量化交易策略的研究

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇量化交易策略的研究范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

量化交易策略的研究范文第1篇

在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”[3]。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。

（一）资产定价与收益的预测

根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值[4]。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。

（二）无套利条件与交易成本

在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。

（三）风险控制与市场情绪

在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。

（四）执行高频交易与算法交易

在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。[5]高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。

二、对量化投资在证券投资教学中应用的思考

从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。

（一）市场微观结构与流动性冲击

在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。

（二）业绩评价与高杠杆

对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。

（三）人为因素与模型风险

在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。

（四）2013年诺贝尔经济学奖的启示

量化交易策略的研究范文第2篇

>> QFII在中国A股市场交易策略的实证研究 A股寻求20日均线支撑 16家券商集中推荐招商蛇口 中国A股主板市场PEAD实证研究 切线在均线系统中的应用研究 捕捉牛股:均线共振 GARP量化选股策略在A股市场中的应用 A股交易时间太短 资源冗余对企业绩效的影响:基于沪深A股的实证研究 A股发行公司IPO前盈余管理与IPO后经营业绩的实证研究 女性董事与盈余管理：来自深交所A股上市公司的实证研究 H股回归对A股市场流动性和波动性的影响：实证研究 基于价值投资的Piotroski选股策略实证研究 买入并持有策略在A股失灵? 股票均线几种特性在预示后市中的作用研究 金融危机背景下QFII在A股市场中的交易策略及对投资绩效影响研究 金融危机后上证A股银行股的CAPM模型实证分析 基于R语言的均线量化策略分析 A股中期策略 转型期下的A股投资策略 均线在趋势下的实战应用分析 常见问题解答 当前所在位置：，2015- 04-0516：32。

③互动百科.凯利公式[Z].http：///wiki/%E5%87%AF%E5%88%A9%E5%85%AC%E5%BC%8F，2016-03-03。

参考文献

[1]邱捷铭.均线交叉策略的另类创新研究[R].2015.7.16.

[2]周铭山，冯新力，林靓，方旭S，周开国.A股市场均线策略有效性与收益率随机特征研究[J].证券市场导报，2013（01）.

[3]罗然.关于移动平均线交易策略的研究[J].四川经济管理学院学报，2010（04）.

[4]徐鹏.移动平均线交易规则的实证分析[J].江西金融职工大学学报，2008（04）.

[5]罗然.对移动平均线投资策略的分析――基于石油行业个股历史数据的实证研究[J].呼伦贝尔学院学报，2010（05）.

[6]吴亚军，惠晓峰.基于均线交易系统的非特定时间动态VaR研究[J].运筹与管理，2013（06）.

[7]董大勇.均线指标组合下的上证指数收益实证分析[J].孝感职业技术学院学报，2003（01）.

[8]（美）罗伯特・D・爱德华（RobertD.Edwards），（美）约翰・迈吉（JohnMagee）著，程鹏等译.股市趋势技术分析[M].中国发展出版社，2004.

量化交易策略的研究范文第3篇

量化交易到底是什么？

说到量化交易，虽不陌生，但仍懵懂。到底什么是量化交易呢？

量化交易区别于定性投资（过去的投资方法）的鲜明特征，就是充分利用各种各样的数理模型。它是借助现代统计学和数学的方法，利用计算机技术，从庞大的历史数据中海选能带来超额收益的多种“大概率”事件，然后制定策略，并用数量模型验证及固化这些规律和策略，继而再严格执行这些已固化的策略来指导投资，以求获得可持续的、稳定且高于平均的超额回报。

对于量化交易中模型与人到底是什么关系？比如中医与西医的诊疗方法，中医是望、稳、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；而西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。

以此形容的话，可以说定性投资像中医，更多地凭主观臆断和个人经验判断病在哪里；量化交易像西医，依靠数量模型判断，而这些模型对于使用量化交易的投资者的作用就像CT机对于医生的作用。在每一天的投资运作之前，一般都会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。

量化交易靠概率取胜

和传统投资方式相比，量化交易的视角更广，它借助计算机高效、准确地处理海量信息，更广泛地寻找和验证投资机会，消除投资组合配置的局限性，并依靠计算机配置投资组合，克服人性弱点，使投资决策更科学、更理性。

