西西弗：聊两句量化基金

lameihua

　　我之前写过不少宏观经济的文章，但从来没有聊过股市。我自己有一个货币银行学的博士学位，多少算有点相关知识。投资方面，创业之前，做过三四年风险投资，踩过很多坑，也算赚到过钱。不过我在股市上表现就很一般了，特别是A股。

　　多年之前我也买过A股，算没亏钱，但也没赚钱。后来觉得A股太复杂，因素太多，我自己的水平不行。后来我对A股的投资，就全部放到我朋友的量化基金，一多半配置指数增强，一小半配置中性。

　　我的要求也不高，中性要求比银行存款利息每年多赚五个点，指数增强比对标指数每年多赚十个点就行了。到目前为止超额完成目标，长期平均年化回报15%-20%，比我当年自己做的好多了。

　　我这个朋友老杨去美国拿了个数学博士，但没有搞数学研究。他当年的偶像是格罗腾迪克，梦想证明费马大定理。他说格罗腾迪克最NB的就是造出了一套神奇到极限的理论框架，证明了好多很牛的数学定理，费马大定理只是其中一个。我的数学水平已经倒退到了高中，给我讲数学，完全听不懂。不过读完博士之后他也没搞学术，反而开始做股票。我自己在北大物理系读完大一就发现自己不是搞研究的那块儿料，果断转系放弃。老杨醒悟得有点晚。

　　老杨吹牛说自己靠信用卡套现了两万美元起家，起点极低，一点点努力做起来。当然现在也没做的很大，管着接近十亿人民币的钱。他的量化基金的管理费和Carry比投一级市场的PE低不少，管几个亿也赚不到太多钱。但他至少做到了不给人打工，有自己的基金和团队。

　　前几天碰到他，聊了聊AI和量化投资的关系，他说大家对量化有很多误解，今年也出了一些相关监管政策。他给我讲了一下他的看法，我投他的基金也有五六年了，有些观点也是第一次听到，觉得有价值分享一下。

　　下面是他对量化交易的看法：

　　量化交易，通俗地讲，就是把二级市场中的买卖决策，提前写成明确、固定、可执行的规则，然后交给机器去严格执行。

　　这些规则不依赖感觉，不靠临场判断，而是用数量、条件和逻辑表达清楚：什么时候买，买多少；什么时候卖，怎么止损；在什么条件下加仓或退出。

　　因为这些规则是以数据和数量为基础，并由系统毫无偏差地执行，所以称为量化投资。量化交易的本质，不是速度，也不是“先进模型”，而是提前把决策完成，把执行交给机器。能把服务器放在交易所并不是核心竞争力。

　　与量化投资相对的，是传统的主观投资。主观投资依赖的是人对市场的经验判断：

　　对宏观、行业、情绪、资金面的综合理解，最终在脑中形成一个“感觉”，再据此做决策。

　　如果把人脑也视作一台机器，那么从理论上讲，两者并没有本质区别——人脑也是算法，经验也是参数。

　　真正的差异在于两点：第一，规则是否稳定。人的交易规则会随情绪、压力、信息噪声而变化，难以长期保持一致。第二，执行是否严格。即使规则是对的，人也常常做不到严格执行，尤其在连续亏损或极端行情中。

　　时间一长，经验不足的投资者容易出现“规则漂移”：本来是一个策略，最后变成了无数临时决策的拼接。当然，主观投资的缺点有时也是优势——当环境发生剧烈变化、结构性信息出现时，人可以快速修正规则，量化基金一般都会掉个坑，然后再慢慢爬上来。

　　这也是为什么现实中，真正成熟的投资体系，往往不是二选一，而是人设规则，机器执行。

　　量化投资的最核心的优势是一致性。

　　投资决策中最大的问题，并不在于不知道风险和收益，而在于 - 人很难在真实环境中，始终做出最理性、最基于证据的决策。

　　在复杂博弈中，AlphaGo 已经给出过一个极具启发性的结论：一个极小的不对称优势，只要被长期、稳定、系统性地执行，就可以碾压最优秀人类选手的直觉判断。

　　主观交易考验的是：你有多聪明。

　　量化交易考验的是：你能不能长期、持续地做同一件并不那么聪明，但统计上正确的事情。量化投资真正的优势，不是模型多先进复杂，而是系统一致性带来的复利效应。

　　量化交易其实AI在工业领域最早的落地场景之一。从历史角度看，量化交易是AI在工业领域最早、最成功的应用之一。

　　在机器学习、深度学习理论尚未成熟，算法还没有被写成论文之前，早期的优秀的量化对冲基金，就已经开始开发复杂的预测模型、模式识别算法和自适应系统。

　　早期这些模型太能赚钱，量化交易公司不愿意将它们分享给公众。这些模型，本质上就是今天 AI 的早期形态。

　　区别在于：学术界追求理论完备性。金融市场只关心一个问题：能不能赚钱。正因为有真实、即时、残酷的反馈机制，金融市场成为了 AI 模型最早的压力测试场。这个测试场中炼造出了deepseek。

　　金融市场，本质上是一个奖励系统。如果把金融市场抽象成一个系统，它其实非常像一款游戏：有状态（价格、成交量、结构），有动作（买、卖、观望），有奖励（盈利与亏损）。

　　区别只是：游戏里的奖励是积分，金融市场里的奖励，是真实的金钱。

　　在电子游戏中，我们可以用强化学习训练一个 AI 代理去通关；在金融市场中，我们同样可以构建一个自动化的量化交易系统。

　　不同之处在于：游戏规则相对固定、封闭。金融市场是开放的、高维的、不断演化的。

　　这使得金融市场的复杂度，远高于绝大多数游戏环境。当然回报也远远高于游戏。

　　在游戏中，我们的目标函数通常很简单 - 赢得游戏。在金融交易中，我们设定的目标函数是 - 在可控风险下，获得尽可能稳定、可持续的收益。

　　而这背后隐藏着一个更深层的问题：如果给 AI 一个不同的目标函数，它会把世界变成什么样？当我们把人情绪价值量化，一个最大化长期情绪价值的AI，就是大多数人的追求了。

　　AGI，乃至 ASI 真正显示力量，在于我们给它定义了什么目标。量化交易，是人类第一次在真实世界中，把复杂目标函数交给机器，并让它长期运行的实验。