量化投资是一个相当宽泛的概念，理论上所有运用数量方法主导或者辅助投资决策的情景，都可以称之为量化投资。因此量化策略的细分类型也很多，除了大众普遍认为的程序化高频交易之外，还可以在传统的基本面分析、技术分析、事件研究的基础上引入数学模型，形成相应的量化策略。此外随着人工智能，大语言模型等日渐成熟，也出现了基于语义分析，情绪识别等方法的投资策略。如何在林林总总的策略中选择适合自身收益风险偏好，且匹配自己研究能力的策略类型，对于有志于从事量化的投资者而言是一个需要不断思考的问题。
许多人最初可能凭借一根漂亮的回测曲线作为量化投资的敲门砖。而后经历市场的持续教育，在不断盈利或亏损的同时，拓展各个标的以及各种类型的策略，逐渐形成自己的策略池。在这个过程中，除了在数据质量，模型优化等方面精益求精之外，不断总结经验，形成成熟投资理念的重要性也不可忽视。即便是以数据驱动为主导的量化投资而言，经验与理念在指导当前策略配置与未来研究方向等方面也起着至关重要的作用。
我们试图尽量选择获益希望较大的策略。然而与传统投资一样，量化投资也不存在标准答案。量化策略大多是基于对市场的认知，结合历史数据而形成的。但首先对市场的认知并不可能百分百准确，其次历史数据并不代表未来。可以说任何策略都是建立在一套似是而非的逻辑之中，等待着市场最终有一天将其证伪，辛苦挖掘的过往价格特征可能在未来已经荡然无存。我们所能做的，只是使用人类的有限理性，尽量追求一个能够令人满意的近似答案。
有鉴于此，我们试图对适用于国内的各个量化策略类型进行一些总结，记录下我们当前对策略有效性评估的一些思考，这些总结与思考很可能被未来的市场证伪，但我们仍然相信会对未来的投资决策有所裨益。好比在迷宫中探路的勇者，手中没有指路的线团，每走一步都有可能犯错，任何对迷宫规律的总结也可能只是盲人摸象，但必须不停思考不停行动，做出最可能正确的决定。
- 量化选股策略
选股策略可能是国内量化投资者最为青睐的一类策略。由于A股市场尚且难言是一个成熟的有效市场，存在着大量对于市场毫无研究，没有形成任何合理投资方法的个人投资者为市场的非理性定价推波助澜，这使得采用量化方法进行选股变得更加容易。另外股票市场的流动性也远远高于期货等市场，因此量化选股策略可以承载更多的资金容量。同时量化选股既可以用于股票多头或者指数增强策略，也可以结合股指期货、融券对冲等形成追求绝对收益的中性策略，能够匹配不同资金的收益风险要求。
近年来量化选股策略遭受很大的挑战。首先因为股票市场连年表现疲软，即便选股策略能够跑赢市场指数，也难免遭遇绝对收益的亏损；其次一些过往能过获得客观超额收益的选股因子逐渐失效，最典型的如小市值因子和股息率因子，过去几年优秀的表现使得包括量化在内的投资者们有意无意地向这两个方向拥挤，终于使得小市值因子在今年初收获了近乎灾难性的亏损，股息率因子今年下半年也有较大的负超额收益。在对冲方面，股指期货自从2015年的股灾后，流动性始终未见起色，持续的贴水也抬高了对冲成本。融券因为今年的救市政策被施加了诸多限制，使券源获取困难且费用昂贵。上述情况对于多空头寸的匹配性，策略的市场容量等都影响很大。
综合来看，量化选股仍然是最具竞争力的策略类型。股票市场参与者众多，流动性较强，且并非完全的零和博弈市场。量化选股的因子通常也具有良好的逻辑支撑，策略的有效性通常能够持续较长的时间。此外，因子模型与最新的AI技术相结合，使得策略更具生命力。
- 量化择时策略
择时策略对于投资者是一个巨大的诱惑。在一段持续的趋势行情中，如果能够正确地预判方向，进行相应的多空交易，则可以获得最为可观的投资业绩。因此从直觉出发，投资者对择时模型常常寄予了很高的期待。然而实际上，准确的择时是相当困难的，即便是表现较好的择时策略，胜率也很可能仅仅不超过55%，部分依靠较大盈亏比获利的策略，胜率甚至在50%以下。我们认为造成这种现象的主要原因如下：首先，择时模型所能用到的数据量较小。不同于选股策略可以利用上千只股票截面数据的大样本特征，许多择时策略根据一维的价格序列生成择时信号，从而使得模型的可靠性大大降低。其次，很多择时策略是从传统的技术分析演变而来，仅仅利用了股票价格的历史数据，而未来多空方向不仅仅由历史数据决定，宏观经济、调控政策、时事新闻等都会对未来股票的走势造成很大影响。加上技术分析的参数在研究过程中非常容易被过度优化，因此主流的择时策略非常容易很快失效。
