内容来源微信公众号：XYQuantResearch
3、国内量化技术的演变
随着关注侧重点的不同，量化发展重要时间节点的划分方式也多种多样，考虑到并无官方的划分口径，在此我们根据国内量化技术的发展历程对时间轴进行划分。
与国外相比，国内量化发展的历史较短，根据一些重要的事件发生节点，我们可以将国内量化划分成1.0时代（2002年-2010年）、2.0时代（2010年-2015年）、3.0时代（2015年-2019年）和4.0时代（2019年至今）。下面我们就每个时代的主流量化技术进行探究。
3.1 量化1.0时代的技术
在2002年，国内第一只指数增强型量化基金–华安上证180指数增强型基金成立，开创了国内量化投资的新时代。光大保德信量化核心基金在2004年成立，主动量化投资理念在国内基金市场生长开花。虽然上述基金运用了量化技术，但是当年国内量化市场仍处于初创期，对于量化投资尚处于摸索状态。此外，由于2002-2010年国内市场交易制度与投资工具不甚完善，量化技术难以发挥真正的威力。
3.2 量化2.0时代的技术
2010年4月16日，中国第一只股指期货沪深300股指期货（IF）上市，标志着中国做空机制与杠杆交易的启蒙。自此，投资者无论在A股市场的上涨行情还是下跌行情都有赚钱的机会，量化交易的可行策略也得到了丰富，量化2.0时代的序幕徐徐拉开。
量化2.0时代的策略以中低频交易为主。此时的公募量化策略大致可被分为量化选股策略（利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率）和量化对冲策略（先用量化投资的方式构建股票多头组合，然后使用衍生品构造空头对冲市场风险，最终获取稳定的超额收益）；与公募相比，私募的量化策略更加丰富，除了如上所述三类策略，期货策略、期权策略、债券策略等也是私募量化的常用手段。
下面，我们对量化2.0时代公募与私募的常用策略进行说明。
3.2.1、量化选股策略
量化选股就是利用数量化的方法选择股票组合，以期构建的股票组合能够获得较高收益的一种投资行为。根据主流的划分方式，量化选股模型主要分为三大类：多因子选股、事件驱动选股以及基本面量化选股，三者各有特色且皆为量化投资机构的热门研究对象。三类量化选股模型的具体介绍以及量化选股策略常见的数据来源如下图所示。
多因子策略是量化选股领域应用最为广泛的策略之一，主要有以下特征：
（1）能够综合各方面信息得出一个优化结果；
（2）模型表现较为稳定，因为在不同的市场状态下，总有一些因子会发挥作用；
（3）可以与近年来发展迅速的人工智能尤其是深度学习技术实现完美融合。
我们可以根据理论或经验去寻找这些能在某段时间内发挥较稳定作用的因子，接着通过对历史数据的拟合和统计分析进行验证和筛选得到因子组合，最后将筛选所得因子的组合作为选股标准，从而构建股票池。
在实践中，多因子选股可分为以下五个步骤：因子选取、因子有效性检验、因子筛选与合成、组合优化以及绩效归因（每个步骤的操作细节如下图所示）。其中，因子选取环节对策略能够实现的超额收益的大小有着颇为重要的影响，因此部分头部私募在计算机硬件设备上持续投入，同时引入机器学习算法，以进行批量化的因子挖掘。
3.2.2、量化对冲策略
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(期货管理)策略以及套利策略，各大类量化对冲策略的具体分类与解释说明如下图所示。
在市场震荡剧烈时，量化对冲基金的优势会更加明显。据Wind数据统计，在2015年的下半年，沪深300指数下跌16.59%，而量化对冲基金却取得了正向的平均收益（0.45%）；在市场全年下行的2018年，沪深300指数下跌25.31%，而同一时期的量化对冲基金的平均收益仍为正向（0.27%）；2021年春节过后，A股市场波动较为剧烈，截至2021年3月26日，沪深300指数下跌13.25%，而同期的量化对冲基金平均跌幅仅1.55%，表现较为亮眼。
3.2.3、期货策略
常见的期货策略主要包括双均线策略、菲阿里四价策略、布林线均值回归、跨期套利策略、跨品种套利策略、海龟交易法策略、Dual Thrust策略、R-Breaker策略、做市商交易策略以及Alpha对冲策略等，各大类期货交易策略的具体分类与解释说明如下图所示。
由于期货交易面临价格风险、委托风险、交易风险、交割风险、投资者自身导致的风险等诸多风险因素，在构建期货策略的过程中，完善风险监控和处置机制有着颇为重要的意义。
3.2.4、期权策略
