ML 在图像上做出了超越人类的表现，在市场上却常常跑输一个线性因子模型——这不是 ML 不行，而是金融数据改写了游戏规则。本篇先讲清规则怎么变的（三重诅咒），再给一张「ML 适合做什么」的任务地图，最后校准对 ML 量化的正确预期。
金融数据的三重诅咒
诅咒一：信噪比极低。 图像分类的信噪比是「信号为主、噪声为辅」；收益率预测的信号占比常在 1% 以下——月度收益 R² 能稳定达到 0.5%–2% 已是顶级行业水平。量化对照：月度选股模型的预测精度，大致相当于「抛硬币时让它偏向你 51:49」——而 ImageNet 顶级模型的准确率是 90%+。后果：模型的拟合能力越强，能拟合掉的噪声越多——「训练损失一路下降」在金融里常常意味着「过拟合一路加深」。深度模型的百万参数在这个信噪比下，多数容量用于记忆噪声。
诅咒二：样本量相对不足且不独立。 日频 20 年 ≈ 5000 个观测，且自相关 + 波动聚集让有效样本量远小于名义值（见概率论基础 ）；截面可以扩样本（N 只股票 × T 期），但同一日期的截面样本共享宏观冲击，不是独立样本。粗略的对比：训练一个图像分类器用百万级独立样本，金融截面 20 年 × 5000 股 = 千万行，但独立「时间切片」只有 240 个月——样本的天花板是时间，不是行数。深度学习引以为傲的「大数据红利」在金融的数据量级下基本缺席。
诅咒三：分布持续漂移（non-stationarity）。 猫十年后还是猫，但「低估值溢价」会随参与者结构变化——市场会学习并消灭可预测性（有效市场的作用力方向，见EMH ）。模型训得越好，越可能精确拟合了一个正在消失的规律；且回测与实盘之间隔着 regime 变化（「回测即过去时」问题，见因子失效 ）。实证的刺骨之处：ML 模型的样本外衰减常比线性模型更快——它把「旧的规律」学得更深，regime 翻转时摔得更重。
三重诅咒的合成结论：金融 ML 的竞争不在「模型多强」，而在「如何在不合观数据上防止模型自欺」——特征工程、样本外纪律、purged CV 的优先级高于任何网络结构。
ML 适合与不适合的任务地图
适合（信号→信号，监督学习的主场）：
- 非线性因子合成：数十个低相关因子 → 一个复合预测——树模型的核心战场（见机器学习策略 ）；
- 横截面排序：Learning to Rank 直接优化排序，与选股目标天然对齐（见监督学习 ）；
- 状态/Regime 识别：聚类、HMM 把「市场状态」变成可观测变量（见非监督学习 ）；
- 另类数据的结构化：文本 → 情绪分数、公告 → 结构化字段（NLP 作为特征工厂，见LLM 应用 ）；
- 执行与微结构优化：订单流预测、最优执行的强化学习（数据量大、目标清晰，见强化学习 ）。
谨慎/不适合的用法：
- 端到端预测价格：「输入行情序列 → 输出涨跌」的黑盒交易——三重诅咒的重灾区，样本外普遍崩坏；正确的路径是「可解释特征 + ML 合成」而非端到端；
- 直接输出仓位：让模型学「该买多少」——仓位是风险偏好与约束的函数（规则层），混进预测层会失去可审计性（分层架构见下文）；
- 高频数据不足时的深度模型：日频 + 50 特征上 LSTM/DNN——复杂度与数据量的错配（边界讨论见深度学习量化 ）。
正确的心智：ML 是因子合成器，不是印钞机
把 ML 嵌入量化体系的正确姿势是分层：
| |
这样做的三重好处：ML 的输出可检验（IC、分组、衰减照跑，见因子检验 ）、可归因（组合层看它是一个独立信号源）、可下线（失效时按因子协议处理，而不是对着黑盒发呆）。相反，若让 ML 直接接管仓位，它的错误将直接变成交易——无检验、无归因、无刹车。
预期的最后校准：ML 量化做得好时的合理产出是——比线性合成高 10%–30% 的 IC、更好的非线性交互利用、更自动化的因子迭代；不是夏普翻倍、不是「AI 挖出人类想不到的财富密码」。一个诚实的对照实验做法：同一份特征，分别跑线性回归、逻辑回归与 LightGBM——如果 LightGBM 的样本外 IC 没有高出线性 20% 以上，说明特征的线性部分已经吃干了信息，换模型的边际价值接近零（先做这个实验，再谈深度学习）。幻方式的 AI 量化 = ML × 十年数据工程 × 万卡算力 × 千人团队，缺一项都不可复制（见梁文锋 ）。
关联阅读：合成层的技术机器学习策略 与特征工程 ；纪律的地基Walk-Forward ；AutoML 的边界自动化因子挖掘 。