据了解，在传统量化投资中，一般是投资者先有某种想法，然后再写出算法让机器去执行；而机器学习则是电脑通过大量的数据处理，自己设计出模型，以机器算法来预测市场。

　　目前来看，在投资的某些环节上应用机器学习技术已不是难事，量化巨头AQR资本就采用了机器学习，但仅是应用在期货投资的时间选择上，完全以机器替代人脑决策这一具有诱惑力的模式仍相当罕见，许多量化投资公司还在探索，让机器独立形成投资模式。

　　早在2007年，一家名为Voleon的公司看好机器学习的研究能力，完全将股票买卖决策交给电脑执行。Voleon公司在2008年开始靠机器投资，但随即遭遇金融危机，在随后的两年内一直处于亏损状态。但他们始终没有放弃对系统的改善。不过，到2011年，他们意识到在其他领域机器学习可以得心应手获得成功的方式，在股市里统统行不通，他们只能自行开发模型。Voleon的新模型不仅包括市场数据，还包括了来自外部的卫星图片、运输数据、信用卡数据等，甚至也包括了特定公司社交媒体情绪指数等数据。

　　这种探索获得了初步成果，到2012年，Voleon的旗舰基金取得了35%的收益，2013年的回报有46%，2015年的收益有所收窄，但仍将近15%。2016年，情况不佳，全年下跌了9%。今年前10个月，产品表现一般，收益为4.5%。整体看，产品自诞生起的平均年化收益为10.5%，但每年的业绩起伏比较大。目前该公司管理资金规模为18亿美元。

　　Voleon创始人哈利托洛夫表示，机器学习遇到的主要麻烦在于，资本市场充满噪音，很难通过数据发现其中的可以复现的模式。而在围棋或者无人驾驶的尝试中，这种模式复现相对容易捕捉。此外，一旦其他投资者发现了某种模式，这种模式的优势很快就会被消减，在量化投资中尤其如此。

　　机器学习的另外一大问题是，模拟每笔交易的数据十分庞大，尽管公司已经购买了额外的运算能力，模拟时间仍长达数天甚至数周，但在实际投资时，往往需要在几小时内做出决策。

　　除此之外，完全应用机器学习的基金在募资时也遇到难题：机器得出的算法一般人难以解释，更难说服资金方将资金投入这种算法。

　　哈利托洛夫表示，机器学习应用于股市虽然必须解决好向投资者做出解释的难题，但如果对机器的举动明白地做出解释，也就失去了其预测能力，这两者是矛盾的。他认为，矛盾根源在于人的理解只有三维空间，但机器系统却可以掌握数十甚至上百的维度，可以发现高维空间中非传统非线性的联系，人类是难以理解这种联系的。不过，哈利托洛夫表示，机器学习应用到金融市场仍然处在非常早期的阶段，他们的尝试仅仅是在铺路，还需要不断探索。