个人是做量化投资的，之前是做中低频的量化，近两年转到了做高频，也就是日内的T0。
天外有天，人外有人，以下的观点是从个人的研发路径得到的结论，有问题欢迎讨论。
首先，来聊一聊机器学习在中低频量化的应用。因为最开始是学的Barra那一套，线性模型。所以自然的想法，用机器学习去给股票打分，因子当然还是那一套，只不过省去了因子大类合成这些步骤，毕竟如果合成一下，不到10个因子，好像也不太用机器学习了。
最后的结果，还是挺让人失望的，尝试了很多机器学习模型，最后失败了，结论是所有的机器模型都跑不过传统的线性模型。
中间其实尝试过很多的方法，更换标签、回归问题变成分类问题、更多数据集、模型集成等等， 无一例外，跑赢不了最简单的线性模型。
事后来看，个人认为2个原因，在中低频信噪比太低了，另外就是数据还是太少。比如放入周度的数据，一年大概40~50个时间点，一年3000个股票算（早期的股票数量少，大约估计这个数字），10年也就120万个点。这个数字对于机器学习太少了，更不要说深度学习了。
后来转到日内的T0，机器学习还是展现了比较大的优势。毕竟，日内的因子上百个，谁也不会想着用线性模型去做。另外深度学习也比机器学习有更多的优势。这一块内容，我就不太方便细讲了。
个人认为这一段机器学习能够强于线性模型，一个是信噪比高一点，毕竟很多人工交易员能够在这个尺度上做的非常的优秀，确定性强一点。另外就是数据量的大幅度增加，一个股票的tick数据，全天4800个点，1天3000只股票，1天的数据量是1440万。如果是10天，这个数据量就上亿了。
这么多数据喂给机器学习还是能学点东西出来的，毕竟很多机会，人肉眼都能发现。机器学习再学不出来，就是人工智障了。
最后，聊一聊机器学习。我一直认为，机器学习能够把一件事情做好的前提是，人能够把这件事情也做的比较好。如果人都做不好这件事情，指望机器做好是不可能的。
比如，在中低频尺度上，没有哪一个主观的研究员、基金经理，做到高胜率、低回撤，Barra那一套更多是从风险控制上去考虑的。人都做的颤颤巍巍的，机器在有限的外部信息下，能做的非常少。
再比如，现在大规模用机器学习、深度学习的互联网行业，很多是用来做推荐、反欺诈等等。这个的前提是人能做的不错，当然我说的是针对单个样本。比如一个工程师，看了看这个用户历史的购物记录、浏览页面、消费习惯、资金流水、亲朋好友的购物记录等等，他个人是可以给这个用户一个比较好的推荐广告的。
之所以用机器学习、深度学习，是因为，工程师数量太少了，用户数量是非常庞大的。不可能每个用户，配置一个工程师。所以才会用这些算法，给用户做推荐，做到千人千面。假设我们的工程师、客服数量是无限的，那做出来的推荐，绝对比机器给的结果要好很多。
另外，机器学习用到的特征，也都是人工给标记和提炼的（有听到过，用机器学习深度学习挖因子，但这个我还没用过）。以个人做量化的经验来看，好的因子反而是更加重要的。有效因子增加带来的改变，大于模型的性能提高。
欢迎球友针对量化、机器学习、深度学习来一起探讨~