策略方向与经典论文

按主流方向梳理量化策略：每个方向赚的是什么钱、奠基性论文有哪些、核心直觉和典型风险是什么。适合刚入门想"选方向"的大一新生，也适合准备求职面试的同学。

量化的本质就是在搞清楚什么是 Alpha——市场回报中无法被已知风险因子解释的那部分超额收益。不同方向的底层逻辑、数据频率、持仓周期差异巨大，选方向比选策略更重要。下面按主流方向整理了奠基性论文和经典著作，每篇都是这个领域绕不开的工作。

✅ 阅读提示

🌟 表示经典推荐：优先看、反复用，或者在对应方向里绕不开；📖 表示经典著作（书）。先抓住每个方向的"赚什么钱"，再去啃论文细节。

CTA / 管理期货

🌱 大白话先懂

CTA 就是"顺着趋势下注"的自动化交易：看到某样东西（原油、黄金、股指等）在涨就追着买、在跌就反手卖空，赚的是"涨势/跌势会持续一阵子"的钱。它涨跌都能下注、不挑方向，所以股市大跌时反而常常赚钱，外号"危机 Alpha"（危机里的超额收益）。"管理期货"指的就是这种主要在期货市场上按固定规则交易的做法。

在期货和外汇市场上做系统化趋势与动量。天然多空双向，对冲股市 Beta，08 年金融危机期间不少 CTA 基金逆势盈利，所以也叫"危机 Alpha"。国内 CTA 私募近年发展很快，是量化求职的热门方向之一。

🔬 深度拓展：CTA / 管理期货的底层逻辑

这个方向赚什么钱？CTA 赚的是"趋势溢价"——价格一旦开始朝某个方向走，往往会持续更久。它在全球几十个期货品种（股指、国债、商品、外汇）上同时做多上涨品种、做空下跌品种，靠分散化把单个品种的噪音抹平，留下一个稳定的趋势信号。

核心直觉。市场不是瞬间消化信息的：投资者有惯性（慢慢加仓）、有羊群效应、有风险管理触发的被动买卖。这些行为让价格呈现自相关，于是"过去涨的继续涨"在统计上成立。时序动量（Time Series Momentum）就是把这个直觉做成可交易的信号。

什么时候有效 / 失效？趋势明显、波动有方向的市场（如 2008 危机、2022 加息周期）CTA 表现亮眼，这就是"危机 Alpha"的来源——股票大跌时商品/国债往往出现强趋势。反之，在震荡无方向的市场（如 2011–2019 多数时间），CTA 会被反复的假突破"锯"掉收益，进入长期回撤。

典型风险。胜率低（30%–40%），靠盈亏比赚钱，必须忍受连续小亏后等待大趋势。趋势反转时回吐利润快；品种相关性在极端行情下会同时同向，分散化失效。

国内现状。商品期货 CTA 是国内私募的重要产品线，门槛相对低、容量受限于期货市场流动性。近年从纯趋势向"趋势+截面+基本面"多因子融合演进，纯中低频趋势的超额在收窄。

中低频趋势跟踪

🌱 大白话先懂

和 CTA 是近亲，思路一样：趋势来了就跟上、趋势反了就赶紧离场，只是持仓时间更长（拿几周到几个月）。它不追求"每次都猜对"——其实十次里只对三四次，但靠"对的时候赚一大笔、错的时候只亏一小笔"扳回来。关键不是预测得准，而是纪律严：该止损就止损，绝不恋战。

和 CTA 高度重叠，但更纯粹地聚焦中低频方向性信号。胜率通常只有 30%-40%，靠盈亏比赚钱。核心在于跟随纪律：趋势来了跟上，反转了止损走人；预测能力反而不是重点。

🔬 深度拓展：中低频趋势跟踪的底层逻辑

这个方向赚什么钱？和 CTA 同源，赚的还是趋势溢价，但持仓周期更长（周到月级），换手低、交易成本占比小，更接近"资产配置式"的方向性投资。

核心直觉。关键不是"预测得准"，而是"纪律执行"：让利润奔跑、把亏损砍掉。一套简单的移动平均突破系统，只要严格止损、控制仓位，长期就能捕捉到少数几波大行情贡献的绝大部分收益。这就是为什么 Clenow 强调"系统比预测重要"。

