互联网的高速发展产生了大数据，也造就了大数据在包括金融行业在内的众多业务领域取得成功的应用场景。同样，大数据应用在证券量化投资中的应用价值毋庸置疑，投资过程中我们能获得的数据除了大量的传统金融数据，GIS、新闻、博客、论坛、即时通讯也会产生图像化、语言化的文本和音频数据，往往对金融市场也会造成或多、或少的影响，这些数据海量地聚集，远远超越了人类对数据可能的处理能力。人工智能尤其是深度学习的方法的发展，提高了对于非结构化、高维稀疏的数据进行非线性规划求解的能力。

随着金融大数据、人工智能和基础计算能力的发展，很多投资公司正在推动机器学习的方法，这使得计算机能够分析数据并提出自己的预测算法。那些机器不再依赖人类来写公式，算法和量化分析最终可以大大减少对投资分析人员的需求。

在大数据的海洋中要分析和识别模式，似乎依靠基于人工智能的机器学习工具和技术是唯一选择，这应该是大数据应用环境下发展投资策略的必由之路。比如，新闻网站对突发性重大事件的报道必然对金融市场产生影响，实现基于文本等非结构化数据的事件驱动套利策略，需要借助人工智能的自然语言处理NLP来进行。

美国的RSMetrics公司，通过对全美超过28家零售商和餐馆进行卫星图像监控，可以准确计算出它们在全国范围内或某一地区的客流量同比增长情况，并在目标公司发布财报前，以周度、月度或季度的频率向客户发送报告；美国能源情报机构Genscape通过计算机对卫星图片来识别全球港口的油轮运输和库存情况，了解石油的需求与供给状况，来指导大宗商品的投资。

从大趋势而言，人工智能在量化投资交易的应用会加深加快。但基础研究的限制，让它目前很难单独面对复杂的金融市场，更好的方法是让它去处理大数据，找到数据和金融市场之间的关联，发现投资交易的机会。但在这个过程中，人也不应该缺席。人和人工智能的混合系统，会在未来一段时间的金融市场中唱主角。

在过去，国内证券市场投资单一、投资策略趋同，这种情况下必然造就大起大落的市场。投资者结构很重要，当大家做的角色都趋同的话，市场必定是不稳定的。量化投资带来了一种非主观性的投资思路，另类的操作办法。量化交易通过对投资过程的程序化，把人的情绪排除到投资进程之外，整个投资过程完全按照预先设定的程序进行操作，确保投资进程的客观性。事实上对于市场的成熟、稳定、高效是有帮助的。

随着证券市场的不断发展、金融衍生品的不断推出、对冲工具的不断丰富、投资复杂度的日益提高，量化投资将以其低风险、收益稳定的特性成为机构投资者的主要投资策略。

因此，未来的量化交易亟待在数据服务、交易服务、风险监控等方面做出适应量化交易发展趋势的改变和完善。+Vkjs