发布时间： 来源：人大经济论坛

量化投资可以通过技术手段实现完全的程序化交易，以回避“人性的弱点”，但完全的程序化交易并不等于绝对的收益风险比。因为每一个交易模型都是在一定量的历史数据和基本假设上建立的，而资本市场具有不确定性，过去的历史数据和基本假设不一定适用于未来。所以量化模型也只能够尽力做到保证盈利的概率，而不是绝对性。这也导致诸多量化投资基金在市场行情出现极端变化的时候，也会像其他主动型投资基金一样，发生急剧震荡。
回顾2014年，我们发现并不是所有的阿尔法模型都遭受打击，其中有一些精选的价值策略不仅回撤幅度很小，还能够有可观的超额收益入账，其在2014年全年的表现更是可圈可点。但从历史回测结果看，这类模型具有一个普遍的劣势：年均超额回报并不明显。然而高收益风险比模型始终是量化投资不可缺少的一部分，尤其是在市场相对有效的美国，价值因子驱动的量化模型受到诸多机构投资者的追捧，随着我国资本市场的逐渐完善，真正有效的价值类策略也会受到越来越多投资者的关注。
相反，去年年底回撤较大的阿尔法模型也具有一个普遍特点：年均超额回报极高。这一类模型是我国量化、对冲基金的惯用策略，在我国A股市场近十年表现突出。它们往往偏重于小盘成长风格的股票，因此能够受益于我国资本市场的市值效应。但随着蓝筹行情的突然启动，这一类策略往往容易遭受巨大打击，而这也是选择这一类策略必须承担的风险之一。长期来看，只要市场逻辑没有发生根本性的变化，过去具有极高年均超额回报的阿尔法模型未来有可能取得同样的高回报，投资者需要考量的是其高收益背后是否隐藏着匹配的风险等级。只要风险价格合理，模型就值得深挖，尤其是在量化投资方兴未艾的中国市场，这一类高回报策略依然大有可为。
此外，好的择时模型在行情急剧变化或风格轮动明显的市场中也显得尤为可贵。因为对大多数投资者而言，准确择时是十分困难的。究其原因，在于影响市场的变量非常之多，包括政策调整、利率波动、市场情绪等，而其中诸多变量又难以量化投资。但这并不意味着择时毫无意义，因为我们可以结合择时信号对投资计划作出适当调整，并在引入止盈止损技术的同时，构建一套能够及时吸收并消化新信息的交易系统，即使择时的准确率不高，依然有助于改进传统投资策略。
除了传统的阿尔法模型、择时模型外，最近兴起的新闻挖掘等事件驱动类策略也不断丰富着量化投资的舞台，其主要假设是市场对信息的消化具有延时性，因此在特殊事件发生之后及时买入关联标的就可以获得超额收益。新闻挖掘等事件驱动类策略的蓬勃发展为量化投资打开新视野，也再次印证量化投资作为一门科学的投资技术，只有精益求精才能持续盈利。