前 Tudor 量化 PM：交易领域至少 15 年没有真正的新点子Odds on Open

量化金融里的每个人都是天才。这不会让你显得特别，只说明你跟这里的其他人一样。我最喜欢对冲基金行业的一点，是它几乎残酷地诚实。你最终都要面对大致同一批两千家左右的机构客户；他们知道你在做什么，也知道你怎么做。很多时候，只要把你的收益结果给他们看，他们就能把你的投资组合和风险暴露拆出来，甚至不需要你先解释策略。

再好的策略也会亏钱，可能有大约 40% 的时候是在亏。你也可能因为运营问题而亏钱；只要你诚实，通常别人会原谅你。但如果你在收益上撒谎，那不只是“我不该投你”，而是“我应该打电话给其他配置人，提醒他们也不要投你”。

你作为二年级、三年级、五年级分析师想到的每一个点子，大概率都已经被别人想过一百遍。我至少 15 年没有看到过真正新的交易思想。一个做投行的好朋友跟我说，如果人生重来一次，他会做完全不同的事。钱当然很好，但还有很多更容易赚到这些钱的方法。

把零售交易者做的事情和量化对冲基金做的事情放在一起比较，就像把在 New Jersey Turnpike 上开公交车和赢一场 Formula 1 比赛放在一起比较。如果你进入交易只是为了刺激，那就不要把它当职业。

Tom，非常感谢你来节目。我很期待这次对话。对冲基金经理的第一目标到底是什么？

第一目标当然是成功。但要成功，有很多事情是多数基金经理并没有真正做好。对我来说，最早、最优先的一件事始终是建立足够的可信度：当你去见典型的对冲基金投资者——也就是机构资金管理人——你要讲出一个他们首先愿意相信、而且可以被数据支持的真实故事。

目标是让你说话时他们愿意相信你，然后他们才可能把钱投给你。除了真正赚到钱之外，吸引资本可能是基金经理最难做的事情。

那早期经理怎么走到“有可信度”这一步？听起来既没有成熟的人才体系，也很难先拿到资本，而资本又要向配置人募。

大多数人一开始靠朋友和家人的钱。除非你来自大银行，有内部赞助，或者有一个大客户愿意做锚定投资，让你一开始就有比较大的资金池。否则，如果你是自己从零起步，朋友和家人的钱几乎就是标准路径。

先给这个行业加一点上下文。人们说“对冲基金行业”，这个说法太宽了。在我脑子里，对冲基金收益是帕累托分布：有点像财富分布，顶端是极少数巨大的赢家，往下很快变平。

对冲基金里，大约在 40% 这个位置会出现明显分层：可以粗略地说，约 60% 有盈利，底部约 40% 每年亏钱；底部约 25% 中又会有相当一部分退出，再被新的基金补上。这是一个持续淘汰、持续补充的池子。

那么 AI、机器学习或者更强的模型，会不会改变这种行业结构？

我不认为“模型更聪明”就自动解决问题。很多底部参与者的问题不是不聪明，而是没有理解金融系统本身的架构：市场在处理什么信息、风险是怎么传导的、你所谓的 Alpha 到底是从什么残差里来的。如果框架错了，再聪明的工具也只是在错误框架里算得更快。

这是一个很长的清单。最根本的问题，是很多人误解了市场是什么。市场首先是一个“气压计”，是一套处理外部世界信息的工具。外部世界发生一件事，你理解它会怎样影响不同股票或资产，然后价格会重新定价，把这条信息吸收到市场里。底部那些参与者往往不这么想。

他们不会把 Alpha 想成“把其他风险都对冲掉以后剩下的东西”，也很少先想资本保全。很多人甚至没有真正的风险管理；他们相信有时候应该高风险、有时候应该低风险——但那其实就是择时，而择时对任何人都不可靠。

于是他们把市场当赌场：要么买一张彩票，要么找一个“永远正确”的技巧。卖期权权利金就是典型例子，看起来天天都对，直到某一天不对，而那一天可能让你总体上亏钱。顶级机构反而把注意力放在市场结构上。

我喜欢把顶级金融里的“统一场论”总结成一句话：一切金融资产都是经过概率加权、再折现到今天的未来现金流。 这句话甚至可以印在 T 恤上。任何资产都有未来现金流，或者至少有未来现金流发生的概率，把它折现到今天，就是当下的价值。大家当然会对现金流什么时候发生、概率多大、金额多少产生不同判断，也会用不同模型；但一旦算出公允价值，市场价高于它就卖，低于它就买。

