1.数据是量化投资的基础，数据处理很大程度上影响着最终模型的效果。选取不同区间的数据学习后的结果差异较大，尤其在市场风格发生变化时，需要一定样本数据的累积才能跟上变化的速度，为此各家管理人在数据处理中都形成了自己的差异化方式。

2.算法模型是量化投资的核心，是与主观投资基金经理相对应的量化投资的“大脑”。在实操过程中，算法模型包括特征提取即因子挖掘、预测模型、组合优化与交易算法四个部分，机器学习在其中均有应用。交易算法对应策略的交易执行，模型的主要目的在于降低市场冲击与交易成本，提升策略容量。

3.算力为量化模型研发提供支撑，机器学习的数据量与运算量显著多于传统模型，对管理人的算力水平提出更高要求。头部量化私募也从早期的CPU服务器配备，逐步进化为高性能计算集群。算力投入是除人员成本之外，占量化私募支出比重较高的部分。整体来说，机器学习的策略门槛会高于其他传统策略。

相较于传统量化模型，机器学习的优势体现在，能够突破人的主观认知能力局限，在海量数据中发掘出更复杂的联系，扩宽策略收益来源。

量化模型不断迭代进化的过程中，人工智能是重要的延展方向，极大地推动了量化行业的发展，并已渗透在量化框架中的每一个环节。但值得关注的是，现阶段的机器学习仍然只是管理人进行量化投资的工具之一，并不能完全取代人类实现量化投资策略的构建。管理人在面对机器学习的优势与不足，也在各自取舍与应对。