具体来说，这个新兴的投资方法，与我们那些传统的看指标判断、听消息判断、简单看财务报表判断等定性投资方法相比较，主要有以下几大优势：

量化交易有着严格的纪律性。比如，如果有人问你，某年某月某一天，你为什么购买某支股票的话，你就可以打开量化交易系统，系统会显示出当时被选择的这只股票与其他股票在成长面上、估值上、资金上、买卖时机上的综合评价情况，而且这个评价会非常全面，比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。

它系统性较完备，具体表现为“三多”，包括多层次、多角度、多数据。因为人脑处理信息的能力是有限的，当一个资本市场只有100只股票，这对定性投资基金经理有优势，他可以深刻分析这100家公司。但当有成千上万只股票时，量化交易就可以充分发挥它强大的信息处理优势，捕捉更多、拓展更大的投资机会。

另外，定性投资大部分时间在琢磨哪一个企业是伟大的企业，那个股票是可以翻倍的股票，而量化交易大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。

量化交易靠概率取胜。这表现为两个方面，首先量化投资不断地从历史中挖掘，有望在未来重复的历史规律，并且加以利用。其次它在股票实际操作过程中，运用概率分析，提高买卖成功的概率和仓位控制。

量化投资者也有噩梦

事实上，量化交易的方法在海外已有30多年的发展历史，素以投资业绩稳定，抗风险能力强著称，目前已经成为海外基金管理投资市场的重要方法。

而与海外成熟市场相比，量化交易以基本面分析为驱动，以全市场、多维度的视角广度扫描投资机会，在中国市场的应用将更显其优势。

不过，在谈及这么多利好之后，还是要“泼一次冷水”。不要以为不停闪烁的超级电脑自动进行着高速交易，荧幕上滚动着通过高速网络提前获取的最新市场消息，加上通过杠杆放大的头寸，账户的盈利不断上跳，这一切的一切就预示着“可以躺着赚钱的时代”来临了，现实并没有这么美好。

相对来说，量化交易目前还处在初级发展阶段，比如基本面投资者只需简单的基于预测特定事件，比如超过或差于预期的财报做交易即可。而量化交易者则需要搞清楚具体消息对股价的平均影响程度，这就不是一件容易的事了，因为你的研究对象时刻还在变化着。

不仅如此，研究出一套只基于公司财报的交易系统不难，比如基于超出预期的营收或股息来买入。但是供给面的情况、消费者层面的情绪纳入交易模型中，也比较麻烦。

同时，股票、基本面、新闻消息之间的关系也是不停变化着的。记得2009年美股到达低点的时候，很多“低质”公司的回报大大高于“优质”公司的回报。很多3块钱的“垃圾股”可以在很短时间内涨到10块钱，而高价的优质公司的股票想要翻一倍都要花上很久很久。对于基本面投资者来说，这是掘金的好时候，但对于量化投资者来说却是噩梦，因为大多数模型此时都会显示做多“优质股”做空“垃圾股”，后果则可想而知。

另外，量化交易员的精力也是有限的。计算机的消息格式往往不规范，语法也千奇百怪，他们也无法让计算机程序挑选出有效信息并运用于自动交易中。一天只有24个小时，他们也会经常碰到因一个分析无法推进而其他分析也陷入停顿的状况。因此，要在浩如烟海的金融数据中“寻宝”，没那么简单。

量化交易策略的研究范文第4篇

虽然现在量化基金、对冲基金等以量化方法运作的产品慢慢得到机构的重视，但受对冲工具、市场成熟度、投资者成熟度等因素影响，量化投资顶多处在长跑前的预热阶段。

银华基金量化投资部总监周毅曾在华尔街从事量化投资11年，现在他一人管理着两只量化型产品和两只QDII基金，市场上对此有过质疑。

在接受《投资者报》记者采访时，周解释说，与定性投资比，定量投资的优势之一就是人力成本低，每多一个产品，对基金经理来说所增加的时间很少。

周毅认为，与成熟市场相比，A股可做的量化策略或对冲策略空间较大，因为参与的资金较少，机会也大。

优势是人力成本低

《投资者报》：市场上质疑，你一个人同时管理四只产品，能管得过来吗？

周毅：主动型投资较大程度上依赖投研平台，量化投资则主要依靠数量化模型，相比较，量化投资成本较低。对于已成立运作的指数基金来说，在系统建立起来后，相同管理类型的产品都可以共用一套系统，基金经理的工作实际上就是对细节进行微调。比如目前银华管理的分级产品和纯被动的指数基金，大概在上午9点半以前，系统会提交所有的产品的当日交易清单，基金经理的工作只是根据不同基金的一些投资限制在细节上进行调整。

