这个问题是我已经曾试图回答过的问题，根据以前的回答， 我可以更系统的梳理一下。 一般经济学家和金融学者偏向于用他们学过的知识来解释股票，比如传统的经济学里面的 Efficient Market Hypothesis （EMH），市场是有效的，我们是不可能预测股价的走势的。但是数学家和计算机学家认为不确定性虽然很大，但是不代表我们找不到蛛丝马迹。如果我们真的对此无能为力的时候。为什么华尔街或伦敦的金融城还有很多人能够赚的本满钵满的呢？为什么DE Shaw, 量子基金等等金融大鳄要招数学家和计算机学家去做定量分析。所以这件事一定是在某种程度上可以做的。
1. 在大家没有关注机器学习的时候，以前就有很多科学家（尤其是数学家和计算机学家）从自己的领域中离开创办对冲基金，比如文艺复兴的 James Simons (），以前是哥伦比亚大学大学的教授，他的领域是计算化学，他用自己的对冲基金挣到足够的钱后，自己做了首席科学家来继续研究。
2. 机器学习的出现使这件事的门槛降低了，但是能够在市场上战胜别人绝对不能只是通过用别人现成的算法。尤其是对于时间序列，我们觉得RNN (Recurrent Neural Network)是一个非常好的选择，实施也是的确如此，也有一些工作用RNN（Elman or LSTM）来做金融时间序列分析。我们觉得只是用股票价格信息也许是不够的，毕竟股票市场是一个非常复杂的系统。我们曾经用过两种思路去研究这个问题。一种是找到宏观股票价格和微观交易者的关联模型。我们假设交易者是一个博弈模型，而宏观的数据是微观行为的体现。我们也曾做了一些这样的工作与实验。得到了一些初步的效果。 大家可以参考我们的工作：
