微軟高管去量化領域也有先例。前微軟COOKevinTurner曾經做過CitadelSecurities的CEO，但是並沒有太大的建樹。最後格裏芬任命了趙鵬，趙鵬提拔了CitSec。
所以程序員在不知道套路的情況下，直接跨界投資是極其困難的。不是因為程序員不熟練，主要是不了解投研體系。壹個好的程序員只有經過訓練才能成為壹個好的QR。比如詹姆斯·西蒙斯是個什麽樣的人？他很早就想成為壹名股票交易員。壹群科學家壹直在努力，但毫無進展，幾年來毫無進展。當時PDT和德肖的股票比RenTech好太多了。最後，RenTech把PDT前員工統計套利的策略框架做的很好，然後另壹個既懂結構又懂股票的程序員調整了策略的細節，才得到這麽棒的勛章。
以統計套利為例，談談微軟的這個QLib平臺為什麽註定失敗。統計套利策略的核心是信號。如何從各種數據源中挖掘出有意義的信號，如何檢驗信號的有效性，這些都是統計學的範疇。a股簡單的量價信號目前還是很好的。只要是懂套路的機構，近兩年超過30分是沒有問題的。但是，美股做統計套利就沒那麽容易了。大部分簡單的量價信號都沒用，大勛章returnonGMV也做不到10分。壹個成熟的市場，不了解市場是很難挖掘出壹些信號的。
在模型中，有機器學習的程序員在參數整定上確實有壹些優勢，但如何處理標簽，如何工程化特征，可能是普通人所沒有的。
其他方面，如何控制風格，如何用算法下單，都需要實踐經驗。不了解市場，靠機器學習中壹些花哨的算法造壹臺印刷機太難了。現在很多私募都說深度學習這麽有用，會有點用，但絕對沒那麽神奇。其實大家都在做同樣的事情，不要太深入。如果深度學習真的那麽有用，誰會到處說？量化這種真正有用的東西，最終會被同行知道，但很少有人會當眾說大話。
綜上所述，量化策略涉及統計學、數據挖掘、交易、市場理解、機器學習等多個方面。靠壹套機器學習算法庫和壹個優化器，攪動市場不是那麽容易的。