聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

文 | 孫海寧

編輯：黃俊杰

1994 年，量化公司當時是金融界最神秘也是最炙手可熱的公司。他們聘請數(shù)學家和物理學家，大規(guī)模采購高性能計算機，投身于交易領域。這個行業(yè)的標桿企業(yè)是 D.E. Shaw，其單日交易量足以讓紐交所成交量突破 2%。

這一年，D.E. Shaw 在金融領域完成了兩項重要貢獻。一名副總裁帶領團隊開發(fā)并推出了 Juno，這款當時罕見的免費電子郵件產(chǎn)品，最終成功上市；另一名副總裁離職后，帶著團隊的創(chuàng)新理念遷移到西雅圖，推出了全球首個電子商務巨頭，其市值一度超過 20000 億美元。

30 年后，另一家量化公司——幻方（中國頭部量化公司）的“副業(yè)”對整個科技行業(yè)產(chǎn)生了深遠影響：該公司管理數(shù)百億元的資金，推出了大語言模型 DeepSeek R1，憑借無需任何營銷費用的全球震撼表現(xiàn)，吸引了大量用戶，其增長速度甚至超過了早年的抖音。

貝索斯創(chuàng)辦亞馬遜，或者梁文峰創(chuàng)立 DeepSeek 的根本原因，自然不是因為他們做過量化投資，而是因為他們都具有創(chuàng)業(yè)者的精神。然而，量化投資這一極其重視人才密度且高度保密的行業(yè)文化，確實為其大模型研發(fā)提供了理想的環(huán)境。

單純地吸引一群聰明人并不一定能帶來創(chuàng)新，一個相對簡單的環(huán)境可能更關鍵。量化投資領域的實踐證明了這一點，而 DeepSeek 則再次證明了這一觀點同樣適用于大模型研發(fā)。

從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律

一名從業(yè)數(shù)十年、曾調(diào)研數(shù)千只基金的投資人士表示，許多“主觀”的投資其實質(zhì)就是依靠信息的收集和嗅探?；鸾?jīng)理們會仔細研究公開的財務數(shù)據(jù)，但他們同樣熱衷于舉辦業(yè)內(nèi)人士研討會、支付高額 consulting 費用，甚至雇傭數(shù)百人在咖啡廳外排隊拍攝獨家信息，以便更快地捕捉市場動態(tài)。

因此，人脈同樣不可或缺。盡管橋水基金的創(chuàng)始人瑞·達利歐將利率和匯率變動的原理寫入書籍，反復強調(diào)其投資的成功，但《紐約時報》曾指出，真正讓達利歐獲得巨大財富的秘訣在于，他能夠討好政策制定者，利用他們的“透題”能力獲利，并在書中對此進行了論證。

量化公司完全摒棄這些捷徑。他們堅信任何事情都早有先手，自身無力超越對手做出判斷，因此所有投資決策均建立在基礎事實之上：人類行為具有規(guī)律性，價格運動中蘊含可被捕捉的模式，而計算機恰恰具備這種捕捉能力。

足夠多的人依靠邏輯進行交易，其結(jié)果往往呈現(xiàn)出某種規(guī)律。

可口可樂和百事可樂均從事汽水業(yè)務，受相同市場環(huán)境影響。如果兩家公司的股價差距無端擴大或縮小，至少有一家存在定價錯誤，價格差異最終必將在二者之間找到平衡。四十年前，先察覺這一機會的投資者通過程序監(jiān)控相關股票價格差異的變化，便可管理一只規(guī)模達3000萬美元的基金。

足夠多的人依靠情緒進行交易，其結(jié)果同樣呈現(xiàn)規(guī)律。

可口可樂的投資者中總有過于自信者，他們更傾向于隨自己喜好的消息買入，對不喜歡的消息視若無睹。由此，新消息往往會推高可口可樂股價，學界發(fā)現(xiàn)過去收益較好的公司未來成功率較高，這一現(xiàn)象被稱為“動量效應”。

量化研究員賈乾指出，股票收益波動中最多僅有5%的部分可被解釋。他的工作是找到能刻畫規(guī)律、解釋波動的“因子”，并基于這些因子構(gòu)建投資策略?？煽诳蓸肺磥碜邉菖c百事可樂過去股價、可口可樂過去漲幅等因素相關，而股價、漲幅數(shù)據(jù)即可作為“因子”輸入量化模型。

