1.1 量化交易策略简述

本书的主要目的是为量化交易策略的研发提供一个可以参考的流程框架。但是直到目前为止，对于量化交易的界定，仍然存在着比较大的分歧。因此，为量化交易策略给出定义，虽然是全书开头一个不得不做的工作，却也是一件会导致争议的事情。为了尽量减小一个明确定义受到质疑的可能性，本书采用了相对而言较为稳妥的处理办法，即贴近字面意思进行解释。不过，出于一个研究人员的偏执，作者同时对策略的研发过程进行了着重强调，因此有了如下的定义：量化交易策略，就是采用数量化手段构建而成并进行决策的交易策略。

具体解释起来，该定义包括两层含义。

首先，在构建交易策略的过程中，数量化的手段应该占主要成分。这里的数量化手段，包括对整个交易流程和交易目标的数量刻画、数学模型的构建、对量化目标的最优化、对策略结果的数量化评价等方式方法。但是在这一部分中仍然会有定性的或者人为主观的成分存在，毕竟策略的研发是一个人为操作的过程。

其次，交易策略在构造完毕、用来进行交易决策时，必须具有明确的数量化规则，完全不存在主观判断的成分。这一特性使得整个策略可以在完全量化的设置下进行历史数据下的回溯测试，以及准确无误地指导交易操作，这些都是量化交易策略比较重要的特征所在。

同时满足以上两个方面含义的限定，则能够被称为量化交易策略。

在这样的界定下，量化交易策略既可以借助程序化的方式完成下单，也可以通过人工来执行。实际上出于成本和可控性等方面的考虑，一些交易频率较低的量化交易策略有可能更倾向于采用人工下单的方式来完成。在作者看来，策略的执行手段并不是量化交易策略的核心特征。

这种关注于数量化而非程序化的定义，也使得整个量化交易策略的历史比许多人认知中的要更长一些。因为就实际情况而言，技术分析中的技术指标，在适当的情况下是可以形成量化交易策略的。虽然技术分析中的图表分析手段，如“双头”“头肩”等图形形态的分类，相对而言太过主观而且很难量化，但是技术指标这一门类侧重于价格和成交量的定量分析，通过公式化的计算得到一些用来参考的量化指标，进而指导交易，具有数量化的特征。只不过在这些量化指标的使用上，交易者往往又归于主观，进一步造成了对技术指标是否是量化交易策略的争论。

例如当某名交易员的交易策略是“移动平均线看起来很好时买入，看起来不好时卖出”，那么就完全有悖于上文给出的量化交易策略的定义。首先，该交易策略在表述上较为模糊，不是一个具有明确数量化规则的决策手段，因此交易员需要在交易过程中通过主观判断来完成买卖行为。其次，正是由于缺乏明确的数量化决策规则，交易员在形成这样的交易规则时很难定量化地描述整个交易策略和交易过程，也就难以使用最优化之类的数量方法。在多数情况下，交易员可能更倚重于复盘等人工形式来完成这一类交易策略的构建。

但是当交易员基于一些定量的规则来使用技术指标进行交易时，这些交易策略就可能会符合量化交易策略的特征。例如，把上面的策略改换为“价格线从下向上穿过移动平均线时买入，从上向下穿过移动平均线时卖出”，那么策略就既可以通过量化手段完成构建，又具有明确的数量化交易规则了。其他典型代表还包括大部分的技术指标，如理查德·唐奇安（Richard Donchian）所开发的通道规则，其以过去特定天数内的最高价和最低价为边界形成一个通道，当目前价格超出通道范围时，形成买卖决策。

理查德·丹尼斯（Richard Dennis）的“海龟交易法则”是一个非常著名的例子，因为丹尼斯招收交易员并传授该法则而为外界所熟知。这一交易策略正是在唐奇安通道指标的基础上构建而成的，除了通道突破的买卖规则外，海龟交易法则还包括仓位大小的选择、随时间的调整、止损等多个组成部分，更接近于一个构架完整的交易策略。

当然，就本书的定义而言，海龟交易法则是否算作标准的量化交易策略仍然有待商榷。首先，被披露的规则只是交易决策部分，具体的构建过程我们无从得知，因此也难以判断。更重要的是，其执行过程中存在人为主观的成分，这也直接导致了交易学员在使用同样规则的情况下获得了不同的交易结果。但这并不妨碍大量的从业者将海龟交易法则作为一个量化交易策略的范本来进行研究和使用，作者本人也非常认同其在量化研究中的指导地位。

