孵化DeepSeek的量化交易：一個數據驅動的隱秘世界

2025-04-23 09:31 晚點LatePost

從十萬次交易到千億引數的 AI 進化。
來源 | 晚點LatePost
作者 | 孫海寧
1994 年，量化公司是當時最神秘最熱門的技術公司，他們僱用數學家和物理學家，成批買來高效能計算機做交易。
這個行業裡的標杆公司是 D.E. Shaw，它能在一天內貢獻紐交所超 2% 的訂單量。
這一年，D.E. Shaw 為計算機行業做了兩個貢獻：
一個副總裁帶隊，做出了當時罕見的免費電子郵件產品 Juno，成功上市；
另一個副總裁離職，帶著自己和老闆討論產生的好點子開車去了西雅圖，做出了全世界的電商鼻祖、市值超過 20000 億美元的亞馬遜。
30 年後，又有一家量化公司的 “副業” 影響整個計算機行業：
管理數百億元的中國頭部量化公司幻方，推出大語言模型 DeepSeek R1。
沒花一分錢營銷就震撼全球，使用者湧來的速度甚至快過早年的抖音。
貝索斯創辦亞馬遜，或者梁文鋒造出 DeepSeek 的主要原因自然不是因為他們做過量化，而是因為他們骨子裡都是創業者。
但量化投資這個極度追求人才密度且極度保密的行業文化，確實提供了適合大模型研發的環境。
招來一群聰明人不必然導致創新，疊加一個簡單的環境才夠。
量化公司證明了這一點，DeepSeek 則證明這也適用於大模型研發。
01

剝離主觀因素

在資料裡挖掘規律

“很多主觀投資說難聽點，就是靠打聽。” 
一名從業幾十年、調研過數千只基金的投資人說。
基金經理們也鑽研公開的財務資料，但他們同樣樂於組織業內人士研討會、支付每小時上千元的專家諮詢費，甚至僱上千人守在咖啡店門口拍影片，只為更早獲得獨家資訊，搶先同行一步下注。
於是，人脈變得和經驗一樣重要。
儘管橋水基金創始人瑞 · 達利歐把利率、匯率的變動原理寫成書，反覆講橋水基金憑它們投資，但《紐約時報》的記者覺得達利歐賺錢的真正秘訣是討好宏觀政策決定者，靠他們 “透題” 賺錢，也寫了本書論證。
量化公司完全放棄這些捷徑。
他們相信任何事都有人更早知道，自己也沒能力超越對手做任何判斷。
他們全部投資決策基於一個簡單的事實：
人類行為總是不斷重複，因此價格運動有規律可循，而計算機可以捕捉到這個規律。
足夠多人靠邏輯交易，會產生規律。
可口可樂和百事可樂都做汽水生意，受同樣的市場環境影響。
如果兩家公司股價差距沒來由地擴大或收窄，那至少有一家定價錯誤、價差總要回歸。
四十年前，先發現這個機會的投資者靠程式監測六、七隻相關股票的價差變動，就能撐起一隻管理 3000 萬美元的基金。
足夠多的人靠情緒交易，也產生規律。
可口可樂的投資者中總有自信過頭的，他們會更傾向於跟著自己喜歡的訊息買入，而把自己不喜歡的訊息當作噪音。
由此，新訊息只會將可口可樂股價向上頂。
學界發現過去收益好的公司，未來大機率還會好下去，把這規律稱為 “動量效應”。
量化研究員賈乾說，股票每天收益的波動中，最多可能有 5% 可被解釋。
他的工作就是找到能刻畫規律、解釋波動的 “因子”，基於它們構建投資策略。
可口可樂未來走勢與百事可樂過往股價、可口可樂過往漲幅相關，股價、漲幅資料就能作為 “因子” 投入量化模型。
因子可能是上面這樣容易理解的資訊，也可以更加複雜。
特朗普習慣把各種聳人聽聞的想法隨手發在 Twitter 上。
他第一任期內，J.P. Morgan 的研究員透過程式分析特朗普上萬條推文的語義、構建 “Volfefe” 指數，並驗證它可以解釋美國國債利率變動。
靠買賣國債賺錢的量化模型可以把 Volfefe 指數當作因子。
量化公司文藝復興創始人西蒙斯研究過月球週期對市場的影響。
路徑之一可能是：月動影響潮汐、潮汐影響航運、航運影響油價。
但他最終無功而返。
傳導鏈條太長、中間變數太多，因子對價格影響就難以識別。
機器學習方法在量化行業普及後，很多左右股價變化的因子已經完全無法用邏輯理解。
研究員確定評價因子的標準，輸入開盤價、收盤價、成交量等 “原始因子”，程式就能自動組合、迭代出更能預測股價的新因子。
投資機構 WorldQuant 曾分享過一個實際用於交易的 “較為簡單” 的因子：
 ((rank(correlation(sum(((open * 0.178404) + (close * (1 – 0.178404))), 12.7054), sum(adv120, 12.7054), 16.6208)) < rank(delta(((((high + low / 2) * 0.178404) + (vwap * (1 – 0.178404))), 3.69741))) * -1)  
除了能增加因子對價格的解釋能力外，沒人知道公式中的 0.178404 等數字有什麼現實意義。
但量化研究員不介意。
“如果是意義非常明顯的訊號，早就被用於交易了。有些訊號你不理解，但它們就在那裡，而且可能相對較強。” 文藝復興 CEO 彼得 · 布朗說。
量化研究員軒浩告訴我們，基於現實意義、拍腦袋想因子十分困難，“一天能想十個，就是天才了”。
人找的因子通常能持續幾個月、半年幫基金賺到錢。
而機器挖出來的因子失效非常快，“但架不住每天能產生幾千個。”
如果知道因子的人多了，搶著做同一種交易，它就會失效。
這讓量化行業在保密方面近乎偏執。
頭部量化公司會要求離職員工 18-24 個月內既不能自己交易、也不能去其他公司任職。
“俗稱 Gardening Leave，回家種花。” 軒浩說。
LinkedIn 簡歷中的 Gardening Leave
D.E. Shaw 創始人大衛 · 肖曾說自己公司安保水平媲美中央情報局。
被記者問 D.E Shaw 是否用神經網路演算法構思策略時，這名擁有數十億美元財富的創始人回答：
“我可以告訴你，然後必須殺了你。”
單次買賣可賺可賠，量化公司只關注大量交易時擊敗市場的機率。
2000 年初，文藝復興的大獎章基金每天交易 15-30 萬次。
“我們只在 50.75% 的情況下是對的。” 一名員工說，但這已足夠成就公司大獎章基金一年管 38 億美元、賺 21 億美元的成績。
02

