1樓：風溫2019
我憑經驗手擼，六個月賬面盈利40%，機器學習，學的也是經驗吧？機器的經驗能超過人麼？
大道至簡，機器只是工具，它的效能取決於人。
2樓：flyerye
我們拿多因子模型為例。機器學習可以使用的地方，一是構造因子，還有乙個是給因子配權重。這裡的構造因子，是在已有的資料庫裡，用機器學習的方法盡可能的挖掘資訊。
比如在傳統的EP和DP（市盈率和市淨率的倒數）的基礎上，我們探索EP*DP，或者EP開DP次方等是否存在有效的資訊。換句話說，就是利用機器的快速的大批量的處理能力，來盡可能的挖掘有用資訊。但這類方法看似在理，卻和傳統的投資邏輯不符。
傳統的邏輯是，我知道我要從什麼角度去投資，而計算機只是我實現的工具。換句話說，像諸如EP或者DP這樣的因子，構造的背後有著很強的理論依據。而機器學習尋找因子，卻是在汪洋裡面找尋未知的島嶼。
即使找到了，我們也不知道這是資料擬合的結果，還是真的有效。再者，即使我們在組外測試效果好，在真實的交易中，真的要使用這個因子，也需要很大的信心。
目前機器學習在多因子模型中用的比較多的，還是給因子配權重，但個人以為在目前中國的市場，還是人為的配權重效果好。機器還是要根據過去的資訊，得到最優化的效果，所以背後有個很強的假設就是大的環境保持不變。如果大環境掉頭了，機器不一定能跟的上，比如今年。
根本原因還是，資料不夠多，機器能捕捉到的領域有限。如果你給機器喂的資料能涉及方方面面，我想它也是有能力判斷出來的。有可能有的機構已經達到了，只是我們不知道罷了。
總的來說，目前機器學習的難點還是第一點，就是未知和已知的碰撞。下圍棋，你可以讓alphago隨便探索，因為試錯沒有成本。但在投資領域，你可能可以接受百萬甚至千萬級別的試錯成本，但每個人都有個上限。
你是相信已知的認識，還是願意挑戰機器給你開啟的潛在的未知世界。
3樓：
你確定搞量化策略的有那麼多「黑科技」！
或者說那麼多機器學習的演算法你都搞懂了背後的原理？
換種說法:給你把屠龍刀，你就打的過隔壁老王？！
如何基於Python學習量化投資？
vitu 市面上大部分的平台的教程都沒有針對0程式設計基礎小白的量化課程，所以Vitu.AI精心準備了乙個系列在等你來學這個頻道裡，會從小白的角度一步一步教你 交易入門 策略交易零基礎入門教程 1.讀前說明 交易入門 策略交易零基礎入門教程 2.初識交易策略 交易入門 策略交易零基礎入門教程 3.交...
孩子學習不好，責任到底在誰？
fly bird 怪家長。我目前未婚，說說我的家教吧 沒有多少小孩從小就主動愛學習的，都是家長引導。小學，我有多動症，而且特別笨，以至於我媽認為我智商有問題，因為最簡單的數學題都不會，從那時候我媽就對我非常嚴格了，親手抓我的學習。小學報英語輔導班，每個週六都會去，周一至周五，我媽會帶我預習下節課老師...
機器學習 machine learning 在天文學中有或者將會有什麼應用？
一些不完整的舉例 光變曲線的分析 變星分析 http 發現新的行星及初步分析其引數 測光紅移 http 影象的分析 星系形態學的分析 高紅移星系 因為通常手段比較困難 http adsabs.harvard.edu abs 2008A 26A.478.971H引力透鏡無參分析 http 阿甘 隨著目...