更多更廣泛的數據
基本上可以認為，量化交易水平越高，背後需要處理的數據就越多。頂層量化策略的背後往往是海量的數據。
目前，壹些公司不僅使用傳統的財務數據，還使用港口集裝箱的衛星圖像和其他圖片信息，或從新聞報道、博客和名人演講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可以進行分析。大數據、非結構化數據、訓練模型都需要人工智能技術介入。FRM對沖基金駐倫敦負責人帕特裏克對此有壹個很好的解釋: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。在這個巨大的信息海洋中分析和識別模式的唯壹方法是使用機器學習工具和技術。這是制定更好的投資策略的途徑。"
自我進化和叠代的交易策略
在數據處理上，人工智能技術拓寬了數據來源，使更多的數據可以納入分析。在算法方面，人工智能技術也使金融工具能夠自動進化和叠代交易策略。AI量化交易的開創者Rebellion的首席投資官亞歷山大(Alexander)在介紹自己的產品時說:
“我們給了系統20年的全球經濟和市場數據，並讓它學習現代金融的歷史，讓它發現不同的因素如何影響各種資產類別、行業和地區的價格。它不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。該系統將自動識別概念，並將概念與特定市場條件下的性能表現聯系起來。”
相比之下，傳統的量化投資方法往往嚴格套用預設的策略，其基本假設是當前的相關性會無限持續下去。但這往往會帶來很大的問題，因為市場變化很快。因此，人工智能系統的優勢在於，它可以隨著舊關系的衰落和新關系的出現，不斷進化自己的投資策略。
以叛逆為例。分析金融和貿易數據後發現，在過去的18個月中，商品和外匯市場的周期變短了。因此，它會自動重新校準，計算更短周期的影響，並用新策略進行交易。