业内较为认同的量化交易策略的开端，可能是哈里·马科维茨（Harry Markowitz）的最优投资组合理论这一学术性创新。在1952的论文当中，马科维茨开创性地引入了均值和方差这两个统计学上的概念，用来定量地描述投资者在投资组合上所获得的收益和承担的风险。基于投资组合中资产的收益情况和相互之间的协方差矩阵，采用最优化的方法，就可以得到投资组合的最优配比方式，从而帮助投资者在风险一定的情况下获取最大收益，或者在收益固定的情况下使得风险最小。整个过程通过明晰的数量模型进行了表述，优化结果也能定量地指导投资组合的构建行为，是比较契合本书关于量化交易策略的定义的。

在此之后，经济学家和金融学家开始越来越多地通过定量的数学模型来研究金融市场和投资交易。威廉·夏普（William Sharpe）等人于1964年前后在马科维茨的工作基础上，发展出了资本资产定价模型。该模型将股票在无风险收益之上的超额收益分解为两个部分，即市场部分和残余部分，股票的风险也相应地分为两个部分，对应起来分别是系统风险和非系统风险。模型证明了在资本市场完全有效等前提假设下，残余部分的期望值为零，也就是说，非系统性风险是没有风险补偿的，股票的超额预期收益仅与其承担的系统风险大小有关。

之后，斯蒂芬·罗斯（Stephen Ross）从另外一些假设条件出发，得出了与资本资产定价模型在一定程度上具有相似性的套利定价理论。该理论同样认为股票的超额预期收益仅与其所承担的风险有关，只不过除了最主要的市场系统风险外，理论模型还能够包含其他一些存在风险补偿的风险因子。

在资产收益源于对风险的承担等思想的推动下，尤金·法玛（Eugene Fama）提出了著名的“有效市场假说”，即在一个有效的证券市场中，价格完全反映了所有可以获得的信息，再结合资本资产定价模型的主要结论，认为所谓的消极型管理，即仅持有市场组合和无风险资产，才是真正明智的选择。随着这种思想在学术界的逐渐主流化，学术研究中对主动型交易的关注开始减少。

然而有趣的是，罗斯的套利定价理论和法玛的另一项著名研究却间接地发展出了一些行之有效的量化交易策略。在1992年的一篇论文中，法玛基于套利定价理论的形式，发现股票的两个当前特征（市值和账面市值比），可以有效地预测未来的股票收益。简单来说，就是市值越小的股票或者账面市值比越大的股票，在统计意义上会产生更高的未来收益。在次年的论文中，法玛将这两个特征构造为两个风险因子，再结合市场因子，从风险补偿的角度对实际数据进行了研究和解释，这项工作一般被称为“三因子模型”。

暂且不论市值和账面市值比这两个股票特征的风险化解释，1992年的论文中它们所表现出的显著预测能力，已经让逐利行为关注于此了。克里夫·阿斯内斯（Clifford Asness）是法玛在芝加哥大学指导的金融博士，其博士毕业论文在三因子模型的基础上加入了动量因子，以四因子模型的形式完成了一系列的实证分析。博士毕业后阿斯内斯进入高盛，成为一名量化交易分析员，随后在高盛组建了全球阿尔法基金，主要从事以量化为导向的交易工作，业绩不俗。1997年他离开高盛创办了自己的AQR资本管理公司，目前该公司是全球顶尖的对冲基金之一。虽然没有直接的证据证明阿斯内斯在工作中采用的是多因子模型基础上的股价预测技术，但是可以想见的是，市值、账面市值比、动量因子和因子模型应该与其量化交易策略存在一定的关联。阿斯内斯在一些访谈和学术论文中也时常谈到价值、动量/趋势、低风险、套息等相关概念，是为佐证。

由学术研究进入量化交易实业领域的一个更为极端的例子，应该是文艺复兴科技公司的詹姆斯·西蒙斯（James Simons），这也是中国读者较为熟悉的一个量化交易从业者。西蒙斯于1961年在加州大学伯克利分校取得数学博士学位，年仅23岁，并在30岁时就任纽约州立大学石溪分校数学学院院长。他在1978年离开学校创立了文艺复兴科技公司，该公司因为旗下的量化旗舰基金——大奖章基金傲人的业绩而闻名。关于西蒙斯所使用的量化交易策略，坊间一直有诸多猜测。许多人认为其所使用的应该是基于隐马尔科夫模型的量化交易策略，原因在于西蒙斯的早期合伙人伦纳德·鲍姆（Leonard Baum）是隐马尔科夫模型估计算法的创始人之一，同时文艺复兴科技公司招聘了大量的语音识别专家，隐马尔科夫模型正是语音识别领域的一个重要技术工具。作者无法判断这一说法的真实性，不过不管怎样，从文艺复兴科技公司比较另类的人员构成来看，这应该是一个比较纯正的使用量化交易策略进行运作的对冲基金公司。

