研究人员的模型还可以预测未来的市场走势，这是一项艰巨的任务，因为市场信息量巨大且波动很大。
“我们试图做的是利用机器学习技术的力量，不仅可以评估我们当前的方法和模型的运行状况，还可以帮助我们以一种没有机器学习就无法做到的方式扩展它们。” O'Hara，SC约翰逊商学院的Robert W. Purcell管理教授。
O'Hara是7月7日发表在《金融研究评论》上的“机器时代的微观结构”的合著者。
O'Hara说：“尝试使用标准技术来估计这类事情变得非常棘手，因为数据库是如此之大。机器学习的美妙之处在于，它是分析数据的另一种方式。”“我们在本文中展示的关键是，在某些情况下，附于一个合约上的这些微观结构功能是如此强大，它们可以预测其他合约的走势。因此，我们可以了解市场如何影响其他市场的模式，使用标准工具很难做到这一点。”
市场产生大量数据，挖掘数十亿美元的数据将危及未来市场行为的模式。华尔街和其他地方的公司采用各种算法，检查不同的变量和因素，以找到这种模式并预测未来。
在这项研究中，研究人员使用了所谓的随机森林机器学习算法来更好地理解其中一些模型的有效性。他们使用87个期货合约的数据集评估了这些工具，这些合约是指以预定价格买卖未来资产的协议。
奥哈拉说：“我们的样本基本上是五年内世界上所有活跃的期货合约，在分析中，我们使用每笔交易(数以千万计)。”“我们所做的是使用机器学习来尝试了解为不太复杂的市场设置开发的微结构工具如何有效地预测合同内以及整个合同内的未来价格过程。我们发现某些变量非常非常有效好吧，其中有些还不算太好。”
机器学习在金融领域早已被使用，但通常被称为所谓的“黑匣子”(black box)，其中人工智能算法使用大量数据来预测未来的模式，但没有揭示其如何做出决定。奥哈拉说，这种方法短期内可能有效，但对导致市场格局真正起因的了解却很少。