期权也被称为选择权，是一种能在未来某特定时间以特定价格买入或卖出一定数量的某种特定商品的权利。由期权的概念可知，期权建立在期货的基础之上，给予投资者购入或出售标的资产的权利。从交易方式来看，期权策略主要可被分为以下四类：
（1）方向性交易策略：利用期权的杠杆特性进行方向性交易（常见的有买入看涨期权、卖出看涨期权、买入看跌期权和卖出看跌期权，或者基于不同行权价或到期时间的期权构建组合）；
（2）波动率交易策略：波动率是期权交易中非常重要的观察角度，与其他的金融资产不同，期权不仅能进行方向性交易，还能进行波动率交易；
（3）套利策略：对于期权而言，常见套利策略有平价套利策略(Put-Call Parity)、箱体套利、凸性套利、边界套利等；
（4）套保策略：风险管理是期权最核心的功能之一，期权与现货结合的套保策略也是目前机构常用的策略，如备兑开仓策略（Covered Call）、保护性看跌期权策略（Protective Put）等。
上述各类期权交易策略的具体分类与解释说明如下图所示。
随着国内衍生品市场的持续发展和开放，期权在投资与风险管理中的作用越来越重要，期权策略也将在量化人才不断涌入的过程中愈发丰富与完善。
3.2.5、债券策略
债券投资可以直接在一级市场买入并持有到期，也可以在二级市场买卖利用债券价格本身的波动，低吸高抛以赚取差价。债券投资主要分为被动投资策略和主动投资策略，各类债券交易策略的解释说明如下图所示。
3.3 量化3.0时代的技术
2015年4月16日，中证500股指期货上市，这意味着量化基金拥有更多的发挥空间，小盘股的对冲也更为便利。在量化3.0时代，量化基金对长线因子的依赖减少，量化基金的策略逐步步入精细化和高频时代。一众私募相继建立从极为短暂的市场变化中寻求获利的自动交易系统，以增厚超额收益。
高频交易目前尚无被广泛接受的权威定义，一般认为高频交易有如下几个特征：
（1）高频交易都是由计算机自动完成的程序化交易；
（2）高频交易的交易量大幅高于传统交易策略；
（3）高频交易的持仓时间很短，日内交易次数很多；
（4）高频交易每笔收益率很低，但是总体收益稳定。
根据现有文献，高频交易策略主要包括造市交易、收报机交易、事件套利、统计套利、新闻交易、低延迟策略以及订单属性策略，常见高频交易策略的具体分类与解释说明如下图所示。
高频策略的速度很快且收益相对稳定。然而高频策略的缺陷也很明显，主要体现在以下几方面：
（1）策略容量的限制相对中低频策略更大，若策略规模达到市场容量上限，交易策略将发生拥堵，市场摩擦成本将显著增大，产品收益率将较难提升；
（2）高频策略主要关注市场的短期波动。如若市场结构发生变化，原有的因子可能失效，因此高频交易团队需要不断挖掘新的因子。
正因为高频交易的以上缺陷，早在2018年时，就有部分量化私募主动减少高频交易，加大中低频交易策略的布局力度。
3.4 量化4.0时代的技术
2019年6月证监会推动了公募基金转融通业务指引；同年8月，“两融标的增加650只（不含科创板），中小板、创业板股票占比提升，同时科创板股票自上市首日起即可成为两融标的，也成为标的扩容的重要组成部分”。融券的放开与应用，使得量化可以真正实现多空策略，这将大大丰富量化策略的种类和容量，将量化推入了浩浩荡荡的4.0时代。在量化4.0时代，融券做空使得股票多空和纯做空等策略成为可进一步能，丰富了量化策略池。
在量化4.0时代，人工智能在量化策略的运用越来越广泛，下面我们对人工智能在量化上的应用进行简要介绍。人工智能是计算机科学的分支之一，它试图了解智能的实质并生产出一种以人类智能相似的方式进行感知、判别与决策的智能机器。近年来人工智能技术正高速发展并逐渐向各行各业渗透，改善产业链结构并提升信息利用效率。
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，同时更有充分挖掘海量数据中隐藏的规律的潜力。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。最近几年，国内头部私募相继大力招聘人工智能领域的优秀人才，同时投入巨额资金构建人工智能投研架构，可见该技术在国内量化领域方兴未艾。
在金融领域，人工智能（AI）技术主要有四类应用：自动报告生成、金融智能搜索、构建人工智能量化交易策略和智能投顾。每类应用的具体说明如下图，其中基于自然语言处理技术的自动报告生成与基于推荐搜索技术的金融智能搜索为交易策略的构建提供了间接帮助。
下面我们将重点阐述人工智能量化交易策略的构建，常见的人工智能模型主要分为线性模型、树模型、集成学习模型、神经网络模型、图模型、聚类和降维领域模型和在线机器学习与强化学习领域模型，每类模型的具体说明以及常用模型的优缺点比较参见下图表。
