什么是α，β回报？量化投资的策略创造与分析。
比如跟随沪深300的几只ETF，你发现你手里的沪深300ETF有2%的溢价，同时市场上有一只折价1%的ETF，你可以卖出高溢价的沪深300ETF，买入折价的那只。这样，虽然你一直持有沪深300ETF，但你获得的收益是超出沪深300指数本身的，这就是α收益。
解释同质化:很明显，沪深300ETF全部同质化，也可以认为20只股票最小市值同质化，银行股全部同质化，分级A同质化。自定义低估解释如下。
贝塔回报:基本面上涨本身就是贝塔回报。
比如10只定义了最小市值的股票就是一个指数，这些最小市值从5亿涨到20亿，这就是贝塔收益。自定义最低股价10作为指数，如果从牛市的5元跌到2元，那么beta回报为负。
创建量化策略有三个步骤:
战略的理论基础
历史回溯测试
找到策略，黑天鹅。？
(一)战略的理论基础:(大致分为三类):基本理论
按照基本面可以分为:1。值类型；2.成长；3.质量类型；根据中国的特点，可以补充a股的基本面；4.小市值型；5.股票价格类型
技术理论
技术上可以分为:1。趋势类型，2。趋势反向转换，3。缩量反弹，4。指数旋转，5。时机。
风险套利
风险套利(或轮动):不断买入更便宜的，卖出更贵的。
注意:
有些理论基础不扎实，不能很好的解释(这也导致各种投资学派意见不一)
有些量化跳过了理论基础，直接根据历史统计数据进行量化(本文不再讨论)。比如统计两会前后的涨跌情况，一季度历史表现最好的板块。
战略理论解释:
基本面策略可以定义什么是被低估的，比如低PE，低市值，低股价，高ROE，高成长。还可以自定义低估，PB*PE低估，总市值*流通市值低估。
基本面理论提供了一个同质且不稳定的股票组合。一些基本面策略的股票波动较小，比如PE最低的股票，一段时间内总是少数银行股；有的波动较大，比如小市值型。
有些技术理论很难定义什么是低估，比如趋势型；有些好像被低估了，比如偏差最小，最大跌幅在20号，其实不然。
风险套利是可以定制低估的策略，统计是不能定制低估的策略。
如果基本面本身能上涨，就能获得beta回报。
我得出的结论是，风险套利策略的核心是自我低估的轮动，即持续获得α收益！！
如何获得α收益:基本面策略的大部分收益是因为风险套利而获得的；即不断买入更低估值，卖出更贵；也就是说，由于调仓期间不同股票的波动，适当缩短周期有利于提高收益；所以一年内交易次数越多，alpha的收益越大(投资大师说减少交易次数不适用于套利)。
理论本身的β收益不多，甚至是负的(基于价值的市场估值这几年一直在降低，如果不调整仓位，收益就是负的)
我们要寻找的是基本面理论本身能够上升，能够提供一个同质的、波动的策略(即获得α和β)
统计策略的内在逻辑不太有说服力。是用过去的概率来预测未来吗？
(2)历史回测:回测最重要的一点是:不要欺骗自己用历史回测中的一个哲学思想，叫做奥卡姆剃刀:更简单的理论比复杂的理论更好，因为它们更可测试。
更改测试开始时间。对于仓位调整期超过2天的策略，要尝试每一个开始时间，得到平均收益，这是最接近策略真实历史回测的，因为理论上一两天开始时间的变化对策略收益影响不大，如果变化大，就意味着过度优化。
不要创建静态股票池。历史上每个阶段都有大牛股。完全可以收集大牛股作为股票池，计算仓位调整周期。每个阶段买最牛的，收益能高到不可想象。
不要用PE。PB等指标来准确的逸出顶部和底部，用它们最多确定一个大概的范围。每次大顶点的位置都不一样，这样的计时是没有意义的。
先测试25只以上的股票，确定策略的有效性，再减少数量做策略。如果25次测试无效，那么一两次就算收入不错也要放弃。？
更改条件权重。如果权重略有变化，收益变化较大，那么就降低策略的预期未来收益，不要期望策略未来表现那么好。
争取2007年开始测试。除非你能确定每一次行情的风格，显然这是不可能的。
同样的择时系统，如果策略1回撤30%，策略2回撤15%，你肯定会选择策略2。如果策略1和2本质上是类似的策略，就不要太高兴了。未来策略1和2谁的表现更好谁更差还不好说。
(三)寻找黑天鹅:每一个战略都有一个黑天鹅价值导向、成长导向和质量导向的战略。黑天鹅已经过去了一个季度，财务数据可能已经完全变了。所以岗位数量不能太少，行业要分开。
小市值，低价格，低交易量策略，黑天鹅是只仙股。
统计数据，技术策略，黑天鹅理论本身都不完美。