早上走进办公室我不会说：
“今天我聪明吗？”，
而是说，“今天我幸运吗？”
詹姆斯·哈里斯·西蒙斯
一
论年化回报率，詹姆斯·哈里斯·西蒙斯的文艺复兴基金应该是全球第一。
他可能是地球上最会赚钱的人，从这个角度看。
尽管时间不如巴菲特长，而且一直有黑盒子的嫌疑。
有几个感慨：
1、再厉害的人，也有离开的一天。
记得乔布斯离世前，见到盖茨，他心里感慨：这个人真健康啊。
健康，年轻，是最宝贵的财富。但却被我们忽视--在拥有的时候。
2、投资的诸神们正在离去。
几个老牌的投资大神，正在或者即将离开这个世界。
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。
3、西蒙斯有钱之后的举动，告诉我们什么才是人生最有价值的。
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......
他的慈善，起源于自己的患自闭症的女儿。
西蒙斯有两个儿子不幸遇难，一个死于车祸，一个潜水溺亡。
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。
然而，他却被冷酷的随机性击中了人生最不能承受的软肋，并且连中两次。
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，几乎没有回撤，也几乎逃离了所有的黑天鹅事件。
他却无法逃离个人命运的“黑天鹅”。
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？”
二
西蒙斯的财富传奇，真的是一个绝顶聪明的数学家战胜资本市场的故事吗？
文艺复兴基金巨额回报，是因为他们找到了犹如印钞机般的神秘公式吗？
本文将探讨文艺复兴背后的秘密。
这是一个开放的话题，从每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。
可以说，西蒙斯的文艺复兴，就是“投资领域的神经网络派”。
概率成为底层，算法成为上帝。
三
西蒙的人生，在数学、投资、慈善三个方面都达至巅峰。
a、早期教育与学术生涯：
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共同发展的Chern-Simons理论。
b、进入金融界：
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。
c、文艺复兴科技公司的发展：
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。
d、技术和团队的完善：
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动来实现利润，这种策略进一步提高了其资金的回报率。
e、扩展与挑战：
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。
f、退休与慈善活动：
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。
这并不是一个数学家靠发现神秘公式而将股市变成印钞机的传说。
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”。
那么，这个圣杯是什么呢？
四
西蒙斯说：
“我是模型先生，不想进行基本面分析，模型的优势之一是可以降低风险。
而依靠个人判断选股，你可能一夜暴富，也可能在第二天又输得精光。”
记得他曾经在一次访谈中提及，一切都和“统计学”有关。
西蒙斯很简单地分享了文艺复兴基金的三种策略：
1、市场过度反应策略：
文艺复兴科技通过分析市场数据，识别市场在接收新信息后的过度反应现象。
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。
2、套利交易策略：
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。
3、趋势和动能策略：
通过对大量市场数据的分析，文艺复兴科技能够识别并利用中长期的市场趋势。
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。
五
在AI的帮助下，人们总结出如下文艺复兴的赚钱策略：
1、定量方法：
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。
2、市场中立战略：
文艺复兴技术通常采用市场中立战略，旨在无论市场的总体方向如何，都能产生回报。
通过同时持有多头和空头头寸，该公司寻求从证券之间的相对价格波动中获利。
3、高频交易：
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。
该公司快速处理大量数据的能力使其在捕捉短期交易机会方面具有优势。
4、关注非均衡现象：
文艺复兴以其专注于预测金融市场的非均衡变化而闻名。
这涉及识别市场价格偏离其基本价值的情况，为有利可图的交易创造机会。
5、高度专业的团队：
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。
该团队基于统计套利和高频交易开发交易策略。
6、保密和专有模型：
文艺复兴技术对其交易策略和专有模型高度保密。
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。
7、持续研发：
文艺复兴大量投资于研发，以不断改进其交易算法和模型。
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，并在快速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。
基金的操作侧重于短期交易，以利用统计优势，最小化长期市场暴露风险。
然而，似乎以上策略，任何一个都谈不上独家秘笈。
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？
六
我在Quora上看到一个讨论：
a、文艺复兴技术背后的秘密是什么？
b、数学真的能用来给投资者带来高回报吗？
（原主题讨论链接是“https://www.quora.com/What-is-the-secret-behind-Renaissance-Technologies-Can-mathematics-really-be-used-to-bring-high-returns-to-investors”，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。）
里面有很多有趣的讨论，我简单整理如下。
