You won't need to be a machine learning expert, you will need to be an excellent quant and an excellent programmer.
—J.P.Morgan宏观量化和衍生品策略研究小组
2018，毫不意外，银行金融行业的关键词之一，是AI（人工智能）和ML（机器学习）。
从最早高频交易的“类”人工智能，到现如今用深度学习来分析趋势，寻找最有利可图的交易策略，机器学习在金融领域的用武不断纵深化。
这就呈上个案例：JPM采购了“空中鸟瞰”得来的数据，处理投资决策。
RS Metrics是这项卫星和无人机高空影像数据服务的提供商，它擅长利用停车场影像分析零售流量、地产热度、工业产能和企业员工雇佣数等，并将分析结果提供给投资机构。
下图是特斯拉的南部物流仓，整车被集中起来准备发往客户。今年2月2日，此地驻停了421辆Model 3's，88辆Model X's，和85辆Model S's；8月23日，数量是112辆Model 3's，33辆Model X's，和22辆Model S's；而最近的一张图片显示，有243辆Model 3，35辆Model X's，和29辆Model S's。据此，RS Metrics在18年9月4号发布称：特斯拉可能很难达成马斯克承诺的2018年产能，否则它必须每小时至少有42辆车新驶进这个停车场。
JPM采用了RS Metrics的停车场空置率数据来决策买、卖或持有。策略是这样的：他们聚焦在S&P 500中有长期历史数据的个股，计算年同比停车场车流量数据（月度滚动，季度重启），0.5的正负偏离触发买入或卖出。
深度学习特别适合于非结构化大数据集的预处理，并由过去的经验指导，不断优化。上述的触发值，随着长期的数据累积和算法拟合，被不断调整和精细化。
当然，这个案例仅是JPM揭露的最为简单的利用机器学习进行的交易策略，金融市场的现实复杂度要超乎想象的多。但可以肯定地是，未来，定量研究人员必须学会使用数据，包括个人生成的数据（社交媒体、产品评论、搜索引擎等），商业数据（公司能耗数据、交易数据等）和传感器生成的数据（卫星影像、冷热、定位等）来解读信号、评估影响、理解预期、预测转折点。
同时不偏不倚地提一句，也无须过度贩卖焦虑，毕竟，理解数据和信号背后的经济和政治逻辑，比开发复杂的AI/ML解决方案更重要。
Reference：《Big Data and AI Strategies：Machine Learning and Alternative Data Approach to Investing》
閱讀更多 沸騰牛肉一鍋粥 的文章
