1.2 策略分类

概念详解

Alpha与Beta：量化策略的根本区分

在量化投资中，策略被首先划分为两大类别：Alpha策略追求超额收益，Beta策略跟踪市场指数。理解这一区分是构建任何量化策略的前提。

名词解释：Alpha

投资组合相对于基准指数（如沪深300）的超额收益，衡量基金经理的选股或择时能力。

名词解释：Beta

衡量资产或组合相对于市场整体的系统性风险，Beta=1表示与市场同步波动。

名词解释：Smart Beta

介于主动管理（Alpha）和被动跟踪（Beta）之间的策略，通过透明的因子规则（如价值、动量、低波）构建指数增强组合。

Alpha又可以进一步细分：

纯Alpha (Pure Alpha)：通过多空组合对冲市场风险，追求与市场涨跌无关的绝对收益
Alpha叠加 (Alpha Overlay)：在Beta头寸之上叠加选股或择时信号，增强指数收益

策略的收益来源分解

任何策略的收益可以表示为：

R_total = R_rf + Beta * (R_market - R_rf) + Alpha + ε

其中：

$R_{r f}$ 是无风险利率（资金的时间成本）
$B e t a \times (R_{m a r k e t} - R_{r f})$ 是承担系统性风险的补偿
$A l p h a$ 是策略真正的超额能力
$ϵ$ 是随机噪声

理解这个分解的重要性在于：很多看似"赚钱"的策略，实际上只是在牛市中赚了 Beta 的钱，并没有产生真正的 Alpha。

策略分类体系

按交易逻辑分类

1. 方向性策略 (Directional Strategies)

预测资产价格的涨跌方向，是最直观的策略类型：

趋势跟踪 (Trend Following)：假设"涨的会继续涨，跌的会继续跌"，利用移动平均、通道突破等技术指标
均值回归 (Mean Reversion)：假设价格会回到统计均值，利用 Bollinger Bands、RSI等超买超卖指标
择时策略 (Market Timing)：预测市场整体的牛熊转换，决定股票仓位比例

2. 相对价值策略 (Relative Value Strategies)

不赌方向，只赌价差关系的修复：

统计套利 (Statistical Arbitrage)：利用协整关系构建多空配对，赚取价差回归的利润
跨品种套利：如大豆压榨套利（大豆→豆粕+豆油）、螺纹钢/热卷价差
跨期套利 (Calendar Spread)：同一品种不同到期月份合约之间的价差交易
ETF套利：利用ETF净值与市值之间的偏差

3. 事件驱动策略 (Event-Driven Strategies)

利用公司或市场事件的预期影响力：

并购套利 (Merger Arbitrage)：收购宣布后的价差交易
财报策略：财报发布前后的超预期/不及预期交易
指数调整：指数成分股调整带来的被动资金流入/流出

4. 做市策略 (Market Making)

提供双边报价，赚取买卖价差：

通过统计模型预测短期价格方向，动态调整报价
管理存货风险，希腊字母中性化
利用交易所返佣（maker rebate）增厚利润

按预测频率分类

频率	持仓周期	典型策略	技术栈
超高频	<1秒	做市、tick套利	C++/FPGA
高频	1秒-1分钟	订单流预测	C++/Python
中频	1分钟-1天	统计套利、趋势	Python
低频	1天-1周	因子选股	Python/R
基本面	1周-1月	多因子、宏观	Python/SQL

按资产类别分类

股票策略：多因子选股、量化择时、事件驱动
期货/CTA：趋势跟踪、跨品种套利、期限结构
期权策略：波动率套利、希腊字母对冲、跨式策略
固定收益：久期管理、收益率曲线套利、信用利差
外汇：利差交易 (Carry Trade)、购买力平价回归
数字货币：永续合约资金费率套利、跨所搬砖

数学原理

趋势跟踪的数学表达

设 $M A_{S}$ 为短期移动平均， $M A_{L}$ 为长期移动平均：

Signal_t = sign(MA_{S,t} - MA_{L,t})

当短期均线上穿长期均线（金叉）时做多，下穿（死叉）时做空。

更一般的趋势强度度量用时间序列动量 (Time Series Momentum, Moskowitz et al., 2012)：

r_{t,t+h} = sign(r_{t-12,t}) \cdot r_{t,t+h}

即用过去12个月的收益率符号预测未来 $h$ 个月的收益率方向。

配对交易的统计基础

配对交易的核心是协整检验。对于两只股票 $S_{1}$ 和 $S_{2}$ ，估计协整回归：

\ln(P_{1,t}) = \alpha + \beta \ln(P_{2,t}) + \varepsilon_t

如果残差 $ε_{t}$ 是平稳的，则两只股票是协整的。交易信号为：

Signal_t = \begin{cases} +1 & \text{if } \varepsilon_t < -\theta \\ -1 & \text{if } \varepsilon_t > +\theta \\ 0 & \text{otherwise} \end{cases}