顶部那一小群人做的本质就是这个，只是时间尺度、效率和工具不同。底部约 40% 常常错过的也是这个。

Crypto 是很好的例子，因为里面有大量真正的天才，但不少人对金融史和金融风险并不熟。比如一个 Caltech 出来的年轻人，数学比我强得多，做出一个高频做市系统；但他未必知道，高频做市天然有短波动偏差，本质上带有均值回归赌注——你在赌一切会回到正常状态。波动突然上升时，你就会亏钱。Tom 举例说，上一年 10/10 那次事件里，Crypto 市场做市商中大约一半就遭遇了这类问题。

所以问题不是他们不够聪明。恰恰相反，量化金融里人人都很聪明。聪明只是一项要求，不是让你特别的东西。

如果市场最终反映信息，那一个基金究竟是在赚谁的钱？你所说的可持续机会到底来自哪里？

从某种意义上说，你永远在利用别人的错误。自然界里，一群羚羊被捕食者追逐，最先被吃掉的是那只腿有点瘸、跑得稍微慢一点的。市场也一样：当有人因为知识、执行、风险理解或激励机制而做出系统性错误，利润机会就出现了。

这也是为什么我不相信“只要 AGI 出现，市场就会被一个超级智能彻底打穿”这种简单叙事。市场价格本来就是大量机构、个人、机器和信息共同作用的结果，是累积智能的产物。可捕捉的 Alpha 一旦被发现、被资本追逐，就会被压缩。你不是在和一台机器比赛，而是在和整个系统累积起来的竞争能力比赛。

市场当然并非绝对没有操纵或违规。内幕交易、front-running 等行为存在，它们属于尾部例外；但日常的大部分定价并不需要靠“有人操纵”来解释。更常见的是，不同参与者在不同约束和激励下做出了可预测的行为。

比如面对 Nvidia 这类公司，你不能只看一个价格图形。你要把它拆成现金流、行业需求、概率、估值、期限和风险暴露，再问：市场现在隐含了什么？我知道什么是别人还没有充分计入的？如果没有这一步，只看“它涨了很多”或者“它应该回归均值”，那并不是机构意义上的研究。

还有一件经常被误解的事：稳定并不等于永远不亏。一个真正优秀的策略也会有大量亏损日。我前面说 60%——不，对不起，是 40%——也可能是 45% 的时间在亏钱。重点不是每一天都赢，而是你的收益分布、风险暴露和长期期望值是否合理。

如果一个人说自己从不亏，那反而值得怀疑。机构会看你的结果形状：是不是有一个看起来每天赚一点、偶尔突然大亏的短 Gamma 分布？是不是把市场 Beta 藏在所谓 Alpha 里？是不是通过某种运营方式把风险推迟到以后才显现？这些东西都能从记录里逐渐拆出来。

所以我反复说诚实。运营上犯错不一定致命，策略阶段性失效也不一定致命。真正致命的是你撒谎，把风险、亏损或真实行为包装成别的东西。因为一旦可信度破产，机构网络会非常快地传播这个信息。

有些候选 PM 会担心：我去见配置人，把自己的 Alpha 解释得太清楚，对方会不会把我的策略偷走？

我以前做配置和交易管理时，手上管理过大约十亿美元规模的量化资金。我多年里差不多每周要见很多候选 PM，最高的时候可能一周十次左右。大家总担心“我的点子会不会被偷”。但想法本身几乎不值钱，回测也不值钱。真正值钱的是你能不能把它变成真实、可重复、可审计的结果。

回测可以很容易变成小说。你有一段历史数据，就可以不断改参数、改样本、改规则，直到看起来很漂亮；但市场不会按照你写好的小说活下去。一个配置人看过太多类似东西，他要的是“你本人是否能持续把这个优势做出来”。

当然，每个人都可能有自己的独特变化或实现方式。高频交易过去十年里也确实出现过由硬件、网络和执行速度带来的新优势，但那更像技术速度上的进步，而不是新的金融思想，而且这种 Alpha 很快就会被竞争者压掉。

如果你的 Alpha 真有价值，最有价值的东西通常不是一张公式纸，而是你理解它、执行它、维护它、知道它什么时候坏掉，以及你积累出来的真实记录。配置人更想雇你或投你，而不是偷走一段自己未必能运行的代码。

Alpha 并不会完全消失。新的市场、新的法律结构、新的组织方式、新的交易基础设施都会产生新的摩擦。只是未来的机会往往更短、更小、更快被发现。

一个机会如果只能在一亿美元上赚 10%，和一个可以在一百亿美元上赚 1% 的机会，对不同机构的意义完全不同。规模本身会改变你能做什么，也会改变什么样的 Alpha 值得追。

所以像 Millennium 这类大平台的优势，不是“他们有一个神秘公式”，而是组织结构能持续寻找、筛选并装配很多相互独立的小优势，同时控制每个团队的风险和容量。

