机器学习包括三个要素：输入变量、输出变量，以及连接它们的模型。一般人会分成训练集、验证集和测试集。传统上机器学习担心的是过度拟合，但也有一些机器学习方法不大害怕过度拟合。
比如有理论是谁如果模型复杂度（包括变量、数目、变量结构等）远超数据量，反而不会出现过度拟合的问题，因为冗余的变量或结构的权重会逐渐降低，导致测试误差先升后降（double descent）。这也是很多深度学习敢于大力出奇迹的原因，因为有这个双下降作为保证。否则，传统那种验证集的方法，中间找一个最优，之前欠拟合，之后过度拟合，这个过于玄学。如果你说大胆加，越多越好，那么人们反而放心。
如果是强化学习那一套，本质上也不怕什么过度拟合，因为样本基本上采用一定的机制蒙特卡洛生成，不存在什么太离谱的噪音；而且没有什么训练集、测试集这些概念，更多是打游戏，越高分越好，每次的场景都是固定模式生成的。
有了以上的这些基本概念，回到金融，回答一些基本问题：
1、样本分布改变的问题
之前说双下降不怕过度拟合，那前提是默认了测试集和训练集是同分布的，如果这个分布改变了，那么双下降也没用。至于判断样本分布是否改变，这是一个玄学。
当然，这也取决于你对样本的定义。如果你把样本定义为一条路径，那么历史上只有一个样本；或者你把一年的路径定义为一个样本，那你一年也只有一个样本；但如果你是把1分钟的价格变化定义为一个样本，那么你的样本可以多得多；或者你把一次交易定义为一个样本，那么你也可以有非常多的样本。
一般情况下，样本越多，一般来说拟合模型越好；另外，在越短的时间内，样本稳定性越高；所以做高频交易不需要太多天的数据来训练也可以有比较好的效果，而且样本分布变化不大，策略失效风险不大。
还有就是，如果品种多，每个品种的交易都是独立样本，也可以增加样本数目，但拟合出来的是各个品种的共性，未必每个都能做好，因为评价标准是整体不错。不同品种的分布可能也会有所差异，或许需要调整，使得分布更为接近。
2、时间序列与横截面的问题
这本质上是高频和低频的思路，时间序列本质上是高频思路，横截面其实是低频思路。所谓横截面就是固定时间做决策，比如每5分钟、10分钟固定时刻做决策，这个可以方便各个品种对齐，因此可以方便调用其它品种的数据，方便做对冲，都是同一个时间决策；而且可以把决策和交易执行独立开开，有人专门负责算法交易。
但如果是高频交易则不能，时机稍瞬即逝，一定要一出信号就买。另外不大适合做对冲，因为每个品种的价格序列是独立的，难以对齐，因此更适合单品种，比如期货类的高频策略。
机器学习对这两种都可以，横截面或许可以采用更大量的数据，多品种混合建模。
3、个人发展的问题
确实有人工智能界业界顶级的大牛做量化投资失败了，而且是几乎全美国最牛的公司最好的资源，原因很难说清楚，不去臆测了。
有的人虽然厉害，但需要找工作；有的人看起来不怎么厉害，但其实不需要找工作。比如经常说什么人工智能大神，离开业界AI lab回归高校，其实这些人就是反复横跳，但让他自己出来，离开体制（学校、公司都叫体制），他们其实是不敢的，或者说离开之后压根是赚不到钱的，甚至没法生存的。这就属于看起来厉害，但还是需要找工作，离开了体制，或许就真的什么都不是。
有的人其实更洒脱一些，不会依赖体制、公司、单位，进退自如，自己可以独立赚钱的，包括各种方式，比如炒股、炒期货、炒数字货币，量化也好主观也好，或者搞讲座也好，反正就是不依赖体制也能活的。
公司打工的问题在于你只能靠增量存活，没有增量，你就拜拜了；你不能说我之前积累了这么多策略这么多客户这么多资源，这些也能继续赚钱；但问题是没有你公司也能用这些赚钱，那要你何用？但自己干的话自己是可以利用存量赚钱的，这是最大的区别，但很多人没想过这点。一些大券商考核甚至用今年比去年多赚多少钱，或者今年新增了多少客户，存量客户交易佣金降低权重。这样对个人会很坑，因为这些钱公司还是赚的，不管存量还是增量公司都是赚的，只是没有给个人。
公司的压力来自于股东，因为如果收益没有增长，股民抛售，股价下降，公司会有压力。或者说公司估值很大一部分来自于未来潜在增值的折现，如果人们发现未来无法增值，那么可能会造成股价雪崩。但个人做没有这方面的压力。
所以，对于做量化这种最最不需要公司平台的（我指的是法律规定的牌照类资质），应该是最适合个人做的。或者说得更直接一些，如果量化交易都没法个人做，那么全世界几乎不存在可以个人创业的领域。
