在传统量化因子已被广泛研究并实现（例如wq101等）的背景下，量化投资领域还有哪些探索和创新因子的途径？考虑到经典因子的挖掘似乎已达瓶颈，当前市场上是否还存在未被发现的新因子？尤其是在量价数据容易获取的情况下，我们应如何探索那些不明显的、潜在的规律？
当前，深度学习和强化学习在因子挖掘和策略开发中备受推崇，无论是顶级期刊的论文，还是公开的资料，深度学习和强化学习似乎成为了因子和策略研究的标配。 不管你是Loss是什么，不管你的Awards是什么，绝大多数情况下你都是在对收益率、IC这些东西做拟合。
任何人都能拿着这么些东西拟合出一条非常漂亮的曲线，但是样本外失效的情况会非常多，极端行情下，样本外实盘就是毁灭性打击（如今年的行情）。产品回撤一旦出现历史新高或比不过同行，资方大概率撤资走人，产品轻则规模下滑，重则产品清算、团队解散。
做策略的人，是应当理解数据产生的机制，理解因子运作的逻辑，发现资产变化之间的因果关联。
在量化分析的领域内，虽然许多经典因子已经被深入研究，但仍有新的研发途径和方法可以探索： 非线性和非传统数据源：探索非线性模型和从非传统数据源（如社交媒体、新闻报道、专利数据等）中提取因子。 高频数据：利用高频交易数据来发现短时间内的市场行为规律。 机器学习技术：应用更先进的机器学习算法，如集成学习、深度神经网络等，来识别复杂的模式。 市场微观结构：研究市场微观结构对价格形成的影响，如订单簿动态、交易成本分析等。 基本面与量价结合：将基本面分析与量价数据结合，开发混合型因子。 宏观经济指标：结合宏观经济指标与量价数据，探索宏观经济对市场趋势的影响。 行为金融学：研究投资者行为和心理对市场的影响，利用行为金融学理论来开发新因子。 跨市场分析：分析不同市场间的相关性和影响，寻找跨市场因子。 另类数据：利用卫星图像、物联网数据等另类数据源来发掘新的投资信号。 因子融合和优化：研究不同因子的组合和加权方法，以提高因子的有效性和稳健性。
通过这些途径，研究人员和投资者可以继续在量化投资领域寻找新的机遇和创新。
| 
发表于 2024-8-10 07:29:27
