量化投资作为一种交易方式风靡全球，尤其当西蒙斯的大奖章基金被世人所知道的时候，量化投资也被越来越的人所知道，那究竟量化投资，交易策略量化又该注意什么呢？量化策略研究作为量化投资的一部分，指的是需要根据一种或多种确凿的获利理念，由某一特定显式表示的模型，指导量化模型的使用者反复地以人工或机器执行指令，参与单边或多空交易，同时在策略的执行过程中，需要实时监控投资组合价值与目标利润的偏离情况，调整相关参数，直到现有模型生命期限终了，再转入到新的模型。
量化研究过程大体可以划分为定价与投资品种的选取、模型实现、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等部分。目前量化策略主要重点集中在基于新兴起的行为金融学的策略及程序化交易与算法交易策略两大部分。基于行为金融学的策略，主要是根据历史上没有发生过相同的情况，但曾有相似事件对市场情绪造成了极大干扰，短时间内影响着相应资产价格的大幅波动。程序化交易与算法交易策略则指的是根据相同品种的历史交易数据及持仓成本等一系列影响因素，测算多空开平点位、止盈止损点位、模拟介入下的策略效果等因素。交易所制度安排、做市、期现套利、期货配对、价差交易、套期保值、多空对冲(事件驱动型)、相对价值型方案、纯粹单边交易(如波动率)、场内外期权买卖价差交易、展期交易等均属与程序化交易与算法交易策略范畴。
量化研究还可以分为基于微观及宏观层面两个方向。微观层面，如从交易数据中寻找市场失灵机会。当前微观层面的量化研究主要从以下三个方面着手：数据库管理、策略量化及模型构建、实践操作与效果跟踪。
第一，数据库管理。有效的数据库管理涉及历史数据的调用及本地数据库的维护，包含处理国内股指期货与商品期货的分笔数据导出、保存到本地数据库、针对一定频率抽取截面或横面数据进行深度加工处理、自动化地定时更新添加整理数据工作，从而方便抽取各种时段、特定时刻、一定时间间隔的期货、现货、基差、价差等交易数据。
第二，策略量化及模型构建。这是量化研究的重中之重，分为模型选择及效果回测两个层面。
选择纳入研究范围的模型，不能只是就获利理念论建模、比较模型，研究者还需要找出与整个策略实施过程关联度大的其他方案。例如，设计配对交易方案，考虑了EG、Johansen协整方案后，研究者还可以选择Beta系数方法或残差标准差作为触发水平方案等。进行期权定价研究时，除期权定价公式外，各种参数计算模型(拟最大似然估计、模拟退火算法、最小二乘法)、计算速度与程序运行效率改进算法也是需要关注的重点。从策略构建时就开始关注整体涉及的模型，是开发成功的模型中重要的一个环节。
效果回测指检验策略模型的稳健性，选取匹配交易环境的方案。当在研究回测过程的时候，需要针对历史和模拟情景下的数据进行样本内外、连接实时行情进行实际交易环境下的效果检验。针对各种行情(单边上涨、单边下跌、先上涨后下跌、先下跌后上涨、振荡、使用蒙特卡罗模拟技术计算的数据)，多次调整测试时段，确定开平仓的触发水平，观察结果中异常偏离及整体效果等数据，并依托资产组合的价值达到一定水平执行止盈止损、资金回撤操作等捕获资产组合价值高位运行的手段，筛选表现较佳的策略。总而言之，在了解将在整个运行过程中要使用的模型方案后，留给效果回测环节解决的问题主要如下：选择什么样的参数、得到什么样形式的变量、整个过程如何衔接、如何筛选适当方案。
第三，实践操作与效果跟踪。包括指令管理、买卖信号传递、效果评估等一些子系统的设计。
交易优化的时候主要涉及参数调整及下单方式。在下单时，针对考虑买卖差价流动性等市场信号，使用算法交易对大额订单进行分拆，寻找最佳路由和最有利的执行价格，以降低在交易的时候给市场的造成的冲击成本、提高执行效率和订单执行的隐蔽性。下单执行策略，像VWAP、TWAP使用较多。
资金管理及模拟情景，主要是应对高杠杆带来的尾部风险事件，预先测算需要承担的最大损失，并确保策略在自身的承受范围内。
至于其他方面包括交易指令的使用、成交执行差额、交易前后交易成本比较、指令传输速度优化、机会成本权衡等。例如，执行买卖价差策略时，系统频繁地发送指令，并根据实时更新的参数，进行切换或取消指令的操作。
量化方案实施的时候，研究者还需要针对策略的设计特点，评估其存续的寿命，在策略方案累计收益处于高位(未达到顶峰)时，严格地将交易策略终止，设计系列策略路线图并于旧策略终止前，将新策略运用到实际环境中，从而保证新旧策略交替过程连贯有序。所以，随着量化技术不断更新，策略所处的环境也在不断更变，持续更新策略细节及针对新的成果进行创新性研发，提高量化研究的思考思路，重新审视已有策略的假设，不断更新变革视点，坚持渐进性创新与根本性突破两条腿走路，开发尚未被市场发掘到的模型方案，增强量化工具的运用能力，加大对匹配实际交易环境要求的量化策略及产品设计研究的投入，才应该是量化策略研究的关键所在。
