传统的交易系统策略——是人工定义的。
现在的机器学习——规则不是程序员制定的，而是自己学出来的，规则是计算机从数据中挖掘出来的。
识别手写模型用的SVM，有很强的鲁棒性；
监督模型：分类、回归。
非监督模型：没有Y的信息，从X里面能不能自己发现规律；聚类、降维。X是300*1的点，每个时间点有300个指标，用聚类的方法，这些时间序列归一类，另一些时间序列归另一类；300维能不能降到20维，300维某些列是冗余的，如何在高维空间中的点在低维空间表示出来，embeding；
强化学习：ENV——大盘，背后是马尔科夫决策过程，markov decision
分类：看涨、看跌。
回归：预测出下一时间的价格。
以一组输入的训练集为输入，学习出来所有对应参数的最优组合，在你给定的训练集上表现性能最好。
评估模型：model.prefict，
打分：把真实际的值与预测的值对比。score成绩好完全不等于回测好。
如果加了第二项，加到线性回归上去，比不加效果好，
最小二乘，找到cita使J（cita）最小