僱聰明人

在簡單環境裡解決複雜問題

美國國家數學博物館每年舉行一次 “數學大師” 錦標賽：
聚起一群聰明人，比誰能在限時內能解出最多這樣的數學問題：
找到最小正整數 m，使 m²+7m+89 能被 77 整除。
2014 年比賽夜的參與者有陶哲軒，他 24 歲成為加州大學洛杉磯分校數學系終身教授，31 歲獲得 “菲爾茲獎”——數學界的諾貝爾獎。
不過他只是第二，贏過他的是約翰 · 奧弗德克，量化公司 Two Sigma 的聯合創始人。
奧弗德克可能也不是 Two Sigma 最聰明的人。
2015 年時，這家公司已經招了 130 名博士和 6 名國際數學奧林匹克競賽獲獎者。
奧弗德克前東家 D.E. Shaw 直接說自己招聘時有 “毫無歉意的精英主義”。
前美國財政部長、哈佛大學校長勞倫斯 · 薩默斯在 2006 年想去 D.E. Shaw 工作，同樣要做智力測驗。
受量化公司青睞的候選人往往來自數學、計算機、統計學等專業，金融、商科背景不是加分項。
創立幻方前，梁文鋒在浙江大學讀通訊工程，之後也偏好僱高中或大學時參加全國或國際學科競賽，比如 NOI（全國青少年資訊學奧林匹克競賽）、IOI （國際資訊學奧林匹克競賽），拿到好名次、最好是金牌的年輕人。
沒競賽背景，最好本科能考上北大、浙大、清華等高校，學計算機、電子資訊工程專業。
“科學家做這行的優勢不是數學或計算能力，而在於他們的科學思維。”西蒙斯說，他們更不可能接受統計學上的偶然事件。
2022 年 2 月，一名拿過獎的首席分析師寫 “定量分析” 研報說寧德時代未來可能跌超 20%。
儘管他事後被證明結論正確，但推導方式卻訴諸偶然：
一年前，同為行業龍頭的貴州茅臺面臨相似的市場環境，兩家公司股價走勢長得也像，他據此推測茅臺過去的跌幅可以指引寧德時代的未來表現。
現在已經被撤回的研報中，貴州茅臺和寧德時代的走勢對比
量化則是不同的研究正規化。
Two Sigma 面試員工時，一個例題是如何用數學方法驗證 “CEO 離職，公司股價下跌”。
應試者和麵試官會討論實驗方案：
如何確定收集的資料樣本足夠多、足夠全面？
如何定義下跌——是用一天的跌幅，還是一週、一個月？
如何控制對照組和測試組儘可能相似？
如何區分 CEO 離職是因為能力不足還是正常退休？
如何區分股價下跌是因為 CEO 離職，還是在被大盤向下拽？
用哪個統計值做推斷、它超過多少時，要以多少置信度推翻假設？
哪怕選鄰居時，量化公司也和傳統金融行業保持距離。
Two Sigma、D.E. Shaw 們不在華爾街設辦公室；
幻方總部位於杭州，它和同行們的北京辦公室也聚集在清華科技園，而不是國貿、金融街。
選址本身就是一個宣言：
不靠人情世故、不靠勾兌資訊，潛心研究也能賺大錢。
去過 D.E. Shaw 辦公室的投資人覺得那裡安靜得像圖書館研究室；
文藝復興公司內有能容納 100 人的禮堂，定期舉辦科學講座，比如結直腸癌研究的最新進展。
“當聽到有人談論有趣的統計應用時，有助於激發思考。” 一名員工說。
希望聰明人持續創新，最好的方法是減少管控、干預。
軒浩就職於一家全球頂級量化投資機構，其內部有多個小組互不透風、獨立交易，就像一個個小投資機構：
各組只要控制好風險，投資方法論並不需要一致，每年扣掉交給公司的提成、資料介面等成本後，剩下的利潤都歸自己所有。
“有一個組瞄準一種另類資產，做一套策略賺了數十億元。所有人都財富自由了。”
另一類量化公司偏好集體決策。
全員共同打磨一個交易系統，但依然給員工自由發揮的空間。
在文藝復興，員工可以出入同事辦公室，尋求建議或發起合作。
研究員花大量時間用於成果展示，“如果沒有取得太大的進步，你會感到有壓力。” 一名員工說。
評判標準十分清晰：一天結束，賬戶裡的錢是變多還是變少。
這與網際網路公司顯著不同。
大廠的中層管理者把手下人數與晉升機會掛鉤，不會輕易允許下屬參與其他團隊分工，自己還要在雙月會上爭搶更多業務領地。
所有人都要在 KPI 或 OKR 中提前寫定自己下週、下個月、下個季度要幹什麼。
在難以分清個人成績和公司體系力量的大公司，只能用各種管理手段。
幻方的管理風格與文藝復興類似，並被 DeepSeek 團隊繼承。
後者辦公區會議室兩側都設定了隨手能推開的門，“給偶然留出空隙”。
“我們一般不前置分工。” 梁文鋒說，員工沒有 KPI，“遇到問題，自己就會拉人討論。” 當想法顯出潛力，公司會自上而下調配資源。
03

