量化选股，就是通过量化思想及配套的计算机程序化来实现选股（如何选择好的股票）和择时换股（如何在合适的时间进行合适的调仓），从而完成量化投资组合策略的构建。

米扑财富，梳理了目前常见的量化策略，并给出了一些入门的读物供大家学习参考。

目前量化策略主要包括多因子策略、统计套利、机器学习、其他方法等

上图列出了这几类策略的框架，并列出了部分代表方法。

多因子模型

多因子模型包括了技术指标模型（如MACD、KDJ、Boll布林带等，偏向于择时）和财务指标模型（如市值、ROA、EPS等，偏向于选股），它的优点是思路直接清晰、数据便于获得。

1. 技术指标模型

技术指标模型是广受喜爱的选股方式，除了上文提到的技术指标模型，还有上升三角形、RSI、KDJ、多方炮、SMA等供大家参考，同时还可以综合考虑多种技术因子的结合来完成选股和择时。

2. 财务指标模型

财务指标模型中可利用的因子有价值因子(PB，PE等)、市场因子(涨幅、量比、换手率等)、基本面因子(资产负债率、每股净收益、流动比率等)以及成长因子(净利润增长率、主营利润增长率等)，通过单因子测试和多因子测试完成因子的选择和策略构建。

比较常见的策略有Fama-French三因子策略、特异性风险因子模型等。

统计套利

统计套路，主要是在对历史数据进行统计分析的基础上，估计相关变量的概率分布，并结合基本面数据进行分析以指导套利交易，与传统单边投资方式相比，统计套利多空双向持仓在处理大资金方面可以有效规避一部分风险。

“统计套利介绍”，用例子浅显地解释了何为统计套利，可以作为入门读物；

“资本资产定价模型简介”，综合套利模型和因子模型进行分析对比；

“统计套利之配对交易”，给出了配对交易的介绍与实现。

机器学习

机器学习，主要目的在于发现规律或重现规律，近来被广泛应用于各个行业。

“量化投资如何应用到机器学习”，对机器学习的概念、在量化投资中的应用及利弊进行了介绍，可作为入门读物。

“Python机器学习入门”，给出了机器学习的python简单实现。

决策树算法，作为数据挖掘其中一种判定数据所属类别的算法，数学模型简单，编程有程序包，极易上手，适合大家研究使用。

深度学习，可以实现对高频市场行情数据进行挖掘并获得对未来股票价格走势有预测能力的模式。

其他方法

除了上述三类方法，还有文本挖掘方法和其他数学方法可以应用到量化投资当中。 文本挖掘作为数据挖掘的一个分支，挖掘对象通常是非结构化的文本数据，文本挖掘应用于量化投资是一个比较新的思想。

“如何利用互联网文本语义分析进行金融量化投资”，介绍了如何将文本挖掘应用于量化投资，挖掘大数据背景下舆情背后的信息。

“文本挖掘之数据爬虫”和“文本挖掘如何应用于量化投资”，对文本挖掘在量化投资中的实现进行了介绍，

“利用舆情情感得分进行量化选股”，在文本挖掘基础上将文本情感分析计算情感得分的思路用于选股上面。

另外，各类数学方法也是不断地被尝试应用于量化策略的构造上，比如隐马尔科夫模型（HMM）、非负矩阵分解、小波分析（优矿）等，当然想要应用这类方法还是需要一定的数学基础。

总之，从最早的技术因子、财务因子选股到最新的深度学习、文本挖掘，量化投资方法层出不穷。当然，方法是一回事，具体的策略构建又是另外一回事。正所谓“黑猫白猫能抓到耗子就是好猫”，只要这种方法构建的策略能够充分挖掘市场信息，取得良好的收益和较低的波动，策略就是好的策略，方法就是有效的方法。

参考推荐：

量化策略：宽客Quant 知识储备

国内外量化策略的投资公司 （推荐）

京东金融量化平台 （雪球）

京东量化学院 （京东）