虽然大部分的量化对冲基金对其所使用的交易策略都或多或少地进行保密，但是仍然有一些量化交易策略在多年的应用后开始慢慢为外界所熟知，统计套利就是其中之一。这个策略的概念最早产生于摩根士丹利，当时的做法也被称为配对交易，实际上就是使用统计的方法选取一对历史价格走势相似的股票，当两只股票之间的价格差距变大、超出一定阈值之后，就分别做多和做空这两只股票，依靠该价格差在随后的时间里回归到正常水平来获取收益。由于这种量化交易策略既源于统计分析又存在等待价差回归的套利特性，因此被称为统计套利。而随着对这类交易策略的进一步深入研究，统计套利策略目前已经远远超出了配对交易的范畴，变得更加复杂和多样化。

大卫·肖（David Shaw）曾经是摩根士丹利这个统计套利交易组的成员之一，他于1980年在斯坦福大学获得计算机博士学位，随后留校进行学术研究。肖在1986年加入摩根士丹利后负责该组的技术部门，但是在两年之后，如同统计套利的首创者格里·班伯格（Gerry Bamberger）一样由于政治斗争等原因从公司离职，并创立了自己的德劭基金公司。结合了肖的大规模并行计算研究背景和在摩根士丹利接触到的统计量化策略，德劭基金公司利用计算机量化模型作为主要的策略进行交易并取得了巨大的成功。

值得一提的是，肖在对冲基金领域扎根之后，仍然不忘科学研究，其成立的德劭研究公司致力于通过强大的计算机硬软件能力在分子动力学模拟等生化科研领域取得前沿性进展。这与阿斯内斯一直在金融杂志上发表学术论文的行为，相映成趣，当然肖的学术研究相对而言可能更为极客一些。

相比起统计套利，传统意义上的套利策略是一个更为人熟知、更经典的量化交易策略。实际上，现代金融框架的一部分都是基于“无套利”这样一个假设原则建立起来的，可见套利策略的深入人心与重要性。如果说统计套利的重点在于刻画和预测多个资产间的统计关系，那么传统套利可能就更注重各个资产的价值计算，以及策略执行时的交易成本估计和优化。只不过量化交易策略进化到现在，统计套利和传统的套利策略已经是互相渗透、互相融合的了。以计算机能力见长的德劭基金公司，对这两种套利策略应该都是有所涉及的。

说起套利，不得不提到长期资本管理公司。这家公司的阵容十分豪华，包括债券套利的先驱约翰·梅里韦瑟（John Meriwether）、两位诺贝尔奖获得者罗伯特·默顿（Robert Merton）和迈伦·斯科尔斯（Myron Scholes）、美联储副主席戴维·穆林斯（David Mullins）等诸多顶级从业者，主要从事的正是债券的量化套利交易，当然其中也会包含一些其他形式策略的成分。公司成立的前三年表现非常出色，但是在1998年俄罗斯国债违约之后，相关的连锁反应使得公司产生巨额亏损，在美联储的干预下被华尔街几家公司出资接管，形同倒闭。实际上，长期资本管理公司在俄罗斯债券上的损失本身并不大，但是许多大金融机构在亏损环境下必须保证足够的资本量，因此通过出售流动性较好的七大工业国债券等资产来降低风险、增加资本，全球主要债券价格在卖出压力下大幅下跌，波动巨大，这才导致了杠杆极大的长期资本管理公司在债券套利上产生巨额亏损。

这里谈及长期资本管理公司，决然不是为了说明套利策略的缺陷，或是用一个失败的量化交易特例来衬托其他量化交易公司的成功。实际上，套利策略是一个具有内在金融逻辑的优秀交易策略，只不过任何量化策略都难以完整地考虑到所有可能出现的情况，长期资本管理公司也正是被一个极端事件的连锁效应所击倒。一个量化交易的研究者和从业者，首先应该具有概率、统计的思维方式，应该理解任何有概率的事情都是可能发生的。对于交易这个行业而言，不到退出市场的那一刻，永远都存在着失败的可能，拥有再光鲜的历史业绩也无法摆脱这一事实，而且光鲜业绩本身可能也只是大样本下的一个幸运个体而已。希望读者能在阅读本书时始终保持这样的思维，不要盲目地被看似美好的回溯测试结果甚至实盘业绩所迷惑。

