到目前为止，所有的讨论都是在简单的以收益率为基准衡量。而这离不开一个关键性的假设一执行价本身不会因策略的执行而产生波动。其实，这也就牵引出了本节我们想要讨论的问题——策略容量。
并非是笔者特意提出这一点，实际上这是数量化基金都会面临的一个问题，尤其是追求绝对收益的基金更是如此。长期资本是一个全球布局的对冲基金，但其在2007年仍然向其投资者退还了27亿美元资金。这实际上是个多方面的问题，自认“多余”的资金会影响收益率，并拉低杠杆可能是《拯救华尔街》与《创造金钱》的统一认识。西蒙斯的大奖章基金也曾在必要的时候，将基金的现金拿出来返还给投资者。
数量化算法是有缺点的，一个盈利模式的发掘是困难的，而一旦发现，之后仍必须小心的维护，否则很有可能出现策略的执行自身就打乱已有模式。换句话说，每一个策略的实际应用都面临着同样的问题——能影响最小的带动多少资金。个人投资者来说，规模执行的单一股价策略往往只能推动几十万顺利入场，这对于一般股民来说可能是够了，但是对于百万或者千万级的资金来说，这种模式显然有问题。換个市场自然是处理方法之一，但通过资金管理系统设置，这个问题实际上是可以解决的。
笔者在之前的章节就提到了一个现象，扁平化的策略设计。如果读者2004年左右在国内查看有关金融工程的书籍，就会发现那个时候这个概念还仍然是围绕着金融工具拆分和组合来进行的。但外面的世界却很精彩。
给笔者印象最深的是两个人，一个是当时的剑桥大学JudgeBusinessSchool的MichaelDempster教授，另一个就是罗闻全。他们让笔者明白其他学科的技术手段不仅可以在金融市场有所应用，而且也让那些已经被国内讨伐过无数遍的技术分析的重新检验提供了基础。而这一切都使得资金管理部分有了一些新的模式可以考虑。其中之一就是大资金的管理可以通过算法池结构体现出来，每个算法池内的算法负责一定数量资金。而算法池的管理则交由另一套系统进行甄别。这样看来，两层式的结构设计就可以在组合管理层面产生作用，进而不稳定的人为因素部分被剔除。
《解读量化投资》把这项技术形象的比喻成压水花。如果就事论事的讲，算法的建立不以单一执行价为依托也是可行的。从这一点来说，策略的容量会有较大幅度的提升。这里涉及到了另一个小问题——执行价。日线级别交易数据最经常被纳入分析范围的价格无疑是开盘、收盘、最高、最低价四个。但这四个价格却并不都是良好的执行价依托。开盘、收盘价本身由时间因素决定，所以它们是可以由策略负责执行的价格。但是最高、最低价却存在时间上的不确定，这种数据只能用作模型的输入部分，而不适合作为执行价的依托。万事没有绝对，从大数的角度来看，成交均价也可以是突破口之一。而究竟是基于成交量的平均还是基于时间的平均并无绝对要求，一切以算法为依托。而这就将大单拆细的概念摆在了眼前。策略的容量问题进而得以解决。实际上，在这里对交易技术的要求远比对算法设计的层面要高。
这里其实暴露了一个隐含的问题——数量化的方式投资需要不断演化以适应资产规模。没有什么一劳永逸的解决方案。资金在滚动过程中会需要不断提供新的算法来进行匹配，这还不算部分算法由于模式的迁移而失效的情况。不考虑被动管理的组合部分，算法池内当前状态为启用的部分不超过30%是一个完全可以接受的比例，也就是说，算法的开发力度是与组合管理应用不可分割的一部分。