文：量化投资与机器学习（ID：Lhtz_Jqxx）
译者：Allen、ZL、Eva、叶别
本文首发于量化投资与机器学习
前言
2010年MIT
2014年AMSEinsteinPublicLecture
2015年TED
时隔多年，2019年，西蒙斯又一次在公开场合会为我们带来怎样的论点呢？
讲座背景
2018年9月17日：麻省理工Sloan管理学院宣布，麻省理工学院校友、文艺复兴创始人、数学家詹姆斯·西蒙斯获得S.DonaldSussman奖。该奖项授予在量化投资策略和模型方面表现出创新和卓越表现的个人或团体。西蒙斯因其在这一领域的杰出贡献，以及他在数学方面的工作和对基础科学研究的积极支持而入选。麻省理工Sloan管理学院院长DavidSchmittlein表示：“我们很高兴授予西蒙斯博士这个奖项，以表彰他作为数学家、投资者和慈善家的非凡职业生涯。”
麻省理工Sloan管理学院金融工程实验室主任、奖项委员会成员AndrewLo教授指出：“西蒙斯在多个领域都是一个传奇人物，他是量化投资的典范；我们很感谢他接受这个奖项。”
关于S.DonaldSussman奖
这就是本次演讲的由来，大家清楚了吧？
S.DonaldSussmanFellowshipAwardFiresideChatSeries
本次公开讲座的总体主旨是：
Math,Money,andMakingaDifference
主题分别为：
2018-2019年度获奖者：MIT校友詹姆斯·西蒙斯博士，SB'58
第1场：数学
第2场：金融
第3场：慈善事业
本文首先对【第2场：金融】的采访和问答进行了脱水整理与解读。主持人是MIT金融学教授AndreW.Lo。在这次采访中，西蒙斯讨论了他的量化投资方法，以及这一方法在他的职业生涯中是如何演变的。同时还谈到了基础交易以及他的管理风格是如何帮助文艺复兴取得了如此成功。最后还有和观众精彩的问答环节。
对比之前得照片，可以感觉到，西蒙斯老了
后面会对【第1场：数学】进行整理与解读。大家敬请期待！
针对【第3场：慈善事业】我们将不做解读，大家自行收看！
公众号对此次采访做了全网独家翻译和解读。同时感谢石川博士对部分内容的修正。
内容概要
对商业的兴趣
其他概括
为什么去石溪大学数学系？
为什么开始从事货币交易？
关于大奖章基金
文艺复兴办公环境介绍
如何管理你的团队？
如何保持在业绩上的长青？
2008金融危机
问答环节（12个问题）
我毕业之后去伯克利读了博士，在那里我遇到了我的论文导师BergKaster，后来我和哥伦比亚的朋友，一起做一些生意，并且赚了一些钱，我父亲当时也投资了一些钱，那些钱后来为我职业生涯的转变奠定了基础。我在MIT教书的时候，我通过借钱对我的生意做投资。几年过去了，我需要开始还贷，就像所有其他的企业刚刚起步一样，我们开始期望18个月以后就可以有红利可分，我们对自己的公司报了太高的期望。不过我们最终还是得到了红利，但那是在几年之后，不过这些红利数目还是相当可观的。
其他概述
需要建立一个系统性的交易系统，要知道模型的所有细节。他还讲述了大家众所周知修整模型，王者归来的事情。
这也在西蒙斯之前的一些演讲中多次提到的事情：
我从IDA找来了全世界最好的模型创建者，Lenny。在IDA的时候我们一起构建模型。Lenny开始和我一起创建模型，但是我却一直在做交易。Lenny似乎对建模越来越不感兴趣，而是经常会去阅读一些新闻。然后他会形成自己的观点比如说市场会上涨，市场会下跌之类，都是关于外汇和债券的一些东西。然后我开始发现有很多时候他的分析是对的。我说：“好的，你是用的什么模型？不妨我们用它来赚点钱吧。”我们的回报率很高，从我问“你运用的什么模型”开始的两年里，我们把我们投资者的钱变成了刚开始的12倍，那还是扣除了其他费用的。听上去我们做得不错，我们也是极其幸运的。当时在我的脑海里想的仍然是我可不想只去建模，但是另外其他的人可以专门建模。JimMax，一个很著名的数学家，离开了石溪大学后加入了我们，他的确建了一些模型。在接下来的几年里，我们把基本面交易，风险投资和所有其他的投资方式结合在一起，我们一直在不断创造出新的更有效的模型。
