回答:
典型的な機械学習方法は、データが独立しており、まったく同じように分散していることを前提としています。これは時系列データには当てはまりません。したがって、精度の点で、時系列手法に比べて不利です。この例については、前の質問「機械学習の時系列の順序付け」と「ランダムフォレストの過適合」を参照してください。
フランシス・ディーボルドは最近彼のブログに「MLとメトリクスVI：MLとTS計量経済学の主要な違い」を投稿しました。私はそれの短縮版を提供しているので、すべての功績は彼にあります。（太字の強調は私のものです。）
[S]統計的機械学習（ML）と時系列計量経済学（TS）には多くの共通点があります。ただし、興味深い違いもあります。条件付き平均非線形性の柔軟なノンパラメトリックモデリングに重点を置いたMLは、TSでは大きな役割を果たしません。<...>
[T]ほとんどの経済時系列の共分散定常（トレンド除去、非季節化）ダイナミクスにおける重要な条件付き平均非線形性の証拠はほとんどありません。<...>確かに、（少なくとも一部の）経済時系列で繰り返し重要であることが明らかになった条件付き平均非線形性の1種類のみを考えることができます。それは、ハミルトンスタイルのマルコフスイッチングダイナミクスです。
[もちろん、部屋には非線形の象があります：EngleスタイルのGARCHタイプのダイナミクス。それらは、金融計量経済学において非常に重要であり、時にはマクロ計量経済学においても重要ですが、それらは条件付き分散ではなく、条件付き平均についてです。]
したがって、TSには基本的に2つの重要な非線形モデルのみがあり、そのうちの1つだけが条件付き平均ダイナミクスに対応しています。そして決定的に重要なのは、どちらも非常に厳密なパラメトリックであり、経済および財務データの特殊な機能に厳密に合わせられていることです。
したがって、結論は次のとおりです。
MLは、非常に柔軟なノンパラメトリックな方法で非線形の条件付き平均関数を近似することを強調しています。それはTSでは二重に不要であることがわかります：心配する必要がある条件付き平均の非線形性はそれほど多くありません。 。
@Tom Minkaが指摘したように、ほとんどのMLテクニックはiid入力を想定しています。ただし、いくつかの解決策があります。
システム「メモリ」内の過去のすべての時系列サンプルを1つの特徴ベクトルとして使用できます。つまり、x = [x（t-1）、x（t-2）、... x（tM）]です。ただし、これには2つの問題があります。1）ビニングによっては、巨大な特徴ベクトルがある場合があります。2-いくつかの方法では、特徴ベクトル内の特徴が独立している必要がありますが、ここではそうではありません。
そのような時系列データ用に特別に設計された多くのML技術が存在します。たとえば、非表示マルコフモデルは、発作検出、音声処理などに非常にうまく使用されています...
最後に、私が取ったアプローチは、「特徴抽出」手法を使用して、（時間の要素を持つ）動的回帰問題を静的問題に変換することです。たとえば、プリンシパルダイナミクスモード（PDM）アプローチは、入力された過去の特徴ベクトル（[x（t-1）、x（t-2）、... x（tM）]）を静的なベクトル（[v（ 1）、v（2）、.. v（L）]）システム固有の線形フィルターバンク（PDM）で過去を畳み込むことにより、Marmarelis、2004年の本またはMarmarelis、Vasilis Zを参照してください。「非線形生理学的システムのモデリング方法論」生物医学工学年報25.2（1997）：239-251 ...