哲学投资的索罗斯，价值投资的巴菲特，量化投资的西蒙斯，也许在人类财富的历史上都将成为绝唱。

  西蒙斯做了大量有意义的慈善，资助一些非主流的研究，补贴数学老师，鼓励人们探索最前沿的科学......

  对于这样一个数学大师，一个靠捕捉微弱的概率优势来获取巨额财富的赚钱高手，西蒙斯总是在计算，并且一直在获胜，从小时候和别人玩儿牌总能赢，到后来实现百亿美元财富。

  西蒙斯的文艺复兴基金在相当长的时间里，实现了极高的回报，就没有回撤，也几乎逃离了所有的黑天鹅事件。

  从统计学的角度，这属于概率极小的异常值，以至于会让最不迷信的人也禁不住发出感概：难道这就是那种被上帝早已暗中标注的代价？

  西蒙斯曾经对朋友说：“我的一生不是拿到A就是拿到2（A是最大的牌，2是最小的牌），我真的不明白为何如此？”

  这是一个开放的话题，从任何一个人都感兴趣的财富密码出发，我们将进入一个当下最炙热的焦点：

  去除了传统叙事（从哲学到科学，从投资到人工智能），概率洞察造就了算法上帝。

  西蒙斯几乎完全放弃了华尔街的逻辑，也绝不像价值投资者那样去深入挖掘企业的未来现金流折现。

  他只是在一个看似随机的世界里，在有效市场假设打盹儿的那些瞬间，发现隐蔽的套利机会，构建模型（哪怕是局部和有限时间内有效），然后加以杠杆。而所有的下注本身，又构成了一个有概率优势的系统。

  某种意义上，神经网络的AI，也是放弃了专家模式AI的知识库和推理规则，自动从原始数据中学习和提取有用的特征，无需人工明确编程。

  Jim Simons在1958年从麻省理工学院获得数学学士学位，1961年在加州大学伯克利分校获得博士学位。

  在学术界，他因其在数学领域的杰出贡献而享有声誉，包括与Shiing-Shen Chern一起发展的Chern-Simons理论。

  1978年，Simons离开了学术界，转向金融行业。他成立了文艺复兴科技公司(Renaissance Technologies)，开始应用数学模型来分析和预测金融市场。

  在1980年代，Simons尝试多种交易策略，最初的尝试并不成功。他尝试了包括隐藏马尔可夫模型在内的多种预测模型，但这些模型初期并未带来预期的收益。

  到了1988年，Simons改进了他的模型，转向完全量化的策略，这一策略最终被证明是非常成功的。文艺复兴科技的Medallion Fund开始产生异常高的回报，平均年回报达到了30%以上，远远超出了市场平均水平。

