1. 价值投资 (Value Investing) 量化
核心思想： 寻找并投资于市场价格低于其内在价值的证券。量化价值策略通过系统性地筛选具有低估值特征（如低市盈率 P/E、低市净率 P/B、高股息率等）的股票组合。
发展历程： 源于格雷厄姆，后被量化投资者系统化。Fama 和 French 在其著名的三因子模型（1992）中，将价值因子（HML - High Minus Low Book-to-Market）识别为能够解释股票收益差异的关键因子之一，为量化价值投资提供了强有力的学术支持。
探索数据驱动的投资决策演变之路
量化投资（Quantitative Investment），简称“量化”，是指利用数学、统计学和计算机技术（编程）来构建投资模型，并通过模型产生的信号进行系统化、纪律化投资决策的过程。它试图用客观的数据和模型代替主观判断，以期获得稳定、可持续的超额收益（Alpha）或承担更低的风险。
量化投资的核心在于：数据（历史和实时市场数据、基本面数据、另类数据等）、模型（寻找规律、预测趋势、评估风险、优化配置）和执行（自动化、程序化交易，减少人为情绪干扰）。
量化投资并非凭空出现，其思想根源可追溯到早期对市场规律的探索和金融理论的发展：
随着理论和技术的发展，量化投资逐渐形成了多个不同的策略流派，各有侧重：
核心思想： 寻找并投资于市场价格低于其内在价值的证券。量化价值策略通过系统性地筛选具有低估值特征（如低市盈率 P/E、低市净率 P/B、高股息率等）的股票组合。
发展历程： 源于格雷厄姆，后被量化投资者系统化。Fama 和 French 在其著名的三因子模型（1992）中，将价值因子（HML - High Minus Low Book-to-Market）识别为能够解释股票收益差异的关键因子之一，为量化价值投资提供了强有力的学术支持。
核心思想： 基于“强者恒强，弱者恒弱”的假设，买入近期表现好的资产，卖出近期表现差的资产。动量可以是价格动量，也可以是盈利动量等。
发展历程： 早期被视为市场异象。Jegadeesh 和 Titman 在1993年的研究中，系统性地证明了价格动量策略在美国股市的有效性，引发了广泛关注。后续研究在全球多个市场和资产类别中验证了动量效应的存在。行为金融学为其提供了理论解释（如投资者对信息的反应不足或过度反应）。动量因子也被纳入 Fama-French 的五因子模型。
核心思想： 认为资产价格或价差（如配对股票的价差）在短期内会围绕其历史均值波动，当价格偏离均值时进行反向操作（高卖低买），预期其回归均值。统计套利是其更复杂的形式，通常涉及大量证券，利用复杂的统计模型寻找短暂的、微小的定价偏差。
发展历程： 早期由少数交易员和对冲基金（如文艺复兴科技、D.E. Shaw、LTCM早期）采用。这类策略通常依赖于高速交易和复杂的数学模型。随着市场有效性的提高和竞争加剧，简单的均值回归策略效果减弱，统计套利策略变得更加复杂和难以实施，对技术和速度的要求极高。
核心思想： 识别并投资于那些能够长期解释和驱动资产回报的系统性因子（Factors）。常见的因子包括宏观经济因子（如利率、通胀）和风格因子（如规模 Size、价值 Value、动量 Momentum、质量 Quality、低波动 Low Volatility 等）。
发展历程： 起源于 CAPM（单一市场因子），发展于 Fama-French 的多因子模型。因子投资理论认为，资产的风险和收益可以通过其在不同因子上的暴露度来解释。近年来，“Smart Beta” 或 “战略 Beta” ETF 的兴起，使得普通投资者也能更容易地接触到因子投资策略。现代因子投资越来越关注因子的动态性、因子择时以及多因子模型的构建。
核心思想： 利用公司特定事件（如并购重组 M&A、盈利公告 Earnings Announcement、股票回购 Buybacks、分拆 Spin-offs、指数调整 Index Rebalancing 等）发生前后可预测的价格变动来获利。
发展历程： 属于较传统的策略，早期由套利者手动操作。量化方法使得事件驱动策略可以更系统化、规模化地进行，通过程序自动监控事件公告，分析历史模式，并快速执行交易。需要高质量的事件数据和对事件影响的深入理解。
核心思想： 利用极高的速度（微秒甚至纳秒级别）和复杂的算法，在极短的时间内完成大量交易，捕捉微小的价格差异或流动性。常见的 HFT 策略包括做市 Market Making、套利 Arbitrage（跨市场、跨品种）、流动性检测 Liquidity Detection等。
发展历程： 随着交易所电子化（如 NASDAQ、NYSE Arca）和通信技术（如光纤、微波）的飞速发展，HFT 在21世纪初迅速崛起。它对基础设施（主机托管 Co-location）、算法和速度要求极高，是技术密集型和资本密集型的领域。近年来，由于竞争加剧和监管趋严（如 MiFID II），HFT 的盈利空间受到一定挤压。
量化投资领域始终处于快速演变之中，主要驱动力包括：
未来，量化投资将更加依赖于数据科学、计算能力和跨学科知识（金融、数学、计算机、物理等）。人与机器的结合（Quantamental）也可能成为一种重要趋势，即结合量化模型的客观性与人类专家的深度洞察力。