量化策略分类体系
在投资领域，量化策略已成为一种重要的投资手段。通过对大量数据的分析和处理，量化策略能够帮助投资者做出更加科学、理性的投资决策。本文将根据不同的分类标准，对量化策略进行详细的分类和介绍。
一、按资产类别分类
1. 股票量化策略
(1) 多因子选股策略
- 多因子模型：通过财务指标（如PE、ROE等）、量价因子（如波动率、换手率等）和另类因子（如舆情、ESG等）构建选股模型，采用线性回归或加权打分方式筛选股票组合。这种方法综合考虑了多种因素，能够更全面地评估股票的投资价值。
- 机器学习模型：利用随机森林、神经网络等算法挖掘非线性关系，需GPU加速训练，适合处理高维数据但需防范过拟合风险。机器学习模型能够自动学习数据中的复杂模式，提高选股的准确性。
(2) 高频交易策略
- 订单簿套利：基于Level2数据捕捉盘口价差失衡机会，持仓时间以秒计算，依赖FPGA硬件和交易所直连。通过快速捕捉订单簿中的价差，实现高频交易的利润。
- 事件驱动型：针对财报发布、指数调仓等事件，通过NLP解析公告信息实现毫秒级交易响应。利用市场对事件的反应，快速调整投资组合，获取超额收益。
2. 期货量化策略
(1) 时序趋势策略
- 均线系统：采用多周期均线交叉（如5日/20日均线）判断趋势方向，配合ATR指标动态调整仓位。通过均线的交叉信号，判断市场的趋势方向，动态调整仓位以控制风险。
- 通道突破：布林带、唐奇安通道等工具识别突破信号，在波动率扩张时加仓。利用通道突破的信号，捕捉市场的趋势机会，增加投资收益。
(2) 统计套利策略
- 跨期套利：利用同一品种不同合约价差回归特性，在contango/backwardation结构异常时建仓。通过价差的回归特性，捕捉市场的套利机会。
- 跨品种套利：基于产业链关联（如螺纹钢与铁矿石）或替代关系（黄金与白银）构建对冲组合。利用不同品种之间的关联性，构建对冲组合，获取稳定的套利收益。
3. 期权量化策略
(1) 波动率交易
- 波动率曲面套利：通过PCR比、偏度等指标捕捉隐含波动率曲面畸变机会，需实时计算希腊字母风险敞口。利用波动率曲面的畸变，捕捉市场的套利机会，实时计算风险敞口以控制风险。
- 波动率择时：结合VIX指数与历史波动率差值，构建跨式组合进行方向性押注。通过波动率的择时，构建跨式组合，获取市场的方向性收益。
(2) 中性策略
- 卖方策略：通过卖出波动率（如铁鹰式组合）获取时间价值衰减收益，需动态对冲Gamma风险。利用波动率的时间价值衰减，获取稳定的收益，动态对冲Gamma风险以控制风险。
- 波动率套利：利用期权平价关系进行转换/反转套利，需考虑股息率和资金成本。通过期权平价关系，捕捉市场的套利机会，考虑股息率和资金成本以提高收益。
4. 跨资产量化策略
(1) ETF轮动策略
- 大类资产配置：基于美林时钟模型动态分配股票/债券/商品ETF仓位，采用风险平价模型控制波动。通过动态分配不同资产的仓位，实现大类资产的配置，采用风险平价模型控制波动。
- 跨境套利：捕捉A股/H股ETF溢价差异，配合外汇对冲实现跨市场收益。利用跨境市场的溢价差异，捕捉套利机会，配合外汇对冲以控制风险。
(2) 另类风险溢价
- 低波动因子：构建低Beta股票组合叠加期权保护，获取风险调整后超额收益。通过低波动因子，构建低风险的投资组合，叠加期权保护以提高收益。
- 流动性溢价：通过逆向交易非流动性折价资产，利用机构调仓周期获利。利用市场的流动性溢价，通过逆向交易获取超额收益。
二、按持仓周期分类
1. 低频策略
(1) 多因子选股策略
- 定义：基于多个因子（如价值、动量、质量等）筛选股票，构建投资组合。适合长期投资，追求稳健的超额收益。
- 数据需求：日频财务数据、基本面数据。
- 应用场景：适合长期投资，追求稳健的超额收益。
(2) 主动型量化策略
- 定义：结合量化模型与主动管理，对市场趋势进行判断并调整组合。适应市场风格变化，追求超越基准的表现。
- 数据需求：宏观经济数据、行业数据。
- 应用场景：适应市场风格变化，追求超越基准的表现。
2. 中频策略
(1) 统计套利策略
- 定义：利用统计方法寻找资产之间的价格偏差，进行对冲套利。在市场波动中获取稳定收益。
- 数据需求：分钟级或日频数据，协整分析。
- 应用场景：在市场波动中获取稳定收益。
(2) 动量反转策略
- 定义：基于资产价格的动量或反转效应进行交易。捕捉短期价格波动。
- 数据需求：日频或分钟级价格数据。
- 应用场景：捕捉短期价格波动。
3. 高频策略
(1) 订单流分析策略
- 定义：通过分析订单簿数据，预测价格短期波动。追求极低延迟的交易机会。
- 数据需求：Tick级订单簿数据。
- 应用场景：追求极低延迟的交易机会。
(2) 市场微观结构策略
- 定义：利用市场微观结构理论，捕捉流动性机会。在高频交易中获取微小但稳定的收益。
- 数据需求：L2/L3行情数据。
- 应用场景：在高频交易中获取微小但稳定的收益。
三、按策略类型分类
1. 趋势跟踪策略
(1) 单资产趋势跟踪
