截止目前，百亿量化私募的数量已突破 30 家，量化规模预计突破1.6万亿元。

机器学习策略框架根本目标与传统的量化投资策略本质上相同，即发现已有数据与未来投资回报之间的密切关系，并加以利用，制定相关的策略。然而，寻找这些数据关系的方法(通常在机器学习模型中称为“特征”)的不同之处在于，它们往往完全由数据驱动，不需要分析师预先给出的理由或直觉。

机器学习技术，能够处理大量非结构化数据，以及文本、音频、视频和图像。机器学习的方法运用到量化投资，就是金融计量方法的延伸，可以从线性模型到非线性模型，低维度到高维度，运算速度非常快。

比如，可以通过对成交量，波动率，价格，涨跌幅等特征的学习，也可以通过对新闻文章、分析师笔记、分析师通话等这些文本情感特征进行学习。则，通过对这些特征的学习，就可以生成对股票不同周期的预测，再把这些策略做优化组合，就形成了一套完整的策略。

从目前来看，机器学习的策略框架依然有许多不可被解释的部分，机器学习也不是什么一劳永逸的魔法，人要做的永远是最困难的那部分工作，真正优秀的量化机构或者量化策略就是要和数据日夜纠缠，发现问题，解决问题，通过人的不断的学习，让自己的计算机更聪明，跑得更快，才有机会在长跑中取得更好的成绩。

那么，你对机器学习的应用有什么心得体会？