算了，看到哪写到哪吧
其中第一个，关于差分的操作，一阶的差分不够用，要尽量使用分数阶的差分操作
Integer differentiation
这个是说，人们为了得到stationary的time series，会做一阶差分，发现不行，就二阶差分，总之就是整数阶差分。
比如金融里面的log return，就是log price做一阶差分，几十年来学术界都是这么干的。但作者说：
这么做是错误的！
为什么呢？
其实嘛，如果是价格序列本身，它显然不是平稳的，平稳就是说均值、方差是固定不变的，当然最严格的平稳要求概率分布一致，就先不说那些，只说一些朴素的概念。价格序列虽然不是平稳的，但它是有记忆的，就是说各个样本独立性很差，高度相关的，所以如果是预测价格本身R平方可以非常非常高。
为了得到平稳时间序列一般用一阶差分，这样得到的是价格的增量，一般认为是平稳的，但同时它也是比较独立的，也就是说没有记忆的，这么样做预测的话R平方非常非常低。一般来说人们用机器学习做金融都是预测对数收益率之类的东西。
但作者说一阶差分太极端，要用分数阶差分，或者说分形导数之类的东西。有兴趣可以参考
参考文献：
如何看待《The 7 Reasons Most Machine Learning Funds Fail》 ？ https://zhuanlan.zhihu.com/p/29208399
额外收获：
panacea 万能药，灵丹妙药
