你好，量化交易中的常见模型涵盖了从传统的统计模型到现代的机器学习和深度学习模型。以下是一些常见的量化交易模型：

1. 统计套利模型：
均值回复模型：基于资产价格回归至其历史均值的假设。
均值-方差模型：优化投资组合，使得风险（方差）最小化，同时期望收益最大化。
协整模型：用于识别两个或多个时间序列之间的长期均衡关系。

2. 技术分析模型：
移动平均线交叉策略：通过比较不同周期的移动平均线来识别买入和卖出信号。
动量指标模型：如相对强弱指数（RSI）、随机指标（RS）等，用于衡量资产价格变动的趋势。
波动率模型：如Bollinger Bands，通过标准差计算价格波动范围。

3. 基于因子模型：
多因子模型：综合市场因子、风格因子（如市值、行业、成长性等）来解释资产收益。
VaR模型：用于风险管理和计算市场风险（如VaR，风险价值）。

4. 机器学习模型：
回归分析：如线性回归、岭回归、Lasso回归等，用于预测资产价格。
决策树：如CART（分类与回归树），用于复杂决策树结构的构建。
随机森林：集成多个决策树，提高预测准确性。
支持向量机（SVM）：用于分类和回归任务，特别适用于非线性数据。
神经网络：包括多层感知机（MLP）、长短时记忆网络（LSTM）等，用于复杂的时序预测和模式识别。

5. 深度学习模型：
卷积神经网络（CNN）：适用于处理时间序列和图像数据。
循环神经网络（RNN）和LSTM：适用于处理序列数据，如股票价格的时序预测。
生成对抗网络（GAN）：用于生成与真实数据分布相似的新数据，如生成交易情景。
Transformer模型：适用于长序列数据处理，常用于自然语言处理，也可应用于时间序列预测。

6. 统计学习理论模型：
贝叶斯模型：基于贝叶斯统计理论，用于参数估计和预测。
Bootstrap方法：通过重抽样技术，提高模型的稳健性和泛化能力。

7. 量化因子模型：
因子选择模型：基于因子模型，通过选择最优因子组合来优化投资组合。
半强式有效市场模型：基于市场中已知的信息进行因素分析。

这些模型各有特点，适用于不同场景下的量化交易策略。实际应用中，通常需要结合具体市场环境和策略目标来选择合适的模型，并进行适当的参数调优和风险控制。

我司融资利率可以做到专项4.0%，具体根据资金量调整。开通需要验证账户20日日均50万资金，还得有6个月从事证券交易的经历，证券公司推荐是选择上市券商，线上低佣欢迎咨询我！