近几年，量化投资在国内兴起，尤其是在今年这种震荡行情下，市场风格和行业轮动速度加快，投资的难度加大，此时量化的优势展现得淋漓尽致，业绩表现亮眼，吸引了大量投资者的关注。

什么是量化投资？

量化投资是相对于定性投资而言，定性投资更多的是依靠基金经理的主动选股和择时，通过自上而下或者自下而上的方法，进行行业和个股的选择，而量化投资更多的是依靠数据和模型去进行选股和择时。打个比方，定性的投资类似于中医看病，望、闻、问、切，最后判断结果，而量化投资类似于西医，先通过各种仪器进行检查，收集相关数据，之后对于数据进行分析，最后得出结论，对症下药。

虽然量化投资更多的是通过数据和模型进行选股和择时，但本质上，它是将投资者的智慧工具化，通过计算机语言来实现交易策略的执行。量化投资是用数理方法分析历史数据，预测资产价格未来走势。这种预测不是要求精确的算出明天的股票涨跌，而是强调统计意义。

什么是量化模型？

量化的本质是交易策略的工具化，通过引入数学、物理学等方法对数据进行分析回测，并构建选股或者择时的模型，一个完整的量化投资模型，包括了策略模型，风险模型，交易成本模型，投资组合模型以及执行模型。

策略模型可以说是整个量化模型最核心的部分，决定了整个模型能否盈利。由于底层数据的不同，策略可进行多种细分。常见的两个大类是基本面策略和量价策略。基本面策略基于公司基本面的数据，比如ROE、净利润增速、现金流、分红、市盈率、净资产收益率等等。量价策略则完全基于价格、成交量、涨跌幅、换手率等交易数据。

风险模型则是应对于市场中出现的模型，包含有市场风险、技术、网络风险。

交易成本模型则是一些交易佣金费用的模型，主要是为了控制投资成本。

投资组合模型则是将上述的模型进行有机组合形成不同的投资组合以及优化的模型，后期对于这些模型进行权重的分配之后实现利益最大化。

执行模型则是讲述的模型进行运用，将各类的模型按照优胜略汰的方式进行替换，实现投资交易的执行。

量化模型的演变历程

量化投资的出现和发展主要是基于各类理论和研究的突破，包括布朗运动、数量经济学、资本资产定价模型、概率论、期权定价、混沌理论、复杂网络等等。

总的来看，量化模型从最初简单的基本面多因子、均值方差、AR、ARMA等线性模型，逐步发到了基于机器学习、神经网络、复杂网络、混沌理论等高阶数理知识构建的非线性模型。接下来，就给大家介绍几个常见的模型。

一、多因子模型        

作为量化机构采用最广泛的一种选股模型，多因子模型的原理是采用一系列的因子作为选股标准，满足这些因子参数标准的股票被买入，一旦不满足因子参数标准则被卖出。一般而言，多因子模型常用的筛选因子包括，PE、PEG、PB、ROE、总市值、市销率、销售毛利率、波动率等等。至于具体哪些因子是有效的，并且效果好，这就是各机构的核心机密了。

各家量化投资机构采用的多因子模型，其核心的差异，主要有两点。一是选择的因子可能会有明显不同，二是对因子的组合和权重分配会有所不同。综合这两点，就会导致不同机构最终选择出的股票组合收益率天差万别。

因子策略最大的优点是，资金容量很大，适合大基金操作。但是，缺点也很明显，因子容易失效，并且策略执行者很难确定，这个因子只是这段时间失效，还是永久失效了。 

二、基本面量化模型

基本面量化模型是基本面投资和量化投资的融合，是将计算机算法与人的分析有效结合起来的一种1+1>2的投资方式。行业基本面量化模型就是深度研究行业的基本面，提取影响行业基本面的关键数据因子；之后，通过历史回测策略的有效性，构建长期稳健的数学模型。最后，根据模型发出的信号，进行交易。

