首先，提供一個從量化投資決策過程的角度。我想在任何一個負責任的機構，任何類型的策略，都需要向投資人回答“我們掙什么錢”這個最重要的問題。

在中低頻策略領域，量化投資僅僅是認識市場的一種手段或哲學之一，絕不代表僅僅只是Data Manipulation。這意味著什么呢？這意味著縱然量化投研人員需要花大量的時間在學習新的技術與手段，但是認識市場、了解市場，發(fā)現市場的無效，也是量化投研必要的日常主題之一。假如我能夠發(fā)現一個特別明顯、持續(xù)、強勁的市場無效點且加以量化，在可以的前提下，線性模型無疑是最好的。

線性模型最大的優(yōu)勢就是“魯棒性”好，對于金融數據這種高噪聲的數據模式是最為穩(wěn)健的。而且，往往線性模型的經濟學解釋和數學解釋都非常直觀。舉個比較極端的例子，假如你有一系列信號，然后用SVM來預測股票漲跌。但是一旦經過一個月的實盤，你發(fā)現SVM分類持續(xù)出錯，在實盤環(huán)境下，你想迅速找出問題所在并應對調整正確是非常困難的。這時候線性模型的優(yōu)勢就體現出來了，你可以很方便的通過歸因分析發(fā)現哪些因子可能被under estimated, 哪些被over estimated。簡而言之，“很多時候”，機器學習是Black Box。而非監(jiān)督式的學習就更是耍流氓了。

對于實際投資而言，可解釋性、魯棒性往往與過擬合是一個硬幣的正方面。比如WorldQuant在之前的論文中，提出：輸入固定的“操作符”、基礎信號，在一定的復雜度內可以通過它們來隨機生成信號。但是，即使通過這種方法找出一些In sample表現非常優(yōu)異的信號，你敢將其運用到實盤嗎？這恐怕要打一個巨大的問號吧？最終，可能還是需要通過這些信號來探尋其背后的經濟學意義，才能簡化用于實戰(zhàn)。

但是，機器學習在量化領域還是有著很深的介入的，它解決著線性模型天生的缺陷或弊端，在國內并非很少人應用。除去凸優(yōu)化、降維(提取市場特征)等領域的應用，目前兩個最重要的弊端就是“非動態(tài)性”和“非線性”。比如上面回答提到的adaboosting。很多時候，金融關系之間并不是線性的，也不是靜態(tài)的。這個時候，統(tǒng)計學習的優(yōu)勢就會體現出來，它們能夠迅速地適應市場，或者用一種更“準確的”方式來描述市場。而統(tǒng)計學習關注方法本身的統(tǒng)計學特征，應該說更適用于投資。

參見德銀關于adaboosting在Alpha上的報告。

舉例來說，IC(Information Coefficient，參見QEPM)是指信號與未來收益率之間的截面相關性，是一點典型的線性關系。它被經常用來描述信號的優(yōu)劣。如果IC > 0，則意味著截面意義上，信號與下一期的收益率是正相關的。很多時候，它被用來分配在信號之間的權重。但是，（一）、IC在不同的市場狀況下可能表現非常不同，所以我們可以用決策樹/HMM等等方式來對此建模；（二）、IC可能不是一個很好地描述因子準確度的指標。所以，我們可以把股票分成N個籃子，計算因子在每個籃子的預測準確度。所以，我們可以把它轉換成一個分類問題。我們可以用Boosting/SVM/Logit等等等等的方式來建模。

所以，在量化投資中，總是先有問題，再去尋找工具。應該說，統(tǒng)計學習是眾多武器庫中的一種。

其次，在國內，機器學習在量化內應用跟領域很大的關系。比如CTA的運用可能就要多于股票。CTA處理數據的維度要遠小于股票，但是可獲取市場的長度和動態(tài)卻強于股票。其次，期貨市場的momentum要強于股票市場的momentum，從這個意義上來講，它的趨勢相對股票要更為明顯和低噪聲。這些特征都更有利于機器學習發(fā)揮它的作用。

再次，在國內，機器學習的應用跟頻率也有很大的關系。跟很多方法一樣，機器學習在大樣本下的表現要遠優(yōu)于小樣本的表現。統(tǒng)計上來講，因為機器學習能夠不斷試錯，不斷“學習”，所以通過不斷的訓練，實現對各種情況下概率的準確估計，從而實現超越普通模型。這也是為什么AlphaGO需要訓練各大高手的對局棋譜的原因。

比如，在國內一些交易執(zhí)行算法的設計上，就可能借鑒了機器學習。通過學習訂單薄特征，我們可以對下一期盤口變化做一些概率上的預測，由于算法執(zhí)行頻率較高，經過一定樣本的訓練之后，能夠顯著地提升算法表現。

但是我仍是謹慎看好深度學習等機器學習方法的。原因在于，這些方法與現行的大部分方法不在一個維度上認識市場，而這個優(yōu)勢使得它們能夠捕捉到其他方法正常無法捕捉到的收益。索羅斯說，不做擁擠的交易，這句話反過來說，一個新的認識市場的角度才能帶來alpha。