说到组织结构，人们经常谈到 Pod Shop 的结构设计有多厉害：它们像运转良好的机器，风险管理也做得非常好。也许我理解得不对，但我觉得这是很多刚起步的基金经理不会认真想的一点——这些参与者其实非常成熟，业务也经营得非常严谨。不只是新基金经理，一般投资者能从这些机构经营业务、策略、团队和基金的流程与严肃程度里学到什么？

我觉得一个很有用的视角，是把这个行业看成一连串“筛选器”。我刚入行时，第一份真正通向对冲基金端的工作之所以拿得到，是因为我已经从大银行体系里走过一遍。我从 JPMorgan 的 swaps desk 开始，后来去 Deutsche Bank 做过策略建模，再去 Moore Capital。Moore 会雇我，是因为在那之前我已经在卖方做了大约十年；他们知道我是机构体系出来的人，懂风险管理的基本功，也适合那个角色。

你不能随便从大学里找一个人来做同样的工作，因为他还没有那套知识基础。Pod Shop 之所以经营得那么好，也因为这些筛选同样作用在它们自己身上。你如果有机会采访 Izzy Englander，我觉得会是很好的对话——他非常聪明。Steven Cohen 很聪明，Paul Tudor Jones 也很聪明；Louis Bacon 在我看来甚至是当今最好的宏观市场策略家之一。这些人也都被长期筛选过。

他们不只是自己能交易赚钱，还得能雇到会赚钱的人，管理整个组合的风险，把业务制度搭起来——谁拿多少薪酬、做到什么程度拿到什么回报，诸如此类。很多组织创新其实就是少数这些人一点点建立起来的。全球所谓 Pod Shop 到底有多少？也许五十家左右？我只是随口估计。但它们都经过时间筛选：有资本，也知道怎么用客户真正需要的方式解决问题。

这种层层筛选还有一个后果：今天如果你想进入大型 Pod Shop，往往必须比过去更早决定自己要走这条路。我当年去 JPMorgan 时，只是觉得自己想在华尔街工作，并没有提前规划成“先在 exotic swaps desk 做几年，再去做 two-factor model，然后转成某类 quant”。我根本没把路径设计得那么细。

但现在竞争太激烈了，而且这是一份高地位工作，所以你会在真正进去之前被疯狂筛选。Millennium 不会把一个刚毕业的大学生直接招进来当 PM；通常连分析师岗位也不是拿来从零训练人的。传统对冲基金一般不承担这种训练职能。高频机构会稍微不同——这正好接到下一段。

高频交易公司确实会做一些从学校直接培养的事，因为它们需要的是更偏数学的技能组合。但这条路现在也变得更加拥挤：全世界拿数学学位的人都想去 Jane Street、Hudson River Trading 之类的地方。

所以说这些公司“管理得很好、管得很严”，都算轻描淡写。你进去之后，会有非常仔细、而且已经相当标准化的风险管理框架围着你，也会受到严密监督。你不会今天做股票、明天改做外汇，然后忽然说“我再加一点 Crypto”。这种决定已经不是你自己随意做的。

在这些机构里，他们雇的甚至不是抽象意义上的“你”，而是一组可识别的现金流。他们必须事先知道这些现金流来自什么。等你进去以后，如果大家发现你确实很聪明、很擅长某件事，也能提出新想法，你也许可以慢慢建立内部信誉；但进门时，他们真正感兴趣的是你能证明什么。

我也不确定这是不是直接回答了你的问题，只是你一提到这件事，我脑子就顺着这个方向走了。

完全回答了，而且刚才那一点正好连到我最近一直在想的事。很多工作之所以变成“高地位职业”，似乎是因为人们看到前面的人走过同一条路径，于是对职业做一种回测：看看那些人后来怎么样，然后觉得“我走同样的路，也会得到同样的结果”。

比如一个人毕业后就去了 Susquehanna，在那里待了 20 年，现在非常富有、机会很多，大家也把他看成非常厉害的交易员，觉得他选中了最好的职业。后来的人就会说：“好，那我现在进这个行业，二十年后也会是这样。”但这显然是很危险的推断，因为上一代人吃到了很多顺风，过去的环境和今天并不一样。

所以如果把 HFT、Pod Shop、量化、成为 PM 这些路径放在一起看，到了 2026 年，选择这条路本身还有 Edge 吗？

这是一个完全合理的问题。市场从来都不是普遍有效的，也永远不会完全有效，因为不同参与者获取信息的成本不一样。要是你想从经济学上展开，我们可以一直讲到 Joe Stiglitz 等等。但你确实指出了一个更重要的问题：有些职业和策略是有“时代窗口”的。

我会想到我以前的老板 Paul Tudor Jones 和 Louis Bacon。他们成为非常富有的人，在某种意义上确实因为处在正确的时间、正确的位置。他们聪明吗？当然。非常优秀吗？当然。在那个时点做对了几乎所有该做的事吗？毫无疑问。可问题是，很多人同样很聪明、同样努力、同样做对了很多事，却没有得到接近他们的结果。