与主动权益投资不同的是，基本面量化更像雷达扫描，优势在于投资宽度。同样是基本面逻辑下的投资，基本面量化投资更分散，不集中于单一赛道，力争更小波动；同时，更偏左侧 投资，有助于抓住市场中暂时被忽略的投资机会。

与传统的多因子策略不同的是，基本面量化是提取各行业基本面逻辑，单独构建模型，并借助大数据赋能，力争比市场更快发现行业拐点和投资机会。

三、量化对冲

量化对冲策略是通过衍生品或者做空股票等对冲方法来对冲掉系统风险，以获取绝对收益的一类策略。量化对冲策略主要包括：股票市场中性策略、股票多空策略、CTA策略以及套利策略。

四、趋势追踪量化选股模型

模型的原理是跟踪并跟随市场趋势，其本质上，也是一种用量化手段跟随市场趋势的选股策略。判断趋势的指标有很多种，包括MA、EMA、MACD、DMA等，主要是一些技术指标。当然，在选股的时候，多数情况下都是多指标的综合运用。另外，趋势型指标除了可用于选股之外，还可以通过多指标的结合进行综合择时。

与多因子模型一样，最终的效果是取决于趋势指标的选择，以及不同期限指标的确定。比如MA，4日均线金叉40日均线，可能会比5日金叉30日的历史收益率更高，或者预测准确的概率更高。具体指标如何搭配？选择什么样的期限，以及如何剔除市场价格的噪音等等，都需要进行大量的历史回测检验。

五、高频交易策略

高频交易这个词，估计很多人都听说过。简单来说，就是从那些人们无法利用的极其短暂的市场变化中寻求获利的程序化交易，具有低隔夜持仓，高报撤单频率，高换手率等特点。由于高频交易的交易次数非常多，机会稍纵即逝。因此，资金容量就受到了较大的限制。

虽然，高频交易有利于增强市场流动性、提升定价效率，但也容易引发交易趋同、波动加剧、有违市场公平等问题。 

六、基于神经网络的量化策略

作为量化投资的分支之一，过去几年，人工智能在量化策略的运用越来越广泛。基于神经网络的量化模型被广泛应用于股价走势预测，神经网络是由具有适应性简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。用一句话概述就是：神经网络能够模拟神经系统对输入作出一定反映。

简单来说，神经网络算法就是模拟生物的神经网络，将数据输入网络中，产出预测结果，根据结果进行投资交易。

相比于传统量化交易策略，人工智能策略具有自动化优势与非线性优势，同时在挖掘和处理海量数据方面也更具优势。无论在收益率预测、组合构建、资产定价、文本分析还是交易执行环节，人工智能技术都有其用武之地。

总结一下，传统的量化模型主要是基于技术指标、基本面因子进行择时和选股，以及通过线性模型来构建投资组合，目前来说，很多模型依然有效，并且被广泛应用。然而，股价的走势受到多重因素的影响，随着理论的发展和技术的进步，非线性模型开始应用于走势预测，其底层数据主要是基于价格、对数收益率、成交量等交易数据。比如，当然比较热门的深度学习、神经网络、复杂网络等等。

从当前市场的发展来看，高频策略的有效性会随着规模的增大而降低，原本做高频交易的团队若要扩大规模与容量，则往往要降低交易频率或者向基本面因子拓展。而基本面量化策略，通过结合大量基本面的研究，可以有效提升策略的广度与深度，进而扩大策略容量，越来越受到投资者与投资机构的重视。另外，随着人工智能技术的发展，量化策略也有望向着数据化、自动化和智能化的方向不断发展。

量化投资本质上就是一类投资工具，帮助投资者进行选股和择时。其实质是数学、统计学、物理学模型、人工智能技术在投资领域的渗透。通过模型进行交易，可以更加快速、高效的处理海量的交易数据，提高交易的纪律性，并且也可以捕捉转瞬即逝的套利机会。

但是，量化策略不是持续有效的，大部分的策略都只会是在部分时间段有效，想要持续的战胜市场，需要不断的更新迭代策略模型，甚至策略也可能会彻底失效。