1. 股票收益=风格收益+阿尔法收益
2. 最典型的风格收益包括行业风格、市值风格。其他各大类风格因子，贝塔，动量，波动，盈利，成长，价值，杠杆，流动性，风格收益的特点在于显著但不可预测（或者说在我们的阿尔法因子模型体系中不对风格收益进行预测），而阿尔法收益的特点是显著并且一定程度上可预测。因此，阿尔法模型的目标是针对阿尔法收益的预测，而不是针对股票整体收益的预测。而评价阿尔法模型的标准也应是计算其对阿尔法收益的预测是否可靠。
3. 显著性检验的结果即可视为对一个阿尔法模型的定量评价，那么对于不同的阿尔法模型就可以有严格的好坏区分。并且，从经验上而言，预测能力较强的阿尔法模型，其所对应的实际组合获取超额收益的概率也越高。如果，阿尔法模型的预测能力的检验非显著，那么甚至都没有必要去尝试构造组合，因为最终即便实现的超额收益，若不是风格收益，那么也只是运气而已。
4. 遗憾的是，传统阿尔法因子所购建的阿尔法模型体系，其预测能力在剔除市值因子的效用之后究竟有多强的显著性，值得深思。
5. 在整个多因子模型体系中，阿尔法模型的预测过程与组合构造的实现过程需要有共同的目标，目标一致。
6. 传统多因子模型的收益来源，往往集中于财务数据的挖掘、分析师一致预期数据的挖掘，而只有一小部分是中低频量价特征的数据，因此传统多因子模型亦可称为价值型阿尔法模型。而A股市场交易行为具有很强的随机性，机构投资者的交易效率较之成熟市场亦不十分有效，加之T+0、融券卖空等交易机制的缺乏，导致在短周期由于交易行为所产生的定价非有效十分常见。
7. 交易型阿尔法体系与传统阿尔法模型体系对比：（1）超额收益来源：内在价值和交易行为；（2）因子数据来源：财务报表，分析师报告，少部分中低频量价数据--价格成交等数据。（3）因子有效周期：有效周期长，1个月甚至更长----较短，一周以内。（4）有效银子数量：因子数量较少，习惯将多个有一定相关性的因子合成处理-------因子数量较多，不同因子贡献的边际收益较为独立。（5）策略交易频率：季度，月频，周频------日内，日度，隔日。（6）组合换手率：10倍----30-50倍。（7）受市场风格影响：与市场风格有一定的相关性----与市场风格的相关性较低。（8）策略内在收益率：低----高。（9）策略可容纳规模：容量规模较大-----策略容量相对较低，对交易效率的要求相对较高。
8. 价量形态的精髓在于，以当前市场的运行特征，寻找价格运行的规律。如果说传统多因子模型更加重视因子背后的价值投资逻辑，那么交易型阿尔法体系则更加重视交易行为背后的规律显著性，从某种意义上而言，这恰恰是最为直白朴素的投资逻辑。
9. 收益、风险和资金容纳规模构成投资的不可能三角，在策略实现相对较高收益、较低风险的情况下，可容纳的资金规模相对不会很大，因此有必要对这类策略的规模容量做一定估算。我们以持仓组合中，各只股票当日成交金额的10%作为个股可容纳资金规模的上限。策略所容纳资金规模与市场整体成交量相关。客观而言，对于资金量较大的机构投资者而言，完全利用该种交易型策略进行阿尔法投资不太现实，策略比较适合运用于多策略体系中的一支，或大部分资金可以布局容量较大但收益偏低的传统价值型阿尔法策略中，而小部分的资金量布局于该类高换手率且收益较高的交易型阿尔法策略中，提高策略组合的整体收益水平。但也可以降低换手率，降低收益率，来获取更大的资金容纳规模，期间的因子运用，组合构造等步骤是相对灵活、开放的。
10. 在整个研究过程中，我们感觉到只是看到了交易型阿尔法空间的冰山一角。在海外成熟市场，类似的统计套利型的阿尔法策略占到了整个量化投资的半壁江山，因此该策略或许也是量化投资的重要发展方向之一。并且，近些年来，人工智能，机器学习算法的飞速发展，未来交易型阿尔法模型体系将大量运用该类算法去进行因子挖掘，但是这并不意味着机器将替代人类，对于投资者而言，底层的投资逻辑和策略设计仍然掌握在其逻辑框架中，这是任何技术都无法改变的。
《20170616-国泰君安-国泰君安数量化专题之九十三：基于短周期价量特征的多因子选股体系-914925》