在策略创新上，量化交易策略本身也具有一定的优势。 在科学不断进步的今天，越来越多的先进技术被创造出来并应用到各种情境之下。通过结合多个不同学科的知识和相应的数学模型，量化交易策略更有可能发现一些隐藏较深的复杂数据规律,而这些规律往往不太容易被主观交易者察觉得到。时至今日，神经网络、支持向量机、隐马尔科夫模型等机器学习模型已经开始被量化交易从业人员频繁提起，虽然作者并不能确定这些技术手段在量化交易策略方面有多大程度的应用，但是可以肯定的是，交叉学科知识进人量化交易策略研发已经形成种趋势。而量化交易策略本身也在融合这些科学技术的同时保持极快的发展速度，以至于有些从业人员开始用“第几代量化交易策略”之类的说法来划分各种策略方法。尽管作者并不太赞同这种过分注重技术手段的行业观点，但是量化交易策略当前的迅速发展是不可否认的。当然，主观的定性交易策略也是在不断进步当中的，只不过在目前这种科技发展、学科交叉的环境下，量化交易策略发展和进步的速度应该是更快的。
实际上就整个行业的状况而言，量化交易策略还有一个不太被人提及的优点或者说特点，那就是能够在一定程度上帮助公司减小对所谓的明星交易员的依赖。由于在交易流程当中，做决策的不再是具体的交易员，而是已经具有明确规则的量化交易策略，因此在量化交易策略研发完毕甚至只是核心理念构建完成之后，公司对于量化交易策略的研发者的依赖程度就会迅速下降，这一方面可以帮助公司在人员配置上减少支出，更重要的是提高了公司对于交易整体的控制程度。整个公司系统的核心优势在于量化交易策略本身，因此不会由于人员变动等问题而非常迅速地消失，有利于公司在量化交易方面保持长期稳定。
不过这个特质在稳定公司组织架构的同时，实际上也损害了量化交易策略研发者的利益。量化交易策略的研究人员在策略研发完成之后丧失了一定的价值，因此在薪资等方面也不如主观交易的明星交易员-般具有讨价还价的底气。这也导致一部分的量化交易从业者较为消极地对待工作，甚至选择保留核心交易策略，进而隐性地损害了公司的利益。好在很多情况下，量化交易策略即使在研发完成之后，仍然需要不断地改进,从而适应市场环境的不断变化，因此对量化交易策略研发人员的持续需求仍然是存在的。当然，这个问题要妥善解决，仍然在于公司对此的激励政策。
量化交易策略由于其明确面数量化的交易规则，不仅会造成上面提到的这一缺点，更重要的是，这些明确的量化规则是非常容易被复制的。量化交易策略和许多科技创新一样，具有研发困难、复制简单的特点。即使在最终交易规则保密程度良好的情况下，仅仅只是泄露出一些策略理念出来，相比于主观交易策略,量化交易策略也有更大的可能会被逆向工程破解从而外泄。这种特性，一方面增加了量化交易策略使用的成本:另外一方面也加大了量化交易策略在交易之外的风险。一些量化交易的从业者在交流过程中非常小心谨慎,公司在管理量化交易时执行诸多规章条例、对员工加以合同上的严格限制甚至最后走到对簿公堂的境地，都是由量化交易策略这样的特性引起的。
量化交易策略还有一个非常显著的缺点，那就是量化这个特性本身。诚然这一特性为量化交易策略带来了多种优势，但是由于这一特点，使得量化交易策略在对待无法量化的因素时，只能采取忽略、舍弃这样较为无奈的处理办法。因此，量化交易策略损失掉了很多其实有可能带来盈利的信息，也使得策略在处理信息时所覆盖到的范围变得狭窄。当然，随着科学技术的发展，一些之前无法被量化的因素开始进入量化交易策略的研究范围之内，如针对网络微观信息刻画出的投资者情绪等。但是，即使科技手段会让量化交易策略能够处理的信息范围更广、更深，相对于主观交易策略而言，这样的缺陷始終是量化交易策略无法彻底摆脱的。这种来源于自身特性的缺点，目前来看只能改善而无法根治。
同时，由于量化交易策略在构建过程中采用的是数量化的方法，因此除了套利策略这种更注重模型和逻辑的策略之外，大部分基于统计、优化等手段的量化交易策略，均需要一定数量的数据样本进行研究，而相应的数据都是随着时间的推移逐渐产生的，所以当量化交易策略的构造形式没有本质上的改变时，从数据中抽取的数量化特征也只会随着时间的延长逐渐变化，策略所形成的交易也只能缓慢地变化。当市场情形发生重大转变时，这种缓慢变化的特性会导致量化交易策略无法适应转折期的市场，在短时间内造成较大的损失。
而对于套利策略来说，当其缺乏主观判断控制的情况下，结构更为稳定，转向也更为缓慢。如果出现某些小概率的突发事件，有可能就会产生如长期资本管理公司那样极端负面的结果。相比较而言，一部分定性的交易策略由于主要基于逻辑上的思路来进行交易，因此当市场情形发生改变时，能够基于主观逻辑迅速进行本质上的策略调整。转向缓慢这一特点也是量化交易策略一个比较难以改善的缺陷。
