量化交易（Quantitative Trading）是利用數學模型、統計方法與計算機演算法來識別並執行交易機會的系統化方法。不同於傳統的主觀交易，量化策略依賴可重現的規則與數據驅動的決策。
根據學術文獻與業界報告，量化策略可大致分為以下幾大類別：
一、趨勢追蹤（Trend Following）
核心觀念：假設價格會延續既有方向，跟隨市場動能，買在上升趨勢、賣在下降趨勢。
常用工具：移動平均線突破、通道突破（Donchian）、MACD 交叉、ADX。
時間框架：數天至數月。
學術基礎：Brock, Lakonishok & LeBaron (1992) 驗證移動平均線可預測道瓊指數回報。Jegadeesh & Titman (1993, 2001) 奠定動量策略的學術地位。
二、均值回歸（Mean Reversion）
核心觀念：當價格偏離統計均值過遠，預期它會回歸長期平均。
常用工具：布林通道（Bollinger Bands）、RSI 極值、Z-score、Ornstein-Uhlenbeck 過程。
時間框架：日內至數天。
學術基礎：Lo & MacKinlay (1988) 提供統計證據。Bollinger (1980s) 提出布林通道帶狀理論。
三、統計套利（Statistical Arbitrage）
核心觀念：利用資產間的統計關係，當價格關係偏離歷史常態時進行多空交易。
包含子類：
- 配對交易（Pairs Trading）：兩檔 cointegrated 資產的 spread 均值回歸
- 指數套利：ETF 價格與淨值的偏離
- 多資產統計套利：主成分分析（PCA）殘差交易
學術基礎：Gatev, Goetzmann & Rouwenhorst (2006) 經典配對交易論文。Bondarenko (2003) 統計套利理論框架。
四、因子投資（Factor Investing）
核心觀念：系統性地暴露在具有長期超額報酬的風險因子，透過因子暴露獲取風險溢酬。
六大經典因子（AQR “Investing With Style”, 2014）：
- 規模（Size）：小型股長期優於大型股 — Banz (1981)
- 價值（Value）：低本益比/低股價淨值比股票超額報酬 — Fama & French (1992)
- 動量（Momentum）：過去贏家繼續跑贏輸家 — Jegadeesh & Titman (1993)
- 品質（Quality）：高獲利能力、低負債、穩定盈餘的公司 — Novy-Marx (2013), Asness et al. (2019)
- 低波動（Low Volatility）：低波動資產長期超額回報 — Baker, Bradley & Wurgler (2011)
- Carry：買高利差資產、賣低利差資產 — Koijen et al. (2018)
學術基礎：Fama & French (1993) 三因子模型、(2015) 五因子模型。Asness, Moskowitz & Pedersen (2013) 「Value and Momentum Everywhere」跨資產類別驗證。
五、事件驅動（Event Driven）
核心觀念：利用特定事件對價格的短期衝擊進行交易。
- 財報發布套利（Earnings Surprise）
- 指數成分股調整（MSCI、富時、台灣50）
- 合併套利（Merger Arbitrage）
- 除權息交易
學術基礎：Bernard & Thomas (1989) 盈餘宣告後漂移（PEAD）。Mitchell & Pulvino (2001) 合併套利風險報酬。
六、Global Macro / CTA
核心觀念：跨市場（股票、債券、外匯、商品）的系統化配置策略。
- Trend Following CTA：最典型的 CTA 策略，多市場趨勢追蹤
- Carry Trade：利用利率差異
- 風險平價（Risk Parity）：波動率平價配置資產
學術基礎：Kaminski & Lo (2014) 趨勢跟隨績效分解。Bridgewater All Weather 風險平價框架。
七、機器學習策略（Machine Learning & AI）
深度學習 Alpha 管線：
- MLP → 傳統股票預測（Krauss et al., 2017）
- LSTM → 時間序列預測（Fischer & Krauss, 2018）
- Transformer → 自注意力機制（Bao et al., 2023; ALSTM）
- GNN → 股價關聯圖（Alpha-GNN 等）
- VAE → 因子挖掘與降維
強化學習交易：
- DQN — 最早引入金融交易的深度 RL（Mnih et al., 2013）
- PPO — 穩定策略梯度（Schulman et al., 2017）
- SAC — 連續行動空間（Haarnoja et al., 2018）
- FinRL — 開源金融強化學習框架（Liu et al., 2021）
LLM 驅動量化（arXiv: 2503.21422v1, 2025）：
- FinBERT → 金融情感分類（Huang et al., 2023）
- FinGPT → 開源金融 LLM（Yang et al., 2023）
- FinRL-DeepSeek / RLMF → LLM 訊號 + RL 交易
- LLM Agent → 資料擷取 → 預測 → 交易決策完整鏈路
結語與預告
以上分類依據均來自已出版的學術論文與產業報告（arXiv, Journal of Finance, Journal of Financial Economics, AQR, Quantpedia, Investopedia 等），為量化交易領域的經典策略架構。
接下來將逐日針對上述七大類策略，詳細說明其理論根據、數學模型、文獻出處，並附上交易思維與回測思考。
敬請期待。
References
- Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple Technical Trading Rules and the Stochastic Properties of Stock Returns. Journal of Finance, 47(5), 1731-1764.
- Jegadeesh, N., & Titman, S. (1993). Returns to Buying Winners and Selling Losers. Journal of Finance, 48(1), 65-91.
- Fama, E. F., & French, K. R. (1993). Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics, 33(1), 3-56.
- Fama, E. F., & French, K. R. (2015). A Five-Factor Asset Pricing Model. Journal of Financial Economics, 116(1), 1-22.
- Gatev, E., Goetzmann, W. N., & Rouwenhorst, K. G. (2006). Pairs Trading. Journal of Finance, 61(3), 1405-1438.
- Lo, A. W., & MacKinlay, A. C. (1988). Stock Market Prices Do Not Follow Random Walks. Review of Financial Studies, 1(1), 41-66.
- Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). Value and Momentum Everywhere. Journal of Finance, 68(3), 929-985.
- Fischer, T., & Krauss, C. (2018). Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions. European Journal of Operational Research, 270(2), 654-669.
- Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347.
- Liu, X.-Y., Yang, H., Chen, Q., Zhang, R., Yang, L., Xiao, B., & Wang, C. D. (2021). FinRL: A Deep Reinforcement Learning Library for Automated Stock Trading. Quantitative Finance.
- Wu, S. et al. (2025). From Deep Learning to LLMs: A Survey of AI in Quantitative Investment. arXiv:2503.21422v1.
發佈留言