Alpha策略是比较常见的量化策略。
Alpha的含义
Rs = α + Rf + βs(Rm + Rf) + ε其中 Rs为现货组合的预期收益率， Rf为无风险利率，Rm为市场指数的预期收益，ε为误差项，α衡量了非系统性风险，βs衡量了系统性风险。
Alpha和Beta的关系
市场上常见的指数基金表现为： 如果整个市场涨了，业绩也跟着涨，但如果整个市场跌了，业绩也跟着跌。这是因为它的Beta系数一般在1左右，所以它的收益主要来源于Beta。
但是，如果只是依靠β来获利，那在市场走下坡时，就没有办法做到盈利了。因此我们需要更多考虑alpha参数，使得即使在市场下行时，也能获得正的超额收益。
Alpha策略的基本思想
Alpha策略是典型的对冲策略，通过构建相对价值策略来超越指数，然后通过指数期货或期权等风险管理工具来对冲系统性风险。Alpha策略属于市场中性策略，但是Alpha策略的约束更小，其Alpha来源可能是行业的、风格的或者其它的。Alpha策略注重选股，属于主动投资，相比之下，Beta策略注重对投资时机的选择，属于被动投资。
Alpha策略的分类
在实际中经常使用的Alpha策略主要有多因子、风格轮动、行业轮动、资金流、动量反转等。
多因子
多因子是应用最广泛的一种策略，该策略选择一系列因子来搭建模型。通过这些因子筛选股票，满足则买入，不满足则卖出。多因子的最大优势在于，在不同的市场和行情下，因子库总有一些因子能够发挥作用。
风格轮动
风格轮动是指利用市场的风格特征进行投资，市场有时会偏好小盘股，有时偏好大盘股。通过观察某些指标来判断市场的倾向性，在风格转换的初期介入，可获得较大的超额收益。
行业轮动
行业轮动是指市场在经济周期的作用下对各个行业产生不同的偏好。在经济周期中，我们可以按照顺序依次对各个行业进行资产配置，从而获取相比于"买入-持有"策略的超额收益。
资金流
资金流是根据资金的流向来进行选股。对于一只股票，资金流入时，股票的价格应该会上涨；资金流出时，股票的价格应该会下跌。通过观察资金流的情况，我们可以预测未来股价的变化。
动量反转
动量反转是指股票的强弱变化情况，过去一段时间强的股票，在未来一段时间继续保持强势，过去一段时间弱的股票，在未来一段时间继续弱势，这叫做动量效应。过去一段时间强的股票在未来一段时间走弱，或者过去一段时间走弱的股票在未来一段时间走强，这叫做反转效应。通过判断动量反转的有效性，筛选出应该购买的股票。
Alpha策略的优势
Alpha策略有三大优势：
1. 回避了择时这一难题，仅需要专注于选股；
2. 波动较单边买入持有策略要小；
3. 在单边下跌的市场也能盈利，Alpha与市场的相关性理论值为0；在熊市或者盘整期，可以采用 "现货多头 + 期货空头"的方法，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸以对冲现货组合的系统风险，从而获取正的绝对收益。
Alpha策略中因子的分类
因子可以被分为基本面因子和技术面因子。基于对一只股票的不同特征的刻画，一般而言，可以将因子更加细致地分为：盈利性、估值、现金流、成长性、自产配置、价格动量和技术面因子。
盈利性
与盈利性相关的因子主要反映了公司利用现有资源实现收益的能力。公司的盈利能力可以通过许多方法来衡量，例如投入资本回报率（ROIC），已利用资本回报率（ROCE）、净资产收益率（ROE）、总资产收益率（ROA）、边际利润、人均收入、经济利润、投资增额收益率。整体而言，盈利性因子是一类效果较好的因子，即盈利性好的公司股票具有显著的正超额收益，而盈利性差的公司股票具有显著的负超额收益。
估值
估值因子主要反映了股票作为一种资产的价值与其价格的相关性，但其决定性因素是该公司为其客户创造价值的多少。估值可以通过许多方法获得，但都包括了一定的定性分析和对未来的预测。常见的估值因子有：自由现金流价格比、外部融资总资产比、企业价值与EBITDA比（EV/EBITDA）、市盈率、股息率等。
相比于美股，A股更倾向于使用市盈率来进行估值，主流研报上市盈率也更有市场，因此，如果是做A股，那么市盈率可以说是最有效的估值因子。
现金流
现金流可以分为经营性、投资性和融资活动三类。其中，经营性现金流，包括从商品销售和服务得到的现金减去生产这些产品和提供这些服务需要支付的现金流出，包括为利润支付的现金税和为债务融资支付的利息。一个公司产生的经营性现金流水平是衡量未来股市回报的一个重要指标。常见的现金流因子有：自由现金流和营业收入之比、投入资本现金回报率等。
成长性
成长性因子在市场中通常获得的超额收益较为微弱。这主要因为成长性投资更多是定性而非定量，更加依赖投资者读到且具有前瞻性的眼光而非精确的数据分析，做一个不恰当的类比的话，可以认为它更偏向于"艺术"，需要一点灵感。
