更多更廣的數據
基本上可以認為，越高層次的 量化交易 ，背後需要處理越多數據。支撐頂級量化策略背後的往往正是海量的數據。
目前壹些公司不僅利用傳統的金融數據，還會用到衛星拍攝到的港口集裝箱圖像等圖片信息，或者從新聞報道、博客、名人講話中獲得經濟發展的線索。在圖像識別和自然語言處理的技術支持下，很多非結構化的數據也能成為分析對象。而大數據、非結構化數據以及訓練模型，都需要人工智能技術介入其中。FRM對沖基金在倫敦的負責人Patric對此有很好的解釋：在這個互聯網時代，我們獲得的數據遠遠超過了人類可能的處理能力。要在這個巨大的信息海洋中分析和識別模式，唯壹的辦法就是使用機器學習工具和技術。這是壹條發展更優的投資策略路徑。”
不斷自我進化和叠代的交易策略
在對數據的處理上，人工智能技術拓寬了數據來源，使得有更多數據能夠被納入分析。而在算法上，人工智能技術也讓金融工具能自動進化和叠代交易策略。AI量化交易的先驅Rebellion首席投資官Alexander介紹自己的產品說：
“我們給了系統20年的全球經濟和市場數據，以及讓它學習現代金融的歷史，讓它找出不同因素是如何影響各資產類別、行業和地區的價格。它不是按照程序遵循任何特定的交易策略，因為我們沒有告訴它去尋找這些。系統會自動識別概念，並在特定市場狀況下，將概念通性能績效聯系起來。”
相比之下，傳統的量化投資方法往往嚴格應用事先設定好的策略，它的基本假設是現在的相關性會無限持續下去。但這往往會造成很大問題，因為市場瞬息萬變。所以人工智能系統的優勢在於，它能夠隨著舊關系的衰減以及新關系的出現，不斷進化自己的投資策略。
以Rebellion的例子看，它在分析了金融和貿易數據後，發現在過去的18個月裏，大宗商品和外匯市場周期變短了。所以它會自動重新校準，計算周期變短的影響，以新的策略進行交易。