  1990年代，Simons继续优化他的交易系统，引入更先进的数学和统计方法，聘请了物理学家、数学家和计算机科学家来开发复杂的算法和模型。

  文艺复兴科技采用高频交易技术，利用市场微小的价格变革来实现利润，这种策略进一步提升了其资金的回报率。

  2000年代，文艺复兴科技继续扩大其交易范围，包括股票、债券、外汇等多个金融市场。尽管面临2008年全球金融危机的挑战，文艺复兴科技依然能够保持良好的盈利记录。

  在这一时期，文艺复兴科技的资产管理规模迅速增长，其管理的资金达到了数百亿美元。

  2010年，Simons宣布退休，但他继续作为文艺复兴科技的非执行主席活跃在金融领域。

  退休后，Simons更多地将注意力转向了慈善事业，特别是对数学和基础科学的支持，通过Simons Foundation进行大量捐赠。

  Jim Simons的金融生涯体现了他从一个纯粹的数学家转变为金融领域的革新者，他的成功展示了高级数学和计算机模型在投资策略中的巨大潜力。

  他的故事也展示了科技与金融结合的前景，对全球投资策略和量化交易的发展产生了深远的影响。

  在西蒙斯的经历中，我们会发现，即使天才如他，也花了整整十年，才触及文艺复兴基金的“圣杯”。

  例如，如果某资产的开盘价格与前一日的收盘价格相比，出现异常的高或低，文艺复兴会采取相反操作，利用市场的非理性反应获取利润。

  文艺复兴科技利用其高级算法模型来识别不同金融工具之间的价格差异，进行套利交易。

  这包括但不限于跨市场、跨品种的套利机会，如不同期限的债券之间的价格差异，通过买入被低估的资产和卖出被高估的资产来赚取差价。

  这种策略尤其关注流动性环境变化对不同规模公司表现的影响，以及这些趋势的周期性变化。

  文艺复兴技术以其定量投资方法而闻名，该方法在很大程度上依赖于数学模型和算法来分析和预测市场走势。

  该公司使用先进的统计技术、机器学习和数据分析来识别金融市场的模式和信号。

  文艺复兴技术一般会用市场中立战略，旨在无论市场的总体方向如何，都能产生回报。

  Renaissance Technologies以其高频交易策略而闻名，该策略涉及高速执行大量交易，以利用市场中的微小价格差异。

  与典型的对冲基金不同，文艺复兴科技聘请的是科学家、数学家和程序员，他们将金融数据视为科学分析的数据集。

  该公司的成功部分归功于其密切防范其交易算法和方法的能力，使其在市场上具有竞争优势。

  该公司的数学家、科学家和研究人员团队致力于完善其战略，并在加快速度进行发展的市场环境中保持领先地位。

  总体而言，文艺复兴的投资策略的特点是深深依赖定量分析、复杂的数学模型，并专注于利用金融市场的低效率。

  况且文艺复兴基金历史上也有重要员工离开，为什么没有带走西蒙斯的投资圣杯呢？

  （原主题讨论链接是“”，本节文字大多属于其中的参与讨论者，里面有一些我的思考。）

  “文艺复兴的秘密是它没有雇用MBA，他将投资者回报率低归咎于商学院毕业生的从众心态。

  从总经理到清洁人员，每一个人都会获得特殊的比例的利润。这是对他期望他们长期贡献的补偿。

  西蒙斯说，在一些项目需要数年才能完成的环境中，根据一年的表现向某人支付报酬的想法毫无意义。

  “我们有一些一级数学家和很多二级数学家。其他量化基金大多是三级数学家，更糟糕的是，他们甚至不知道这些层次的存在！”

  “必须有人在市场上创造相关性。”--而一级数学家能够在市场上获得马太效应式的优势。

  文艺复兴使用的技术和其他量化投资者使用的技术相同，它只是做得更好，维持的时间更长。这是文化和运气的结合。

  进行文艺复兴操作所需的计算机技能很广泛，但并不罕见。也就是说，你需要雇佣很多优秀的人才，但你不需要非凡的天才。

  文艺复兴确实使用了很多数学，它最著名的研究人员是顶尖的数学家，但我认为很多最高级别的东西并没有进入他们的实际交易中。我认为一个好的本科数学学位就足够了。

  你需要吸引顶尖人才，让他们非常努力地工作，让他们专注于公司的利益，让他们接受保密并阻止他们为自己的基金分流。

  你还需要在何时启动模型、如何快速扩展以及何时拔掉插头等方面做出正确的决策。

  基本上，创建了对冲市场风险、行业风险以及文艺复兴可以统计预测的任何别的类型风险的多仓和空仓组合。高度对冲降低了净回报率，但投资组合的波动性降低了更多。

  在这种情况下，杠杆同时放大了预期回报和波动性，所以即使杠杆很高，亏损的概率仍然非常小。

  这种策略的一般特性可以从2014年7月22日文艺复兴在参议院常设小组委员会调查听证会上的声明中推断出来。

  文艺复兴收集“所有他们都以为可能会影响可交易工具价格变革的公开数据——新闻报道、分析师报告、能源报告、作物报告、天气报告、监管发现、会计数据，并还有来自世界各地市场的报价和交易。”