這些因子可以是簡單易懂的信息，也可以更加復雜。

特朗普常會發(fā)布各種令人震驚的想法在Twitter上，他上任初期，J.P. Morgan的研究員通過程序分析特朗普數(shù)以千計的推文語義，構(gòu)建了一個名為“Volfefe”的指數(shù)，并驗證其能夠解釋美國國債利率變動。量化模型通過買賣國債賺取利潤時，可以將“Volfefe”指數(shù)作為因子使用。

量化公司文藝復興創(chuàng)始人西蒙斯研究過月球周期對市場的影響。其中一個研究路徑是：月球運動影響潮汐，潮汐影響航運，航運影響油價。但最終卻無功而返。這是因為傳導鏈條過長、中間變量過多，因子對價格的影響就難以識別。

機器學習方法在量化投資領域普及后，許多影響股價的因子已經(jīng)完全無法用邏輯解釋。研究人員確定評價因子的標準，輸入開盤價、收盤價、成交量等“原始因子”，程序便能自動組合、迭代出更能預測股價的新因子。投資機構(gòu)WorldQuant曾分享過一個被實際應用于交易的“較為簡單”的因子：

((rank(correlation(sum(((open * 0.178404) + (close * (1 - 0.178404))), 12.7054), sum(adv120, 12.7054), 16.6208)) < rank(delta(((((high + low / 2) * 0.178404) + (vwap * (1 - 0.178404))), 3.69741))) * -1)

除了能增加因子對價格的解釋能力外，公式中的 0.178404 等數(shù)字并沒有明確的現(xiàn)實意義。量化研究員對此并不介意。如果信號非常明顯，早就會被用于交易。有些信號你不懂，但它們就在那里，可能強度還蠻大。文藝復興的彼得 · 布朗說。

量化分析師軒浩告訴我們，因子的設計需要兼顧現(xiàn)實意義和突發(fā)性，普通人能想出十個就非常了不起。人想出的因子能持續(xù)數(shù)月甚至半年還能為基金帶來收益。而機器挖掘出來的因子很快就會失效，但每天都能產(chǎn)生成千上萬條。

如果信息過多了，搶著做同一種交易，就會導致失效。這讓量化行業(yè)在保密方面近乎偏執(zhí)。頭部量化公司要求前員工 18-24 個月內(nèi)不能自己交易，也不能去其他公司任職。軒浩說，這有點像 gardening leave，回家種花。

D.E. Shaw 的創(chuàng)始人大衛(wèi) · 肖表示，他們的安保水平堪比中央情報局。當記者問他們是否使用神經(jīng)網(wǎng)絡算法時，這位擁有數(shù)十億美元財富的創(chuàng)始人回答說："我可以告訴你，但必須殺了你。"

單次買賣可能賺也可能賠，但量化公司只關注長期交易中擊敗市場的概率。2000 年初，文藝復興的大獎章基金每天交易 15-30 萬次，員工表示公司只在 50.75% 的情況下是對的，但這已經(jīng)足夠成就公司大獎章基金一年管理 38 億美元、賺 21 億美元的成績。

招募聰明的人，在簡單環(huán)境中解決復雜問題

每年美國國家數(shù)學博物館都會舉辦一次 "數(shù)學大師" 賽事：聚起一群聰明人，比誰能在限時內(nèi)解出最多這樣的數(shù)學題：找到最小正整數(shù) m，使得 m2+7m+89 能被 77 整除。

2014 年的比賽中，參與者中有陶哲軒，當時他 24 歲成為加州大學洛杉磯分校數(shù)學系終身教授，31 歲獲得菲爾茲獎。不過他只是第二名，第一名是約翰 · 奧弗德克，Two Sigma 的聯(lián)合創(chuàng)始人。

奧弗德克可能也不是 Two Sigma 最聰明的人。2015 年時，Two Sigma 已經(jīng)招募了 130 名博士和 6 名國際數(shù)學奧林匹克競賽獲獎者。奧弗德克前東家 D.E. Shaw 直接表示，他們招聘時沒有任何歉意的精英主義，前美國財政部長、哈佛大學校長勞倫斯 · 薩默斯在 2006 年想去 D.E. Shaw 工作，同樣要做智力測驗。

