一阶差分删除了所有的长期记忆，而分数差分保留了其中的一部分。因此，如果长期记忆对您的预期应用程序很重要，那么分数差分就是要走的路。《金融机器学习进展》一书的第 5 章详细讨论了这一点。

例如，假设您想使用机器学习算法预测长期（财务？）趋势，并将其作为训练数据的第一个差异，算法学习趋势将非常困难，因为它不存在于它所呈现的数据；该算法更有可能学会仅提前一步进行预测，从而“失败”。

上面的书表明，这种“过度差异”是（金融）时间序列上的机器学习经常出现问题的原因之一。该书还初步表明，这可能是有效市场假说在金融学术界如此盛行的原因，因为从逻辑上去除数据中的“历史记忆”会得出结论，即无法从过去的价格预测未来价格. 任何与此信念相矛盾的证据都称为异常，例如动量。然而，略有差异的财务数据表明，趋势和势头确实持续存在，但同时是静止的。