什么时候有效 / 失效？有效期需要持续、单边的行情；失效在于长期横盘震荡——这时频繁的止损会持续磨损本金（whipsaw）。Babu et al.《You Can't Always Trend When You Want》正是讲趋势策略在低波动、强均值回归环境下的困境。

典型风险。低胜率带来的心理煎熬和回撤持续时间长；参数过拟合（在历史上挑出"最优均线周期"往往是数据挖掘）；趋势拐点处的滑点。

国内现状。纯趋势跟踪在国内更多作为多策略组合的一个 sleeve，单独跑容易遇到长期回撤，机构通常叠加波动率目标、品种分散和风控来平滑曲线。

截面选股

🌱 大白话先懂

"截面"＝在同一个时间点，把全市场股票拉出来横向 PK。这个方向就是找一些能预示"未来谁涨得多"的特征（比如股价便宜、最近在涨、公司赚钱能力强），给每只股票打分，买高分的、少买或卖空低分的。这些特征在量化里叫"因子"。最大的难点是：哪些因子是真有用，哪些只是碰巧在历史数据里好看？

量化选股是国内公募和私募常见的策略方向之一。核心思路是在截面上（同一时间点比较股票）寻找能预测未来收益的因子，构建多空或纯多头组合。从 Fama-French 三因子到现在的数百个因子，学术界和业界一直在争论：哪些因子代表了有效超额收益，哪些只是数据挖掘？

🔬 深度拓展：截面选股的底层逻辑

这个方向赚什么钱？赚的是"因子溢价"——某些可观测特征（估值便宜、近期动量强、盈利质量高、市值小）系统性地对应更高的未来收益。截面选股就是在同一时间点给全市场股票按这些特征打分，做多高分股、做空（或低配）低分股。

核心直觉。一支股票的预期收益可以分解为：$E[r_i] = \beta_i \cdot \lambda_{\text{market}} + \sum_k b_{ik}\,\lambda_k$，其中 $\lambda_k$ 是各因子的风险溢价。Fama-French 把"市场之外还有什么系统性来源"做成了可检验的模型，从三因子到五因子，本质都是在回答这个分解里该放哪些 $k$。

什么时候有效 / 失效？因子有效来自两类解释：风险补偿（承担了别人不愿承担的风险）或行为偏差（市场的系统性误定价）。一旦某因子被学术论文公开、被业界拥挤交易，超额就会衰减——McLean & Pontiff 实证发现因子在发表后收益平均下降约一半。Harvey-Liu-Zhu 则警告"因子动物园"里很多因子是多重检验下的假阳性。

典型风险。因子拥挤与同质化（大家都买同样的股票，回撤时一起踩踏）；风格切换（价值/成长轮动）；数据挖掘导致的样本外失效。

国内现状。A 股因子有效性历史上强于成熟市场（散户多、定价效率低），但近年随着量化规模扩张快速衰减；监管对融券做空的限制使纯多头/指数增强成为主流形态。

基本面量化

🌱 大白话先懂

用公司的"体检报告"（财报：营收、利润、负债这些）来挑股票，再把这套挑选标准写成程序、批量套到全市场。它和截面选股是近亲，但更看重公司本身经营得好不好、估值是不是被低估了。好处是逻辑清楚（贵不贵、赚不赚钱都看得见），难处是财报几个月才更新一次、数据慢，而且会计科目复杂。

用财报、估值、盈利质量、分析师预期等低频基本面数据构建 Alpha。它和截面选股关系很近，但更强调财务报表、企业经营质量和估值修复逻辑；优点是经济含义清楚，难点是数据更新慢、会计口径复杂、拥挤后衰减明显。

🔬 深度拓展：基本面量化的底层逻辑

这个方向赚什么钱？赚的是市场对企业财务质量的"慢反应"。比如 Piotroski 用 9 项财务健康指标（F-Score）筛选出账面便宜但基本面在改善的公司；Sloan 发现应计利润高的公司未来收益更差（市场没充分区分"现金盈利"和"账面盈利"）。这些都是基于财报的可预测性。