1、首先，这是一家由科学家经营、并为科学家经营的公司。
“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。
编程和建模被视为公司优势的核心，而不是收费。"
作为一名数学家，西蒙斯为文艺复兴构建了独特的企业文化。
决策迅速做出，反馈是恒定的。每一件事都有紧迫感。
该公司鼓励开放，每个人都可以走进去。
从总经理到清洁人员，每个人都会获得一定比例的利润。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。
2、顶级人才的“层级差”，可能是成功最关键的要素之一。
文艺复兴的高管曾经说：
“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！”
西蒙斯作为顶级数学家，他对顶级人才的理解，超越了绝大多数人。
这里我又要用到一个词：Taste。
西蒙斯对于顶级人才和智慧的本质，有非常好的Taste。
“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，持续时间更长。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。
当然，你需要硬件，而且很多，但没有什么特别的。
关键只有两点，那就是：
顶级人才+判断力（Taste）。
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。
3、核心战略是众所周知的，细节是独一无二的。
这些细节有数百万个，对业绩至关重要。
核心策略是进行到极致并执行得非常出色的投资组合级统计套利。
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其他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。
因此，随着大量交易的进行，大数定律确保亏损的概率非常小。
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“所有他们认为可能影响可交易工具价格变动的公开数据——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，当然还有来自世界各地市场的报价和交易。”
他们的模型“使用这些数据来预测未来价格变化”。
听证会特别关注的是文艺复兴的大奖章基金（Medallion Fund），声明中说：
“文艺复兴为大奖章基金开发的模型所做的预测通常略微有盈利。”
接下来，就是对这些微小的盈利施加“魔法”。
4、“市场有效理论”的反向套利者。
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者购买标普500指数基金。
橡树资本的马克斯给出的折衷主义的描述，可能是大家能够接受的：
市场有效理论长期看是对的，但短期内可能没那么有效。
如果能够利用短期的不完全有效，就有机会套利。
本质而言，文艺复兴恰恰是利用了二者之间的“落差”地带。
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。
西蒙斯说：
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非常有用的。
...我们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。
事实上，别说远超指数，极少有基金能够长期跑赢美股的指数基金。
一项为期15年的研究显示，几乎所有基金的表现都不如标普指数。
事实上，一年后，64.5%的公司表现不佳。
十年后，85.1%的公司表现不佳。
十五年后，91.6%的公司表现不佳。
5、在噪音中发现信号。
尽管市场有效理论认为所有的人能够接触到所有的信心，但是这并不意味着每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，但只有少数人知道如何处理这些数据。
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）的根本原因是什么，但可能没有这样的原因。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继续上涨时，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。问题非常复杂，因为即使是较少数量的这类趋势的混合也很快变得非常复杂。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，即基本上是噪声。
这并不意味着没有噪声，当然有很多噪声。但关键点是存在非常有用的载波信号，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。
西蒙斯曾对此做出解释：
“这就像在查看大量数据并真正寻找支撑这些数据的底层内容。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。”
还要注意，提取的信号数据本质上仍是随机的。
这意味着即使是RT也不能确定明天市场会上涨还是下跌。他们不需要知道，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。
6、（微小盈利✖️杠杆）+防范黑天鹅。
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，所以需要杠杆。
然而，由于波动性远低于预期回报，至少根据模型，杠杆可以提高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”。
因此，看涨期权是理想的选择：它可以提供高杠杆，并且可以提供双重保护——
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。
7、不成为“长期资本”。
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。
尽管该公司团队里也有两位诺奖得主和华尔街的老江湖。
都是运用数学，为什么长期资本不行？
“通过这种方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、简化并加速你可以通过其他方式做的事情。
同样的方式也可能失败，如果不尊重并为意外做好准备，后果可能更糟。
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，并且应始终认真对待最坏的情况并为风暴做具体准备。
