聚宽社区这些年积累的大量策略，也基本覆盖了A股量化研究中比较经典的几个方向。有研究小市值效应的，有研究趋势和动量的，有做可转债和ETF轮动的，有通过基本面因子进行选股的，也有研究事件驱动、市场情绪甚至高频微观结构的。如果把这些策略按照背后的投资逻辑进行梳理，大致可以归纳为下面12类。
一、小市值策略：A股量化投资最经典的因子之一
小市值策略可能是A股量化投资中最具代表性的策略之一。它背后的逻辑非常简单：在股票池中按照总市值或者流通市值进行排序，然后选择市值较小的一组股票构建组合，通过定期调仓获取潜在的规模因子收益。
从量化研究的角度看，小市值策略本质上是在利用一种典型的横截面因子。投资者并不需要判断某一家公司的商业模式，也不需要预测下一季度利润，而是直接研究“股票规模”这个变量与未来收益之间是否存在稳定的统计关系。
最基础的小市值策略通常只需要几个步骤：首先建立股票池，剔除ST、停牌、新股等不适合交易的标的；其次计算股票的市值并进行排序；最后选择排名靠前的若干只股票进行持仓，并按照固定周期进行调仓。
但真正能够用于实盘研究的小市值策略，显然不会这么简单。除了市值本身之外，通常还需要考虑流动性、涨跌停、交易成本、行业暴露以及基本面质量等因素。否则回测出来的收益，很可能只是建立在“理论上可以买到、实际上根本买不到”的价格之上。
小市值策略之所以经典，是因为它很好地体现了量化投资的基本思想：把传统投资经验转化成可计算的变量，再通过历史数据验证这种变量是否具有统计意义。
不过，小市值因子并不是一个永远有效的“赚钱公式”。随着市场结构变化、投资者行为变化以及量化资金规模扩大，因子的收益可能出现明显波动甚至阶段性失效。因此，在研究小市值策略时，比单纯观察年化收益率更重要的是研究它的收益来源、适用市场环境以及因子衰减问题。
二、动量ETF轮动：二八轮动背后的趋势逻辑
动量策略是量化投资中非常经典的一类策略，其核心假设是：过去一段时间表现较强的资产，在未来一段时间内仍然可能保持相对强势。
将这种思想应用到ETF上，就形成了比较常见的ETF动量轮动策略。
例如，可以建立一个包含沪深300、中证500、创业板、科创板或者其他资产的ETF池，然后计算每只ETF过去20日、60日或者120日的收益率，根据动量指标进行排序，选择排名靠前的资产进行配置。
所谓“二八轮动”“三轮动”，本质上都是在不同资产之间寻找相对强弱，并根据市场状态动态调整仓位。具体参数虽然不同，但背后的核心逻辑是一致的：不预测市场具体涨多少，而是利用不同资产之间的趋势差异进行动态配置。
ETF轮动策略的一个明显优势，是投资标的相对有限。相比直接在数千只股票中进行选股，ETF轮动可以将研究范围压缩到几十只甚至十几只资产，同时减少个股基本面风险。
当然，动量策略也存在明显缺陷。趋势一旦发生快速反转，过去的强势资产可能迅速变成弱势资产，而策略的调仓信号通常存在一定滞后。因此，实际研究中经常会加入均线过滤、波动率调整、最大回撤控制或者风险平价等机制。
从量化学习角度来看，ETF轮动非常适合作为入门策略，因为它可以完整覆盖量化策略研究中的几个基本环节：指标计算、资产排序、组合构建、定期调仓、风险控制和回测评价。
三、可转债双低策略：价格与转股溢价率的综合筛选
可转债双低策略在量化社区中一直具有较高的关注度。
所谓“双低”，通常是指同时关注可转债的价格水平和转股溢价率。其中，转债价格反映市场对债券本身以及正股期权价值的综合定价，而转股溢价率则反映可转债价格相对于其转股价值的溢价程度。
