在之前的笔记中对策略作了一个简单的分类，经过时间的沉淀，对模型的分类有了新的认识，按照机器学习的概念来说，应该分为判别式模型和生成式模型，只有把这个概念区分清楚了，才会了解到自己当下的研究处于哪一范畴，还有哪些可以提升。
一、判别式模型
p(y/x)=f(x)，线性回归、决策树、SVM、神经网络等均是判别式模型，按照公式可以理解为直接由特征对结果进行计算。
判别式模型多用于估值，比如当前横截面下的估值，又或者当前无风险利率条件下的估值等等。当然有时候估值策略并不是直接估计股票的价格，有可能是根据价格简化或者衍生出来的一个指标，比如PEG，这些指标和股价的关系是单调的，指标的大小可以直接反应股票的好坏。
估值模型的特点在于：简则粗，细则繁，如果用简单的模型正确率高，但对细节的估计往往不够，想把细节估计准确则模型可能很复杂，从而过拟合。
估值的最终目的是回归，即认为股票价格会回归到估值的水平从而进行买卖。虽然同为估值，但很多估值策略是在不同维度上进行比较的，不能简单比较两个策略的好坏。
二、生成式模型
p(y/x)=p(x,y)/p(x)，所谓生成，便是通过联合概率分布来生成条件概率。生成式模型多用于直接的涨跌预测，最直观的便是技术指标，技术指标往往是所谓的统计学家根据观测得到条件概率，比如某某条件下股票上涨的概率是多少（金叉买入）。
生成式模型使用简单，但其中最重要的部分往往容易被忽略，即模型本身所假设的背景，比如MACD金叉所假设的是当下处于趋势行情这一基本假设，假设背景如果不正确，模型便会失效。
生成式模型一般都是用别人的模型，自己很难构建，因为其研究对数据量的要求非常大。
当然也不意味着判别式只能用于估值，判别式也可以用于涨跌预测，但是如果基于判别式的预测往往误差较大，较为复杂；生成式模型也可用于估值，但指标太多可能维度太高，数据量不够。总之，两种模型在不同地方的使用因地制宜。