其中 $θ$ 是开仓阈值，通常设为残差标准差的1.5-2.5倍。

Python实战

案例1：简单趋势跟踪信号

PYTHON4 行 · 175 B

📄此处有展示代码4 行 · 175 B展开 ▼

python

import pandas as pd
df['MA_short'] = df['Close'].rolling(20).mean()
df['MA_long'] = df['Close'].rolling(50).mean()
df['Signal'] = (df['MA_short'] > df['MA_long']).astype(int)

▶ 点击展开可浏览运行结果

📘 本段为代码片段（仅展示函数/类定义，未提供运行入口，无需运行）

案例2：完整的均线策略回测框架

PYTHON59 行 · 1.9 KB

📄此处有展示代码59 行 · 1.9 KB展开 ▼

python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 计算信号和每日持仓
def moving_average_crossover(df, short_window=20, long_window=50):
    """
    双均线交叉策略
    """
    data = df.copy()
    
    # 计算均线
    data['MA_short'] = data['Close'].rolling(short_window).mean()
    data['MA_long'] = data['Close'].rolling(long_window).mean()
    
    # 生成信号：1为做多，-1为做空，0为无仓位
    data['Position'] = 0
    data.loc[data['MA_short'] > data['MA_long'], 'Position'] = 1
    data.loc[data['MA_short'] < data['MA_long'], 'Position'] = -1
    
    # 信号生成时考虑滞后（避免未来函数）
    data['Position'] = data['Position'].shift(1)
    data = data.dropna()
    
    # 计算策略收益率
    data['Market_Return'] = data['Close'].pct_change()
    data['Strategy_Return'] = data['Position'] * data['Market_Return']
    
    # 计算累计收益
    data['Cum_Market'] = (1 + data['Market_Return']).cumprod()
    data['Cum_Strategy'] = (1 + data['Strategy_Return']).cumprod()
    
    return data


# 使用示例 (需要一个包含 'Close' 列的 DataFrame)
# result = moving_average_crossover(df)
# result[['Cum_Market', 'Cum_Strategy']].plot(figsize=(12, 6))
# plt.show()

# 绩效统计函数
def performance_stats(returns, trading_days=252):
    """计算策略绩效指标"""
    annual_return = returns.mean() * trading_days
    annual_vol = returns.std() * np.sqrt(trading_days)
    sharpe = annual_return / annual_vol
    cum_returns = (1 + returns).cumprod()
    max_drawdown = (cum_returns / cum_returns.cummax() - 1).min()
    win_rate = (returns > 0).mean()
    
    return {
        '年化收益率': f'{annual_return:.2%}',
        '年化波动率': f'{annual_vol:.2%}',
        '夏普比率': f'{sharpe:.2f}',
        '最大回撤': f'{max_drawdown:.2%}',
        '胜率': f'{win_rate:.2%}'
    }

# print(performance_stats(result['Strategy_Return'].dropna()))

▶ 点击展开可浏览运行结果

📘 本段代码定义了 2 个函数/类：函数 `moving_average_crossover`（双均线交叉策略）、函数 `performance_stats`（计算策略绩效指标）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

案例3：配对交易信号生成与回测

PYTHON57 行 · 1.9 KB

📄此处有展示代码57 行 · 1.9 KB展开 ▼

python

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import coint, adfuller
from scipy import stats

def find_cointegrated_pairs(prices_df, p_threshold=0.05):
    """
    在全市场中寻找协整配对
    prices_df: 每列是一只股票的价格序列
    """
    n = prices_df.shape[1]
    pairs = []
    pvalues = []
    
    for i in range(n):
        for j in range(i+1, n):
            score, pvalue, _ = coint(prices_df.iloc[:, i], prices_df.iloc[:, j])
            if pvalue < p_threshold:
                pairs.append((prices_df.columns[i], prices_df.columns[j]))
                pvalues.append(pvalue)
    
    # 按p值排序，返回最优配对
    sorted_idx = np.argsort(pvalues)
    return [(pairs[i], pvalues[i]) for i in sorted_idx]

def generate_pair_signal(stock1_prices, stock2_prices, lookback=60, entry_z=2.0):
    """
    生成配对交易信号
    """
    # 滚动OLS估计对冲比率
    hedge_ratios = []
    for t in range(lookback, len(stock1_prices)):
        y = stock1_prices[t-lookback:t]
        x = stock2_prices[t-lookback:t]
        x_with_const = np.column_stack([np.ones(len(x)), x])
        beta = np.linalg.lstsq(x_with_const, y, rcond=None)[0]
        hedge_ratios.append(beta[1])
    
    hedge_ratios = np.array(hedge_ratios)
    