  听证会关切的是文艺复兴的大奖章基金（Medallion Fund），声明中说：

  文艺复兴科技非凡业绩的核心原因之一，是他们拒绝遵循有效市场理论这一主流教条：

  简单来说，有效市场假说认为所有市场参与者都能接触到所有市场信息，因此没有人能基于他人不知道的信息获得优势。

  早年巴菲特和芒格都反对市场有效理论，但是晚年巴菲特一直鼓励个人投资商购买标普500指数基金。

  市场有效理论（有效市场假说），起源于对布朗运动和股价变化随机性的关联思考。

  布朗运动是有更好机会被应用的东西。布朗运动是看数据和排序随机活动或那些看起来是随机活动的方法。这样的模型和这样的方法是很有用的。

  ...个人会使用非常严谨的统计方法来确定我们所思考的潜在现象，并真正解释它。但这不是证明定理。

  有趣的是，西蒙斯并不是靠证伪市场有效理论来赚钱，文艺复兴赚的恰恰是那些短线操作的家伙们的钱。

  尽管市场有效理论认为所有的人能够接触到所有的信心，但是这并不代表任何一个人都能同等地解读所有数据。

  例如，许多人可能能够接触到粒子加速器的量子状态数据，但只有少数人知道怎么处理这些数据。

  吉姆·西蒙斯几十年来一直在强调这一点。他谈到了所谓的“趋势”，这些趋势可以被视为市场参与者在一定时期内持有的、并非基于所谓基本面的信念。

  例如，人们可能会好奇美元上涨（或下跌）的最终的原因是什么，但可能没这样的原因。它可能仅仅因为要这样做而上涨或下跌，直到某些事件发生，趋势被打破，市场参与者被迫改变他们的看法。

  牛市是一个完美的例子——当大多数市场参与者相信市场将持续上涨时，牛市就会发生，并且通常即使逆向的负面趋势的证据变得相当明显，它们仍会继续这样做。在这种时期的末尾，通常会发生超调现象——无论是在上涨还是下跌的过程中都是如此。

  粗略地说，吉姆·西蒙斯所做的就是从海量数据中挖掘这些趋势。问题很复杂，因为即使是较少数量的这类趋势的混合也很快变得很复杂。这似乎如此复杂，以至于主流经济学一直将市场运动视为由高斯分布控制的随机随机过程，即绝大多数都是噪声。

  这并不意味着没有噪声，当然有很多噪声。但关键点是有着很有用的载波信号，正如电子工程中所说，且存在过滤掉噪声的方法，这正是RT一直在做的事情。

  “这就像在查看大量数据并真正寻找支撑这一些数据的底层内容。从这个意义上说，它有点像天文学。

  你从天空中观察大量数据，收集下来，这一些数据通常很混乱，你需要清理它们以去除异常值或其他某些因素。

  然后你希望能以一种方式分析这一些数据，使其能合理解释你可能对你所观察的对象持有的任何假设或一系列假设。

  这是我们工作的一大部分。在这方面，我们雇佣的人员是实验物理学家或天文学家。”

  这意味着即使是RT也不能确定明天市场会上涨还是下跌。他们不必须了解到，他们计算的是一段时间内的概率分布，例如可能有X％的机会上涨，Y％的机会下跌，Z％的机会保持不变。有了这种分布的知识，就很可能构建衍生品投资组合，以比随机更好的机会获利。