择时策略的有效性依赖于市场趋势的持续性，而市场定价的迟缓或者过度反应更容易造成这种持续性。也就是说，在有效性较差的市场环境中，趋势策略更有可能比较有效。从这个角度出发，国内的股票市场相比于商品期货、境外发达国家与地区的股票等市场，更适合择时策略的发挥。尤其是以追涨杀跌，有许多游资炒作以及散户参与的中小市值股票。
- 套利策略
套利策略可以再为两类，一类是以略高于无风险收益，同时承担超低回撤为目标的类固收策略；另一类是承担一定回撤风险的统计套利策略。第一类通常捕捉明确的定价错误机会，例如期现套利、ETF套利等，但是这类机会出现次数非常少且持续时间很短，策略需要往高频方向发展。对于第二类统计套利策略而言，本质上是在赌配对组合风格差异的方向。例如多A资产空B资产的组合，是在分析A,B两个资产价格差异的走势后，形成策略信号并决定配对交易的方向。实际上这类策略和量化择时策略很像，因此也具有量化择时策略同样的问题，即策略可靠性较低，容易很快失效。
另外值得注意的是，对于中高频的套利策略，由于双边交易的特点，交易的冲击成本对于业绩的影响更大。在实盘交易中不仅要考虑策略本身的参数，还需要引入较好的算法交易以降低冲击成本。
- 商品期货CTA策略
与股票择时策略一样，商品期货的择时策略在直觉上有着相当的吸引力。而且商品期货多空灵活的特点也更加促使量化交易往商品CTA策略赛道发展。然而实际上商品期货的择时比股票择时更加困难。期货市场是一个完全的零和博弈市场，参与者相比股票市场少很多，市场中的“聪明钱”占比较高。以股票策略入门量化交易的投资者，在转向商品期货市场时会面临相当大的挑战。
- 高频交易策略
对于前述四类策略而言，在不同的交易频率下，收益风险特征也不尽相同。通常而言低频的量化策略研发难度较低，实盘交易的冲击成本较小。但是策略常常有着较大回撤，且回撤恢复的时间较长。投资者一旦遇到较大回撤，很难快速判断是正常回撤还是策略已经失效。与之相反，高频策略由于能够在短时间内进行大量投资交易，且回撤通常不大，因此容易通过回撤大小，胜率等指标判断策略是否依旧有效。但是策略的研发难度较大，不仅需要更强的计算机技术能力，更要注意冲击成本对实盘业绩的影响。在策略研发时，如果采用的日内数据不够完整，很可能造成实盘与回测走势天差地别。即便使用完整的逐笔委托数据，在资金量较大的情况下，由于高频交易的市场深度不够等原因，新增资金对于市场的影响也可能不利于实盘业绩。因此高频交易不仅要挖掘可靠的价格统计特征作为交易依据，更要开发好算法交易以降低冲击成本，对IT技术以及研发能力的要求很高。
- 债券类策略
对于信用债投资的量化研究面临两难的情况。一方面随着经济形势进入新常态，信用债市场的违约风险与日俱增，运用历史数据进行分析很有可能低估了信用债的违约风险。另一方面，如果对违约风险的概率判断过于谨慎，则可能错过许多获利的机会，甚至可能出现无标的可投的情况。对于信用风险的把握，目前国内的投资市场还是以主观信用评级研究为主，量化投资作为辅助工具，用武之地还比较有限。
利率债市场可能是量化投资的下一片蓝海。在不考虑违约风险的情况下，利率债的价格完全由债券票息及市场利率决定，投资者可以定量计算出每一只债券的合理价格，或是到期收益率等，从而指导交易。国债期货等工具也使得交易利率的方向变得更为简单。相比股票定价的模糊性质，利率债的定价公式简单而清晰，更加适合量化投资的发挥。
目前各个量化私募的量化债券策略相关的产品还较少，从投研的角度来看，以此为下一个研究方向似乎是很好的选择。
以上是我们接触并研究各类量化策略的心得体会。有趣的是，尽管量化策略的愿景是完全由数据驱动投资决策，但在策略的选择方面则似乎必须依赖投资者的主观判断。在选择实盘交易的策略时，不能仅仅依赖回测曲线，更重要的是结合自身对各类策略的理解，从策略的底层逻辑能否在未来市场中依然成立，市场流动性是否充足，市场其他参与者的投资能力如何，等各个方面进行综合评估。这样选出来的量化策略类型才能更加适应不断变化的市场。
我们的日常交易与研究工作面临着不断变化市场的持续挑战，希望以上的一点思考对能够对此有所帮助。