我自己某种程度上就是例子。我在金融业做了 35 年，大约 20 年在管理资金，从来没有一个亏损年份，但你大概以前根本没听说过我。部分原因是我信 Louis Bacon 那套“no press is good press”——没有新闻就是好新闻。但即便如此，我在行业里也不是什么大人物。我做过 PM，也做过 equity trading 的负责人，但我不是亿万富翁，差得远。连我前妻都不是亿万富翁——虽然她现在已经很有钱了（笑）。

所以，确实存在“时点”这回事。Paul 和 Louis 正好在那个时代成为全球宏观基金经理；而我当时的经济学背景加上足够的数学能力，也正好是金融业需要的技能组合。可我当年在 JPMorgan 的整份工作，现在打开 Bloomberg Terminal 基本就能替你做完。那些知识已经被编码、标准化了。

过去 20 年，行业需要的重点已经换过一轮；过去十年很大一部分机会在高频交易。但在我看来，那条路也会比较快地走到边际。真正的问题是：下一件事是什么？很可能是你我现在都看不到的东西。

也许等越来越多资产和结算走上 Crypto rails，市场彼此之间会连接得更高效，同时产生新的套利机会。比如某种迪拜房地产市场和芝加哥房地产代币之间的价差——我只是举个随意的例子。总会有新的东西出现；悲剧在于，我没有本事提前告诉你那会是什么。

但如果你现在还是大学生，我不会建议你照着我的职业路径复制，也不会建议你照着 Paul Tudor Jones 的路径走，甚至不该只看那些去了 Jane Street、几年内赚到很多钱的朋友，然后认为那就是自己的未来。那条通道会非常拥挤。我觉得你最好去找另一条路——这是我的看法。

我同意。我也觉得可惜的是，太多人是在玩地位游戏：把别人的路径映射到自己身上，然后产生一种确定感，仿佛二十年后自己必然会走到和那个人相似的位置。

很多年轻人其实是在追逐地位，而不是在做经济选择。他们看见投行、对冲基金、私募股权这些职业被贴上“聪明、成功、赚钱”的标签，于是所有人都往同一条路挤。

我有一个很好的朋友是投资银行家。他说如果让他重新来一遍，他会做完全不同的事。他认识一个做救护车相关供应业务的人，公司大概十来个员工，把产品卖给政府并赚取很好的加价，工作日可能只需要六个小时，企业价值大约做到 1.5 亿美元。相比之下，很多投行家每天工作接近 20 个小时，最终只是赚到几百万美元。

这不是说那家公司的每个数字都能复制，而是说明路径选择本身很重要。你如果只是因为“对冲基金听起来厉害”就进入行业，可能是在参加一个竞争最激烈、声望也未必友好的游戏。

事实上，很多人听到你说“我在对冲基金工作”并不会更尊重你，反而可能觉得你是坏人。我不同意这种看法，但它确实存在。钱很好，可如果目标只是钱，得到钱有很多更容易的办法——至少在我看来是这样。

你曾在 Tudor 为 Paul Tudor Jones 工作。回到“游戏选择”这个话题，你觉得他一开始就看见了资产管理行业会变得这么大吗？还是只是一步步走进去？我之所以问，是因为他实在太特殊了。

我得先加限定：我为 Paul Tudor Jones 工作过，但我并不算很了解他。我们有过几次对话，当时公司已经很大，中间还有管理层。Louis Bacon 我认识得更深一些，我直接和他共事过很长时间。

所以下面是我的推测：我不认为他们两个人当初都预见了今天这个行业会长成什么样。我认为他们首先是非常好的交易员，而且喜欢交易。他们很聪明的一点，是后来找到了非常好的运营管理者。一个基金经理如果真的想做好交易，通常不应该自己去处理工资、会计、运营和所有行政细节。

Paul 和 Louis 都非常幸运地拥有优秀的运营人员，同时他们对风险管理的态度也正确。这一点比很多人想象得更重要，也是大型机构投资者愿意相信他们的原因之一。

再看经济账。假设我经营一只基金，我的公司只拿 P&L 的 20%。这 20% 还要支付员工工资、合伙人分成、运营和所有成本。公司赚了 1,000 万美元，不代表我个人就赚了 1,000 万美元，差得很远。

真正让这个行业的创始人变得非常有钱的是规模。假设你管理 100 亿美元，赚 15%，再从中拿 20%，即使付完所有工资，剩下的仍然很多。但如果基金很小，经济账可能并不好看，你甚至可能更适合只交易自己的钱。