量化投資公司更傾向于招募數(shù)學、計算機科學、統(tǒng)計學等專業(yè)的候選人，而金融學和商科類專業(yè)的背景并非必要優(yōu)勢。

在浙江大學攻讀通信工程專業(yè)的梁文峰，在創(chuàng)立幻方之前，他的職業(yè)生涯曾側(cè)重于參加包括NOI（全國青少年信息學奧林匹克競賽）、IOI（國際信息學奧林匹克競賽）等國際學科競賽，并在取得優(yōu)異成績，尤其是金牌之后的年輕人。如果沒有競賽背景，建議本科階段考入北大、浙大、清華等頂尖學府，并主修計算機科學或電子信息工程專業(yè)。

科學家在該領域的優(yōu)勢不在于計算能力或數(shù)學天賦，而在于他們所具有的科學思維。西蒙斯指出，這些科學家更傾向于避免被偶然事件所左右。

2022年2月，一名曾分析過股票的首席分析師撰寫了一份“定量分析”報告，預測寧德時代未來股價可能下跌超20%。盡管該分析師事后證明他的結(jié)論是正確的，但他采用了一種以偶然性為依據(jù)的推導方式：在一年前，貴州茅臺在類似的市場環(huán)境中出現(xiàn)過相似的股價走勢，因此他推測茅臺的 past 下跌幅度可以作為指引來預判寧德時代的表現(xiàn)。

量化研究則采用了不同的研究范式。在Two Sigma公司面試應征者時，一個例題是如何利用數(shù)學方法驗證“CEO離任會導致公司股價下跌”這一假設。面試者與考官將圍繞這一問題展開討論，涵蓋以下幾點：如何確定收集的數(shù)據(jù)樣本足夠多、足夠全面？如何定義“下跌”——是用一天的跌幅，還是一周、一個月的跌幅？如何設計對照組和測試組以確保兩者盡可能相似？如何區(qū)分CEO離任是由于能力不足還是正常退休？如何區(qū)分股價下跌是由于CEO離任，還是被整體市場向下拖累？采用哪種統(tǒng)計值作為推斷依據(jù)？當該統(tǒng)計值超過多少時，應以多大的置信度拒絕原假設？

盡管量化公司與傳統(tǒng)金融行業(yè)在選址上保持距離，Two Sigma、D.E. Shaw等公司選擇不在華爾街設立辦公室，而將總部設在杭州，其與同行們的北京辦公室則聚集在清華大學科技園，而不是國貿(mào)、金融街等傳統(tǒng)金融區(qū)。這種選址策略本身是一種宣言：不依賴人情世故，不依賴信息交易，潛心研究也能創(chuàng)造財富。

去過D.E. Shaw辦公場所的投資人表示，那里的環(huán)境非常安靜，類似于大學圖書館的研究室。文藝復興公司內(nèi)部有一個可容納100人的禮堂，定期舉辦科學講座，涵蓋如結(jié)直腸癌最新研究等話題?！爱斅牭接腥苏務撚腥さ慕y(tǒng)計應用時，有助于激發(fā)思考?！币幻麊T工如此說道。

為了激勵聰明的人不斷進行創(chuàng)新，最好的方法是減少不必要的管控和干預。

詹 Voros 于一家全球頂級量化投資機構(gòu)任職，該機構(gòu)內(nèi)部設有多個互不相通、獨立運作的投資小組，類似于若干個小型投資機構(gòu)：只要各組能夠有效控制風險，投資方法論不必一致，扣除公司提供的分成收益及數(shù)據(jù)接口等費用后，剩下的利潤全部歸該組所有?！坝幸粋€組發(fā)現(xiàn)了某類另類資產(chǎn)，制定了獨特的投資策略，賺取了數(shù)十億元的資金。所有員工都實現(xiàn)了財富自由?！?/p>

通過減少不必要的干預和管控，可以更好地激發(fā)創(chuàng)新活力。

另一類量化投資公司更傾向于集體決策，讓團隊共同開發(fā)一個交易系統(tǒng)，同時保留一定的自主權(quán)。在文藝復興科技公司，員工可以自由出入同事辦公室，隨時與同事討論或協(xié)作。研究團隊需要將成果進行展示，如果沒有取得顯著進展，團隊成員可能會感到壓力。公司的評判標準非常明確：如果交易賬戶在一天結(jié)束時相比開始時有收益，則被視為成功。

