Slim erfaringsbasert investering krever at man baserer seg på klare teorier og prinsipper. Når en investeringsstrategi mangler teoretisk grunnlag, er sjansene for feil høyere. I denne sammenhengen er det essensielt for kapitalforvaltere å bruke sine ressurser på å utvikle solide teorier, snarere enn å fokusere ensidig på tilbake-testing av potensielle handelsregler. I "Machine Learning for Asset Managers" introduserer Marcos M. Lopez de Prado verktøy innen maskinlæring (ML) som kan bistå kapitalforvaltere i oppdagelsen av økonomiske og finansielle teorier. Maskinlæring er ikke en svart boks, og det medfører ikke nødvendigvis risiko for overtilpasning. De presenterte verktøyene er ment å komplimentere de tradisjonelle statistiske metodene, snarere enn å erstatte dem. Blant styrkene ved maskinlæring finner vi (1) vektlegging av predictabilitet utover variansvurdering; (2) bruk av beregningsmetoder for å unngå avhengighet av (potensielt urealistiske) antagelser; (3) evnen til å lære komplekse spesifikasjoner, inkludert ikke-lineære, hierarkiske og ikke-kontinuerlige interaksjonseffekter i et høy-dimensjonalt rom; samt (4) muligheten for å skille variabelsøk fra andre aspekter.