我跟一个很有驱动力、也很聪明的朋友聊过，他以后想创办基金。他问我这件事到底有多可行。我给他的例子是先筹到 1 亿美元——这本身就非常难，尤其是第一次募资。然后还有团队、运营、纽约的成本等等。真正进入你口袋、能增加净资产的钱，远没有外界想象得那么夸张。外面的人常觉得“管理十亿美元的人一定是在街上撒百元钞票”，现实完全不是这样。你怎么看？

这个判断大体是对的。起步阶段最难的是先证明自己、再筹到足够资本，同时还要承担一个真实机构需要的固定成本。管理规模看起来很大，并不等于经理个人可支配的钱同样大。

还有一个常见错觉：大家只看管理资产总额，却不看费用结构、利润分成、人员成本和投资策略的容量。如果你的策略本身只能承载有限资金，盲目追求 AUM 甚至可能让策略变差。

现在可能有八百万、甚至一千万个非常聪明的工程学生，觉得自己写一段代码、开一个 Robinhood 账户、接上 API，然后“砰”的一下，车道上就出现一辆 Lamborghini。现实不是这样。

新手会重复行业里几乎所有聪明人都犯过的那套错误。先说“我不能择时，因为我不知道什么时候涨跌，那我就做均值回归”。做完发现不工作，因为真正有效的均值回归策略可能十年、甚至四十年前就已经有人在跑了。

然后他会说，那我做 S&P 500 套利，建一个完整矩阵。但别人也在做，而且人家把机器 colocate 在交易所旁边，订单比你先到，所以你拿不到那笔交易。再然后做动量、找动量因子；不行以后，如果数学够多，就做 principal component analysis、因子拆解、改变时间尺度……大家沿着同一棵树不断走。

最大的错误是把“对我来说是新点子”误认为“对市场来说也是新点子”。我做机构金融 35 年了，我觉得自己真正有过的原创点子可能只有一个；严格说，那还是从 Joe Stiglitz 的工作上延伸出来的。他拿了诺贝尔奖，所以当然不是“什么都没有”，但我的贡献依然是对已有知识再走一步。

我这一生做的交易动作其实只有三种：买、卖、等。别人也是如此。真正的工作，是把庞大的既有知识往前推进一个合理的小步，找到一个信息优势，再把这个小优势稳定地重复很多次。

不能把职业做成彩票，也不能说“我对这笔高确信度交易全仓，中了就发财”。迟早会输。你需要的是某种系统性的信息优势，哪怕非常小，并且能重复很多次。即便找到了，容量通常也有限。如果你本来已经是千万富翁，那你甚至该问问自己，为什么还要承受交易这份压力。

我见过最大的错误，就是低估竞争。人们觉得“我只要想到一个点子，它就会赚钱”。事实几乎相反：交易可能是世界上效率最高、竞争者最强的市场之一。按我的看法，你去做一个和 Facebook、Twitter 竞争的社交网络，可能都比在交易里找到无人竞争的空间容易。

我很久没有听到真正新的交易思想了。高频公司会用不同的数学、换不同角度，会有更快的芯片、更低的延迟，这些都是进步；但我至少 15 年没有看见一套真正新的“交易思想”。更多时候只是更好的人，把我们已经知道怎么做的事情做得更好。

十五年没有真正的新点子，这听起来太夸张了。

连 Crypto 也没有改变这个判断。Crypto 里有很多极聪明的人，我有时会开玩笑说他们是在“cosplay finance”。这个市场最初更偏零售，而从机构视角看，最容易的钱往往来自最大的资讯优势——零售参与者通常对真正发生的事情了解更少。

这不等于 Crypto 没有创新。里面有很多真正好的、创新的技术和机制，它们会提升效率。我的意思是，我没有看到其中出现全新的交易思想。至于某些所谓“新招”，我会半开玩笑地补一句：如果最后会把人送进监狱，那不算我说的创新交易思想。

很多还没实习过的人想进入量化交易，其实并不知道每天的工作是什么。他们想象自己坐在 16 个屏幕前，大喊“第五个算法坏了，砍掉砍掉”，或者一整天处于心流状态写代码。现实是不是大部分都很无聊？

是。把零售交易和量化对冲基金相比，就像把在 New Jersey Turnpike 上开公交车和赢 Formula 1 比赛相比——根本不是同一种活动。成功的量化基金里有大量日常、重复、琐碎的工作。

AI 正在改变这部分。我们现在把 AI 当研究助理，让它处理数据清洗、数据结构、把一个数据集正确关联到另一个数据集，以及很多底层的 grunt work。但目标不是让交易更刺激，而是尽量让它不刺激。

最理想的交易系统应该让你觉得无聊。真正好的流程，是把已知的风险拆开、把数据做好、把小优势重复执行，而不是每天靠肾上腺素做决定。新的工具会让执行更好，但“工具更新”不等于底层思想每天都在被重新发明。