最基础的双低策略，可以对可转债按照“价格+转股溢价率”构建综合评分，然后选择排名靠前的转债进行组合投资。
这种策略背后的核心思想是：单纯选择低价格转债，可能买到基本面较差或者信用风险较高的品种；单纯选择低溢价率转债，又可能面临价格过高的问题。因此，同时考虑价格和溢价率，可以在一定程度上兼顾安全边际和向上弹性。
进一步优化时，还可以加入正股质量、剩余期限、评级、成交额、强赎状态等条件，从而构建更加完整的可转债量化模型。
不过，可转债双低策略同样不是无风险套利。可转债市场会受到正股价格、市场流动性、信用风险、强赎条款以及整体风险偏好的影响。在极端行情下，过去看起来非常稳定的策略也可能出现明显回撤。
因此，研究双低策略时，不能只看历史年化收益，还需要重点观察最大回撤、组合流动性以及不同市场环境下的表现。
四、网格交易：利用震荡行情进行高抛低吸
网格交易是普通投资者非常熟悉的一种策略，同时也是量化策略中最容易被误解的一类。
它的核心思想是预先设定一系列价格区间，当价格下跌到某个网格时买入，当价格上涨到上一个网格时卖出，通过反复交易获取震荡行情中的价差。
例如，一只ETF价格为10元，可以按照固定比例设置多个价格网格。当价格从10元跌到9.5元时增加仓位，从9.5元跌到9元时继续增加；如果价格随后反弹，则在对应的价格区间逐步卖出。
传统固定网格的最大问题是，网格间距通常是固定的，而市场波动并不是固定的。因此，在进一步优化后，就出现了动态网格、ATR网格等变种。
ATR，也就是平均真实波幅，可以用来衡量资产近期的波动程度。当市场波动扩大时，网格间距可以相应扩大；当市场波动降低时，则可以缩小网格间距。
网格策略比较适合震荡市场，但它天然害怕单边趋势。如果资产持续下跌，策略会不断执行买入操作，最终可能形成较大的浮亏和仓位集中。因此，比较成熟的网格策略通常需要配合最大持仓限制、趋势过滤或者止损机制。
从策略研究角度来看，网格真正值得研究的并不是“网格参数设多少最好”，而是如何识别震荡市场与趋势市场，以及如何根据波动率动态调整交易区间。
五、多因子选股：从单一指标走向系统化选股
多因子策略可以说是量化选股体系中最具有代表性的模型之一。
它的基本思想是：股票未来收益可能与多个可观测特征有关，因此可以同时利用价值、成长、质量、动量、波动率、市值等多个因子，对股票进行综合评价。
例如，可以构建一个简单的多因子模型：价值因子占30%，成长因子占25%，质量因子占25%，动量因子占20%。将所有股票按照各因子进行标准化处理，然后计算综合得分，选择排名靠前的股票构建投资组合。
实际研究过程中，还需要解决因子之间的相关性、因子标准化、缺失值处理、极值处理以及行业中性化等问题。
这也是多因子策略与普通“指标选股”之间的重要区别。
如果只是简单地规定“PE低于20、ROE高于15%就买”，本质上还是规则筛选。而多因子模型更强调通过统计方法研究多个变量与未来收益之间的关系。
多因子策略最大的风险则是过拟合。研究者可以很容易地通过增加因子、调整参数和优化权重，让历史回测结果越来越漂亮，但模型在未来市场中的表现却可能越来越差。
因此，一个真正有研究价值的多因子模型，应该关注因子的经济逻辑、样本外表现、滚动回测结果以及不同市场阶段的稳定性，而不是只盯着一条漂亮的净值曲线。
六、技术指标择时与突破：从均线到海龟交易法
技术指标策略是量化交易中历史最悠久的策略类别之一。
均线、MACD、RSI、布林带等传统技术指标，都可以通过程序转化为明确的交易条件。比如均线策略可以规定，当短期均线上穿长期均线时产生买入信号，当短期均线下穿长期均线时产生卖出信号。