核心直觉。财务报表里藏着关于企业未来的真实信息，但分析这些信息需要专业能力且更新慢，市场常常反应不足或被会计处理误导。量化把这些会计逻辑写成规则，规模化地应用到全市场。

什么时候有效 / 失效？在信息披露不充分、散户主导的市场更有效；在被充分研究、机构定价的大盘股上空间小。财报造假、会计准则变更、行业商业模式剧变（如轻资产/互联网企业）会让传统指标失真。

典型风险。数据频率低（季度财报），信号稀疏、换手低但反应慢；价值陷阱（便宜是因为基本面真的在恶化）；会计口径跨行业/跨国不可比。

国内现状。A 股财报质量参差、披露时滞，基本面因子常与量价、分析师预期因子混合使用；公募基金的"基本面+量化"产品是这一方向的典型落地。

统计套利

🌱 大白话先懂

找两个（或一篮子）"平时走势很像"的资产（比如同行业的两只股票），当它们的价差被短期拉开时，买跌得多的那个、卖涨得多的那个，赌它们迟早会"重新靠拢"，靠拢后平仓赚差价。它不赌大盘涨跌（这叫"市场中性"——涨跌都不影响），赚的是"价格早晚回归正常"的钱。最大风险是：万一这俩资产从此分道扬镳、再也不靠拢，就会亏。

利用资产间的统计关系（协整、相关性、因子结构），在偏离时建仓、回归时平仓。市场中性，不赌方向。配对交易是最经典的入门，但现代统计套利早已进化到 PCA 驱动的篮子交易和机器学习信号。需要警惕相关性崩溃的尾部风险。

🔬 深度拓展：统计套利的底层逻辑

这个方向赚什么钱？赚的是"价格回归"的钱。两个（或一篮子）经济上相关的资产，其价差应该围绕一个均衡水平波动；当价差被短期冲击拉偏，做多被低估的、做空被高估的，等价差回归就平仓获利。整个组合对市场方向中性。

核心直觉。协整（Engle-Granger）给了数学基础：两个各自非平稳（随机游走）的价格序列，如果存在一个线性组合是平稳的，那这个组合（价差）就有均值回归性质，可以建模成 $dX_t = -\theta(X_t - \mu)\,dt + \sigma\,dW_t$（OU 过程），偏离均值越远，回归动力越强。

什么时候有效 / 失效？在相关结构稳定、有大量散户噪音交易制造短期错配时有效。失效发生在"结构性断裂"——配对关系因基本面变化（并购、退市、行业政策）永久改变，价差不再回归，这时"被低估"的腿可能继续跌。1998 年 LTCM 就是相关性在危机中同时崩溃的极端案例。

典型风险。尾部相关性崩溃；杠杆放大（价差通常很小，要靠杠杆放收益，回撤也被放大）；拥挤导致回归速度变慢、空间变窄。

国内现状。受融券成本和券源限制，纯股票配对做空在 A 股较难；更多以 ETF 套利、期现套利、跨品种价差、可转债等形式存在。

市场中性 / 股票对冲

🌱 大白话先懂

做法是：一边买入一篮子"看好的好股票"，另一边用股指期货做空等量的大盘，把"大盘整体涨跌"这个影响抵消掉，只赚"我选的股票比大盘强"的那部分钱（这部分叫 Alpha，即超额收益）。好比赛跑只比"比平均快多少"，不管整体是顺风还是逆风。这是国内量化私募最主流的产品，但对冲有成本，极端行情下也会翻车。

国内量化私募最主流的产品形态。做法是：用因子模型或机器学习选出一篮子 Alpha 股票做多，同时用股指期货（IF/IC/IM）做空对冲市场 Beta，只赚选股能力带来的超额收益。理论上不受大盘涨跌影响，但实际面临基差成本、风格暴露、极端行情下的 Alpha 回撤等问题。2024 年 2 月的量化踩踏事件就是这个策略集中度过高的后果。

🔬 深度拓展：市场中性 / 股票对冲的底层逻辑

这个方向赚什么钱？赚的是纯粹的"选股能力"（Alpha），剥离掉大盘涨跌（Beta）的影响。多头是一篮子被模型看好的股票，空头用股指期货对冲掉市场风险，组合的净 Beta 接近 0，盈亏只取决于多头组合能否跑赢对冲基准。

