大数据的有效性|–【数据噪音】信噪比 提取有效数据
|– 【快】处理数据
实践：|–业务 【需求】
|– 数据处理【方法】
|–处理的结果【可用】
**大数据的前提要有数据量的基础
FDT 金融创新工厂：风险管理，寻求剥离风险后的收益
系统实现：
A.数据处理【从和角度处理，切取】
|
|—-特征提取
|
|—-模型训练
|
|—-评价系统【标准】 //理论与现实的区别：数据域/边界，数据集
//实际是没有评价标准的，只能是某个场景，定义的最终结果达到的程度。
思维：排序
金融交易员的行为特征度量：交易发生实际 <=> 市场【外部时机】 关系。
学习理论与行为的一致性考验：
FDT 针对特定的时间窗口和波动【双向】
而非宏观的无序，无规则性
理性的交易员追求:持续的，有保证的，细微的盈利；
金融市场需要有流动性<==交易量 ，根据资金量/交易量可以判定某只股票或市场的盈利或活跃度。
最合适的股票–》最合适的交易员！ 某一类可把握的股票，某种决策，行为一致性，持续稳定的盈利
FDT特点：训练交易员，学习市场，AI辅助决策模型
问题：少量数据，无有效数据的冷启动，大数据应用。
按照特定需求，做 有效的数据处理，根据经验或一定分析选择数据模型，然后上线系统，不断迭代验证。