主要观点总结
文章主要介绍了量化投资与机器学习微信公众号所涉及的内容，包括两家量化交易公司之间的商业秘密诉讼、量化交易策略的法律保护困境、传统知识产权保护的局限性以及商业秘密保护路径的探索等。
关键观点总结
关键观点1: 两家量化交易公司之间的商业秘密诉讼
Jane Street Group与Millennium Management因量化交易策略的商业秘密纠纷在美国法院诉讼，最终达成和解。此案反映了量化交易策略法律保护的需求和挑战。
关键观点2: 传统知识产权保护的局限性
介绍量化交易策略在专利权保护和著作权保护方面所面临的挑战，包括法律适用、技术效果、公开性等方面的难题。
关键观点3: 商业秘密保护路径的探索
探讨量化交易策略商业秘密保护的可能性，包括算法的商业秘密属性认定、保密措施、竞业限制协议等方面。同时介绍了企业如何构建全面的算法安全体系来确保合规性。
关键观点4: 量化交易策略侵权的损失认定问题
即使企业成功主张商业秘密保护，如何证明侵权行为与损失的因果关系仍是维权障碍。介绍了直接损失和间接损失的认定方式，以及侵权损失金额的计算方法。
正文
[2]
。原告称两名前员工在离职前深度参与了研发公司内部的一项印度期权业务交易策略，并在入职被告公司后使用该策略牟利，严重损害了原告的商业利益。
本案虽以和解告终，但其争议的核心直指量化交易策略的法律保护困境，其中所反映出来的问题在海外和国内市场都有所体现，值得行业深度思考——
当
算法成为核心竞争力，如何通过法律及制度有效护航？
近年来中国也曾发生“量化巨头”之间就前员工“窃取”量化交易策略代码是否构成不正当竞争行为而对簿公堂。司法实践中，对于量化交易策略的商业秘密性质认定及相关赔偿计算方式似乎仍缺乏明确的标准或指引。
量化策略的“半技术半商业”属性，使其在传统知识产权与商业秘密保护之间徘徊，企业可能会陷入“专利不可求、著作权不够用、商业秘密举证难”的三重困局。
一、传统知识产权保护的局限性：专利权与著作权保护的法律挑战
在中国现行法律框架下，量化交易策略能否通过专利权或著作权获得保护，需结合具体情形进行法律判断，但这一过程面临多重实践难题。
《中华人民共和国专利法》第25条将“智力活动的规则和方法”排除在可授予专利的范围之外。根据《专利审查指南》，此类规则需满足“未采用技术手段、未解决技术问题、未产生技术效果”的排除标准。量化交易策略利用对金融市场规律的数学归纳与程序化执行，其性质存在可能被归类为抽象的算法或商业规则和方法。尽管部分策略可能涉及算法优化或数据处理技术，但若无法证明其与具体技术领域（如硬件设备、通信协议等）的结合或产生显著技术效果，则可能对于被认定为专利法意义上的“技术方案”，从而受专利法保护存在难度。
此外，专利制度要求权利人公开技术细节以换取垄断权，这与量化策略依赖保密性维持竞争优势的商业逻辑存在根本冲突——即便某项策略突破专利适格性障碍，公开披露也可能导致其因丧失秘密性而无法再通过商业秘密制度获得兜底保护。
《著作权法》虽将计算机软件纳入作品保护范畴，但《计算机软件保护条例》第6条强调，“软件著作权的保护不延及开发软件所用的思想、处理过程、操作方法或者数学概念等”。然而，量化交易策略的法律保护需求往往聚焦于策略逻辑的独创性，这些核心要素可能被视为“思想”或“方法”而落入著作权排除领域。此外，实践中模仿者可能重构代码逻辑，因此即便策略开发过程中形成的代码、文档等可获得著作权保护，也可能无法阻止第三方基于相同逻辑开发功能等效的替代策略。
二、商业秘密保护路径的探索
由于量化策略通过传统知识产权保护存在一定挑战，因此企业可转向商业秘密制度寻求保护及救济。
在2020年9月，最高人民法院发布的《关于审理侵犯商业秘密民事案件适用法律若干问题的规定》中明确指出，与技术相关的算法、数据、计算机程序及其相关文档等信息属于《反不正当竞争法》规定的商业秘密
[3]
。然而，这类信息必须满足三个条件，才能受到商业秘密保护：
不为公众所知悉、具有商业价值、权利人采取了合理的保密措施
[4]
。
量化投资依赖精密且个性化的算法模型，这些模型是开发者在深入研究市场动态、数学计算和长期数据验证的基础上构建的。量化交易的核心是运用数学模型、统计方法和计算机技术进行投资决策，而策略代码的优劣直接影响交易的盈利能力。因此，各大金融机构通常会严格保密这些算法，并避免对外披露。
最高人民法院在保护科技创新的典型案例中指出，即使某些算法模型的某些部分为公开信息，但其具体运用仍可能涉及不为公众所知悉的成果，如该典型案例中的算法模型的选择优化及权重排序，仍然具有商业秘密保护的价值
