略是通过期货、期权等衍生品进行投机或套利交易的策略主要投资于大宗商品期货农产品、金属、能源、化工材料和金融期货外汇期货、利率期货、股指期货。CTA 策略的核心优势有三点低相关性与传统股票资产低相关甚至负相关具备很强配置价值保证金交易制度可通过不同保证金占用比例控制杠杆。一般净合约价值不超过基金净资产的 2—3 倍保证金占用 10%—20%不同品种通过保证金交易可实现数倍至数十倍的无成本杠杆双向 T0 市场多空双向均可投资操作在涨跌市场都可能获益。趋势性强、波动性高的市场环境更适合 CTA 发挥因此 CTA 也被称为危机 Alpha——市场危机时往往能获取独特收益对股票和债券构成的投资组合有良好保护作用。CTA 分为主观 CTA投资者根据调研、基本面或操盘经验判断走势和量化 CTA通过大数据分析建立数量化模型由模型产生的买卖信号决策。目前大部分机构采用量化 CTA它通常也被认为是学习量化投资的入门策略。具体分为单品种时间序列策略趋势跟踪、趋势反转和多品种截面组合套利跨品种套利、跨期套利、期限套利、境内外套利、强弱对冲等对应三大子策略子策略策略描述趋势跟踪跟随已形成的价格趋势获利上涨持多仓、下跌持空仓是 CTA 主流策略管理规模占全部 CTA 的 70% 以上有明显平台期趋势反转均值回归判断价格拐点从价格回归过程获利信号显示反转向上时持多仓、反转向下时持空仓价格回归时平仓套利对冲对相关品种/合约交易多数为做多低估品种、做空高估品种从价格回归中获利包括期现、跨期、跨品种、跨市场套利策略相对稳健趋势跟踪的基本逻辑来自市场惯性和市场不有效性——新信息传播需要过程资产从一个均衡价格 X 到达另一个均衡价格 Y 的过程就是趋势。其操作大致分 4 步观察到上涨趋势买入 → 持续加大多头仓位并盈利 → 观察到趋势结束逐步调整仓位 → 观察到下跌趋势逐步加大空头仓位。趋势跟踪观测周期越长预测效果越差但策略容量越大。高频交易HFT的策略模式主要有做市商策略和投机策略最赚钱的领域是股指期货商品期货领域竞争激烈。趋势反转策略偏短期交易常用于震荡行情套利策略主要分为统计套利和逻辑套利核心为价差的收敛回归和发散。与单品种趋势跟踪相反套利策略一般胜率较高但盈亏比较差。市场呈趋势行情时趋势跟踪表现好市场盘整时套利或对冲策略表现好。6.6 T0 策略T0 日内策略是对同一只股票在同一个交易日内完成一次或多次买入卖出的盈利模式目的在保持持股数量不变的情况下通过市场波动的差价高抛低吸获利从而增厚收益、降低持股成本。T0 策略不负责选股建仓只基于已有持仓做交易——不赚选股的钱只赚交易的钱。国外没有把 T0 列为单独策略因为国外交易所通常实行 T0 制度但 A 股是 T1 制度当天买入的股票只能等下一个交易日交割过户后才能卖出。所以国内 T0 策略是一种变相的 T0本质是高频交易HFT在国内落地的一种方式也是 A 股最常见的高频交易策略。由于 A 股不允许卖出当天买入的股票策略必须持有该股票作为底仓前期自建持仓或向券商融券在保持日终清算后总头寸不变的情况下既可做多也可做空通过极低止损捕捉确定性高的短期高波动。由于印花税千分之 1和券商手续费的存在T0 交易要求股价振幅足够大才能盈利——股价低于 10 元、超过 100 元、流通盘较小或估值较高的股票都不太适合做 T0沪深两市适合做 T0 的高波动、低估值股票最多不超过 15%。T0 日内交易有 4 个特征高频率、高胜率、低回撤、赚小钱。单笔利润微薄靠高频度交易次数将超过 50% 的胜率变现积少成多。举例若每次日内交易 70% 概率盈利 0.2%、30% 概率亏损 0.1%印花税千 1、交易佣金万 1.5每天交易一次、一年 252 次累计收益相当可观且 T0 回撤和止损幅度极小80% 以上的止损交易只亏手续费。人工 T0靠日内交易员的技术分析能力、综合预判经验和盘感驱动策略分为联动板块联动、反向联动、期指联动、突破横盘突破、区间突破、开盘突破、反转、接多接飞刀个股大幅下跌动能衰竭后快速反弹时底部进仓等几类量化 T0包含两类驱动子策略——第一类借鉴人工 T0 经验依据特定价量形态和事件联动、突破、反转触发交易第二类是多因子策略类似量化选股建立预测模型寻找稳定预测能力的因子指标线性或非线性组合成预期收益率扣除费用和冲击后由系统判断是否触发买卖可算作日内的 α 策略。目前 T0 仍以人工为主流占比 80% 以上、量化 T0 为补充——还没有 AI 或量化 T0 的收益能真正跑赢人工 T0 团队优秀手工交易员日均收益可达交易额千分之 2量化 T0 做到千分之 1.5 已很不错。量化 T0 训练的高频数据主要包括逐笔成交、逐笔委托、盘口快照数据以及日内交易员量化后的操盘经验数据。