目前，国内量化投资有五个主要的策略方向：市场中性策略（Alpha）、指数增强（Alpha+Beta）、量化选股(Alpha+Smart Beta)、套利策略与CTA。今天我和大家介绍一下指数增强策略。
什么是指数增强策略：
指数增强策略是指在跟踪指数的基础上，利用量化方式适当调整投资组合的持仓结构，以期在跟踪指数Beta收益的基础上，再获得超越指数的Alpha收益的一种投资策略。指数增强策略不是对跟踪指数成分股的完全复制，而是在跟踪指数的基础上，增加总体表现较优股票的权重，降低总体表现较差股票的权重权重，甚至去除；或者利用指数成分股以外的股票替换指数成分股，从而实现收益增强的目的。
在A股市场主流的跟踪指数有沪深300指数、中证500指数、中证1000指数等，分别代表A股市场的大盘股、中盘股和小盘股。跟踪这些宽基指数进行收益增强的量化投资策略分别叫做沪深300指数增强策略、中证500指数增强策略、中证1000指数增强策略。当然也有跟踪其他行业指数、主题指数的增强策略，比如易方达标普全球高端消费品指数增强（QDII）A、西部利得中证人工智能主题指数增强。
指数增强策略的收益来源于两部分：Beta收益与Alpha收益；
Beta收益：私募指数增强产品的β收益是通过拟合对标指数得到的与指数一致的收益，来源于市场给予的被动收益，受市场环境影响，是指数增强系列产品的基础收益。A股市场指数种类繁多，具体选择哪一指数作为对标指数，一定程度上影响了产品的整体收益。大部分资金通过量化选股模型构造跟踪指数的股票组合，以追踪指数获得与市场同涨同跌的收益。
Alpha收益：所持仓股票收益与大盘指数收益的差值，即在跟踪指数的同时，通过技术手段操作获得超越指数表现的超额收益，即涨时比市场涨得多，跌时比市场跌得少。
1. 多因子选股：多因子选股是获取Alpha的主要策略。通过对历史数据的分析，筛选出影响股票价格波动的因子，并量化成各种数据指标；再利用数学统计模型，精准配置因子权重，优化出一揽子股票组合，使其整体与跟踪指数相关，但与指数的偏差得到合理控制。目前，私募指数增强产品中因子选股alpha策略贡献了超额收益的主要部分。A股市场不是有效的，存在定价偏离，通过低买高卖获得alpha，所以alpha策略的本质其实是无风险套利。通过大量的收集、挖掘历史数据分析影响股价波动因子，赋予“因子”以不同权重，并据此对全市场股票进行打分，最后形成多因子组合模型，最后选择出符合要求的股票构成投资组合。相对主动投资，采用量化多因子选股，能够更全面客观地评估标的，投资风格更平稳，覆盖范围更广，投资更高效理性。
2.人工智能：相比于多因子选股策略，人工智能策略具有自动化优势与非线性拟合能力，可以根据预测的股票涨跌概率或波动率大小配置股票的权重。实现因子之间的非线性组合。同时在挖掘和处理海量数据方面也更具优势，可以直接从技术面数据中挖掘有效的投资策略，利用技术面信息构建长线策略、短线策略和高频策略。以股票为例，给大家介绍三种人工智能在量化投资上的具体应用。
1：直接套用图像分类技术，将股票价格的预测转换成图像分类问题。把过去一段时间的价格走势、交易量变化作为图片输入深度学习模型，输出是未来价格的涨跌。处理图像分类问题有很多优秀的模型，如AlexNet、Inception-V4、ResNet等。可以直接在这些模型的基础上修改，将输出修改为指定时间区间内股票的收益。但是这些模型都比较复杂，训练这样的网络需要大量的样本，而图片的信息又非常稀疏所以，直接套用图像分类技术未必是合理的选择。
2：利用人工神经网络对因子进行组合和优化。传统的多因子策略一般是先找到很多不同的因子，再进行等权组合或者线性加权组合。这就要求不同因子之间相关性尽可能低，否则组合后的效果会大打折扣。利用人工神经网络强大的非线性拟合能力，可以实现多因子的组合优化。用过去一段时间的数据训练模型，最后根据预测的股票涨跌概率或波动率大小配置股票的权重。实际上就是用人工神经网络构造了因子和股票投资权重之间的关系模型，实现了因子之间的非线性组合。
3：利用人工神经网络直接从技术面数据中挖掘有效的投资策略。实际上，我们也可以用深度学习，自动从数据中发现特征，从而构建投资策略。这时神经网络的输入不再是因子的值而是技术面数据，如过去一个月某只股票的收益率，输出是第二天股票的涨跌。利用技术面信息可以构建长线策略、短线策略和高频策略。总体来说，过去一段时间的技术面信息对未来股票价格的影响会随着时间的增加而衰减，时间越长，影响价格的其他因素就越多，所以，利用技术面信息的股价预测，更适合做高频和短线策略，对于长线策略，基本面数据的重要性就会大大提高。
除以上介绍的多因子选股和人工智能外，在指数增强中也会用到打新和T0的方法来获得超越指数表现的超额收益，只不过在实际应用中打新和T0的方式更常见于股票中性策略中，我们这里便不在详细介绍，后续介绍中性策略时详细介绍。