  对于那些微小的套利机会，因为未加杠杆时投资组合的回报率较低，所以要杠杆。

  然而，由于波动性远低于预期回报，至少根据模型，杠杆能大大的提升而不增加亏损的概率。

  经过多年的使用和改进，文艺复兴知道其模型非常可靠。然而，他们也知道总有发生模型无法覆盖的事情的风险，特别是那些超出以往经验的事情，即所谓的“黑天鹅事件”。

  既保护低于期权费用的非常低的亏损概率，也防范可能由于黑天鹅事件而导致的潜在灾难性损失的未知概率。

  似乎长期资本也是采用“微小盈利✖️杠杆”，也曾经有几年辉煌，然而却扛不住黑天鹅，很快就爆了。

  “通过这样的形式确实可以创造真正的价值，但最重要的一点是始终记住，数学和量化方法通常只是工具，它们只是放大、简化并加速你能够最终靠其他方式做的事情。

  其中一个风险是被自己构建的东西的优雅和力量所诱惑，以至于忽视了其假设和限制（这就是LTCM发生的事情）。

  另一个风险是非专家的高层管理人员使用这一些工具而没有完全理解它们，这推动了2008年金融危机前多年的许多事件。

  所以，秘密在于数学确实有效，而且确实可以在速度或模式识别上为使用它的人创造竞争优势。

  但就像锋利的刀片或火一样，应将其视为工具而非魔法棒，并且应始终认认真真地对待最坏的情况并为风暴做具体准备。

  另一方面，无可否认的成功推动了全世界内将量化技术作为常规最佳实践的采纳。人们必须评估每家公司在这一领域的实施技能和战略逻辑，就像在任何其他关键业务领域一样。

  a、长期资本的策略大多分布在在固定收益市场的套利机会，特别是利差交易，这让他们高度依赖特定市场的表现。

  相比之下，文艺复兴科技运用了广泛的策略和资产类别，包括股票、期货、债券等，其交易决策完全基于统计模型和算法，避免了人为的情绪和偏见干扰。

  b、长期资本没有充分考虑到极端市场事件，例如1998年的俄罗斯金融危机，这直接考验了其模型的健壮性。他们的模型未能适应非线性风险，导致重大损失。

  他们的系统设计包括能够从市场异常中快速调整并恢复的机制，以及严格的风险管理措施来避免重大损失。

  c、长期资本以其高杠杆操作而闻名，这使得其能够放大收益，但同时也极大地增加了风险。其杠杆比例一度高达30:1，这使得一旦市场反向移动，其资本就面临巨大风险。

  文艺复兴基金的交易策略包括低持有期和高频交易，这减少了长期市场波动的影响，并允许基金更快地调整其头寸以适应市场变化。

  当然，文艺复兴的做法，基于其多年的数据和技术积累、强大的人才团队、快速扁平的决策体系等等，极难复制。

  “一个有效的复杂系统总是从一个有效的简单系统演变而来。从零开始设计的复杂系统永远都不可能起作用，也没有办法进行修补以使其正常工作。“也许文艺复兴真的没有特别的秘密，他们赚这么多钱的原因一方面格外的简单，但同时对我们其他人来说完全没有办法实现。 绝对关键的最主要的原因是：

  吉姆·西蒙斯花了十年时间为量化战略的发展提供资金，然后由于运气、良好战略和有利于该战略的特定市场制度的结合而起飞。

  现在谁能有10年的耐心来资助一些真正行不通的事情？ 还有一些隐蔽的生存秘密，例如他们的交易成本极低。

  当然，人们不应该低估数据质量、人才质量等——当然，所有这些都是最重要的，也是必要的。

  简而言之，现在这几乎是一个自我实现的预言：他们现在交易成功，因为他们已成功交易了很长时间。

  “自1990年代以来，我一直在研究这样的一个问题。我认识很多在文艺复兴科学技术工作过的人，并且我关注了发布出来的信息。我还问过吉姆·西蒙斯这方面的问题。”

