在信息技术和证券市场工具多样化的今天，更多的投资者开始关注低波动策略的私募基金，除了传统的债券策略外，股票或商品的量化套利或中性策略也进入人们的眼中，不过这些策略并不是很好理解。今天分享一篇关于套利策略的介绍，希望大家看完后，对这类策略会有更清楚地认知。
一、什么是量化套利?
量化套利指的就是投资者借助统计、数学模型来进行投资，在市场中利用某些标的价格与收益率暂时不一致的机会获得收益的策略，当这种价格的变动产生无风险收益时，称无风险套利策略。它的本质其实就是大量数据化的实践，是“一价定律”在金融市场不同资产中的灵活应用，也正是因为套利策略对错误定价机遇的捕捉，金融市场各交易品种在流动性及定价效率上才能够出现明显提升。量化套利投资策略包含有很多工具或方式，运用在不同投资标的或市场环境中。
二、常见的套利方法
（一）统计套利
有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利的，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利的主要思路是先找出相关性最好的若干对投资品种（股票或者期货等），再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓——买进被相对低估的品种、卖空被相对高估的品种，等到价差回归均衡时获利了结即可。统计套利策略综合使用各种套利策略，包括期现套利（期货与现货之间的套利）、跨期套利（不同期限的期货之间的套利）、ETF套利（ETF的一级市场和二级市场之间的套利）、跨市场套利（不同交易市场之间的套利）等。
（二）期现套利
期货和现货端价差的低买高卖，分为正向套利和反向套利。期货价格高于现货价格时，进行正向套利---卖出指数期货，买进现货组合，等待价差回归或者有利润空间时平仓。反向套利---买入期货，卖出现货组合。
我们经常见到的股票中性及多空量化策略，就是基于期现套利逻辑的量化交易。在买入看多某指数范围内选择的“看好”股票的同时卖出该指数期货，在“看好”股票的选股上整体如有强于指数的表现，即可实现获利。或是在同时卖出“不看好”的融券股票，即可获得多空双向的获利。
（三）期货套利
以期货（包含商品期货、股指期货及国债期货三类）作为交易标的、利用期货市场上不同合约之间的价差进行套利的交易行为，通常可以分为跨期套利、跨品种套利、跨市场套利三类策略。
跨期套利策略是同一市场中相同品种的不同期限期货合约之间的套利交易，以两者之间价差偏离间获利。
跨市场套利策略是不同市场内相同品种或高相关性品种期货合约之间同时买入卖出，利用两个市场的价差变动来套利。
跨品种套利策略是选择不同品种但高相关性品种间同一到期时间期货合约之间的套利交易，以期价差或者价差比从偏离区域回到正常区间过程中，寻求隐含波动率的利润。
（四）可转债套利
可转债套利是以可转债作为交易标的、利用可转债条款设置的特殊性所带来的强逻辑性进行套利交易，主要可以分为转股套利策略、锁价交易套利策略、打新策略及其他条款博弈套利四类。
其中，转股套利策略是可转债套利策略中应用最多的策略。当一个可转债进入转股期后，当转股后股票价值大于转股前持有可转债价值，便存在套利机会。
打新策略类似于新股打新，利用历史破发率低、大概率获得正收益获取一二级市场间的价差收益。
锁价交易套利通过与有减持可转债需求的优先配售股东达成合理数量及价格的可转债转让协议，赚取协议价格与二级市场价格间的价差收益。
(五)期权套利
期权套利交易是指同时买进卖出同一相关期货但不同敲定价格或不同到期月份的看涨或看跌期权合约，希望在日后对冲交易部位或履约时获利的交易。
期权的优点在于收益无限的同时风险损失有限，因此在很多时候，利用期权来取代期货进行做空、套利交易，会比单纯利用期货套利具有更小的风险和更高的收益率。
（六）ETF套利
在金融市场中，往往有多个ETF跟踪同一个标的。既然是跟踪同一个标的，理论上ETF的价格走势应该保持一致的。但是，由于对于同一标的不同ETF的交易量及关注程度不同，这些ETF之间往往会出现轻微的走势差距，有的溢价有的折价，这时候做多折价ETF同时做空溢价ETF，然后待两个ETF均回归均值之后再平仓，就可以实现套利获利。
ETF，其实就是一揽子股票的一个集合。所以当发现一个ETF溢价的时候，可以做空ETF的同时做多ETF所持有的股票;反之当ETF折价时则是做多ETF的同时做空ETF所持有的股票，一旦ETF价值回归，平仓即可捕捉到相应的套利空间。
三、量化套利的风险
理论上一些套利策略一般个人投资者也可以使用，但是在交易品种多、交易时间短、交易机会捕捉等硬性条件下，个人投资者基本无法做到有效的量化套利，所以我们只能看到一些私募或机构的量化策略，在“低波动”、“收益稳定”的美好逻辑下，量化套利其实也蕴含着一些风险存在。
（一）市场环境变化
市场条件是多样性且不确定的，在突发的市场变化中，原有的量化套利模型可能无法适应新的趋势和规律。例如政策变化，突发舆论，金融危机，黑天鹅等条件。
（二）模型更迭落后
当交易模型过度拟合历史数据时，可能无法在新的数据上表现好的预测能力。这种情况还存在于，在不同机构相同逻辑的交易模型同时交易时，市场环境的交易量或其他条件不足，量化交易数据之间的相互干扰，使得模型过于适应某些历史的数据，无法泛化到新的数据中。市场某一段时间量化策略的“集体失效”便源于此。
（三）技术故障
数据传输或系统故障可能导致模型产生不准确的预测或执行错误的投资指令。
