八大经典量化交易投资策略
1、套利策略利用同一商品（或相似商品）在不同市场上的差价，进行低买高卖的交易行为。量化投资中的套利策略，强调的是买入低估的同时卖出高估的。即买入一个投资标的的同时，一定会卖空一个投资标的。套利策略的最大优势是同时买入和卖空了相同或相似的标的，从而几乎没有单边敞口，不会造成单边持仓的风险，对市场的涨跌不敏感，所以套利策略风险较低且与市场相关性很低。https://p6.itc.cn/images01/20230711/2109ca2b8ba24ac7b5c81e5e8f3c5cc4.jpeg只要市场没有达到强有效的状态，套利空间就一直存在，随着市场越来越有效，套利空间越来越小2、Alpha策略
全市场所有投资者的Alpha收益的总和约为0，近似零和博弈
[*]交易成本会使全市场的Alpha收益之和偏负分红会使全市场的Alpha收益之和偏正
Alpha策略以获取Alpha收益为主，主用金融衍生品对冲掉Beta风险一般做法是，买入一篮子股票，同时卖空等量的股指期货对冲指数下跌的风险。股指期货对冲了指数涨跌的风险，因此Alpha策略的收益与大盘的Beta收益无关，是一种比较稳健的策略模型。https://p8.itc.cn/images01/20230711/b42de9367e0a4986bea4b5bdc92ecc38.jpeg3、多因子策略策略
多因子策略模型建立的流程多因子模型是量化选股中最重要的一类模型，基本思想是找到某些和收益率最相关的指标，并根据该指标构建一个股票组合，期望该组合在未来的一段时间跑赢或跑输指数。如果跑赢，则可以做多该组合，同时做空期指，赚取正向阿尔法收益；如果是跑输，则可以组多期指，融券做空该组合，赚取反向阿尔法收益。多因子模型的关键是找到因子与收益率之间的关联性。主要考虑夏普比率、年化收益、最大回撤、换手率等因素。https://p8.itc.cn/images01/20230711/7ace88fb6d134163a48845721caef360.jpeg4、选股策略
选股策略可以仅仅以股票作为投资标的从运作逻辑和投资目标上，可以把选股策略分两类：相对收益型（指数增强）：一般满仓运作，与指数的波动基本同一量级，以战胜指数为目标。绝对收益型：以盈利为目标，需要通过某些方式来控制风险，如择时。选股策略属于高风险策略，即使是绝对收益型的选股策略，回撤也可以达到10%以上，而指数增强型的选股策略，最大回撤甚至可能超过50%。5、CTA策略
CTA(Commodity Trading Advisors)：商品交易顾问。原来是指通过为客户提供期货、期权方面交易建议或通过受理期货账户直接参与交易来获取收益的投资者。现在泛指投资各类期货、期权品种的策略。它主要包括趋势跟踪、套利、中性、高频等。趋势跟踪就是所谓的追涨杀跌，即买入已经开始上涨的标的并期望它继续上涨，卖空已经开始下跌的标的，并期望它继续下跌。为什么？1、市场参与者对信息的反应存在初始时刻的反应不足以及后续的反应过度，这种行为偏差是导致价格行为出现趋势的直接原因。2、趋势就如同历史轮回一样周而复始，而趋势跟踪者便是利益的收割者关键环节：投资标的的选取、买入卖出信号的产生、资金管理方法等。https://p7.itc.cn/images01/20230711/64ef3f0bb2784a8db2e70e10145b4aef.jpeg6、海龟交易策略
和CTA策略的一样，名称不同，都是趋势跟踪性，跟涨杀跌。海龟交易策略是一套非常完整的趋势跟随型的自动化交易策略。这个复杂的策略在入场条件、仓位控制、资金管理、止损止盈等各个环节，都进行了详细的计，这基本上可以作为复杂交易策略设计和开发的模板https://p4.itc.cn/images01/20230711/a5eddb14eccd49259b91df22f81e9d6c.jpeg7、人工智能
人工智能的核心是算法，而这与量化投资所依赖的模型相吻合。把对历史数据的分析，应用于深度学习算法，逐渐训练一个愈加完善的模型，从而达到战胜市场的目的。优点：人工智能模型具有自适应特性人工智能可以充分利用快速升级的硬件和算法，深入挖掘市场深处的机遇缺点：人工智能擅长处理信息透明的完全博弈，这与金融市场有关本质的不同人工智能模型的基础是复杂的数学问题，不易理解，需要高超的使用技能https://p4.itc.cn/images01/20230711/3916644202f848eca333f1cbf396556f.jpeg8、双均线策略
双均线策略，通过建立m天移动平均线，n天移动平均线，则两条均线必有交点。若m>n，n天平均线“上穿越”m天均线则为买入点，反之为卖出点。该策略基于不同天数均线的交叉点，抓住股票的强势和弱势时刻，进行交易。https://p2.itc.cn/images01/20230711/ed316bedd1314197ba5eb5a1f74de69c.jpeg
页:
[1]