套利策略中一个非常重要的部分就是对交易成本进行判断，同时尽可能地降低交易成本，从而保证足够的套利空间。随着交易电子化的不断发展，以及美国证监会“另类交易系统规定”等法案的推出，交易策略的自动执行也在持续地发展和演化。在这样急速更新的市场环境下，开始出现一些相应的量化技术，例如通过订单拆分来减小市场冲击成本的算法交易等。

更为人熟知的是高频交易这个概念，交易的执行者通过计算机下单、将策略执行部件放置于距离交易所主机更近的地理位置上、交易订单直通交易所等手段，从时间延迟等层面降低了价格变动带来的交易成本，从而增加套利空间。当然，在作者写作本书时，高频交易技术已经进入微秒级别的领域，高频交易也被更多地使用在了做市商策略等其他策略之上。

在开头处已经提到，本书的主要目的是为量化交易策略研发提供一个可供参考的流程框架。而高频交易等策略方法在很大程度上更侧重于执行层面的技术手段，对比传统意义的量化交易策略具有一定的独立性，因此本书将不涉及高频交易、算法交易等量化交易策略的内容，对套利的讨论也局限于非常浅显的层面。不过，作者仍然认为中低频的量化交易策略研发框架对于高频交易同样存在一定的借鉴意义，原因在于，开发交易策略始终是离不开对收益和风险的认知的。由于高频交易的内容不会出现，因此从此处开始，书中但凡提到量化交易策略，如没有具体说明，均特指中低频量化交易策略，敬请注意。

1.2 量化交易策略的优缺点

查尔斯·达尔文（Charles Darwin）在1859年出版的《物种起源》一书中系统性地阐述了他的进化论思想，认为生物是进化的，而自然选择是生物进化的动力。如果一个有利的变异更能适应当前的环境，那么变异的个体就更容易生存下来并繁衍后代，保存自身的性状，从而不断地进化。作者一直都很倾向于将这一理论类比到某种技术发展或者社会实践上，一种事物的产生并兴起，往往是因为它更好地适应了环境。好像量化交易策略一样，因为学术理论的不断产生、交易环境的不断更新、计算机技术的不断进步而持续发展。而由于量化交易策略在这种大环境下表现出了种种优点，以及对比其他交易策略的一些优势，从而呈现出了欣欣向荣之势。

鉴于量化交易策略自身的特质，其最为明显的特点就是较强的可度量性。作为采用数量化手段构建而成并进行决策的交易策略，其在构建过程以及决策过程中，都是可以被精确度量的。对比而言，主观化、定性化的交易策略虽然在复盘等过程中也能够得到数量化的交易结果，但是由于缺乏整体性的精确度量，因此局部的定量化结果往往波动较大，在很大程度上不具备稳定的刻画能力。

这一特性带来了量化交易策略的另一个优点，即可验证性。由于未来数据的不可得，因此不论是定量的还是定性的，实际上交易员在判断一个交易策略时，很大程度上都依赖于策略在历史数据上的表现结果。然而，主观的交易策略在复盘或者其他测试过程中含有人为判断的成分，因此在缺乏过往实盘操作时，历史验证就成为一个不可精确重复、缺乏稳定性和说服力的部分，这对于此类交易策略而言是一个比较严重的缺陷。

量化交易策略就不存在这个问题，基于本书给出的量化交易策略的定义，只要准备好策略所需的完整数据以及资产的历史价格，我们就可以将交易的过程在历史数据上模拟复现一遍，这一过程被称为回溯测试，简称回测。在策略构建和策略表述数量化的基础上，多次重复历史回溯测试均能够得到一致的结果。如果测试结果是正向的，那就说明该量化交易策略在历史检验上具有盈利能力。

上述两个特性使得量化交易策略具有较强的客观性。由于构建交易策略的过程中数量化手段占主导地位，交易决策更是具有明确的数量化规则，因此量化交易策略可以在很大程度上规避策略开发者的主观臆断，在构建的过程中始终获得客观地对待。这里举一个反例，作者曾经在构造一个量化交易策略时，由于急于获得最终的结论，因此对策略粗略运行得出的待加工结果进行了人工观察。在没有进一步编写程序进行验证的情况下，得到了该策略可以获利的结论。但是在测试完整策略的时候，发现预期情况和实际不符，重新检查后才发现偏差来自这一点点的人工行为。量化交易策略的研发已然如此，作者有理由相信在主观策略的研究过程中，这种情况更为常见。实际上，在开发人员对策略有效性有期待的情况下，即使面对一个非常简单的问题，人的主观判断也是有可能会产生偏误的。