    # 计算价差
    spread = stock1_prices[lookback:] - hedge_ratios * stock2_prices[lookback:]
    
    # 标准化价差
    spread_mean = pd.Series(spread).rolling(lookback).mean()
    spread_std = pd.Series(spread).rolling(lookback).std()
    zscore = (spread - spread_mean) / spread_std
    
    # 生成信号
    signal = np.zeros(len(zscore))
    signal[zscore > entry_z] = -1  # 做空价差（卖1买2）
    signal[zscore < -entry_z] = 1  # 做多价差（买1卖2）
    
    # 平仓信号：价差回归均值
    signal[np.abs(zscore) < 0.5] = 0
    
    return signal, zscore, spread

▶ 点击展开可浏览运行结果

📘 本段代码定义了 2 个函数/类：函数 `find_cointegrated_pairs`（在全市场中寻找协整配对）、函数 `generate_pair_signal`（生成配对交易信号）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

常见误区

误区一：趋势跟踪在震荡市一定亏钱

事实：趋势跟踪确实有"磨损期"，但好的趋势策略会在震荡市降低仓位或加入波动率过滤器。关键是控制每次假突破的成本，让单次亏损远小于单次趋势追中的盈利。

误区二：统计套利是"无风险"的

事实：统计套利不是真的无风险。协整关系可能破裂（结构突变），流动性可能枯竭，杠杆可能被迫平仓。LTCM（长期资本管理公司）的崩溃是最经典的警示案例。

误区三：一个策略可以永久有效

事实：所有Alpha都会随时间衰减。当某个策略的收益逻辑被市场广泛认知后，套利空间会被迅速填补。策略的生命周期管理（持续优化、多策略轮动、定期退役）和策略开发本身同等重要。

误区四：高频策略速度最重要

事实：速度是必要条件但不是充分条件。预测模型的准确性、风险管理系统的稳健性、交易成本的控制同样关键。很多HFT公司最终成功靠的是更聪明地交易，而非仅仅更快。

实战练习

均线参数优化：使用A股某只股票的历史数据，系统测试不同均线参数组合（short in [5, 10, 20, 30]，long in [20, 50, 60, 120]），比较各组参数下的夏普比率和最大回撤，讨论参数敏感性和过拟合风险。
配对识别实战：选取同一行业（如白酒：贵州茅台vs五粮液，或者银行：工商银行vs建设银行）的两只股票，进行协整检验，如果通过则生成模拟交易信号，计算套利策略的收益特征。
多策略收益分解：任选三个不同逻辑的策略（趋势跟踪、均值回归、横截面动量），在同一股票池上分别回测，然后做等权组合，比较单一策略和多策略组合的收益风险特征。

本章要点

Alpha和Beta是量化策略最根本的分类维度，理解收益来源比关注总收益更重要
策略按交易逻辑分为方向性、相对价值、事件驱动和做市四大类
策略的生命周期包括开发、验证、上线、监控、衰减和退役
没有永远有效的单一策略，多策略组合和持续迭代是长期生存的关键
中国特色制度（T+1、涨跌停、做空限制）需要在策略设计阶段就充分考虑

1.2 策略分类 ​

概念详解 ​

Alpha与Beta：量化策略的根本区分 ​

策略的收益来源分解 ​

策略分类体系 ​

按交易逻辑分类 ​

1. 方向性策略 (Directional Strategies) ​

2. 相对价值策略 (Relative Value Strategies) ​

3. 事件驱动策略 (Event-Driven Strategies) ​

4. 做市策略 (Market Making) ​

按预测频率分类 ​

按资产类别分类 ​

数学原理 ​

趋势跟踪的数学表达 ​

配对交易的统计基础 ​

Python实战 ​

案例1：简单趋势跟踪信号 ​

案例2：完整的均线策略回测框架 ​

案例3：配对交易信号生成与回测 ​

常见误区 ​

误区一：趋势跟踪在震荡市一定亏钱 ​

误区二：统计套利是"无风险"的 ​

误区三：一个策略可以永久有效 ​

误区四：高频策略速度最重要 ​

实战练习 ​

延伸阅读 ​

本章要点 ​

1.2 策略分类

概念详解

Alpha与Beta：量化策略的根本区分

策略的收益来源分解

策略分类体系

按交易逻辑分类

1. 方向性策略 (Directional Strategies)

2. 相对价值策略 (Relative Value Strategies)

3. 事件驱动策略 (Event-Driven Strategies)

4. 做市策略 (Market Making)

按预测频率分类

按资产类别分类

数学原理

趋势跟踪的数学表达

配对交易的统计基础

Python实战

案例1：简单趋势跟踪信号

案例2：完整的均线策略回测框架

案例3：配对交易信号生成与回测

常见误区

误区一：趋势跟踪在震荡市一定亏钱

误区二：统计套利是"无风险"的

误区三：一个策略可以永久有效

误区四：高频策略速度最重要

实战练习

延伸阅读

本章要点