既然我们会做模型，那就不妨跟着模型走。
所以，在1988年的时候，我决定百分之百的依靠模型交易。而且从那时起，我们一直都这么做。我们建立了一个百分之百依靠电脑模型做交易的公司，逐渐地，那些模型也变得越来越有效，我们还招进了越来越多的人。
当时他请来了普林斯顿大学的数学教授HenryLaufer，一起对交易模型进行修正。这次耗时6个月的修正被《量化投资——西蒙斯用公式打败市场的故事》一书的作者称为是大奖章基金的“遵义会议”，当时制定的投资策略一直被保留了下来，成为基金长盛不衰的立命之本。
“我们完全停止了基本面分析，变成了一个彻底的、依靠模型的量化投资者”
——西蒙斯
Baum-Welsh算法
▍主持人
许多技术的前身，包括现在的深度学习都是一个有趣的历史，我记得LennyBaum早期的Baum-Welsh算法，主要是估计HMM的参数，那么对你的意义而言···
▍西蒙斯
我第一次遇见LennyBaum是在街上，LennyBaum和LloydWelsh一起发明了Baum-Welsh算法，这个算法可以估计出隐藏马尔可夫模型中的参数。隐藏马尔可夫模型有很多参数，这个算法不断攀爬、不断重新估计参数，计算新的期望值，不断获得更好的参数估计。
然而当时没人可以证明这个算法一定是有效的；虽然这个算法肯定是有效的，可以从任意初始条件下都收敛的比较好。
当我在IDA（国防分析研究所）工作时，我尝试想证明Baum-Welsh算法的每一步都是都是向着向正确方向攀爬的，但是没能成功。然后我离开了IDA，Baum和他的朋友Petrie最终证明了出来，他们写了很长很长的论文；他们告诉我，我是可以用很短的篇幅内就完成这个证明，有一些他们不了解的定理可以使证明过程明显变短。如今这个算法在语音识别和很多其它领域都十分有用。
公众号独家解读
下面这张图是网上流传的影印版。大家可自行下载阅读。
在文艺复兴科技成立初期，统计学家LeonardBaum无疑起到了关键的作用。Baum是率先提出隐马尔科夫模型（HiddenMarkovModel，HMM）的专家之一，该方法用来描述一个含有未知参数的马尔可夫过程，在语音识别、生物信息学等领域取得了非常成功的应用。此外，统计学Baum-Welch公式也是以这位杰出科学家的名字命名，它是一种学习隐马尔科夫模型参数的有效方法。西蒙斯本人认为投资和语音识别很相似，因此曾经把IBM的整个语音实验室的精英挖到文艺复兴公司。基于这些背景，人们有理由相信隐马尔科夫模型是大奖章基金取得辉煌业绩的神秘法宝。
这个方法是有用，但是绝对没有那么简单，前几年国内的一些研究者曾对这个算法做过复现。
广发证券
1、《探寻西蒙斯投资之道：基于HMM模型的周择时策略研究》
将HMM模型应用到我国股市的预测中，通过对股票数据序列的模式识别来对股市每周趋势进行预测。我们将股票的未来走势分别划分为两种(涨、跌)和三种(涨、跌、平)状态，把股市的波动预测转化为分类问题，并通过HMM模型进行识别。
2、《再探西蒙斯投资之道：基于隐马尔科夫模型的选股策略研究》
将语音识别的技术引入到股票涨跌预测中。假设上涨和下跌的股票各自都存在一种明确的模式，都分别可由一个HMM模型来描述。我们选择换手率、股价1日涨跌幅等6个价量指标作为模型观测值，选择股票池内上涨的样本训练表征上涨模式的HMM模型。