按持仓时间日内交易可分为三种子策略子策略持仓时间止损幅度日内超短大多 2—3 分钟内一般不超过 10 分钟千分之 3日内趋势约 30 分钟拿小波段大多千分之 6日内长线1 小时以上利润大、波动大一般在百分之 1其中日内超短策略相对比较容易获得稳定盈利。T0 可应用于指数增强、转债套利、打新等场景适用范围大致有 5 类高净值套牢客户降低持仓成本、价值投资客户长期持有高波动个股同时增厚收益、特定 α 收益型产品股票池基础上捕捉日内波动、偏好 T0 交易的客户借券/融券建底仓或交易 T0 品种、线下打新用户利用底仓市值参与新股配售并捕捉日内波动。在 Qbot 仓库中T0 策略已有工程化尝试pytrader/strategies/中概互联_自动T.py即是一个面向具体标的中概互联 ETF的自动 T 实现展示了底仓 日内高抛低吸逻辑在真实代码中的落地形态可对照本文原理阅读。七、量化策略的未来趋势结合文档的研判与行业现状量化策略正呈现五大趋势占比持续抬升国内量化发展不到 10 年百亿量化私募已达 20 多家、总管理规模超万亿但在证券私募行业占比还不到 20%对照海外美国量化规模占比超 70%国内仍有很大空间。且 A 股散户占比超 80%、市场不有效性强烈对量化超额 Alpha 是特殊红利——头部管理人相对中证 500 的平均年化超额收益约 25%沪深 300 平均年化超额收益约 12%基本面量化Quantamental兴起随着量化处理能力提升上市公司基本面信息、专业投资人积累的分析投资经验等非结构化数据正被量化。在消化具体数据方面人的能力不如机器技术分析的相关性终究弱于基本面分析的逻辑性基本面因子相比量价因子会越来越重要Alpha 下滑、频率降低、执行重要规模、波动和收益是不可兼得的三角随规模增加 Alpha 不断减弱只能降低频率或风格暴露获取收益导致波动增加且策略趋同后交易执行越来越重要研究重心与管理模式转变头部管理人的研究重心从因子挖掘转向投资购买非公开数据管理模式从 PM 组模式向工厂模式转变——统合管理因子挖掘、组合与股票组合的 PM 组分化为因子团队、AI 团队、投决会、算法团队的车间工厂模式分工更明确精细AI 与机器学习影响加深量化策略的核心要素是信息、算法、执行进入数字化时代后这三者都会受到 AI 和大数据技术的赋能提升。八、从理论到工程Qbot 中的策略落地全景本文所述的理论体系在 Qbot 仓库中均有对应的工程实现可以参考和学习多因子/量化选股docs/02-经典策略/01-股票/多因子选股.mdFama-French 三因子完整回测代码、pytrader/strategies/multi_factor.py多因子工程化实现、pytrader/strategies/multi_factor_strategy.py趋势/动量类CTA 与择时思想docs/02-经典策略/01-股票/量化策略-RSRS择时.md 与其工程实现 pytrader/rsrs.pyRSRS 斜率因子择时、qbot/strategies/sma_cross_strategy_bt.py双均线、qbot/strategies/adx_strategy.pyADX 趋势强度、qbot/strategies/boll_strategy.py布林带均值回归配对交易/相对价值docs/02-经典策略/01-股票/量化三-配对交易.md 与 docs/notebook/Pairs_Trading.ipynbT0/高频思想pytrader/strategies/中概互联_自动T.py智能/机器学习策略docs/03-智能策略/model_zoo.md 汇总了模型库qbot/strategies/lstm_strategy_bt.py、qbot/strategies/rl_strategy_bt.py 分别对应 LSTM 与强化学习策略的回测实现pytrader/strategies/benchmarks/下还有 LSTM、Transformer、XGBoost、LightGBM、TFT 等模型的基准对比网格交易震荡市工具docs/03-智能策略/网格交易.md 给出了价格中枢 网格宽度 单次买卖数量的完整参数化设置示例。这些策略代码与回测配置恰好印证了本文论述的数据开发 → 因子开发 → 组合优化 → 交易执行四步方法论也展示了从理论分类到可运行策略的完整转化路径。需要说明的是本文及仓库内所有策略文档均仅用于学习、交流、演示不构成任何投资建议。本文主体内容整理自仓库文档 docs/01-新手指引/量化策略的分类和原理.md并结合仓库内经典策略文档与源码实现进行了工程化视角的补充。【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考