我举一个自己做过的例子。Goldman Sachs 的交易业务从整体上看，几乎每天都能赚钱；完整的一天出现亏损是非常少见的。我记得有时几年才会有一个真正的 down day。这里我讲的是我对大型交易组织的观察，不是说每个交易员每一天都赢。

原因是他们建立了一个决策结构：每个地方都只比竞争者领先一点点，再把风险在不同业务之间管理好。Goldman 并不是特别量化的机构，仍然有很强的 discretionary 成分；量化体系通常还会更纪律化。

2003 年，我做出了自己第一个真正成功的量化交易系统。它用自然语言解析新闻，然后根据解析结果交易。这和我从 Joe Stiglitz 的思想延伸出来的那条线有关：不是简单读新闻情绪，而是用另一种方式理解信息如何进入价格。

那个年代甚至没有现成的历史新闻数据库可以买。新闻在线路上传完就消失了，所以我第一件事是自己写工具，把新闻流读下来、存进数据库，之后才能回测。我大约从 2001 年开始积数据，因为至少要两年的历史才能测试，到 2003 年才真正把系统建起来。

2003 年就想到用这种方式做 NLP 已经非常早了。今天很多刚起步的人才刚想到类似方向。请继续。

系统把新闻解析成信号，持有期大约三天到十二天，不算超短，也不是很长。我经历了内部批准、风险预算等流程，终于把它上线，最开始表现非常好。

大约一年后，Sharpe 开始下降，收益也开始变平。这时真正的工作才开始。我得看结果、寻找更好的 hedge。最初也许用 S&P 做对冲，后来改成 sector ETF，性能改善后又多撑了几年。

再衰减时，我把 beta 和 gamma 风险拆开处理，可能加入期权对冲，让留下来的风险更多是 idiosyncratic risk，而不是市场 beta。最初那个大点子大约在 2001 到 2003 年形成，但到了 2005、2007、2009、2010，工作主要就是普通的 financial engineering：改 hedge、改结构、不断挤出一点更好的表现。

这套策略我跑了九年，非常赚钱；可其中八年都是“手肘埋在泥里”的维护工作。那个工作很枯燥。我反而喜欢这样，因为我觉得金融里的“刺激”被严重高估了。最舒服的是每天稳定赚一点，而不是今天爆赚、明天突然告诉我亏了一大笔。

如果你进入交易是为了刺激，就别把它当职业。那说明你选错了游戏。这种心态本身甚至会妨碍你进步。真想要刺激，可以去 Silicon Valley，或者找一个创业投资的工作。

所以“想要刺激”本身就可能是这个职业不适合你的信号？

对。一个早期分析师常看到价格图里每年有三天特别大的波动，于是想：“如果我只预测对那三天，就能赚很多钱。”然后花巨大精力预测它们，却没意识到：那些天之所以波动巨大，恰恰是因为没人提前预测到、也没人已经把头寸或 hedge 放好。你是在努力预测最不可预测的东西。

这也是“被刺激吸引”如何浪费研究时间的一个例子。顶级基金面对意外，不是问“下一次黑天鹅具体是什么”，而是把结果理解成一个分布，管理概率和尾部。

那顶级基金怎么给“意外”定价？他们真的会试着定价吗？

他们会把它当成分布来思考。我现在几乎把一切都想成分布：不是问某一次会发生什么，而是问重复很多次以后，各种结果出现的倾向和概率是什么。你真正问的是 tail risk。

人们花了巨大智力去研究尾部风险。我有一个个人观点：物理学面对的是某些真正随机的现象，而金融统计常常把本来由人的决策造成、因此在因果上更“确定”的现象当作随机，只因为我们手里最方便的工具是概率模型。

所以很多尾部风险，换一个角度看，其实是“有人比你知道得多”。他知道一件你不知道的事。如果不只看结果，而去找原因，风险有时更容易理解。

我讲一个不点名机构的例子。那家机构有一个 basis trader，做美国国债现货和国债期货、cheapest-to-deliver 之类的结构。收益曲线看起来极其稳定，但用了非常巨大的杠杆。

后来风险经理发现，他之所以赚得那么稳定，是因为他下午 1 点左右买入国债，却一直到 2:59:59、市场快收盘时才把 hedge 做上。收盘快照看起来几乎 market neutral，可实际上整个下午他都背着巨大的 beta。那才是收益序列里真正的 tail risk。

最终 CIO/CRO 一类的风险负责人看懂了这个来源，禁止他继续这样做，内部还发生了不少争论。这就是管理尾部风险的一种方法：不是只盯一个统计数字，而是找出它真正来自哪里，然后决定你是否愿意承担它。大多数时候，你会选择不承担。