预测时，一个股票在表征上涨模式的HMM模型上的观测概率越大，说明该股票实际上涨的概率也越大。我们将股票池内的股票按照HMM因子值均分成10档，每期超配最高一档的股票
1、《HMM指数择时研究之实战篇》
2、《HMM指数择时研究之理论篇》
1、《包含基本面信息的HMM投机策略》
据我们了解，使用HMM模型做量化策略，一定要注意参数过拟合、引用未来函数、模型具体算法更新等问题。大家可自行进行进一步研究，这里不再陈述。
我来问两个促使你后来创立大奖章基金的事情。其中一个问题是关于你离开IDA、选择加入纽约州立石溪大学数学系，当时石溪大学的声誉远不如现在，你为何考虑去那里、在那里有哪些经历？
我是被IDA开除的，有过一次被开除的经历是不错的，一旦你经历过你就绝对不想再经历一次了。
当时是1968年，我不同意他的观点，我给纽约时报写了一封信，第一句话是：并不是每个服务于Taylor将军的人都同意他的观念，他应该尽快从越南撤退。
我反驳说，你不能解雇我，因为我的职位是永久员工；他问我是否知道永久员工和临时员工之间的区别，我说不知道，他说临时员工是有合同、永久员工没合同，所以我不得不离开IDA。
我有三个孩子，必须得寻找一份新工作；当时我很自信自己可以找到好的工作，我确实在数学领域做出了一些重要的成果。有几个教授的职位供我选择，我最终选择了石溪大学数学系主任的职位；当时的石溪大学数学系比较弱，他们在一直在寻找一个有声誉的人来领导他们的数学系。
当时的纽约州州长Rockefeller很喜欢石溪大学，那时，石溪大学有很有钱，我便招募了许多优秀的人才。那是一段美妙的时光，我在最初的几年内做了大量的数据研究，研究成果也很不错。
那什么原因让你离开石溪大学去从事货币交易呢？
我的父亲很反对我的决定，他觉得我已经有了终身教职、很好的工作，为什么还要出去冒险，但是我很自信我能够搞定交易。
这是最基本的。但问题是，有时这套方法是有效的，这时我感觉自己是天才；有时这套方法效果很差，我又会觉得自己是个蠢货。
这是一个非常痛苦的事情，我希望可以开发一个系统、利用计算机来告诉你如何进行交易。在此之后，我们聘请了科学家，并建立了这样的交易系统并持续的改进它们。
现在我们来聊聊大奖章基金。当我介绍金融学时，我通常用一个方程：数学+金钱=金融，我认为大奖章基金是这个方程的集中体现，因为它产生了巨大的回报。
现在的基金记录是保密的，但你在2002年接受的一次采访中曾经透露，西蒙斯旗下的大奖章基金自1988年成立到2000年表现的越来越好。自1988年3月成立以来，西蒙斯旗下规模为33亿美元的大奖章基金的年回报率为35.6％，而SP同期则为18％。这是在扣除了费用之后的回报，那时大奖章基金的最高费用是5％的固定费用+44%利润分成。
图片来自：彭博
我不记得那个时候我们的管理费是不是5%固定费用+44%的利润分成了，一开始我们是先提升到5%固定费用+36%的利润分成的，投资者都在抱怨，而我们还是进一步提升费用到5%固定费用+44%的利润分成。不过依然有非常好的投资回报，没有一个投资者发起了赎回。
后来我意识到，基金规模是我们的局限性，我们可以管理中等规模的资金、但是无法管理更多的比如千亿规模的钱；与此同时，我们的基金增长很快产生了更多的钱，这些都要求我们做出一些改变。
大奖章基金还是保持原有的规模吗？
是的，大奖章基金还是保持固定的规模，没有450亿美元那么大。
能透露下你有多少名员工吗？
有人对我说，招募太多的科学家对这个世界并不是件好事，他们本来可以做出伟大的科学；但我觉得这些科学家赚了很多钱、然后把钱捐赠给慈善机构，并不会伤害这个世界。
正确的方式是：首先雇用最聪明的人，让他们合理的协作；让每个人都知道其他人在做什么。现在有些公司也在做类似的系统，他们分成了若干个组，这是一个组，那是一个组，每个组会按照他们各自的系统的效果来获得报酬。