资产配置
资产配置主要涉及一家公司资本资源的使用情况，主要考虑现金来源和现金使用两方面的内容。现金来源主要包括业务经营、资产和销售收入、发行股票和发行债券等。现金使用主要包括经营费用、业务投资、业务收购、项目或证券投资、支付现金股利、偿还债务以及回购股份等。常见的资产配置因子有： • 净回购股份与投入资本比 • 一年流通股减少量 • 一年长期债务减少量 • 外部融资和总资产比 • 三年平均资本支出和投入资本比 • 收购与投入资产比
价格动量
价格动量因子能够在一定意义上反映市场周期和投资者情绪，并依此对未来进行预测。衡量价格动量的一般指标是价格变化的速度，或一段时间内价格的变化率。正的价格动量意味着供需平衡向卖家倾斜，供给大于需求。常见的价格动量因子有： • 相对强弱 • 价格范围 • 相对强弱指数
技术面因子
技术面因子相比于基本面因子，数据更新快、更加注重市场的微观结构，而非股票的价值。常见的技术面因子有： • 强弱指标(RSI） • 随机指标(KD) • 趋向指标(DMI) • 平滑异同平均线(MACD • 能量潮(OBV)等。
因子的筛选和评价
上市公司的数据多而复杂，在对这些数据进行处理之前，需要对数据进行选择，即对因子进行初步的筛选。筛选因子的主要原则有： • 数据的准确性和真实性 • 数据的完整性 • 数据来源的稳定性
因子评价的整体思路
在完成因子的初步筛选之后，需要对因子进行进一步的评价。因子评价的整体思路是研究各个股票的超额收益和因子参数之间的关系。我们需要找出这样的因子： 对于绝大多数股票而言，当该因子参数越大/越小时，超额收益越大/越小，或者恰好相反。总之，我们试图找出哪些能够有效预测一只股票未来超额收益的因子，无论两者是正相关还是负相关。
研究股票超额收益和因子参数之间关系的方法主要有2种： • 根据因子参数的大小对股票进行分组，计算每组的平均超额收益，并依次进行因子胜率、t检验 • 在每一个时间点上，计算全体股票截面上的超额收益率和因子参数大小的相关系数，以及信息比率
因子组合
冗余因子的剔除
由于很多因子内在的驱动原因大致相同，所以通过这些因子选出的股票往往很相似，即统计学意义上的自相关性，因子不能相互独立。所以需要剔除掉一些有效但是信息冗余的因子，即在同类的因子中只需要保留收益最好、区分度最高的那一个。
剔除冗余因子的一般方法如下： • 取出各个有效因子在各个时间点上关于分组的序列； • 计算这些序列的相关性矩阵； • 得到相关性矩阵的时间序列，并求该时间序列的均值； • 通过这个均值矩阵挑出相关性较大的因子组； • 对于每个因子组，挑选其中有效性最好或者收益最好的一个因子作为最终的因子；
因子降维
因子降维和机器学习中的降维很像，都是希望减少模型中特征的数量。降维的主要方法有： • 因子简单平均降维法，对同类的因子进行简单的等权平均处理，对因子参数求平均，作为新的复合因子。 • 因子历史平均收益率加权平均降维法，对同类的因子按照历史平均事宜求加权平均，因子的历史平均收益取各个时间点分组的第一组的收益。 • 逐步回归分析，逐步回归的主要思路是在考虑全部自变量中按其对y的作用大小、显著程度大小，由大到小逐个引入回归方程。对y作用不显著的变量不引入方程，同时由于引入新变量变得失去重要性的变量，也将从方程中剔除。 • 主成分分析，将原来具有相关性的一些指标组合成一组新的互相无关的综合指数来代替原来的指标。一般情况下，用原来指标的线性组合作为新的综合指标。我们认为一个综合指标的方差越大，其包含的信息也就越多。因此，在所有线性组合中，用方差最大的那一个作为第一主成分。如果认为第一主成分不能有效地反映原来的信息，我们就取另一个和第一主成分相关系数为0的线性组合作为第二组成分，以此类推。
因子权重的确定
在完成了因子的筛选和降维之后，需要确定因子权重。对因子赋权的方法有很多，例如： • 等权赋值，在组合各个因子时，对各个因子赋以相等的权重； • 回归赋值，在组合各个因子时，对某个时间区间上的收益率和参数因子进行最小二乘法回归，回归所得的系数向量即为各个因子的权重向量； • IC-IR因子赋值，在组合各个因子时，考虑因子的IC序列，优化因子组合的IR值，取使IR值最大的组合权重为最终的权重。
基于因子库选股
• 打分法，根据各个因子的大小对一定时间内的股票进行打分，按照一定的权重相加得到一个总分，通过分数的高低进行股票的筛选。基于周期打分循环，比如2周调整一次仓位。打分法的特点是比较稳健，不易受到特殊值的影响。
• 回归法，用过去的股票收益率对多因子模型进行回归，得到回归方程，把最新的因子值代入回归方程中得到一个对于未来股票值的预测，根据这个预测来进行股票的筛选。回归法的优点是能够比较及时地调整股票对各个因子的敏感性，但是回归法比较容易受到极端值的影响（因此需要谨慎考虑噪音）。