巨大的单次波动并不可靠。你想要的是可以重复、可以预测的东西。金融归根到底还是概率加权后的折现现金流。在我的经验里，真正有空间的是“概率”本身。Nvidia 未来收入或股息的可能范围未必最难估，难的是不同情形发生的概率。

这个例子很有意思，因为大型基金里的激励可能是：我怎么承担尽可能多的风险、偷偷骑一点 beta，然后拿到我的 20%？第一，今天成熟机构里还有没有办法“玩系统”？第二，机构怎么阻止 PM 这么做？

我很幸运，曾和 Moore Capital、Caxton 的一些极其聪明的 chief risk officer 共事。我和他们都很熟。他们是非常杰出的人。我不知道 Millennium 今天的 CRO 是谁，但如果不是同样聪明的人，我会非常惊讶。

真正更常见的问题不是你成功骗过系统，而是你以为自己骗过了系统，其实并没有。经验丰富的交易员也会掉进一种常见的坑——gamma trap。

Gamma hedging 比表面看起来难得多。你可以卖期权收 premium，100 天里 99 天赚钱；而那 99 天里的 98 天，你会越来越相信自己是天才，觉得发现了全新的东西。

你每天赚得不多，于是自然会想：“那我把规模乘一万倍不就发财了吗？”但你没有破解密码，你只是把风险压缩到了少数极端日里。

你可能每天赚 1%、0.5%，甚至 0.1%，然后在第 99 天亏掉 150%。把它放到多年里平均，你仍然是输家。只是上升过程非常舒服。

对冲基金 PM 的激励让这件事更危险。第一年 short gamma 赚钱，你拿奖金；第二年继续赚钱，再拿奖金；第三年亏掉比前两年总利润更多的钱，基金整体成了净亏损，可你前两年的薪酬已经拿到了。也许你被解雇，然后去下一家公司再做一遍。我见过这种错误很多次。

我会猜 Millennium、Bridgewater 等成熟机构现在都足够聪明，能识别这种形状。所以不要把职业目标设成“怎么骗过风险系统”。这些机构之所以长这么大，就是因为它们知道怎么做这件事。

聪明在量化金融里只是入场要求，不是稀缺优势。但我也不想过度打击人。每年仍然有人冷启动进入这个行业，做出成功策略，赚很多钱。只是“新东西”通常是对已有结构的一点改进，而不是从天而降的新物理定律。

这条路仍然存在，只是排队的人比以前多太多。我去 Moore Capital 时竞争没有今天这么夸张；现在大家为了进入顶级平台会极端拼命。Moore 现在已经是 family office。Millennium、Point72、Two Sigma 这样的机构，想进去的人极多，而真正可用的席位非常少。

回到“玩系统”：如果一个 PM 前两年赚、第三年爆仓，然后跳去下一家，还能重新开始吗？如果在 Pod Shop 里连 track record 都不完全属于自己，被解雇后又说是“主动离开”，行业里会怎么处理？

我只能讲自己的经验。我开玩笑说自己是个“peasant”：我上的是州立大学，父亲收入普通，我们小时候按很多人的标准算穷。我没有上 Eton，也没有 Oxbridge 的背景。

小学、中学、大学的大多数课堂里，我一直觉得自己是最聪明的孩子，甚至可能比不少教授聪明。可 1990 年进 JP Morgan 后，我突然变成 nobody，最多也就在后 25%。

因为那里把世界上最顶尖的人筛在一起：最难的学校、最难的项目，再从毕业生里取前 2%，还要经过性格筛选。我第一次意识到，原来有这么多在智力、纪律、成就和工作强度上都极端出色的人。对冲基金行业后来也充满这样的人。

同时，很多人拥有我没有的家庭、学校和社会连接。有人家里几代就在权力和金融体系里，这些网络会把他们自然嵌进行业。我真正有的只是一个比较快的脑子，以及一种不太健康的工作习惯——我工作得过头。

我自己从来没有 blow up。管理资金期间有过个位数回报的时期，但从来没有过亏损年份。所以我不能假装自己亲历过爆仓后的再就业。

但按照我对行业的理解，如果是我爆仓，我大概就出局了。像我这种“trailer park”出身的人，往往没有太多第二次机会；如果你上过 Eton、和王子打过 polo，也许有人会替你在别处找到位置。这很不公平，但世界本来就不公平。金融行业不会因为你假装世界公平，就给你额外分数。

我再说一个可能让人不高兴的观察：机构交易里的女性非常少。为什么这么少，我不知道，也不想假装自己知道。但我实际共事过的女性交易员都极其出色。Tudor 有一位我共事过、后来做到 UBS CIO 的女性，是我遇见过最聪明的人之一。这里我是在描述自己的经验，不是在给“为什么女性少”提供因果解释。