我们只有一个系统，每周开一个研究会，如果有人有新的东西，他就展示出来；每个人看都有机会获得代码，他们可以运行代码，判断是否真的有用。所以我们是一个非常协作的公司，我认为这是加速科学研究的的最佳方式。
另外，我们拥有非常棒的基础设施。在别的地方我从来没有看到过类似的高效率。我们公司被组织的很好、并且有伟大的员工。
这里是文艺复兴科技公司（RenaissanceTechnologies）的总部所在地（纽约）。建筑师的目标是提供一个刺激的工作氛围，包括各种工作条件，从私人办公室和会议室到更多公共活动和非正式用途的空间。
所有办公空间均为私人空间，设有金色木质天花板和大型木框窗户，可以俯瞰风景园林和林区；大楼独特的两翼设有交易大厅和行政区域。在庭院之间有两根巨大的露在外面的胶合木梁，覆盖了东端的餐厅和会议室。西面是图书馆、休息室和健身房——后者可以通往网球场和穿过风景蜿蜒的跑道。
新增的办公楼，每个办公室都配有大型木窗。包括一个中央庭院；一个最先进的董事会议室，以容纳公司的持续增长；7000平方英尺数据中心，配有N+1冗余HVAC系统；健身设施包括室内网球场、健身房和室内足球区/半球场篮球场。
多数人都在位于东锡托基特（EastSetauket）长岛镇（LongIslandTown）的公司总部上班，公司总部修建得像堡垒一样。因为除了道路上的访问控制和被郁郁葱葱的森林隐藏的设施包围之外，内部还有许多访问控制，这取决于建筑每个部分所需的限制程度。当你经过一个简单的磁条时，可以穿过了一些门，但更接近公司核心的其他门需要额外的代码甚至是他们的指纹。主楼还有两层地下空间，其中包括计算机室和其他秘密部门。这是一个巨大的空间，白色的墙壁，两层高的天花板。在房间的中央，6根2米高的柱子两边排列着处理器，在柱子和柱子之间形成了长长的走廊。每一根柱子的长度都令人印象深刻，长度应该在50到60米之间。
的确，科学家们继续留在文艺复兴的主要目的不是为了钱，还有比这更好的地方吗？与众多科学家、博士共事的智力挑战，不仅能留住文艺复兴在职的人才，还能吸引那些在大学研究岗位上感到无聊的杰出人士。不断向对方的理论剔除挑战与反驳，在世界上任何一所大学，这是可能的！
文艺复兴公司所做的很多事情很明显是保密的，连你们的员工也是保密的。但我可以说,你们的员工都是他们各自领域最顶尖的科学家之一，在许多不同的领域都是这样。这么说恰当吗？
我说一个有趣的故事，文艺复兴公司每周都有一次座谈会，有一次从外部邀请来了一个天文学家来做讲座，当时他的一个朋友正在文艺复兴公司工作。
那天他的讲座十分有趣，我把他拉到一边，对他说：你的朋友在我们这工作的不错，要不你来加入进来？
他说我们的工作机会非常有吸引力，但他需要先完成他手头上的科研项目，后来他获取了诺贝尔奖。
他是发现宇宙实际上正在加速膨胀而不是减速的两个团队中的一个，这个发现在当时是一个大新闻。
我认为他当时的决定是对的，大多数人更愿意获得诺贝尔奖。他是我们差点招募到的唯一一个诺贝尔奖的科学家，除此之外我不认为公司里的其他人能达到这个高度。
尽管他们中有些人做出了了不起的成果，但是毕竟没有获得诺贝尔奖。我们有实验物理学家、有天文学家，他们收集了大量的数据并就行分析。
第二个问题是：你如何管理这些天才型的员工的，天才往往都非常自我、难以管理。你谈到过合作精神，但作为数学系的主任和公司的管理者吗，这些天才并不容易协作的。
数学系的主任是没有权力管理这些天才的，在座的听众有的是教授应该是的知道，他们只要做好教学和科研就好了。
在文艺复兴公司，不同员工做的事情是有相互影响的，每周的研究会上他们能看到别人的工作、也会对别人的工作提出一些建议。
