近年来，在数据和算力爆发式增长的背景下，越来越多量化机构将机器学习技术运用到量化投资中来。知名的对冲基金和银行，如文艺复兴、Two Sigma、Citadel、D.E. Shaw、JP摩根、高盛等也在扩充自己的机器学习团队。机器学习算法从广泛的市场基础和另类数据中提取信号，并可应用于算法交易策略过程的所有步骤。
运用机器学习，交易员可以不再手动挑选变量，而是通过无监督机器学习算法来挑选出建模最优的变量。深度强化学习和神经网络可以构建一个具有认知体系的投资组合系统，通过在各种随机环境中训练，该系统能够发现长期策略。量化交易中的机器学习使用特别关注如何更有效地使用传统和另类数据，以实现更好的交易预测。
1.提升执行效率。机器学习算法擅长从高维和海量数据中寻找关联性，为交易执行决策的深层量化提供一种可能性，从而在市场冲击风险和错失交易机会而产生的机会成本风险之间寻求最优解。
2.实现α因子创建和聚合。将机器学习算法应用于交易的主要理由是获得对资本基本面、价格变动或市场状况的预测。一个策略是集成多个互为基础的机器学习算法的结果。
3.资产收益。机器学习可利用基于风险的回报特征，这些风险特征是由资产价格模式驱动的，而不是由资产类别驱动的。在这里，机器学习工具可以通过识别提供多样化收益的不相关资产，或通过将数据映射到允许其他解释的新表示来增加收益。
4.交易回测。回测是选择优秀算法交易策略的关键一步，模拟数据场景下的验证是检测算法在不同交易场景中稳定性的重要环节。使用机器学习合成数据的交叉检验是一项关键的机器学习技术，当它与适当的方法相结合以校正多重测试时，可产生可靠的样本外结果。
5.另类数据处理。在处理非结构化数据方面，人工智能技术具有独特的优势。对于网络文本数据，包括公司财报、研究报告、新闻、社交媒体数据等，人工智能可通过自然语言处理技术提取和分析关键信息，比传统机构更早识别出市场的正面和负面消息。
6.持续优化。对于标准化的参数优化工作，机器学习算法能够更加高效和主动地跟踪和改进性能，如遗传学启发的进化计算可被用于开发更好的深度学习算法，使得算法能够自主优化。
由于机器学习算法在效率和性能等方面的优势，其可以作为很好的量化交易辅助工具，并从决策、执行、验证等各方面提升量化交易算法的处理能力。在一定程度上，机器学习可以减轻人类的工作强度，但短期内不应该期望机器学习和算法来突然超越人类的能力。
非凸科技也将持续在硬件设备上扩大投入，保持业内顶配水平，机房建设、GPU、服务器、数据库等，持续充分投入，打造更强的算法模型，推动算法交易的落地与应用，从而为券商、量化私募等众多大型金融机构提供更优质的服务。
