1樓：sunRise
個人覺得要看哪方面。
高頻交易越快越好，所以程式執行方面，硬體方面都要求很高。有人專門把機器放在交易所旁邊就為了節省那麼0.001秒。
統計套利，則涉及更多策略和統計方面知識，也要程式設計。
如果綜合考慮，統計套利綜合技術含量較高。你需要策略，統計和程式的結合。
2樓：法派銳士
不同領域的技術，側重點不同。
高頻的主要矛盾還是短期市場觀察+高階IT技術。
統計和資料類策略拼基於資料的建模和挖掘能力，主要是拼模型。
3樓：
補充一點，認為機器學習、特別是高階的機器學習演算法在統計交易中應用廣泛是一種誤解。大部分stat-arb交易並不用什麼ML演算法，除非你覺得回歸也算機器學習。極端的說，思路對了，求個平均算個方差或者相關也可以是好模型，思路不對你搞再高大上的模型也是瞎折騰。
常見的ML演算法，特別是supervised learning演算法直接用在交易上很容易overfitting，那話怎麼說來著？別打了我就是兔子。。。
4樓：盧旺杉
與其想哪個更牛，那個更強，不如把心思花在如何在每個領域都做得更好。
機器學習有很多結果是可以用來做高頻交易的。高頻交易也只有在最簡單大家都知道的策略下，或者兩家策略幾乎一樣的情況下才會只講究拼速度。多數情況你的速度和策略演算法本身兩者結合起來才能決定你的交易結果。
如果你們兩演算法一樣那麼誰的速度快，誰就佔先機，如果你們兩速度差不多快，誰的演算法好誰就佔先機。
技術曲線上來說，做速度只要足夠努力，進步是可以很穩定的。而做策略演算法則並不能明顯看到自己的不斷進步，需要能夠在不斷的失敗中保持自信，等待某天的飛躍。
不管是哪個領域，要做到最好都是需要花極大的功夫。少比較多努力。
5樓：
有將機器學習用於高頻的，只是不如在中低頻的應用普遍。高頻與中低頻所用技術的側重不同，很難說哪個技術含量更高。高頻對IT和程式設計要求高一些，因為主要是以快取勝，而中低頻對數學建模要求高些，因為是準確率相對於執行速度更重要。
現在量化交易必須要用機器學習，多因子模型嗎？
BigQuant 因為私募量化巨頭的賺錢效應，因此機器學習量化成為效仿的思路。機器學習目的是找到收益率與因子之間的非線性關係，其背景是因為金融市場的高度複雜非線性事實。通常會根據策略的回撤比率設定乙個失效判定標準，同時進行多策略組合。當然，對於有的模型而言確實在一定時間範圍內幾乎不用隨市場發生改變，...
如何理解機器學習和統計中的AUC？
scikit learning裡面有介紹 1 sklearn.metrics.auc scikit learn 0.24.1 documentation 2 sklearn.metrics.roc auc score scikit learn 0.24.1 documentation Hasin C...
微分幾何和機器學習哪個更難？
木亦有知 從課程難度來說 微分幾何 現代 遠大於機器學習。如樓上所說，微分幾何是純數，而機器學習大都是統計學的應用。機器學習中的模型大都是具體的，與現實聯絡緊密，推導很容易理解，模型本身可解釋性良好。而微分幾何中的內容 張量與外代數 微分流形 外微分 黎曼流形 李群和纖維叢等 都極為抽象，學起來相當...