传统量化策略和机器学习量化策略的核心区别在于如何得到预测模型：

传统量化：公式形式+历史数据+统计工具 = 函数公式

机器学习：算法模型+历史数据 = 预测算法

在实盘中，二者差别不大：

最新数据+函数公式 or 算法模型 = 模型结果

相比而言，机器学习能克服人类的认知能力局限，更容易在海量数据中发现高维度、非线性的的复杂联系。

此外，传统量化策略的函数公式通常比较简单（为了防止过拟合问题），公开后容易被业界快速模仿，很容易出现策略拥挤(Crowding)和失灵(Alpha decay)问题。

相比而言，机器学习策略收益来源更加多元丰富（不同算法和数据的组合可以挖掘出不同的潜在规律），策略拥挤和失灵风险较低。

机器学习技术一般可分为三大类：监督学习、非监督学习、强化学习。在量化投资领域，利用机器学习技术在一定条件下能够更好的完成资产收益预测、风险建模、组合优化、算法交易等任务。但现阶段除高频策略外，由于受样本量限制，完全由机器代替人类构建量化投资策略还很难实现。

更多关于机器学习在量化投资中的应用，「今天18:00，校招宣讲会」，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