同时，明确的数量化交易决策规则这一特点，也使得交易员在执行量化交易策略时，有希望完全排除情绪对于整个交易过程的干扰和影响。基于数量化规则，量化交易策略本身具备相当的独立性，不需要交易员的主观判断也可以完整地指导整个交易流程。而主观的交易策略由于在交易操作中需要持续的人为控制和判断，因此不可避免地存在一定的偏向。行为经济学里研究了很多相关的问题，包括损失厌恶偏向、过度自信偏向、参考点偏向等，都是一些人类固有的行为偏向。当这些客观存在的偏向影响到交易策略的实际执行时，交易结果的预期就会从最优点处发生偏移。虽然量化交易策略不可能帮助我们完全地规避这些问题，但是数量化的框架和规则确实可以尽量减少这些不安定因素所带来的损害。

上面所说的排除情绪化操作，实际上也包含了交易员常常谈到的一致性，也就是保证交易策略在执行过程中，使用相同的交易规则，其中包括买入点、卖出点、交易仓位大小的确定等。如果交易员在执行量化交易策略时不主动加入人为判断，量化的交易规则可以帮助其很轻松地完成这个任务。更为重要的是，量化交易策略可以做到历史验证过程和实际交易行为的一致性，因为不论是真实交易决策，还是历史回溯测试，所参照的交易规则都是由数量化表达精确定义了的。这种整体上的一致性，是绝大部分主观交易策略都无法保证的。

量化交易策略的数量化特点及其带来的一致性，使得这种策略具备了比较好的可移植性。除非使用特定的量化因素，一般而言，量化交易策略是比较容易在一个市场或者资产上证实有效后，移植到其他的市场或资产上使用的。例如，当策略使用的量化数据仅限于价格时，所有存在报价的市场都能够使用历史数据来验证这种量化交易策略。而当使用的量化数据包括价格和成交量时，除了外汇市场等少数情况外，量化交易策略也是能够移植到其他大部分的场内交易市场上的。量化交易策略所使用的数据的可得性越强，其移植能力也就越强。

同时，由于量化交易策略可以很方便地得到数量化的验证结果，收益、风险等策略特征都能够通过数据形式得以呈现。因此，在量化交易策略被应用到多个市场或者资产上时，策略开发人员可以通过数量化结果这样的直观形式来进行横向对比，从而有针对性地选取适合某一特定量化交易策略的市场，或者在多个市场之间进行配比。而由于量化交易策略的执行过程中不需要交易员的主观判断，因此相比于主观化的交易策略，其有能力同时覆盖大量的市场和资产，这对于投资组合的分散化来说具有很好的辅助作用。在现实中，大部分的量化基金都持有数量较多的资产和资产种类来组成投资组合，这正是利用了量化交易策略的特性从而更方便地分散风险。

另一方面，对于量化交易策略而言，这种多个市场间的策略移植所需要的成本很小，在一些情况下甚至不需要变动原先的基础工具，因此降低了研发成本，同时节省了宝贵的研发时间。而量化交易策略不仅可以在策略研发的过程中帮助节省时间、降低成本，由于其具有非常明确的数量化规则用以指导交易，因此策略在实际使用的过程中可以脱离人为判断，执行速度更快，运作效率得到了提高。不论是否采用程序化的执行手段，量化交易策略都能够在实际交易中减少人的负担，也就减少了许多重复性的劳动。对于一个交易策略的控制者而言，就能够把更多的精力放在最为核心的策略创新上。

而在策略创新上，量化交易策略本身也具有一定的优势。在科学不断进步的今天，越来越多的先进技术被创造出来并应用到各种情境之下。通过结合多个不同学科的知识和相应的数学模型，量化交易策略更有可能发现一些隐藏较深的复杂数据规律，而这些规律往往不太容易被主观交易者察觉得到。时至今日，神经网络、支持向量机、隐马尔科夫模型等机器学习模型已经开始被量化交易从业人员频繁提起，虽然作者并不能确定这些技术手段在量化交易策略方面有多大程度的应用，但是可以肯定的是，交叉学科知识进入量化交易策略研发已经形成一种趋势。而量化交易策略本身也在融合这些科学技术的同时保持极快的发展速度，以至于有些从业人员开始用“第几代量化交易策略”之类的说法来划分各种策略方法。尽管作者并不太赞同这种过分注重技术手段的行业观点，但是量化交易策略当前的迅速发展是不可否认的。当然，主观的定性交易策略也是在不断进步当中的，只不过在目前这种科技发展、学科交叉的环境下，量化交易策略发展和进步的速度应该是更快的。

