前些日子跟做量化的好朋友聊天，她告訴我說自己的模型顯示30年期國債期貨會這波估計要砸在113.34到115之間。這兩天看起來大差不差。再回想起前一陣子她模型測出來美元指數要到105——
誇她“精準”，姐們眉開眼笑，說全歸功於最近程式設計功力大進，因為“僱”了個24-7小時反反覆覆修改程式碼的助手Claude。之前她老抱怨程式設計師不靠譜，領會不了自己意思，而且不夠勤奮，讓他們改個三四遍就不耐煩了。
現在好了，自己直接上手調教。雖然AI剛上手也比較笨，但如果指令給到對，不比一般普通程式設計師差太多，但是它最大優點就是耐操——7天24小時隨時改，改完又改，可以一直改。雖然有時候也要改一週，和程式設計師耗時差不多，但人家脾氣好，從不抱怨。另外一點就是它進步快，有時候一個問題當時沒答案，但過一週再讓它幹活時候，發現已經解決了。
不過她覺得OpenAI的ChatGPT不太好用，程式設計最好的是Claude——這個我們團隊小朋友也普遍對這個感受最好，畢竟是OpenAI當年重臣Dario Amodei創立的。她另外給我種草了xAI，說是讀書最佳，讀的又快，抓中心思想一等一。不過核心點：一定要付費的，免費的最貴，純屬浪費時間。
說起現在抓市場波動，現在就是用AI跑程式去“identify pattern”。我的博士論文就是用日內高頻資料去看序列交易，從序列中判斷是機構還是散戶的單，然後透過各種計算看市場上的資金面的跟風現象到底有多嚴重，市場價格會受到什麼影響——我當年是用TAQ的日內高頻資料，資料量太大，沒法在本地跑。所以當時（2006-2007年左右）是用遠端桌面連線沃頓商學院的WRDS資料庫，在它們的伺服器上跑程式。程式需要時時刻刻除錯，所以每次都需要下載少量資料，在本地機器上編好程式調好後上傳過去，我不是學計算機出身的，程式設計也慢，debug也慢，等傳過去，有時跑一個晚上第二天早上發現又出了bug，這麼反覆折騰，大半年才把20多年的資料處理出來——換在今天，花點時間訓練AI幹，估計一個月無論如何夠了。
說到這裡，兩個人都有點唏噓。念博士都是20年前的事情了。這20年間，尤其從2011年之後，時間似乎在加速。過去幾年間，知識結構和工作方式尤其變得面目全非。當年做Asset Pricing的，大都跟價值因子（Value Factor），市值模型（Size Factor）較過勁，拼命找各種新因子——我前兩年看學術期刊論文還有不少人挖空心思在幹這些，但先不說Size和Value兩個因子早已早消逝風中，即使在歷史資料裡找到什麼真有風險溢價的因子，在現實交易中，其實也沒了意義。
其實到底什麼是知識？說實話，我都有點迷惘。
但可以肯定的是，舊世界的堡壘已經在一點點的破碎坍塌。包括我們這幾代人奉為圭臬的很多底層架構。比如說，之前的增長的要素是K（資金），L（人力），A(技術，現在都說“資料”是生產要素，可以直接轉化為生產力或者說營收利潤，那這個要素是新要素，還是被包含在K或者L，或者A裡面？這個要素的一個重要特徵是並不是“非此即彼”，越用越少，反而是越用越多，這才有了“邊際效益遞增，邊際成本遞減”的新現象，這些擁有數字要素的企業已經漸漸成為了社會的主流，但對這些企業的估值，包括企業的資產負債表，會計準則，幾乎完全沒有考慮到這個“新要素”的存在。
太多這樣的問題，在文獻中並沒有現成答案。有時候想，這種尚未存在的知識和思考，也許才是AI時代我們的救贖吧。
初春的北京突然暖和起來，我在院子裡晃悠，迎春花三三兩兩的開了，小小的，淡黃的蕊光禿禿的綻放在枯乾的藤枝上，弱小，但倔強。覺得自己這些年想做的學問，好像也有點像這個植物。
點選底部“閱讀原文”檢視更多
在職“MBA/EMBA/DBA”課程
↓↓↓↓↓↓↓↓↓↓↓↓
