机器学习创造了奇迹，比如打败了人类象棋冠军。但在金融领域，对这项技术的预期可能需要降低一两个等级量化公司AQR。
在周一发布的一份报告中，AQR认为，机器学习的好处可能会应用于涉及优化投资组合构建的问题，比如风险管理、交易成本分析和要素构建——至少在一开始是这样。这是因为，根据《机器能学习金融吗?》(Can Machines Learn Finance?)一书，市场与其他领域不同，在这些领域，机器学习提供了突破性的研究成果。
(2深潜水:更年轻、更便宜、更小、更聪明:见见新一代的宽客]
机器学习改变了解决问题的方式。传统的计算机程序员定义游戏的所有规则或参数。相比之下，机器学习应用程序则需要输入数据，这样它们才能确定规则和关系。给猫和狗的图片分类是机器学习的一个著名例子。传统的程序员无法编写存在于狗和猫之间的无穷无尽的变化。
但是，猫狗都没有市场。
在金融市场，所谓的信噪比很低，这意味着结果不是特别可预测。如果他们是活跃的，经理们会持续跑赢基准。
AQR在报告中表示:“低信噪比并非市场的某种不幸巧合。”相反，它是由利润最大化和竞争这两种简单的经济力量保证并不断加强的特征。换句话说，对冲基金经理和其他活跃的交易者开始根据他们掌握的信息做出决策，从而推高了股票价格。他们不会停止，直到他们赚了尽可能多的钱。股价反映了这一信息，而推动市场的唯一力量是无法预料的事件或无法预料的数据。
机器学习在那种环境中表现不佳。最重要的是，市场具有适应性。
“如果研究者标识一个新的信号捕获的资产的特定的形式，用于预测错误定价价格是有用的，然后作为信号变得更广为人知报告的作者写道:“在美国，更多交易员据此采取行动，更快地调整价格。”“市场最终会吸收这些信息，数据生成过程也会因市场中各个机构的行为而发生变化。”
在其他学科中，正如AQR所写的，“一旦算法变得善于识别猫，猫就不会开始变成狗。”
金融市场与其它行业的另一个不同之处在于，资产管理公司需要向投资者解释它们的模型——在机器学习的世界里，这并不总是那么容易。
尽管大数据可能是有用的，AQR也认为金融是一个时间序列学科。例如，关于返回的新数据只会随着时间的推移而生成。来自社交媒体或其他平台的大数据历史较短，在投资上的用途有限。
有限的时间序列给有意义的回溯测试带来了挑战。AQR表示:“由于历史很短，对战略绩效形成精确估计就更加困难，这最终意味着即使非常强烈的信号也可能审慎地只在投资组合中获得较小的权重。”
AQR仍然认为其他投资领域，比如风险，具有“高的信号 - 噪声”的比例 - 它们可以预测得很好，如交易的价格影响。投资者的行为不超限像他们的行为对瓜类回报信号这些信号。
Alpha是稀缺的，并已在进步面前，在过去的几十年里一直如此。
AQR承认这一点。
“使用新的数据和机器学习来构建alpha(即寻找新的独特的可预测性回报来源)直接进入了金融市场最具竞争力的领域，”该论文称。“随着更多投资者使用类似工具进入市场，错误定价得到纠正，阿尔法值压缩为零。”