实际上就整个行业的状况而言，量化交易策略还有一个不太被人提及的优点或者说特点，那就是能够在一定程度上帮助公司减小对所谓的明星交易员的依赖。由于在交易流程当中，做决策的不再是具体的交易员，而是已经具有明确规则的量化交易策略，因此在量化交易策略研发完毕甚至只是核心理念构建完成之后，公司对于量化交易策略的研发者的依赖程度就会迅速下降，这一方面可以帮助公司在人员配置上减少支出，更重要的是提高了公司对于交易整体的控制程度。整个公司系统的核心优势在于量化交易策略本身，因此不会由于人员变动等问题而非常迅速地消失，有利于公司在量化交易方面保持长期稳定。

不过这个特质在稳定公司组织架构的同时，实际上也损害了量化交易策略研发者的利益。量化交易策略的研究人员在策略研发完成之后丧失了一定的价值，因此在薪资等方面也不如主观交易的明星交易员一般具有讨价还价的底气。这也导致一部分的量化交易从业者较为消极地对待工作，甚至选择保留核心交易策略，进而隐性地损害了公司的利益。好在很多情况下，量化交易策略即使在研发完成之后，仍然需要不断地改进，从而适应市场环境的不断变化，因此对量化交易策略研发人员的持续需求仍然是存在的。当然，这个问题要妥善解决，仍然在于公司对此的激励政策。

量化交易策略由于其明确而数量化的交易规则，不仅会造成上面提到的这一缺点，更重要的是，这些明确的量化规则是非常容易被复制的。量化交易策略和许多科技创新一样，具有研发困难、复制简单的特点。即使在最终交易规则保密程度良好的情况下，仅仅只是泄露出一些策略理念出来，相比于主观交易策略，量化交易策略也有更大的可能会被逆向工程破解从而外泄。这种特性，一方面增加了量化交易策略使用的成本；另外一方面也加大了量化交易策略在交易之外的风险。一些量化交易的从业者在交流过程中非常小心谨慎，公司在管理量化交易时执行诸多规章条例、对员工加以合同上的严格限制甚至最后走到对簿公堂的境地，都是由量化交易策略这样的特性引起的。

量化交易策略还有一个非常显著的缺点，那就是量化这个特性本身。诚然这一特性为量化交易策略带来了多种优势，但是由于这一特点，使得量化交易策略在对待无法量化的因素时，只能采取忽略、舍弃这样较为无奈的处理办法。因此，量化交易策略损失掉了很多其实有可能带来盈利的信息，也使得策略在处理信息时所覆盖到的范围变得狭窄。当然，随着科学技术的发展，一些之前无法被量化的因素开始进入量化交易策略的研究范围之内，如针对网络微观信息刻画出的投资者情绪等。但是，即使科技手段会让量化交易策略能够处理的信息范围更广、更深，相对于主观交易策略而言，这样的缺陷始终是量化交易策略无法彻底摆脱的。这种来源于自身特性的缺点，目前来看只能改善而无法根治。

同时，由于量化交易策略在构建过程中采用的是数量化的方法，因此除了套利策略这种更注重模型和逻辑的策略之外，大部分基于统计、优化等手段的量化交易策略，均需要一定数量的数据样本进行研究，而相应的数据都是随着时间的推移逐渐产生的，所以当量化交易策略的构造形式没有本质上的改变时，从数据中抽取的数量化特征也只会随着时间的延长逐渐变化，策略所形成的交易也只能缓慢地变化。当市场情形发生重大转变时，这种缓慢变化的特性会导致量化交易策略无法适应转折期的市场，在短时间内造成较大的损失。

而对于套利策略来说，当其缺乏主观判断控制的情况下，结构更为稳定，转向也更为缓慢。如果出现某些小概率的突发事件，有可能就会产生如长期资本管理公司那样极端负面的结果。相比较而言，一部分定性的交易策略由于主要基于逻辑上的思路来进行交易，因此当市场情形发生改变时，能够基于主观逻辑迅速进行本质上的策略调整。转向缓慢这一特点也是量化交易策略一个比较难以改善的缺陷。