《投资者报》：清单也是靠模型吗？

周毅：不完全是这样，其实是一个最优化的公式。比如跟踪沪深300指数基金，本来就按照每一只股票的权重买就可以，但是一些涉及关联交易等限制性规定的股票不能买，就有一个优化的问题。一部分公司的做法是用线性回归的方式，把受限股票都做线性回归，找到跟其相似度最高的股票，按它的权重买进来。

国外通常的做法是对投资组合进行整体优化，剔除交易受限制的股票，算出剩下股票的最优解，再和现在的组合比，就出来一个交易清单，这是一种优化。

《投资者报》：我了解到国外一些基金公司，虽然规模百亿乃至千亿美元，但基金经理、研究员却非常少，这与国内差别较大。

周毅：主要是大家对投资的理解不一样。按照我的感觉，在国外以传统投研方式（研究员加基金经理）做投资的，相对占少数，而国内公募基金发展也就十来年，传统投资方式依然占绝对大头。

《投资者报》：为什么占少数？

周毅：美国公募基金经历了α（超额收益）与β（市场平均收益）分离的过程，现在公募基金大多都去做β了，而对冲基金去做α了。逻辑很好理解，公募基金是怎么盈利的？规模乘以管理费。所以，基金公司的发展在于规模要大，而且越大越好。现在我把这个事情推到极致，全市场所有的钱都由一家基金公司管，收益是多少？就是市场平均收益，不可能有超额收益，这就是β。

就是说，公募基金想提高盈利，模式是把规模做大、把成本压低，最后得以生存。

所以，美国公募基金经理相对而言比较舒服，但他们的收入在金融业偏下，因为做β个人的因素不是特别大。

国内指数基金空白点多

《投资者报》：你讲到BGI短短十年管理资产就达到2万亿元，有什么可借鉴的地方？

周毅：我一直在思考这个问题。通常认为BGI的成功是靠大量发行交易型指数基金（ETF）做到的，但我觉得不全是。我觉得，其成功的另外一个重要原因是产品设计思路。

美国老牌基金公司先锋集团以指数基金闻名，他几乎把市场各种规模的指数产品都覆盖了，BGI作为一个后来者，指数的先发优势完全没有了，所以它需要找到一个突破口。于是，它打破了传统基于市场平均的指数设计理念，而集中突出特性很明显的产品。

比如寻找15个市值最大的房地产建筑商，然后制定一个指数。对于想投资房地产建筑的机构和个人，没有必要花时间和精力研究个股，而直接买对应的ETF，以至于大家提到建筑的时候提BGI建筑基金就可以了；再比如，BGI开发了很多国家系列指数，都是一个道理。目前国内还没有类似的指数，这方面基金也还是空白。

《投资者报》：对于一个长期从事量化投资的人，你怎么理解投资？

周毅：就投资而言，我个人的理解要稍微宽泛一些，只要能赚到钱，就可以称为投资。至少我在华尔街注意到，比如华尔街交易员的地位都很高，而国内交易员的地位比较低，在华尔街，考核的指标不是是否找到了好股票，而是看结果是否赚到钱。

为什么呢？因为股票交易价格和内在价值之间有很大差别，内在价值是不是最终能反映交易价格，这很难说。

交易员根据盘面上钱的供需关系、短期的交易价格赚钱，这也是投资赚钱的方式。而目前，这类东西在国内属于旁门左道或者另类。

对冲基金大有可为

《投资者报》：你提到，现在主要的创新方向是在A股如何应用对冲策略，你现在的对冲策略是什么？

周毅：现在A股做多的标的很多，全市场两千多个股票都可以买，而做空的工具只有沪深300股指期货。很显然，从理论上可以这样操作，通过放空沪深300股指期货对冲组合基准风险，那么只要组合收益率高于沪深300基准收益，超越部分就属于相对收益能力的绝对部分。

