量化策略研究指的是需要依据一种或多种确凿的获利理念，通过某一特定显式表示的模型，指导参与者反复地以人工或机器执行指令，参与单边或多空交易。在策略的执行过程中，需要实时监控资产组合价值与目标利润的偏离情况，调整参数，直到已有模型生命期限终了，再转入到新模型。

量化研究过程可以划分为定价与品种选取、模型实现、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等部分。

当前量化策略重点集中在基于行为金融学的策略及程序化交易与算法交易策略两大块。

◆基于行为金融学的策略，依据历史上没有发生过同种情况，但曾有类似事件对市场情绪造成了极大干扰，短期内影响着相应资产价格的大幅波动。

◆算法交易策略指的是依据相同品种的历史交易数据及持仓成本等因素，测算多空开平点位、止盈止损线、模拟介入下的策略效果等因素。交易所制度安排、做市、期现套利、价差交易、套期保值、相对价值型方案、多空对冲（事件驱动型）、期货配对、纯粹单边交易（如波动率）、展期交易、场内外期权买卖价差交易等均隶属于算法交易。

量化研究分为基于微观及宏观层面两个方向。从交易数据中寻找市场失灵机会，属于微观层面。目前微观层面的量化研究可从以下三个方面着手：数据管理、量化策略及产品设计（模型建构）、实际操作与效果跟踪。

1.数据管理

有效的数据管理涉及历史数据的调用及本地数据库的维护，包括处理国内期指与商品期货的分笔数据导出、保存到本地数据库、针对一定频率抽取截面或横面数据（时点、时段、特定间隔等类型）进行深度加工、自动化地定时更新添加整理数据工作，从而方便抽取各种时段、特定时刻、一定时间间隔的期货（主力、非主力、连续合约）、现货、基差（主力、非主力）、价差（单个、连续）等交投数据。

2.量化策略及产品设计

此为重中之重，分为模型甄选及效果回测两个层面。

甄选纳入研究视野的模型，不能只是就获利理念论建模、比较模型，还需要找出与整个策略实施过程关联度大的其他方案。比如，构建配对交易方案，考虑了EG、Johansen协整方案后，还可以选择Beta系数方法或残差标准差作为触发水平方案。

进行期权定价研究时，除期权定价公式外，各种参数计算模型（拟最大似然估计、模拟退火算法、最小二乘法）、计算速度与程序运行效率改进算法也是必不可少的关注重点。从策略设计伊始就开始关注整体设计的模型，是开发成功的模型中重要的一个环节。

效果回测指衡量模型的稳健性，选取匹配交投环境的方案。在回测过程中，需要针对历史及模拟情景下的数据进行样本内外、连接实时行情进行实际交投环境下的效果检验。

针对各种市况（单边上涨、单边下跌、先上涨后下跌、先下跌后上涨、振荡、使用蒙特卡罗模拟技术计算的数据），多次调整测试时段，确定开平仓的触发水平，观察结果中异常偏离及整体效果等数据，并依托资产组合的价值达到一定水平执行止盈止损、资金回撤操作等捕获资产组合价值高位运行的手段，筛选表现较佳的策略。

简单地来说，在了解将在整个运行过程中要使用的模型方案后，留给效果回测环节解决的问题如下：

输入什么样的参数、得到何种形式的变量、整个过程如何衔接、如何筛选适当方案。

3.实际操作与效果跟踪

包括指令管理、买卖信号传递、效果评估等子系统的开发。

交易优化主要涉及参数调整及下单方式。下单时，针对考虑买卖差价流动性等市场信号，使用算法交易对大额订单进行分拆,寻找最佳路由和最有利的执行价格,以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。

资金管理及情景模拟。主要是应对高杠杆带来的尾部风险事件，预先测算需要承担的最大损失，并确保策略在自身的承受范围内。

其他方面包括指令的使用、成交执行差额、交易前后交易成本比较、指令传输速度优化、机会成本权衡等。比如，执行买卖价差策略时，系统频繁地发送指令，并根据实时更新的参数，进行切换或取消指令操作。

数量化方案实施时，还需要针对策略的设计特点，评估其存续的生命期限，于方案累计收益处于高位（未达到顶峰）时，严格地将策略终止，设计系列策略路线图并于旧策略终止前，将新策略运用到实际环境中，从而保证新旧策略交替过程连贯有序。

因此，随着数量化技术不断演化，策略所处的环境亦不断更变，持续提高数量化研究的思考意识，重新审视已有策略的假设，不断更新变革视点，开发尚未被市场发掘到的产品方案始终是量化策略研究的关键所在。