核心直觉。Grinold-Kahn 的"主动管理基本定律"概括了一切：$IR \approx IC \cdot \sqrt{BR}$——信息比率约等于预测准确度（IC）乘以独立下注次数（广度 BR）的平方根。量化对冲赢在"广度"：单只股票预测得不算特别准（IC 很低），但同时在几千只股票上下注，累积出稳定的信息比率。Black-Litterman 则解决如何把这些观点稳健地转成组合权重。

什么时候有效 / 失效？Alpha 因子有效且对冲工具充足时表现平稳。失效来自：① 对冲不完美——只能对冲市场 Beta，残余的风格/行业暴露在风格切换时爆发；② 基差成本——股指期货长期贴水（尤其 IC/IM），做空对冲要持续付出"贴水成本"；③ 拥挤踩踏——大家持仓高度相似时，一旦集体平仓会形成负反馈（2024 年 2 月小微盘踩踏即此）。

典型风险。基差波动、风格暴露、对冲端保证金管理、极端行情下 Alpha 与对冲同时不利的"双杀"。

国内现状。这是国内量化私募曾经最主流的产品，但受制于股指期货容量、贴水成本和监管，近两年部分资金转向指数增强（保留 Beta、只用一半对冲或不对冲）。

高频交易（QR 延伸阅读）

🌱 大白话先懂

在毫秒、微秒级别的极短时间里反复买卖，靠"比别人快那么一点点"和读懂订单簿（市场上所有买卖挂单的清单）的微小变化，赚每笔很小、但次数极多的钱。拼的是机房离交易所多近、网络多快这种硬件军备竞赛。本仓库把它当"进阶背景知识"，研究岗了解即可，不必主攻。

📎 关于本节

毫秒甚至微秒级持仓，通过速度优势和微观结构信息赚取微小但高频的利润。基础设施（co-location、FPGA、网络延迟）是重要壁垒，策略容量有限但利润率极高。对 Quant Research 来说，微观结构论文更适合作为进阶背景，不是本仓库主线。

🔬 深度拓展：高频交易的底层逻辑

这个方向赚什么钱？赚的是"速度"和"微观结构信息"的钱：抢在别人之前看到订单流变化、捕捉转瞬即逝的微小错价、做市赚价差、或在交易所之间套利。单笔利润极薄，靠极高频次和极高胜率累积。

核心直觉。价格不是凭空跳动的，它由订单簿的供需动态决定。Kyle 模型刻画了知情交易者如何在不暴露自己的前提下交易、价格如何随订单流线性更新（Kyle's lambda 衡量市场深度）；Glosten-Milgrom 解释了 bid-ask spread 本质是做市商对"逆向选择"的补偿。理解这些，才能从订单流里提取出短期价格预测。

什么时候有效 / 失效？在流动性充足、订单簿信息丰富的市场有效。失效在于：竞争对手更快（速度是零和的军备竞赛）、交易所规则变化、突发新闻导致订单簿瞬间失稳。

典型风险。技术故障（一行 bug 可能瞬间巨亏，参考 Knight Capital）；监管风险；容量极其有限（赚得快但装不下大资金）。

国内现状 & 对 QR 的意义。国内高频受交易所撤单率、报撤比、最小持仓时间等规则约束较多。对 Quant Research 求职者而言，微观结构知识更多是"加分背景"，理解订单流/冲击成本有助于做中低频策略的执行优化，但不必把它当主攻方向。

做市（QR 延伸阅读）

🌱 大白话先懂

做市商就像菜市场摊主：同时挂一个"收购价"（买价）和一个"卖出价"（卖价），谁来交易都接，赚中间那点差价（叫 bid-ask spread，买卖价差），顺便给市场提供了"随时能买到、能卖出"的便利（流动性）。难点是：要是跟"已经知道消息的人"成交（人家知道马上要涨才来买你的货），你就吃亏了。

📎 关于本节

在买卖两端持续报价，赚取 bid-ask spread。听起来简单，难点在于逆向选择——和知情交易者成交就是亏钱。Avellaneda-Stoikov 模型是理解做市问题的经典起点，但在本仓库中只作为 Quant Research 微观结构延伸阅读。