- 定义：基于单一资产的价格趋势进行交易。适合趋势明显的市场环境。
- 数据需求：日频或分钟级价格数据。
- 应用场景：适合趋势明显的市场环境。
(2) 多资产趋势跟踪
- 定义：在多个资产之间寻找趋势机会。分散风险，提高收益稳定性。
- 数据需求：多资产价格数据。
- 应用场景：分散风险，提高收益稳定性。
2. 均值回归策略
(1) 单资产均值回归
- 定义：基于单一资产价格的均值回归特性进行交易。适合价格波动较大的资产。
- 数据需求：日频或分钟级价格数据。
- 应用场景：适合价格波动较大的资产。
(2) 跨资产均值回归
- 定义：利用多个资产之间的均值回归关系进行交易。捕捉资产之间的相对价值机会。
- 数据需求：多资产价格数据。
- 应用场景：捕捉资产之间的相对价值机会。
3. 套利策略
(1) 统计套利
- 定义：基于统计方法寻找资产之间的价格偏差。在市场波动中获取稳定收益。
- 数据需求：日频或分钟级价格数据。
- 应用场景：在市场波动中获取稳定收益。
(2) 无风险套利
- 定义：利用市场定价错误或交易机制差异获取无风险收益。适合低风险偏好投资者。
- 数据需求：实时价格数据。
- 应用场景：适合低风险偏好投资者。
4. 高频交易策略
(1) 市场微观结构策略
- 定义：利用市场微观结构理论，捕捉流动性机会。在高频交易中获取微小但稳定的收益。
- 数据需求：L2/L3行情数据。
- 应用场景：在高频交易中获取微小但稳定的收益。
(2) 订单流分析策略
- 定义：通过分析订单簿数据，预测价格短期波动。追求极低延迟的交易机会。
- 数据需求：Tick级订单簿数据。
- 应用场景：追求极低延迟的交易机会。
四、按交易数据分类
1. 基于历史数据的策略
(1) 基于日频数据的策略
- 定义：利用日频数据进行策略开发。适合低频策略。
- 数据需求：日线价格、成交量等。
- 应用场景：适合低频策略。
(2) 基于分钟级数据的策略
- 定义：利用分钟级数据进行策略开发。适合中频策略。
- 数据需求：分钟线价格、成交量等。
- 应用场景：适合中频策略。
2. 基于实时数据的策略
(1) 基于Tick数据的策略
- 定义：利用Tick级数据进行策略开发。适合高频策略。
- 数据需求：逐笔成交数据、订单簿数据。
- 应用场景：适合高频策略。
(2) 基于流数据的策略
- 定义：利用实时流数据进行策略开发。适合高频和事件驱动策略。
- 数据需求：实时行情数据、新闻舆情数据。
- 应用场景：适合高频和事件驱动策略。
五、按技术手段分类
1. 基于传统技术分析的策略
(1) 基于经典指标的策略
- 定义：利用经典技术指标（如MACD、RSI、KDJ等）进行交易。适合技术分析爱好者。
- 数据需求：日频或分钟级价格数据。
- 应用场景：适合技术分析爱好者。
(2) 基于形态分析的策略
- 定义：利用价格形态（如头肩顶、双底等）进行交易。适合对形态分析有研究的投资者。
- 数据需求：日频或分钟级价格数据。
- 应用场景：适合对形态分析有研究的投资者。
2. 基于机器学习的策略
(1) 监督学习策略
- 定义：利用监督学习算法（如线性回归、XGBoost等）进行预测和交易。适合有机器学习基础的投资者。
- 数据需求：大量历史数据。
- 应用场景：适合有机器学习基础的投资者。
(2) 无监督学习策略
- 定义：利用无监督学习算法（如聚类分析）进行交易。适合探索性分析。
- 数据需求：多资产数据。
- 应用场景：适合探索性分析。
(3) 强化学习策略
- 定义：利用强化学习算法（如DQN、PPO）进行交易。适合高频交易和复杂决策场景。
- 数据需求：大量历史数据和实时数据。
- 应用场景：适合高频交易和复杂决策场景。
3. 基于深度学习的策略
(1) 基于神经网络的策略
- 定义：利用神经网络（如LSTM、CNN）进行价格预测和交易。适合高频交易和复杂市场环境。
- 数据需求：大量历史数据。
- 应用场景：适合高频交易和复杂市场环境。
(2) 基于图神经网络的策略
- 定义：利用图神经网络建模资产之间的关系。适合跨资产交易。
- 数据需求：多资产数据和关系数据。
- 应用场景：适合跨资产交易。
4. 基于事件驱动的策略
(1) 基于新闻舆情的策略
- 定义：利用新闻舆情数据进行交易。适合对市场情绪敏感的投资者。
- 数据需求：新闻数据、社交媒体数据。
- 应用场景：适合对市场情绪敏感的投资者。
(2) 基于宏观经济事件的策略
- 定义：利用宏观经济事件（如利率决议、经济数据发布）进行交易。适合宏观对冲策略。
- 数据需求：宏观经济数据、事件日历。
- 应用场景：适合宏观对冲策略。
4. 基于事件驱动的策略
(1) 基于新闻舆情的策略
- 定义：利用新闻舆情数据进行交易。适合对市场情绪敏感的投资者。
- 数据需求：新闻数据、社交媒体数据。
- 应用场景：适合对市场情绪敏感的投资者。
(2) 基于宏观经济事件的策略
- 定义：利用宏观经济事件（如利率决议、经济数据发布）进行交易。适合宏观对冲策略。
- 数据需求：宏观经济数据、事件日历。
- 应用场景：适合宏观对冲策略。