如果忽视这一教训，将来还会有破产发生……
另一方面，无可否认的成功推动了全球范围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。
8、文艺复兴的风险控制。
另外，我和ChatGPT聊了一会儿，它说文艺复兴有别于长期资本的几点：
a、长期资本的策略主要集中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。
此外，他们对市场的一些基本假设，如流动性永远存在，最终证明是灾难性的。
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。
此外，他们持续开发和调整算法，以适应不断变化的市场环境。
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。
文艺复兴科技的模型更加灵活，能够适应包括极端市场事件在内的各种情况。
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。
虽然文艺复兴科技也使用杠杆，但他们对风险的管理远比长期资本严格。
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。
对个人投资者来说更是没啥可比性。
9、这是一个漫长的生存者游戏。
先说一个加尔定律：
“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不会起作用，也无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非常简单，但同时对我们其他人来说完全无法实现。 绝对关键的首要原因是：
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。
他能够做到这一点的原因很简单：
他拥有资本，他对曾经和他一起/为他工作的高度不稳定的人有耐心。
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，因为他们已经成功交易了很长时间。
10、没有秘密......说了你也不懂。
格雷戈里·祖克曼的书是一个很好的叙述。
有一位专业人士说：
“自1990年代以来，我一直在研究这个问题。我认识很多在文艺复兴科技工作过的人，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。”
他的观点是：
没有什么秘密。
不过，这似乎没有什么意义。
就像一个业余国际象棋爱好者去问卡斯帕罗夫，怎样成为世界冠军？
这位天才棋手可能同样会回答：
没有什么秘密。
到底是没有秘密，还是“说了你也不懂”？
一位在伯克利读书的学生说：
这并不是什么秘密。
我想澄清关于这个问题的许多误解。他们会给人们一个错误的印象。
“当我在伯克利学习数学时，很快就会发现自己无法与任何人讨论自己正在学习的内容。
一旦你进入高年级课程，没有人真正理解你在学什么或为什么学这些。
这些课程严格、要求高，材料也难以掌握。
另一方面，出自著名的哈斯商学院的商科学生则可以轻松地通过课程并获得好成绩。
差异在于学习的质量。
数学非常困难，让大多数学生感到恐惧。
没有人会承认这一点，因为大多数人喜欢嘲笑数学的不切实际。”
詹姆斯·西蒙斯创立了文艺复兴：作为一个从伯克利获得数学博士学位的人。
我无法想象这需要做些什么样的工作。
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。
他们首先是科学家，而不是金融家。
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。
如果你确实理解了他们的工作，你可能已经为他们工作了。
小结
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。
这太像正在生成式AI领域发生的事情了。
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，会令系统更加具有预测能力。
也许，下一个超越文艺复兴基金的，将是人工智能。
七
在上面一节杂乱但有精彩的网络讨论之后，我想进入一个更加广泛的讨论。
毕竟，文艺复兴基金离我们很远，专业的金融也离我们很远。
我们能够从中获得的，是理解这个世界的模式。
我想谈及四个主题：
1、概率思维；2、概率转向；3、消除意义；4、底层解码。
（以下部分文字，亦来自网络讨论。）
1、概率思维
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，他是什么意思？他们的风险与回报率是多少？
这是一种看待事物的方式。
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。
（这就是大数定律。）
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。
（寄希望于水晶球，过于线性，过于脆弱。）
顶尖的定性投资者需要经常正确——比如说70%或80%的时间——因为他们得不到太多的多样化。
大多数定量投资者，像罗伯特·默瑟和文艺复兴科技一样，像赌徒一样思考。
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。
2、概率转向
早在20世纪70年代末和80年代初，人工智能和机器学习就发生了一场革命。
一般的方法是避免硬性和快速规则的复杂决策树，并用贝叶斯判断来处理问题。
我此前的文章里，谈及了那篇著名的《苦涩的教训》。
其中，写到了语音识别的历史，这里面的的关键人物还和文艺复兴有交集。
“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。”
人类对规则的追求，败给了概率。
在算法、算力、数据指数级增长的背景下，人类社会正在发生巨大的概率专项：
“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式，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，
因为通过摩尔定律，大规模计算变得可行，而且能得到很好的利用。”
“自以为是”，这不正是那些光鲜的华尔街基金经理们脆弱的智慧吗？
《苦涩的教训》给出了一个普遍观点：
“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。”
世界太复杂了，而且世界如同膨胀中的宇宙一般，还在扩散式地发展着。
我们很难用不变的公式，线性的思维，来理解这个充满不确定性的世界。
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？
