量化选股依靠数学模型和计算机程序，从海量数据中筛选出符合特定规则的股票，以追求超越市场平均的收益。常见策略包括因子投资、动量策略和均值回归策略，但它们也面临过拟合、策略失效和流动性风险。理解这些策略的原理与风险，是理性使用量化方法的前提。
常见量化策略
量化选股策略的核心是寻找可重复的“规律”，主要分为以下几种：
- 因子投资：基于某些共同特征（因子）选股。常见因子包括：
- 价值因子：买入市盈率、市净率低的股票。
- 质量因子：关注高ROE、低负债率的公司。
- 小市值因子：历史上小公司股票长期回报往往高于大公司。
- 低波动因子：选择价格波动较小的股票。
- 动量策略：买入近期涨幅较大的股票，卖出跌幅较大的股票，认为趋势会延续。通常持有期在3-12个月，短期反转效应（一个月内）则相反。
- 均值回归策略：买入近期跌幅较大、偏离历史均值的股票，预期价格会反弹。适用于高波动品种，但需警惕“价值陷阱”——股票下跌可能反映基本面恶化。
多数量化策略会组合多个因子（如“价值+动量”），通过多因子模型给股票打分，选择排名靠前的股票构建投资组合。
回测与实盘风险
量化策略在历史数据上表现良好，不代表未来能盈利。以下是核心风险：
- 过拟合：策略在历史数据上过度优化参数，捕捉了噪音而非规律。过拟合策略在实盘中表现会显著劣于回测。避免方法包括：使用样本外数据测试、限制参数数量、进行交叉验证。
- 策略失效：市场环境变化（如小盘股风格切换、流动性枯竭）会导致因子或动量失效。例如，价值因子在成长股主导的牛市中可能长期跑输。
- 交易成本与流动性：回测常低估滑点（实际成交价与预期价差）和佣金。高频的因子调仓（如每日再平衡）会产生高额成本，侵蚀收益。流动性差的股票（如小盘股）在实盘中难以按回测价格成交。
- 幸存者偏差：回测数据若只包含当前存活的股票，会高估策略表现，因为历史上退市的股票未被纳入。
总结：量化选股提供了系统化的投资方法，但依赖历史规律。投资者应关注策略逻辑的稳健性，而非回测收益率，并预留容错空间。实盘前需用未参与优化的最新数据验证，并控制单策略仓位比例。
常见问题
### 量化选股和主动选股哪个更好？
没有绝对优劣。量化选股依赖规则和纪律，能避免情绪干扰，但可能错过突发性事件（如公司黑天鹅）带来的机会。主动选股依赖分析师深度调研，在非结构化信息（如管理层访谈）上更有优势。两者结合（量化筛选+人工复核）是常见做法。
### 因子投资策略会一直有效吗？
不会。因子有效性会周期性衰减，尤其在市场风格切换或因子被广泛使用后。例如，小市值因子在2017-2020年A股大盘蓝筹行情中表现不佳。分散投资多个低相关因子，并定期评估因子有效性，是应对失效的常见方法。
### 回测收益率很高，可以直接实盘吗？
不建议。高回测收益常伴随过拟合或幸存者偏差。应检查回测是否包含交易成本、是否使用样本外数据验证。实盘前建议先用模拟资金运行1-3个月，观察策略在真实市场环境中的表现。