  “当我在伯克利学习数学时，很快就会发现了自己无法与任何人讨论自己正在学习的内容。

  另一方面，出自著名的哈斯商学院的商科学生则能轻松地通过课程并获得好成绩。

  该公司的招聘哲学是聘请非金融人员。他们看重科学家、工程师、信号处理专家、统计学家、物理学家。

  我们对文艺复兴了解不多，因为声称任何人都能完全理解“世界上最好的物理和数学部门”的工作简直是个笑话。

  概括而言，文艺复兴的成功并不真正取决于拥有什么秘密武器，而是有一群聪明的人在实际解决问题。

  在研究方面，文艺复兴区别于其他人的是他们是纯粹的经验主义者，而其他人在策略设计中带有一些（自以为是的、先入为主的）偏见。

  少点儿专家，少点儿先入为主的逻辑，少点儿人类概念的解释，会令系统更具有预测能力。

  当（前联合CEO）Bob Mercen说文艺复兴基金“在50.75%的时间里100%正确”时，他是啥意思？他们的风险与回报率是多少？

  考虑一下篮球罚球手和赌篮球比赛的人之间的区别。两者都有50.75%的成功率。

  罚球手会把49.25%的失误看作是错误。他会说他成功了50.75%的时间。

  而赌球的人知道，即使他总是选择赌注的好的一面，体育比赛中也存在很多随机性。他可能觉得他100%的时间都选对了要赌的队伍，而赢得50.75%的赌注是最佳的表现。

  再举一个例子，考虑一个接手高风险病例的外科医生，其中50.75%的病例病人存活；

  与一个赢率为50.75%的赌场相比。外科医生每次都试图赢得胜利。赌场则完全满足于50.75%的时间胜出，因为从长远来看，它的利润是统计上确定的。

  许多定性投资者像罚球手和外科医生一样思考。要么他们是对的并赚钱，要么他们是错的并亏钱。

  顶尖的定性投资的人要经常正确——比如说70%或80%的时间——因为他们得不到太多的多样化。

  如果你总是站在交易中有正向优势的一方，你仍然只能赢得大约50.75%的时间。你可以在如此小的优势中取得成功，因为你不断地进行着成千上万的赌注——就像赌场转动轮盘一样。

  当定性投资者亏钱时，他们会重新审视决策，以弄清楚哪里出了问题。当定量投资者亏钱时，他们会重新审视他们的决策过程。

  早在20世纪70年代末和80年代初，AI和机器学习就发生了一场革命。

  “在语音识别领域，20世纪70年代有一个由DARPA（美国国防部研究局——编译者）赞助的早期竞赛。

  参赛者挖空心思，使用了一系列利用人类知识的招术，包括对单词、音素、人类声道等的理解。

  另一方面，还有一些更注重统计特性的新方法，它们基于隐马尔可夫模型（HMM）进行了更多的计算。

  同样，统计方法在基于人类知识的方法上取得了胜利。这导致了自然语言处理领域的重大变革，统计和计算逐步主导了该领域。”

  “近年来，这一趋势产生了新的进展，深度学习在语音识别中崛起。深度学习方法更少地依赖于人类知识，而更多地利用计算资源和大规模训练集上的学习，以产生明显更好的语音识别系统。

  与棋类游戏一样，研究人员总是试图构建系统，符合自以为是的思维方法，他们试图将这些知识放入他们的系统中，但最终证明效果适得其反，也是对研究人员时间的巨大浪费，

  “意识的实际内容是极其复杂的；我们不应该试图通过简单方法来思考意识的内容，如思考空间、物体、多智能体或者对称性。所有这些都是任意的、本质上复杂的外部世界的一部分。”

  文艺复兴基金对华尔街式的“解释”毫无兴趣，因为那套话语体系过于浅薄，而且刻舟求剑，也许只在推销基金时有效。

  人们总说关联性不是因果性，但是对比起脆弱的因果性，短时间有效的关联性，也许更有价值。

  而且，谁在乎那些短期呈现出某些关联性的随机数据背后是啥解释呢？难道赚钱不是最好的解释？

  “它们不应该被固有化，其原因是复杂性是无穷无尽的；相反，我们只应该构建能够找到并捕获这种任意复杂性的元方法。这一些方法的重点是它们能找到很好的近似值，但对它们的搜索应由我们的方法完成，而不是我们自己。

  我们希望 AI 智能体可以像我们一样发现新事物，而不是重新找到我们所发现的。在我们得知的基础上构建只能令人更加难以看清发现过程的完成情况。”

  《香农传》里谈及，香农的信息论认为，世界上英语的文本量在毫不影响内容信息的情况下，可以减半。

  香农说：“当我们书写英文的时候，写下的一半词语都受到语言结构的限制，而另一半则是自由选择的结果。”

  人类语言的冗余机制，令我们在现实中接触到的大多数话语和所谓只是，都只是噪音，或者干脆说是垃圾。

  在某种意义上，从图灵到香农，再到索普，以及西蒙斯，这些绝顶聪明人都在干着“解码”的事情。

  香农曾经向冯·诺依曼谈他对信息的理解，说“信息解决不确定性”的问题应当成为工作的核心。

  面对香农提出的如何为该主题命名的问题，冯·诺依曼立刻说：信息减少了“熵”。

  “GPT技术路线的一大核心理念，是用最简单的自回归生成架构来解决无监督学习问题，也是利用无须人特意标注的原始数据，学习其中对世界的映射。”

