前提：
第乙個問題：
機器學習和統計學都是資料科學的一部分。機器學習中的學習一詞表示演算法依賴於一些資料（被用作訓練集），來調整模型或演算法的引數。這包含了許多的技術，比如回歸、樸素貝葉斯或監督聚類。但不是所有的技術都適合機器學習。例如有一種統計和資料科學技術就不適合——無監督聚類，該技術是在沒有任何先驗知識或訓練集的情況下檢測 cluster 和 cluster 結構，從而幫助分類演算法。這種情況需要人來標記 cluster。一些技術是混合的，比如半監督分類。一些模式檢測或密度評估技術適合機器學習。
資料科學要比機器學習廣泛。資料科學中的資料可能並非來自機器或機器處理（調查資料可能就是手動收集，臨床試驗涉及到專業型別的小資料），就像我剛才所說的，它可能與「學習」沒有任何關係。但主要的區別在於資料科學覆蓋整個資料處理，並非只是演算法的或統計類分支。細說之，資料科學也包括：
資料整合（data integration）
分布式架構（distributed architecture）
自動機器學習（automating machine learning）
資料視覺化（data visualization）
dashboards 和 bi
資料工程（data engineering）
產品模式中的部署（deployment in production mode）
自動的、資料驅動的決策（automated, data-driven decisions）
當然，在許多公司內資料科學家只專注這些流程中的乙個。
第二個問題：
機器學習有多種衍生方法，其中包括監督學習、無監督學習、深度學習和強化學習等。
對於金融領域而言，監督學習的目的是建立兩個資料集之間的關係，並使用乙個資料集**另乙個資料集；無監督學習的目的是嘗試了解資料的結構，並確定其背後的主要規則；深度學習的目的是使用多層神經網路來分析事物背後的趨勢；而強化學習則使用演算法來探索和找到最有利可圖的交易策略。
監督學習將被用於**趨勢
在財務背景下，摩根大通認為監督學習演算法通過歷史資料，可以找到規律，對未來進行**。監督學習演算法有兩種形式：回歸和分類方式。
分類方法則與之相反，嘗試將資料識別到已有類別中。
無監督學習將被用於識別大量變數之間的關係
在無監督學習中，機器被輸入了一整套資產組合的回報，同時並不知道其中的關聯和獨立變數。在高層次上，無監督學習方法被歸為聚類或因素分析。
聚類分析基於一些相似性概念將資料集分成較小的組。例如：它可以包含歷史資料中高低波動性、經濟上公升和下降速率或通貨膨脹的增減。
因素分析旨在識別資料的主要內在規律或確定資料的最佳表示方法。例如：收益曲線的運動可以被解釋為曲線的平行位移、曲線變陡峭或變凸。在複雜資產組合中，因素分析將提煉出資料的主驅動力，如動量、價值、進製、波動或流動性。
深度學習系統將承擔起更艱難的任務
深度學習是重現人類大腦智慧型的一種方式。摩根大通在報告中認為深度學習特別適合非結構化大資料集的預處理（例如，可應用於分析衛星影象中的汽車、或新聞稿中的情緒）。深度學習模型可以用虛擬財務資料來**市場修正概率。
深度學習方法基於神經網路，而神經網路是受到人類大腦神經活動的形式而受到啟發的。在網路中，每個神經元接收來自其他神經元的輸入，並計算這些「神經元」的加權平均值。權重的計算則基於從歷史資料中得來的經驗。
神經網路的特徵指標，其中包括成本函式、優化器、初始化方案、啟用函式、正則化方案
強化學習將被用於行動的選擇，以最大化收益
強化學習的目標是選擇一系列成功的行動以最大化目標（或累積）收益。不同於監督學習（通常只是一步的過程），強化學習模型並不知道每一步的確切行動是什麼。摩根大通的電子交易部門已經開發了一些基於強化學習的演算法。
你需要成為一位出色的 quant 和出色的程式設計師
摩根大通說資料科學家應該具備的技能組合基本上和量化研究者差不多。現在有電腦科學、統計學、數學、金融工程學、計量經濟學和自然科學背景的買方和賣方 quant 都應該重塑自我。量化交易策略的專業技能將會成為關鍵。
「比起一位 it 專家、矽谷企業家或學者學習如何設計一種可行的交易策略，乙個 quant 研究者改變資料集的格式/大小並使用更好的統計與機器學習工具可要容易得多。」
摩根大通強調，你並不需要非常詳細地洞悉機器學習的方方面面。大多數機器學習方法都有現成的**：你只需要應用已有的模型即可。
支援部門需要理解大資料
最終，摩根大通注意到支援部門也要包含大資料。報告說到，很多雇主與人事經理都無法明確區別「談論人工智慧的能力」與「設計可交易策略」的能力，合規團隊需要能夠審查機器學習模型，並保證資料匿名，不包含私人資訊。金融領域機器學習時代正在到來。
科技的發展會滲透到人類生活的方方面面，這是毋庸置疑的一點，因此也理所當然地包括了金融投資。無論是程式化交易，還是上文提到的大資料和機器，都是不斷進化後的成果。
當我們了解自己的能力有限時，就應該去尋求更好的投資方式。例如戰績出色的經理人和交易程式。
金融調控知識
金融調控知識 一 貨幣政策 貨幣政策，是 銀行採用各種工具調節貨幣供求以實現巨集觀經濟調控目標的方針和策略的總稱，是國家巨集觀經濟政策的重要組成部分。貨幣政策調節的物件是貨幣 量，即全社會總的購買力，具體表現形式為 流通中的現金和個人 企事業單位在銀行的存款。流通中的現金與消費物價水平變動密切相關，...
金融產品知識筆記
雜七雜八的看了好多東西，也不知道啥是重點，隨意記記 風控 風險管理和風險控制 金融產品核心是風控，風控的核心是信用評估 模型規則 風控模型設計 step1 獲取資料 不同維度的使用者資料資訊的獲取，為模型的計算服務 step2 確定使用者資料的變數 說白了就是為使用者資料進行權重分配，確定哪些資訊更...
金融知識 極速60單
以本金15萬為例。15萬除以60等於2500，找一家銀行，問問他們的5年整存整取利率，選一家高的。然後這個月就開始，分別存入乙個一年期 兩個兩年期 乙個三年期 乙個五年期，這樣乙個月下來是2500x5 12500，這麼堅持滿12個月，正好15萬。然後從第十三個月起，一年期陸續到期，加利息轉存成五年期...