从国内基金公司的过往业绩来看，投研人员能够选出高于基准收益率的组合，这种投研能力传导的结果就是基金公司在大概率上是可以做出相对收益的。

我觉得目前A股可以做出的策略比较多，因为用这种方法做投资的资金比较少，所以机会比较大。

《投资者报》：你觉得做对冲基金最大的风险是什么？

量化交易策略的研究范文第5篇

关键词：大数据；量化投资；量化选股

中图分类号：F830 文献标志码：A 文章编号：1673-291X（2016）17-0106-01

量化投资理论是从20世纪50年代由马克维茨创造性地提出了用均值方差最优的数字方法来选择最优投资组合。由于当时对数据的处理量过大而复杂，因此，直到1990年后随着计算机被广泛使用，以量化作为核心的投资基金才逐渐超越传统的基金。量化选股策略是针对中国股票市场特性，从众多的指标参数中找出能够较为合理解释股票收益率的有效且不冗余的因子，并根据这些因子在选股策略中所占的权重来构建量化投资策略。随着信息技术的日异发展，资本市场深化改革步伐加快，证券市场间同业经营，居民消费等领域也迎来了信息数据量呈现几何级数增加现状。运用大数据思维分析众多股民的知识结构、行为习惯对股票投资形式的认知而形成固有模式思维，“大数据”思维正以不同形式、路径的方式影响着证券选股策略。大数据技术的战略意义不在于其庞大的信息数据量，而在于对含有意义的数据根据建模权重进行专业量化处理，帮助大家对于股票进行优化选股有着重要研究意义。因此，基于大数据思维模式分析多因子量化选股策略更加适用这样的市场，给投资者提供更好的参考模型。

作为量化投资界的传奇人物詹姆斯・西蒙斯，他曾因“用公式打败市场”的故事在金融界中为人津津乐道。在1989年由他创办的基金成立至今的20年时间里，该基金持续地获得了每年平均35%（扣除费用后）净回报率，而同期被称为“股神”的巴菲特每年平均回报率也才大约在20%左右。即使在金融危机的2008年，该基金仍然获得了80%的高额回报，“最赚钱基金经理”对西蒙斯来说无出其右。

目前，国内对量化投资策略研究还比较少，做量化交易的基金也相对较少，投资者对量化投资仍持怀疑态度。另外，中国目前的资本市场还不完善，做空机制以及金融衍生工具相对较少，股票市场上仍然采用T+1的交易模式，这些都导致了量化投资在中国市场的发展弊端。但是，随着股指期货等新的做空金融衍生工具的推出，量化投资开始走入“中国大妈们”的视野。

运用量化思维投资证券选股策略在国外已有四五十年。量化投资从无到有一直是很神秘的，人们把它叫做“黑匣子”。但是，当时的量化投资证券选股策略大多仅仅是数学模型，并不是人们想象的那么神秘。量化投资证券选股策略之所以弄得这样神秘是因为：（1）是为了保护其知识产权，防止侵权；（2）是为了防止其策略扩散后影响整个投资比率的失衡，缩短该策略的寿命；（3）是为了控制投资风险，如果该策略细节被投资对立面获得，则有可能会造成被动的投资效果。因此，投资公司、基金经理是不会说出其量化投资策略的。这是由于金融动荡中如果没有好的投资策略及对风险的控制力就有可能把老本亏个精光。

随着时间流逝，任何投资策略的盈利模式都会被市场所消化，量化投资策略也会随着时间的变化而改变。在量化投资证券选股这方面，重要的不是策略这一表面形式，而是掌握量化投资证券选股的研究模式。大家不必要去追逐那些形式的数学公式、策略模型，而应该根据现在大数据时代下对海量证券股票信息的合理分析整合，去学习、改进新的证券选股模式，以适应未来发展需要。

大数据时代的到来也给新形势下运用多因子量化模式选股带来极佳的发展机遇。

参考文献：