西蒙斯说自己是模型先生，《苦涩的教训》有一段文字可谓英雄所见略同：
“它们不应该被固有化，其原因是复杂性是无穷无尽的；相反，我们只应该构建可以找到并捕获这种任意复杂性的元方法。这些方法的关键在于它们能够找到很好的近似值，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。在我们发现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。”
把上面的AI换成文艺复兴的模型，同样有效。
3、消除意义
《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信息内容的情况下，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。”
后来，他对冗余成分的预估上升到80%，只有20%的单词承载了实际信息。
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。
对比起那些逻辑、规则和语言的意义，他们更在意的是“概率”。
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”。
而在深度学习的今天，人们进一步消除了意义：
“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，也就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。”
斯蒂芬·沃尔弗拉姆对此有一段精辟的描述：
在神经网络的早期发展阶段，人们倾向于认为应该“让神经网络做尽可能少的事”。
例如，在将语音转换为文本时，人们认为应该先分析语音的音频，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。
4、底层解码
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。
“他的世界——信号处理，与我们的领域有着惊人的相似之处。
我们探讨了贝叶斯概率决定论，
讨论了哪些模型（高斯、泊松等）适用于分布，
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？
接下来，他毫不留情地嘲讽了”所谓的基本面分析师“。
“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？
“基于部分总和的估值”......弗兰克·N·斯坦僵尸估值。
“基本面很强”......让基本面再次伟大......
“长期故事仍然完整”......
“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。
他认为，这些话语里有太多理论，太多名词，太多废话。
对比而言：
a、物理学家将市场视为一个统计问题。这是实用的。
b、MBA头脑中充满了太多未经验证的理论。那些废话既昂贵又耗时。
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，是没有意义的。
许多金融和MBA类的知识被高估了。
一个简单的测试是：
教物理学家金融比教授分析师物理学要容易得多。
然而，很多人因为这些被高估的知识而产生了能力幻觉。
我们必须进入更深处，从底层解码世界。
八
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。
杨振宁曾经在一次演讲中如此开场。
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，突然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有重要意义，被广泛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。”
在该次演讲中，杨振宁如此收尾：
今天没有人会再说“数学与物理世界完全没有关联”了。
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。
九
那么，西蒙斯的文艺复兴，用到了那些深奥的数学知识吗？
曾经有人问西蒙斯：
你做的数学和你的交易之间有联系吗？
西蒙斯回答：
没有。绝对没有。
提问者又说：
然而，你雇佣数学家和科学家来做你的大部分工作。为什么会这样？
西蒙斯坦诚回答：
数学和科学是两个不同的概念，两个不同的学科。
就其本质而言，好的数学是相当直观的。
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。
西蒙斯曾经谈及文艺复兴的策略优势：
“我们如何做它不比其他大量的基本面投资者神秘。某种程度上不那么神秘正是因为我们做什么都可以进行编程。——厉害的不是算法，而是工程化！”
如果说，理解这个世界的本质，需要数学和物理，那么，改变这个世界，则需要工程能力。
这似乎也是OpenAI的秘密所在。
十
本文概述了地球上最会赚钱的人，如何打造出一部赚钱机器。
但我更感兴趣的是，我们该如何理解这个被随机性所支配的世界？
人们总说：相关性不是因果性。
这句话经常用于批评人类通过某些表象的相关性，而得出错误的因果性。
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：
1、Why（目的论问题）：
我们期待从现象中找到一个目的。
例如，我们为什么会存在？这是两千年前的先贤们最爱思考的问题；
2、What（本体论问题）：
这涉及到“存在”的本质。
例如，世界是否是一个虚拟的游戏？
3、How（认知论问题）：
这类问题，则是是科学的、数学的、经验的。
希发基思认为，只有认知论问题才能严格求解。
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”。
人类一直试图去解释这个世界，并且用该解释去预测未来。
然而，大多数对过去的解释，并不具备对未来的预测能力。
要想突破这一点，我们必须打破许多夹层解释，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。
当然，这并不是说，统计学统治一切，算法成为上帝。（虽然目前的确如此。）
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。
他给出了一个思考者在不确定性世界的生存范式。
西蒙斯总结自己的人生：
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。
多么酣畅淋漓的一生！