投研方法论概述

量化策略的三个要素：1）研究问题；2）因子路线；3）建模算法。三者环环相扣：研究问题定义策略要解决什么，因子路线在问题边界内提供信息来源，建模算法把信息转换成可执行的仓位。一个完整的策略，必须三要素齐备且彼此匹配。

量化策略三要素从研究问题�、因子路线、建模算法到可交易策略的关系图

一、研究问题：定义策略的边界

策略可以理解成一个专门解决某个问题的系统。首先需要有针对这个研究问题的清晰描述，从而确定研究的边界在哪。

在胜可知，一个研究问题主要界定三件事：

此外，每个研究问题都会预先划分好时间段：历史数据用于研究和检验，同时留出一段没参与研究的「样本外」数据做最终验证。策略只有在自己没见过的数据上依然有效，才值得信赖。

研究问题示例

「股指期货的日线择时」和「申万一级行业的日线截面多空」是两个不同的研究问题。它们使用的数据、因子的表达方式、建模方法都不一样。问题定义越清晰，后面走的弯路越少。

因子路线是一种偏底层、重逻辑的描述。在胜可知，你可以用一句话说出自己的交易想法，比如「放量突破 60 日均线后，往往还有一波上涨」。大模型会把它整理成一条结构化的因子路线：核心思路是什么、背后是怎样的市场逻辑、为什么会有效、在什么情况下会失效。

有了路线，大模型会围绕它进行适度的发散，一次生成上千个候选因子。但是，我们不可能每次用几千个因子来做策略。另外，同一个底层逻辑，适用于不同研究问题的因子表达是有区别的。所以，平台会构建一个针对特定问题的因子评估流程，分析同一因子路线下的上千个因子，最终筛选出适用于特定研究问题的若干个因子。

因子路线从交易想法到候选因子、四步评估和精选因子的漏斗图

这套评估流程全自动完成，分四步：

建模算法的核心功能就是将若干个因子的数据，通过模型的处理，转变成一个可以交易的持仓权重序列。持仓权重序列满足的一个核心标准是，任意时刻的数值都是对仓位大小的表达，通常来说数值在 -1 到 1 之间，1 表示 100% 的多头仓位，-1 表示 100% 的空头仓位。

那为什么不能直接拿因子值去交易？因为原始因子值缺少三样东西：

建模算法就是解决这三件事的「翻译官」，把「因子在说什么」翻译成「账户该做什么」。

针对两类研究问题，平台内置了不同的建模算法：

统一输出持仓权重还有一个好处：不同因子、不同算法产出的策略，可以放在同一个标准下比较和组合。评价策略、拼装策略，都变成了同一件事。

筛选出的若干个因子，配上一种建模算法，就构成了一个完整、可回测、可实盘的策略。

把三要素串起来看，一个策略的研发流程是：研究问题划定研究边界，因子路线在边界内提供信息来源，建模算法把信息转换成可交易的持仓权重。三者必须服务于同一个研究问题，任何一环与问题定义不匹配，策略的表现都会失真。