計量金融(QuantitativeFinance)提供了大量了解應用和研究驅動的資料科學(DS)的機會。
對於財務問題來說，目標可以很容易，但解決辦法卻很難。

在金融監管(Financial Regulation)要求下，金融機器學習分為研究模型可解釋性(b-hatters)和可預測性(y-hatters)，而假設和預測都很重要。
可解釋性(b-hatters)：專注於開發合乎監管機構要求的模型，通常支持傳統金融。
可預測性(y-hatters)：專注於對沖資金，支持金融數學和工程。

金融服務大致可分為企業和零售銀行、投資銀行、保險、支付、投資、財務管理和其他服務。

而量化交易的定義是為交易執行的自動化，包括阿爾法因子(Alpha Factor)、資產配置、和測試策略。
從決策工具的角度來看，機器學習可以在所有這些領域提供幫助。

金融機器學習(FinML)相對於商業機器學習(BML)，重點在使用機器學習構建投資組合。

金融機器學習研究大致可以分為四個方向：
1.資產價格預測：研究人員嘗試使用機器學習方法來預測證券的未來價值。
2.金融事件預測：例如盈利意外、公司違約以及併購。
3.證券基本面預測：例如未來收入、波動性、公司估值、信用評級和分位數因子(Quantile Factor)。
4.優化與模擬問題：例如投資組合優化。

機器學習技術可以分為以下幾類：
1.非結構化資料的處理
2.監督學習
3.驗證技術
4.無監督學習
5.強化學習。
每個機器學習解決方案都是由上述內容的混合構建的。
金融的每個子行業和服務都將受益於人工智能。

交易策略

投資組合建構大致可以分為交易策略和權重優化。
而建構主動管理投資組合的重要第一步是確定可以使投資者受益的資產和交易策略。
金融機器學習研究前三個方向的交易策略風格，價格(Price)、事件(Event)、和價值(Value)，可以根據所使用的資料和試圖預測的結果分為獨特的交易主題。

價格策略包括技術策略、宏觀經濟策略和統計套利策略，因為價格在輸入資料和預測結果中發揮著核心作用，需要預測變化，策略包括趨勢、金融風暴等主題。
價值策略包括風險平價、因子投資和基本面主題，因為這些指標估計與資產價格不直接相關的中間價值。

技術交易是利用市場資料及其轉換來預測資產的未來價格。
趨勢交易是只有在您預測趨勢變化後才持有資產部位的策略。

• CTA：是一種只有在計量資料出現趨勢後才建倉的策略。
• 強化學習：使用統計和機器學習工具來最大化獎勵函數。
• 重構資產：目的在通過使用單個組件重構可交易資產（衍生品）來發現套利。
• 量化策略：通過使用機器學習模型得出公平估值來提供額外信息。
• 事件驅動：預測公司違約、併購和盈利意外等金融事件。
• 風險平價：當一種資產類別的波動性超過另一種時，透過選擇資產類別中的單位或槓桿來重新平衡。
• 統計套利：通過檢測資產關係或潛在異常來尋求錯誤定價，並相信異常會恢復正常。
• 因子投資：嘗試購買具有歷史上與有希望的投資回報相關的特徵的資產。
• 宏觀經濟：依賴宏觀經濟原則進行跨資產類別和國家的交易。
• 無監督式：任何利用無監督學習方法來提高策略預測準確性和盈利能力的策略。
• 自由代理：無梯度強化學習策略，依靠隨機運動和高斯運動的引入來選擇表現最好的代理。
• 梯度代理：是強化學習策略，旨在通過稱為梯度下降的方法來最大化獎勵函數。
• 監督學習：對未來某個時間點進行價格或分類預測，可用於設計交易策略。
• 基本面：依靠會計、管理和情緒資料來預測股票是否被高估或低估。

每個交易主題最終都可以使用不同的機器學習框架。
例如：技術和統計套利策略可以使用監督或強化學習方法或兩者的組合，因子投資策略可以使用監督或無監督學習方法，而對於強化學習框架，可以是策略優化、q-學習或基於模型的方法。