這種管理方式與互聯(lián)網(wǎng)公司有著顯著的不同。大公司通常將中層管理者的晉升機會與手下員工的人數(shù)掛鉤，不允許他們參與其他團隊的工作，也不允許他們在管理層會議中爭奪更多的業(yè)務領域。所有員工都需要在每周、每月、每年的KPI或OKR中提前制定自己的目標和計劃。在這種環(huán)境下，很難區(qū)分個人貢獻與公司整體表現(xiàn)，因此管理者必須依靠各種管理手段來激勵員工。

文藝復興科技的管理模式與幻方量化公司相似，并被DeepSeek量化交易團隊繼承。他們的辦公區(qū)在會議室的兩側(cè)都設置了可以隨時推開的門，營造出一種"留有余地"的氛圍。"我們一般不前置分工。"梁文峰這樣表示，員工不需要設定明確的目標KPI，"遇到問題，自己就會拉人討論。"當一個想法顯示出潛力時，公司會根據(jù)需要調(diào)配資源。

一種方式，用到極致

將數(shù)十億美元交給機器進行交易決策，完全信任這些算法，即使對行業(yè)先驅(qū)也是如此。在嘗試使用機器學習算法時，西蒙斯并不放心，因為他無法理解模型為何總是建議買入而不是賣出，"這是一個黑箱！"

緩解這種焦慮的方法不是重新引入人工干預，而是通過窮盡數(shù)據(jù)和算力，充分挖掘算法的潛力。文藝復興科技的數(shù)據(jù)庫自18世紀以來就開始積累，如今"每天增長40TB（1TB=1000GB）"。他們擁有"52000個計算核心和150GB每秒的全球傳輸速度"。Two Sigma則擁有"超過7200個服務器"和"來自10000多個數(shù)據(jù)源的300PB數(shù)據(jù)（1PB=1000TB）"。

在調(diào)用資源、設計量化策略時，團隊需要對每一個細節(jié)都充滿熱情。例如，一個模型預測股價會上漲20%，那么我們應該以什么概率相信它？如果模型建議買入并開倉1000股，那么應該在10秒、20秒還是1分鐘內(nèi)完成交易？在賣出的時候，是等到股價漲到20%、市場交易量減少的時候，還是趁有人愿意以較低價格買入，漲到15%就提前止盈？

不是每一分投資都會有相應的回報，結(jié)果出現(xiàn)之前，量化研究員甚至無法確定自己的努力方向是否正確。伊黎曾嘗試從文本信息中提取因子。她首先人工瀏覽了1000條樣本數(shù)據(jù)并打上了標簽，然后用這些數(shù)據(jù)訓練了一個自動打標的語義分析模型。接著，她又用這個模型驗證打標的準確性。經(jīng)過分析，她篩選出了幾十個因子，測試后發(fā)現(xiàn)有五個因子可以應用。

大模型的發(fā)展與上述量化策略類似。GPT模型的理論架構(gòu)最早來自于谷歌，而OpenAI成為受益者，正是因為他們敢于在前景尚不確定時租用算力資源、購買數(shù)據(jù)集，反復訓練更大的模型。雖然1.17億參數(shù)的模型表現(xiàn)平平，15億參數(shù)的模型依然不夠理想，但到了1750億參數(shù)的階段，模型才真正開始展現(xiàn)出智能。

黃仁勛曾問OpenAI聯(lián)合創(chuàng)始人蘇茨克沃："在研發(fā)GPT模型時，你一直相信擴大規(guī)模能提高性能嗎？"蘇茨克沃回答："這是一個直覺。我有一個很強烈的信念，更大意味著更好。"

量化從業(yè)者梁文峰在畢業(yè)后沒有選擇當時較好的就業(yè)機會，反而花了幾年時間獨自研究用算法投資股票，結(jié)果現(xiàn)在再想換工作都很難。

到了2021年，大語言模型的興起更多體現(xiàn)在學術領域，ChatGPT的出現(xiàn)讓量化投資公司開始大量采用機器學習技術。然而，僅有的幾家使用AI的量化公司中，幻方花為了測試技術實力，斥巨資購買了上億元用于購買一萬張英偉達顯卡，用于運行各種大型AI模型。

成功人士往往能找到一套正確的方法論，并將其貫徹到極致。前者更多依賴運氣因素，后者則需要依靠堅持原則的信念，這正是AI無法替代的人類決策特點。

文中提到的賈乾、軒浩、伊黎均為化名。

圖片標題來源：《模仿游戲》