給你講個段子！真實的！
我去一家量化交易公司實習，一次meeting中，我和老總還有一個資深大佬談機器學習在股票和期貨裏面的套用。
我：LSTM在時間序列上套用的效果比較好，我們可以嘗試把LSTM套用在股票預測上。
此時，大佬在陰笑，老總默不作聲...
我：你為啥笑
大佬: 不work啊！
我：為什麽不work？！
這時老總也在旁邊強掩笑容,大佬終於忍不住說了，有兩個原因，第一個是你如何保證你的因子有效？
老總就補充到：對啊，你的模型很可能garbage in garbage out.
我說：那你們提供因子來訓練模型啊
大佬陰笑....
然後大佬又繼續說：第二個就是，你非常可能過擬合！
我說：那我們可以加regularization啊。
接著他們倆忽略我的話了，老總接著說：其實我們是想要一個模型能根據每天的數據進行反饋，自動更新。
我一想，這TM的不就是reinforcement learning嘛，我說：可以用reinforcement learning試試。
大佬又開始笑了，我很納悶。
大佬說： 我就是知道他們有些人在用reinforcement learning，我才能賺錢！！！
最後實習結束之後，在大佬的帶領下，我才明白了交易的三重境界
歸納
演繹
博弈
所謂的深度學習不過是基於歷史數據進行擬合的 歸納法 罷了，如果把深度學習用來做股票預測，長期的是expected虧錢的，因為市場在變，規律在變，歷史可能重演，但是又不盡相同。
深度學習肯定是可以用在股票市場的，比如針對某只股票的新聞情感分析等。但是不能用來預測市場走向！！！
想在市場上賺錢，就得 博弈， 你得知道其他人在幹什麽，因為市場是有所有的參與者共同決定的。
舉個簡單的博弈方法：
中國的期貨市場之前很長一段時間，很多人，包括一些機構，都在用趨勢策略，不同人和機構之間不外乎就是趨勢的策略參數不同，讓策略效能稍有不同，入市出市點不同，但是大體是類似的。所以這個時候，你應該知道市場上有一部份資金是在用這種趨勢策略在跑的，那麽在未來的某一個時間點，這些策略會相繼的發出訊號，然後人們去執行買入賣出的操作。
所以有趣的地方來了，既然你已經知道有一部份人在幹嘛了，你是不是就可以設計策略來巧妙的利用其他的人的策略呢？你是不是可以設計一個類似的趨勢策略，來告知你別人在這個時候可能會幹嘛，而你來選擇做更有意義的事情，而不是是不斷去改進所謂的趨勢策略呢？
所以，回到深度學習的問題上，如果深度學習用來歸納過去的數據，然後來預測股票走勢，我覺得是不靠譜的。但是如果能想辦法把深度學習用在博弈問題上，那麽我覺得有可能靠譜。
-----------------------------------------------------------------------------------------------------------------------
更新：我在另一個回答裏舉了一個套用深度學習和博弈思想的例子，有興趣的可以了解下。
MilKY：機器學習（非傳統統計方法如回歸）在量化金融方面有哪些套用？
我再在這裏總結一下我自己對博弈在交易裏的理解。我真心就是一個只實習了很短時間的新手，以前也沒接觸過金融或者量化這一塊（只是個碼農而已....），理解上肯定有很多偏差和不足。大佬們，如果你們覺得回答裏面有什麽不妥，本屌非常歡迎賜教啊！
核心思想：
無論你用不用深度學習，除了價值投資，你要賺錢，那麽就得有人虧錢，所以說你的交易邏輯本身得是正確的才行，也就是說你設計好一個策略後， 你要知道你賺的錢是從哪來的 。很多人賺錢的時候稀裏糊塗的，我們不妨稱之為運氣好。但是你如果明白你是運氣好，並且不斷探索原因的話，你很有可能未來還會賺錢。而事實是大多數人明明是運氣好但是卻覺得是自己聰明，從而未來大虧甚至傾家蕩產。
如何套用深度學習呢，假設你已經明白了你得賺錢邏輯，但是這個邏輯裏有些事情你一個人做不完，用電腦幫你做，用深度學習幫你做效率更好更快，那麽深度學習不是就派上用場了。
我個人認為深度學習不過是個復雜的函數對映逼近演算法，你的邏輯就是你的函數，邏輯都不正確，逼近得再好又如何？
----------------------------------------------------------------------------------------------------------------------- 4/19/2021 更新
個人自從2017年暑期在上海某私募基金實習之後，又在2017年聖誕節前後在灣區一家bitcoin fund實習了，然後自己私下做了一段時間交易，有一些新的理解分享給大家。
高頻的東西不太懂，對於中低頻的而言，個人感覺，市場的宏觀分析，包括大國博弈，對世界行程有影響的大機構的發展，左右資源分配的局部戰爭，各個國家指定的政策，新興事物的崛起等等，都會一定程度上影響到你關註的市場，這些才是決定市場走向的根本原因。
然後在你把握好大局之後，才是對具體標的的篩選，符合大趨勢的標的，也有會做的好和做的不好區別，這個時候你可能要更進一步的閱讀財報等更細節的資訊。在篩選出標的之後，才是用技術分析對具體的某個標的的行情進行分析，選擇對自己有利的入場點。
舉個簡單的例子，3/12/2020美股，幣市等都因為COVID-19暴跌，雖然由疫情帶來暴跌的黑天鵝事件很難預測，但是這暴跌之後，央行放水的行為卻是可以某種程度上預測的。那麽這個時候需要選擇在疫情中可能會崛起更快的標的比如Zoom，Amaozn的股票，同時高風險一點的，可以選擇一些對抗央行放水的標的，比如BTC。
個人的PhD方向是做深度學習在醫學影像領域的套用，個人感覺目前深度學習的局限性還很大（連一個病竈分割的問題也沒有辦法徹底解決，而這對醫生來說是很容易的事情）。雖然深度學習可以一定程度幫你分析問題，但是要依靠深度學習從市場中尋找規律預測漲跌，無異於大海撈針。現在對大佬的話理解更深刻了，garbage in garbage out是常態，即便gold in garbage out也是常態，畢竟給深度學習一張圖，讓它分割一下，都搞不定，你還指望它給你提取變幻萬千的金融市場的特征？高頻交易有可能，但我不了解，中低頻，靠深度學習預測，你就是進來送錢的。