在趋势交易体系中，海龟交易法是非常经典的突破策略。它通常通过价格突破过去一定周期的最高价或最低价来判断趋势是否形成，并结合止损、仓位管理和波动率控制进行交易。
这类策略的核心并不是预测价格，而是在趋势形成以后跟随趋势。
突破策略的优点是规则清晰、容易程序化，但缺点同样明显。在震荡市场中，价格不断突破又快速回落，策略可能出现连续的假突破和交易亏损。
因此，技术指标本身并不是策略的全部。一个完整的趋势策略通常还需要包括入场规则、退出规则、止损机制、仓位管理以及交易成本模型。
这也是量化交易与传统技术分析最大的区别之一：技术指标只是工具，真正决定策略表现的是完整的交易系统。
七、行业龙头与高研报关注度：把机构行为转化成因子
传统投资中，很多投资者会关注券商研报、机构持仓以及行业龙头。量化研究则可以进一步尝试把这些信息转化成结构化数据。
例如，可以统计某家公司被多少家机构覆盖、机构预测数量、分析师评级、盈利预测变化以及机构持仓比例等，然后研究这些变量与未来股票收益之间是否存在统计关系。
类似地，也可以构建“行业龙头”因子，通过营业收入、市场份额、市值、盈利能力等指标筛选行业头部公司。
这类策略的本质是研究机构行为与信息传播对股票价格的影响。
但这里有一个非常重要的问题：高研报关注度本身未必是正面信号。
一家公司被大量机构覆盖，可能意味着市场认可，也可能意味着市场预期已经非常充分。对于量化策略来说，真正有价值的并不是简单统计“谁被研究得最多”，而是研究关注度变化本身。
例如，过去没有多少机构关注，现在突然出现大量研报覆盖，这种变化可能比绝对关注度更加具有研究价值。
八、破净股 + 自由现金流：寻找真正的深度价值
深度价值策略的核心是寻找市场价格与企业价值之间存在较大偏离的股票。
最简单的方法是寻找破净股，即PB低于1的公司。但单纯依赖PB容易产生“价值陷阱”，因为一家公司之所以便宜，很可能是市场认为它未来的盈利能力会继续下降。
因此，可以进一步加入自由现金流指标。
自由现金流可以在一定程度上反映企业在维持正常经营和资本开支之后真正能够产生的现金。将低估值与较好的现金流质量结合起来，目的就是避免简单地购买“便宜但基本面不断恶化”的公司。
例如，可以建立一个筛选体系：
第一步，筛选PB较低的股票；
第二步，剔除持续亏损和经营现金流恶化的公司；
第三步，进一步关注自由现金流收益率、ROE以及盈利稳定性；
第四步，根据综合评分进行组合构建。
这类策略的核心其实非常传统：以较低价格购买具有持续经营能力的资产。
量化只是把传统价值投资中的“便宜”和“好公司”尽可能转化为数据指标。
九、羊群效应与极致换手率：量化市场情绪
市场情绪一直是量化研究中非常有意思的方向。
股票价格不仅受到基本面的影响，也受到投资者行为的影响。当某只股票突然出现成交量放大、换手率飙升、短期暴涨或者暴跌时，往往意味着市场参与者的交易行为正在发生明显变化。
因此，一些策略会尝试从换手率、成交量、短期收益率以及筹码集中度等指标中寻找市场情绪信号。
例如，高换手率配合短期大幅下跌，可能代表恐慌性抛售集中释放；而高换手率配合持续上涨，则可能代表市场情绪处于极端活跃状态。
当然，同样的信号在不同市场环境下可能代表完全不同的含义。
所以这类策略不能简单理解成“高换手就买”或者“超跌就抄底”。
真正的量化研究需要进一步回答：这种交易行为在历史上是否具有稳定的预测能力，以及这种预测能力是否能够覆盖交易成本。
这也是行为金融和量化投资结合比较典型的方向。