🔬 深度拓展：做市的底层逻辑

这个方向赚什么钱？赚的是 bid-ask spread——做市商同时挂买单和卖单，被动等待别人来成交，低买高卖赚取价差，同时为市场提供流动性。

核心直觉。做市的核心矛盾有两个：① 逆向选择——和"知情交易者"成交注定吃亏（别人知道价格要涨才来买你的卖单），所以价差里要包含对这种风险的补偿；② 库存风险——成交会让你被动持有头寸，价格波动带来风险。Avellaneda-Stoikov 把它建成一个最优控制问题：围绕一个考虑库存偏移的"保留价格"对称报价，库存越偏离 0，就把报价整体往能减仓的方向移动，用价差和库存惩罚之间的权衡求解最优买卖报价。

什么时候有效 / 失效？在双向订单流均衡、波动适中时稳定盈利。失效在单边行情——所有人都往一个方向打，做市商不断接到"烫手"的库存，价格持续不利，价差利润远不够覆盖库存亏损。

典型风险。逆向选择、库存爆仓、闪崩时流动性枯竭（做市商撤单加剧崩盘）。

对 QR 的意义。和高频类似，做市更偏工程与微观结构。对研究岗，Avellaneda-Stoikov 和 micro-price 的思想（如何从订单簿估计"公允价"）可迁移到执行算法和短周期信号，作为延伸阅读价值很高。

期权与波动率

🌱 大白话先懂

这个方向不赌涨跌，赌的是"行情会不会剧烈晃动"（波动率）。期权是一种"未来可按约定价格买/卖"的权利，它的价格里藏着市场对"将来会不会大涨大跌"的预期。如果你判断实际波动会比大家预期的更大或更小，就能下注获利。一句话：别人赌方向，这里赌"波动幅度"。

不赌涨跌，赌波动率。利用期权的非线性特性和隐含波动率的错误定价获利。策略包括波动率套利、gamma scalping、dispersion trading、尾部对冲等。Black-Scholes 是起点，但真正赚钱靠的是对波动率曲面的理解——Gatheral 的书是业界常用参考，粗糙波动率（Rough Vol）是近年重要理论方向。

🔬 深度拓展：期权与波动率的底层逻辑

这个方向赚什么钱？赚的是"波动率"而不是"方向"。期权价格隐含了市场对未来波动的预期（隐含波动率 IV），如果你判断实际波动（实现波动率 RV）会和 IV 不同，就可以做多/做空波动率获利。典型如"卖出被高估的 IV、动态对冲掉方向风险，赚取 IV 与 RV 的差"。

核心直觉。Black-Scholes 给了无套利定价的起点，但它假设波动率恒定——现实里不同行权价、不同到期的隐含波动率构成一张起伏的"波动率曲面"（出现 smile/skew）。真正的 Alpha 来自理解这张曲面：Heston 用随机波动率解释 smile，Dupire 用局部波动率拟合曲面，Gatheral《Volatility Surface》是业界拟合与交易曲面的标准参考。gamma scalping 的本质是：持有期权多头时，通过不断对标的做反向再平衡，把价格波动"兑现"成收益，盈亏正比于 $\tfrac{1}{2}\,\Gamma\,(\Delta S)^2$ 与 theta 损耗之差。

什么时候有效 / 失效？当 IV 与 RV 出现可识别的系统性偏差（如 IV 长期高于 RV 的"波动率风险溢价"）时有效。失效在波动率体制突变——卖波动率策略在平静期稳赚小钱，但一次尾部事件（如 2018 年 2 月 Volmageddon）就可能抹掉数年利润，这就是 Taleb 反复强调的"卖波动率=捡硬币于压路机前"。

典型风险。非线性带来的尾部风险（短 gamma 时损失加速）；模型风险（曲面建模错误）；流动性与对冲成本。粗糙波动率（Rough Vol）是近年用分数布朗运动更好刻画波动率短期行为的重要理论进展。

国内现状。国内期权市场（50ETF/300ETF 期权、商品期权、个股不可做空等限制）流动性和品种仍在扩张，波动率交易门槛高、对建模和风控要求高，是相对小众但技术密集的方向。