前言
本系列介紹各種主流投資策略
有被動的指數投資定期定額，也有主動投資，以選股，擇時，綜合，三大類型，並列出部分代表性人物，比較完整系統性介紹主流的幾個投資策略方法，也會加入自己觀點。
下列是分類表格，並希望搭配讀書心得，把整個投資界代表人物的經典書籍閱讀一次，並寫出心得。分類按照我個人主觀意見, 難免有偏失,例如巴菲特分類在選股為主的類別只是因為他以選股為主, 並非他不擇時。
如果有不同意見, 一定都是我錯, 讓我們專注於贏過市場的主要目標即可, 不吹毛求疵在細節處。
主文
量化投資策略代表人物: James Simons（詹姆斯·西蒙斯 ）文藝復興科技掌舵人，
1988 年James Simons 正式成立 Medallion Fund，並開始對外開放投資，主要為高淨值客戶。
1993 年前後基金績效逐漸壓倒性領先，開始回購外部投資者資金。2005 年後完全封閉，只對文藝復興科技員工與合夥人開放（包括新進員工也可能有額度分配）。收取高達 5% 管理費再加 44% 績效分成，但績效仍然驚人。
1988 至 2024（連續超過 30 年）年化報酬率66%（費用前)，約 39%（費用後）。績效應該是現代投資史上第一。
特點是: 完全量化、高頻交易，幾乎年年正報酬，
雖然其策略細節高度保密，但根據外部研究與公開資料，可以推測出交易策略的核心特徵：
使用數學模型來判斷交易機會，完全由統計學與數學主導，所有交易皆由電腦模型決定，不靠人類判斷，高頻交易，抓取極短期(秒/分鐘)的價格偏差，同時做多與做空，降低總體市場波動的影響，自動化再平衡，持倉動態調整、不斷修正因子權重。
策略類型:短期的均值回歸，統計套利，用神經網路，機器學習(即AI)，語言處理分析新聞消息面，波動率預測，尋找規律而非預測未來。
組成人員多是數學，物理背景。
終章結語
4篇主流投資策略基本介紹完結，之所以把被動策略擺在最前面，就是因為適合初學者，投資這件事從葛拉漢以來從混沌走向系統分析，量化擺最後則是有承先啟後的意味，自從AI應用越來越廣泛後，以前很困難的研究工作變得較為省事，寫程式回測，模擬，策略建構，投資分析也不再那麼難，加上大獎章基金那可怕的年化報酬率，似乎隱隱有一股風潮，投資領域漸漸啟蒙走向科學時代，有許多工具可以運用科學解析投資報酬因子，投資從運用存乎一心的藝術逐漸走向科學，就像是圍棋，被認為電腦尚需百年才能挑戰人類的領域，在AlphGo 後，已經無人能敵，千年以來的人類總結心得，被證明是人類的迷信。
許多被認為是常識的投資概念在統計分析下不具備意義(意指不成立)，而我自己也是在接觸量化分析後才漸漸走出迷霧，擺脫消息跟語言的束縛，擺脫質性分析難以標準化衡量的困境，轉而專注數據，量化分析為主。
並不是質性分析不對，而是我認為量化應該優先，質性分析沒有標準，難以標準衡量，而量化分析很清楚，有無相關性，有統計數據可知，如果主動投資了一段時間，想要精進找不到方向，有時間，不妨嘗試量化分析。
『數性至樸』數學不會騙人，人才會騙人，在人口中有用，能賺錢的方法，往往經不起數學驗證。量化不是只能做極短線高頻交易，量化應該是一種概念，一個有效的報酬因子，應該要能經過統計學驗證。量化可以用來擇時，選股(選標的)。
量化的本質是一種思維框架：
以數據為基礎（Data-driven）
以統計為手段（Statistical inference）
以規則為操作邏輯（Rule-based decisions）
換句話說，量化 ≠ 頻繁交易，而是「用統計證據來取代主觀直覺」
例如: 用統計手段證明情緒確實跟報酬率相關，再用情緒指標來設計策略，
而並非用未經驗證過的"量大為頭""頭肩頂"“便宜”之類的主觀概念來作為指標。
讓投資從藝術,玄學走向科學。
END