十、财报与事件驱动：寻找信息披露后的超额收益
事件驱动策略的研究对象不是单纯的价格，而是市场中的某一个具体事件。
最经典的例子之一，就是PEAD，即盈余公告后漂移。
简单来说，当上市公司公布财报后，如果实际业绩明显超出或者低于市场预期，股票价格可能不会在公告当天完全完成定价，而是在之后的一段时间内继续产生一定方向的价格变化。
量化投资者可以围绕这一现象构建策略。
例如，对公司财报中的营业收入、净利润、扣非净利润、盈利预测变化等指标进行处理，然后研究业绩超预期程度与未来5日、20日、60日收益之间的关系。
除了财报，事件驱动还可以研究业绩预告、股份回购、股东增持、并购重组、分红以及重大合同等事件。
事件驱动策略的关键是事件定义必须足够客观。
“这家公司看起来不错”不是事件。
“公司净利润同比增长80%，同时显著超过市场一致预期”才是可以被量化研究的事件。
十一、高频与微观结构：研究交易本身
当量化研究从日频甚至分钟级进一步深入，就会进入市场微观结构领域。
这类策略研究的不再只是“股票涨还是跌”，而是研究交易过程中更加细微的变化，例如成交量、盘口、买卖委托、大单成交、订单不平衡、尾盘资金行为以及短周期价格冲击等。
例如，“尾盘大单抢筹”这一类策略，会重点观察临近收盘阶段是否出现异常的大额成交，以及这种交易行为是否与下一交易日的价格表现存在统计关系。
这类策略与传统基本面量化有很大区别，因为它对数据质量、时间精度、交易成本和执行能力都有更高要求。
一个策略即使在理论回测中存在超额收益，如果每次交易只能获得0.05%的预期收益，而实际交易成本、滑点和冲击成本已经达到0.08%，那么这个策略在现实中依然没有意义
因此，高频策略研究的核心问题之一就是：
信号产生的速度，能不能快过成本侵蚀的速度？
这也是为什么高频和微观结构策略通常更适合专业机构，而不是普通投资者直接照搬。
十二、RBreaker与Dual Thrust：经典期货日内突破系统
如果说前面的策略主要集中在股票和ETF，那么RBreaker与Dual Thrust则是期货量化交易中非常经典的趋势与突破策略。
Dual Thrust的核心思路，是根据过去一段时间的价格区间计算当天的上下轨。当价格突破上轨时做多，跌破下轨时做空，并根据交易系统进行止损或者平仓。
RBreaker则是在突破逻辑之外加入反转机制，通过多个关键价格水平判断市场究竟处于趋势还是反转状态。
这类策略最大的特点是规则化程度非常高。交易者不需要在盘中主观判断“今天是不是要涨”，而是提前计算关键价格，并根据市场实际运行情况执行。
但期货市场具有杠杆属性，因此这类策略的风险管理比股票策略更加重要。
尤其需要关注仓位、保证金、止损、滑点、跳空以及极端行情下的流动性问题。
一个简单的突破策略很容易写出来，但要把它变成能够长期运行的交易系统，真正困难的部分往往不是入场信号，而是仓位管理和风险控制。
写在最后：没有“万能策略”，只有适合特定市场环境的策略
把这12类策略放在一起，会发现它们其实代表了量化投资中的几种主要研究范式。
小市值策略和多因子策略，本质上是在研究股票横截面上的收益差异；动量ETF轮动和海龟突破，主要研究趋势与相对强弱；可转债双低和深度价值策略研究的是价格与价值之间的偏离；网格策略利用的是震荡市场中的价格波动；事件驱动策略研究信息出现以后市场如何重新定价；羊群效应和高换手策略研究的是投资者行为；而高频和微观结构策略，则进一步深入到交易机制本身。
从这个角度来看，量化策略其实并没有那么神秘。