1.多因子选股(股票)
多因子模型是一类重要的选股模型，它的优点是能够综合很多信息最后得出一个选股结果。多因子模型的表现相对来说也比较稳定，因为在不同的市场情况下，总有一些因子会发挥作用。因此，在量化投资中，不同的投资者和研究者都开发了很多不同的多因子模型。各种多因子模型核心的区别一是在因子的选取上，二是在如何用多因子综合得到一个最终的判断。一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。
多因子选股策略源码：https://www.myquant.cn/docs/python_strategyies/101
2.小市值(股票)
小市值是A股长期成长的一个优势策略，优质的小市值类股票往往表现活跃，容易引发炒作风潮带来超额收益，当下小市值策略已经成为了基金行业内部公开的“秘密”。
小市值策略源码：https://www.myquant.cn/docs/python_strategyies/427
3.Alpha对冲(股票)
投资者在市场交易中面临着系统性风险（即贝塔或Beta、β风险）和非系统性风险（即阿尔法或Alpha、α风险），通过对系统性风险进行度量并将其分离，从而获取超额绝对收益(即阿尔法收益)的策略组合，即为阿尔法策略。
从广义上讲，获取阿尔法收益的投资策略有很多种，其中既包括传统的基本面分析选股策略、估值策略、固定收益策略等等，也包括利用衍生工具对冲掉贝塔风险、获取阿尔法收益的可转移阿尔法策略。后者在国内通常被称为阿尔法对冲策略，并在近年A股市场上得到广泛应用。
alpha对冲策略源码：https://www.myquant.cn/docs/python_strategyies/101
4.集合竞价选股(股票)
集合竞价就是在当天还没有开盘之前，你可根据前一天的收盘价和对当日股市的预测来输入股票价格，在集合竞价时间里输入计算机主机的所有下单，按照价格优先和时间优先的原则计算出最大成交量的价格，这个价格就会是集合竞价的成交价格，而这个过程被称为集合竞价。
集合竞价选股策略源码：https://www.myquant.cn/docs/python_strategyies/102
5.指数增强(股票)
指数增强策略是指基金经理在构建投资组合时，运用“指数跟踪”与“主动管理”相结合的方式获取超额收益的投资策略，而相对于单纯的“指数”，指数增强策略的关键点是管理人的“主动管理”能力。简单而言，就是让产品走势与指数保持一致的同时，依托管理人的管理能力，让组合的涨幅尽可能地高于指数而跌幅小于指数。
指数增强策略源码：https://www.myquant.cn/docs/python_strategyies/105
6.日内回转交易(股票)
日内回转交易是指投资者就同一个标的（如股票）在同一个交易日内各完成多次买进和卖出的行为，其目的为维持股票数量不变，通过日内K线操纵，使可用余额增多，股票成本降低的一种盈利模式。
日内回转交易策略源码：https://www.myquant.cn/docs/python_strategyies/108
7.行业轮动(股票)
行业轮动是利用市场趋势获利的一种主动交易策略，其本质是利用不同投资品种强势时间的错位对行业品种进行切换以达到投资收益最大化的目的。通俗点讲就是根据不同行业的区间表现差异性进行轮动配置，力求能够抓住区间内表现较好的行业、剔除表现不佳的行业，在判断市场不佳的时候，权益类仓位降低，提升债券或货币的比例。
行业轮动策略源码：https://www.myquant.cn/docs/python_strategyies/111
8.机器学习(股票)
机器学习是一种解决问题的思维方式，核心在于收集数据，应用算法和生成模型。相对于普通的数据统计和分析而言，机器学习有自己的优化过程和评估体系，是一个更为独立，相对闭环的领域,机器学习无疑是日常数据工作的工具箱里，相对更为智能化的一种。
在机器学习中，我们用训练数据集去训练一个模型，通常会定义一个Loss误差函数。通过梯度下降等算法将这个Loss最小化，来提高模型的性能。然而我们学习一个模型的目的是为了解决实际的问题，单纯地将训练数据集的loss最小化，并不能保证它在泛化一般问题时仍然是最优，甚至不能保证模型是可用的。所以我们要定义一种方式，来评估模型的泛化能力，也就是预测能力。
通常来说，我们会将数据集分成，训练集和测试集，比例一般是7:3。使用训练集去训练模型，使用测试集去评估模型的泛化能力。
机器学习策略源码：https://www.myquant.cn/docs/python_strategyies/112