我们给员工的报酬并不是按照他当年的工作来分配的；每年都有员工对我说，他今年给公司赚了很多钱、理应获得更高的报酬，我就问他你的工作难道不依赖别人吗，你赚的钱中的很多部分是依赖别人的工作的，别人的工作我已经付出了报酬；如果每个人都照你这样要钱，我得多付出五倍的报酬。
我会看一个人在连续3到5年内的综合成绩，然后给他应得的报酬。
没有人会对一切事情都满意的，我也知道有些人认为自己应该拿更多的报酬，这是人的天性；但总体来说每个人都是开心，这个是开心工作的地方。
我最后的问题是，你和文艺复兴公司激励着很多量化投资者、学生、教师、也包括我自己，但直到今天也没有任何一个其它的量化投资者能接近你的成绩。
我有一个带有偏见的猜想是，你的基金并没有依赖奇特的方程式或算法，在你考虑数学之前、你就是一个天才的交易者。你拥有判断赢钱亏钱的直觉，你在选人方面做得很好，然后组建了一个优秀的团队。
你刚才也提到了，每年年终都会有些员工找你聊一些比较尴尬的谈话。你认同我的观念吗？
学习一些基础的交易知识当然是有好处的，可以知道市场运行的机制。并不是像你说的那样，我九年前就离开了文艺复兴公司，当时我72岁。我离开后公司一直运行的很好，有优秀的领导，没有错过机会、比我在的时候更好。
各位还有机会
所以你担任石溪大学数学系主任期间，你在这方面做了准备。
是的，当然。
伯纳德·麦道夫是美国华尔街的传奇人物，曾任纳斯达克股票市场公司董事会主席。多年来，他一直是华尔街最炙手可热的“投资专家”之一。他以高额资金回报为诱饵，吸引大量投资者不断注资，以新获得的收入偿付之前的投资利息，形成资金流。这个骗局维持多年，直到2008年次贷危机爆发，他面临高达70亿美元资金赎回压力，无法再撑下去，才向两个儿子，也是其公司高管坦白其实自己“一无所有”，一切“只是一个巨大的谎言”。麦道夫的儿子们当晚便告发了老爸，一场可能是美国历史上金额最大的欺诈案这才暴露在世人眼前。
文艺复兴公司没有投钱、但我的基金会在麦道夫那里长期投钱。
我对他有一些了解，他可以令人震惊的每年都保持非常稳定的收益率，无论刮风还是下雨。
我猜这家伙一定是知道一些我不知道的事情。我拿到了麦道夫过去两年的一些交易情况，让文艺复兴公司的一位员工来分析下、看看有哪些地方是值得我们学习的。
姜还是老的辣
讽刺的是，其实Madoff公布的跟踪数据远不如medallionfund的真实跟踪数据。
那时候申请房贷无需任何文件和信用背书，人们只需走进去申请就行。举个例子：
你要多少钱？
我要10万美元。
你赚多少钱？
我赚20万美元。
好吧，我们借给你钱。
银行甚至不索要申请者任何材料，例如纳税表。为什么银行这么大方？因为银行知道可以这些打包的房贷卖给机构，如房地美，房利美和吉利美。由机构打包房贷，包装成一个AA级或者AAA级的MBS，所有的事情都看起来那么的不靠谱。
所以，如果评级机构完成了他们的工作，这场金融危机并不会发生，但没有人想责怪评级机构，因为没人听说过他们。新闻报纸类媒体去责怪银行，责怪大型投资者，但实际上是因为不准确的债券评级导致了住房抵押贷款证券的崩溃，并引发了这场金融危机。
问答环节
▍问题一
这些年随着电脑科技的发展，你逐渐从普通的基本面投资聚焦于量化投资上。你曾经指出，最终基本面投资很容易被淘汰，所以从你直觉出发，你认为是否人们在基本面投资上会有优势？
Yes。
▍问题二
我知道Renaissance是量化投资公司，你是否认为量化胜于基本面投资？
No，基本面投资领域也是一个绝佳的职业，这是一个合法的投资方式，因为有台电脑不仅是让你去数你有多少钱，他们还会用电脑做别的事情。
▍问题三
一位好的基本面投资者与一位好的量化投资者之前有什么不同的技能？
我认为这是两个不同领域，所以所需技能也是不同的。比如说一个好的基本面投资者：一家公司，它会希望去评估管理效率，人才利用，市场走向。这都是基本面投资者所需的技能。而且人与人也不同，有些人掌握量化的技能，比如我。不知道有没有回答你的问题。