一種方式，用到極致

把數十億美元交給機器打點，完全相信它們是件反人性的事，哪怕對行業先驅也如此。
最早嘗試機器學習演算法時，西蒙斯並不放心：
“我不理解為什麼模型一直要求買入而不是賣出？這就是個黑箱！”
緩解焦慮不是靠退回人工干預，而是窮盡資料、算力，將演算法的潛力發揮到極致。
文藝復興的資料庫從 18 世紀開始，現在 “每天增長 40TB（1TB = 1000GB）”，他們還有 “52000 個計算核心與 150GB 每秒的全球傳輸速度”。
Two Sigma 則有 “超過 7200 個伺服器”“來自 10000 多個數據源的超過 300PB 資料（1PB = 1000TB）”。
呼叫資源、設計量化策略時則要執著於每一個細節。
軒浩舉例：一個模型預測股價要漲 20%，應該以什麼機率相信它？
模型說要下 1000 單，那應該在 10 秒、20 秒還是 1 分鐘內執行完？
賣的時候，是真要等到漲到 20%、市場交易量變小的時候，還是趁有人願意買，漲 15% 就提前止盈？
不是每一分投入都有相應的回報。
結果出現前，量化研究員甚至不確定自己努力方向是否正確。
伊黎試過從文字資訊中提取因子，先人工看完 1000 條樣本、打上標籤，用它們訓練一個自動打標的語義分析模型，還要訓練另一個模型驗證打標準確性。
輸入第三個模型分析後，她終於得出幾十個因子，測試完，所幸有五個可以用。
大模型迭代與之類似。
GPT 模型理論架構最早來自 Google，OpenAI 成為最終受益者，是因為敢在前景模糊時，租卡、買資料，花千萬美元一次又一次訓練更大的模型。
1.17 億引數，表現平平；
15 億，仍不驚豔；
1750 億，智慧湧現。
黃仁勳問 OpenAI 聯合創始人蘇茨克沃：
研發 GPT 模型時，你一直相信擴大規模能提高效能嗎？
“這是一個直覺。我有一個很強烈的信念，更大意味著更好。” 蘇茨克沃回答。
一個量化從業者感慨梁文鋒從浙大資訊與通訊工程專業畢業後，沒有選擇當時很好、之後會更好的就業機會，自己花幾年閉門琢磨用演算法買股票——
“這麼搞就不好再找工作了”。
到了 2021 年，大語言模型的影響主要還停留在學界，ChatGPT 沒誕生。
當時頭部量化投資公司個個用了機器學習，但只有幻方花出上億元買來一萬張英偉達顯示卡，執行各種大型 AI 模型。
成功的創業者往往押中一套正確的方法，將它貫徹到極致。
前者多少靠運氣，後者只能靠信念，是 AI 取代不了的決策。
  ·   END   ·  
視 頻 推 薦
合 作 對 接
尋求報道、商務合作、投融資對接媒體互推、開白、投稿、爆料等……

掃碼新增投資人說運營者微信，備註「商務合作」詳細溝通。


超 級 社 群
【投資人說】正在組建超級投資者社群、超級創業者社群、超級讀者群、超級媒體群等，目前總人數已超1000人。
關注【投資人說】微信公眾號，傳送資訊「進群」，與各行業精英直接交流，共同進步。
旗 下 媒 體
發現贊和在看了嗎，戳下看看

相關文章