  在神经网络的早期发展阶段，人们倾向于觉得应“让神经网络做尽可能少的事”。

  例如，在将语音转换为文本时，人们觉得应先分析语音的音频，再将其分解为音素，等等。

  但是后来发现，（至少对于“类人任务”）最好的方法通常是尝试训练神经网络来“解决端到端的问题”，让它自己“发现”必要的中间特征、编码等。

  别说AI，想想我等人类，从小学英语，浪费了多少时间在学语法，学规则，学主谓宾，结果折腾了几十年，现在还是英语白痴。

  还是在Quora的那个帖子里，一位金融从业者说，他遇到一位顶尖的声纳探测专家，该人拥有多个博士学位的物理学家，既古怪又风趣。他的专长是信号处理。

  讨论了假阳性的成本（想想交易优势），以及在稀疏数据中时间与行动之间的套利（确认）。

  我们讲的是同一种语言。我们在讨论真正的问题：如何从噪音中区分出信号？多快？错误的成本是什么？正确的成本是什么？哪个统计法则适用于随机性？

  “这是公平的估值”......生活是不公平的，亲爱的，你真的认为市场是公平的吗？

  “基于DCF的目标价比市场估值高出10%”......停止调整终值来合理化你的主观观点。

  “顶级管理层”......也是人们曾经对安然、贝尔斯登、柯达、通用汽车、克莱斯勒所说的。

  如果我们想要理解这个真实的世界，尤其是当要用真金白银去下注的时候，那些夹层解释，完美概念，是毫无意义的。

  在中国的传统里大家讲“书画同源”，就是说书法跟绘画是从一个源头来的；那么我们也可以说，数学跟物理历史上也是同源的。

  他讲到，1969年自己在纽约州立大学石溪分校讲授一门广义相对论课程。有一天，猛地发现广义相对论所需要用到的黎曼曲率张量公式，很像杨-米尔斯理论里的一个公式。

  于是，他去请教时任数学系主任的西蒙斯。西蒙斯告诉他这两个公式都是纤维丛上的联络。

  1974年，西蒙斯与著名华裔数学家陈省身联合发表了论文《典型群和几何不变式》，创立了著名的陈-西蒙斯定理。

  该几何定律对理论物理学具备极其重大意义，被大范围的应用到从超引力到黑洞的各大领域。

  1975年，杨振宁去拜访陈省身，谈及令他惊诧不止的是，规范场正是纤维丛上的联络，而数学家是在不涉及物理世界的情况下搞出来的。

  杨振宁说：“这既使我震惊，也令我迷惑不解，因为，你们数学家居然能凭空想出这些概念。”

  陈省身立即反对说：“不，不，这些概念不是凭空想出来的。它们是自然而真实的。”

  可是为什么“自然而真实”的、与物理世界本来无关的数学观念，是这样的“对称”，而且从而“支配”了宇宙间一切基本“力量”，恐怕将是永远不解之谜。

  实验科学并不真正以这种方式运作。直觉很重要。猜测很重要。思考正确的实验很重要。但它更宽，更不深。

  因此，我们在这里使用的数学可能是复杂的。但这并不是重点。我们不使用非常非常深的东西。

  “我们如何做它不比其他大量的基本面投资者神秘。某一些程度上不那么神秘正是因我们做什么都能够直接进行编程。——厉害的不是算法，而是工程化！”

  如果说，理解这样一个世界的本质，需要数学和物理，那么，改变这样一个世界，则需要工程能力。

  但事实上，在深度学习的领域，人们的“教训”是，不要教AI太多人类的“因果知识”。

  某种意义上，大模型能够在高维数据之间，发现人类暂时无法洞察和解释的“因果”。

  图灵奖得主希发基思说，我们在理解世界的过程中，提出了三类关于知识的基本问题：

  然而，因为某些必须的冗余，这个草台班子式的世界，充斥了太多平庸的、迷信的、甚至是欺诈的“知识”。

  要想突破这一点，我们一定要打破许多夹层解释，去除那些建立在脆弱假设基础之上的无聊知识，浅薄知识，虚妄知识。

  作为一个坚定的科学主义者，一个理性决策的“浑球”，一个与最狂野的机遇共舞的随机生存者，西蒙斯在不确定的世界里发现细小的确定性，并巧妙加以杠杆，创造了惊人财富。

  我研究了许多数学，我赚了很多钱，然后我把钱都捐出去了，这就是我的人生故事。

  本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。