▍问题四
这个问题很棒。是的，效率低下的地方最终会被发开和折衷。但是市场并不是静止的，而是会动态变化的，就在当下时刻也会具现化一些低效领域。因此我认为一直高效的领域是不存在的，市场总有值得发掘的地方。在另一方面，到目前为止在我们的管理下，在长期我们的投资回报率已经多多少少比较稳定了，但我们还简直不断地发现新事物，并舍弃那些对当下市场无用的事物。
新事物，像是量化，正在寻求更新的事物，所以可以说量化正在开发新的其他量化领域？
我不知道。
你最喜欢的算法是什么？
我最喜欢的算法是什么？我会告诉你我最喜欢的算法。我最喜欢的算法是我在国防分析研究所时做的，它与解决某个领域的经典问题有关，我解决了这个问题，但它是机密的。我解决了这个问题，他们在国家安全局制造了一个专用机器，我听说三十年后，他们仍然在使用这个专用机器来实现这个算法，所以这是我最喜欢的算法，但需要保密不便透露。
▍问题五
▍问题六
开始时提到的你想了解系统是如何呈现的，如何工作的，同时你在另一点上你也提到，一旦你拥有了这个系统，所做的一切都是为了让它变得越来越高效，所以我的问题是这两者之间的平衡。因为当你试图使你的系统越来越高效的情况下，有可能使它变得越来越复杂，以至于你不再理解它，所以你如何改进你的模型并同时保持足够简单的？
▍问题七
现在的大奖章在10、20年前核心部分是否一样？
噢，我们会不断的重新设计自己。我想其中有些部分可能已经存在了十年甚至二十年了，但是随着新事物的出现，我们需要不断的修改，去迎合新市场的发展。就像我说的那样，你只需要保持你的运转，人们会发现你的系统很棒，还有专业的科学家去维持这样的系统，所以这就是答案。
▍问题八
你在Medallion开始阶段提到过，那时候你们做得不好，我想问当时你们是否怀疑过自己？如果是的话，那你是如何继续下去并最终取得成功的？
▍问题九
行为金融学在量化投资中的作用。事实是你确实有某种直觉，当一个系统工作表现不佳时，直觉在对判断策略上会起到什么作用？
如果你正在不断地失去某个东西，你不是靠直觉，无论是来判断某个东西是错误的，或者应该停止这样做。但是有直觉总是很好的，你知道科学家们有很好的科学直觉，但我不清楚它在数学领域如何运用。你可能会说，嘿，这样做在别人那儿管用，可能在我这里也管用，我要试试看。因此，当人们进入公司时，他们会了解到什么是有效的。有时他们会说，噢，如果我们稍微改变一下这里，它会更好地工作。你可能认识一些人有一些科学直觉，但我认为这是科学直觉，这不是市场直觉。
▍问题十
你的投资模型中的基本方法主要是基于归纳推理的还是演绎推理的？换句话说，你的模型是数据驱动还是靠逻辑驱动的？
我们的模型当然是逻辑驱动的，因为不是用逻辑驱动实在很难运行。我们可以获取到大量的数据，因此产生不同的结果，我们需要尝试代入所有数据来检验他们是否有效。但是这种做法的弊端在于，即使我们尝试了几百万次最终找到了有用的数据，但是这样的概率很低，不知道我这样是否回答了你的问题。
▍问题十一
你从你从石溪转到去做交易，是因为你当时在解决一个很吃力的问题，而且一直到今天还没有被解答，你回去继续研究。你有没有遇到任何你想解决的财务问题
我想有很多人会担心他们会怎么付房租，就他们而言，这可能是一个未解决的财务问题。是的，我不知道未解决的财务问题的真正含义是什么。
▍问题十二
对于所有未来的量化研究者，关于他们应该如何应对这个领域和职业的一些建议。
我认为任何潜在量化研究者都不应该进入这个行业，我们不需要更多人了。你知道，努力工作，雇佣优秀的人，进入这个行业真的不容易，可以从大数据，电脑编程开始学习。你有一个想法，你可以测试它，如果它结果是好的，它会给你许多继续下去的力量。