我遇到的那些女性几乎都是最优秀的一批，有些能力超过我认识的 99% 男性。我的解释不是“女性天然如何”，而是因为行业里人数太少，最后能留下来的样本经过了极强筛选。

交易当然有政治，没有三个人的房间能完全没有政治。但相较很多行业，我认为结果占的权重非常高。比如一个人做到 20% 回报、Sharpe 3.5，另一个只有 10% 回报、Sharpe 1.5；除非第二个人和某个关键人物有特殊关系，否则资本会优先给第一个人。机构最终关心的是赚钱。

这也是外界常说的——它可能是最 meritocratic 的行业之一。但你同时又说，Eton、Oxbridge、家庭网络等会决定一个人获得什么输入。那它究竟有多“唯才”？也许你进门以后看起来 meritocratic，可进入生态本身就不平等。

我觉得你说到了关键。行业是一系列 filter，而所有 filter 最终都在买“可信度”。Oxford、Oxbridge、MIT、Harvard 的学位天然会给你一部分可信度；某些普通背景不会自动给你同样的信用。这并非完全没有理由，因为名校本身也是筛选器。

但如果你能拿出真实证据，证据会比血统、网络和名声更可靠。若你想主要靠家庭关系和网络挣钱，venture capital 可能更适合，因为那里网络本身就是核心资产。若像我一样来自较低社会经济背景，没有人教你 Wall Street 怎么运作，那么 Jane Street 这种更看数学、博弈和实际能力的地方，可能已经是很好的机会。

Jane Street 曾雇过 Sam Bankman-Fried。我认为以他的性格和可信度，在 Tudor 这类传统机构里可能根本拿不到类似机会；Jane Street 更在意他的 game theory 和数学能力。事后看，我甚至会开玩笑说，也许应该重新审视那个用人判断，因为他后来也有亏损记录。

所以它不是纯粹的 meritocracy，但我认为已经是现实世界里相当接近 meritocratic 的行业之一。

如果今天有一个 PM 来找我，他有两年非常扎实的真实历史，而且捕捉的是我投资组合里没有的 Alpha 来源，我会很难拒绝他。至于他长什么样、性格多怪，甚至额头上长第三只眼，都不会是决定性因素。

因为真正互补的 Alpha 会让我赚钱。一旦证据足够强，它会压过很多其他本能判断。这就是为什么最后我们还是会回到“证明”和“可信度”。

SBF 是个很有意思的可信度案例。他很 nerdy，也符合一种“天才神童”的 archetype。现在大家一想到 quant，脑子里甚至会想到《The Big Short》里那个数学竞赛的亚洲量化员——银行家说他在中国数学比赛拿第一，他还转头纠正说自己是第二。某种外观本身就会制造可信度。

这点我同意。但我一直不理解 Jane Street 当初具体怎样做出雇用 SBF 的决定。下面都是我的评价：后来他做 FTX 时，对某些风险管理问题的理解，在我看来根本不足以支持他掌管那么多资本。

创业圈有一种“founder genius”形象：一个人有点怪、有点反社会，反而会被解释成天才魅力。Charisma 有很多形式，有时“奇怪”本身会被过度解读。在传统机构金融里，这套形象远没有 Silicon Valley 好用。

以我的看法，如果没有真正的交易思想和结果去支撑“quantitative weirdness”，这种人不会仅靠怪异人格在 Point72、Millennium 一类机构拿到大风险预算。你首先得证明自己是交易员，而不只是一个会讲 founder story 的人。

我对 SBF 的具体交易和 FTX 风险管理也有非常负面的判断，包括久期和偿付能力等问题。但这些都是我在节目里的观点。重点不是让这个个案变成八卦，而是说明传统金融更保守、更强调稳定和责任感。

在 Wall Street，你得让别人相信你不会被压力打乱。一个“charismatic weirdo”也许能在 Silicon Valley 拿 50 万美元去试着做产品，但这不意味着有人会把一个 5,000 亿美元的 swaps book 交给你。JP Morgan 也许会雇一个极强的 quant 做技术工作，但如果没有对外的可信度，会把他限制在明确的职责范围里。

所以我们绕了一圈，又回到了可信度。

对，在传统金融和传统 hedge fund 世界里，我认为可信度可能是最重要的东西。它有很多来源，但核心问题始终一样：这个人说的是真话吗？如果是真的，他的想法有效吗？它和我理解的“市场这台机器”是否一致？

我会把股票、债券、汇率等看成互相连接的系统：债券这样走时，股票通常怎么反应；货币这样走时，其他资产可能怎么变化。一个新说法如果完全无法嵌进这个因果网络，我就会怀疑它。

除了想法是否合理，机构还会判断一个人是否 serious、是否 responsible。你有了决策权，就可以做非常愚蠢的事情。这里甚至可以设想一个极端例子：一个人周一整夜出去玩，周二早晨状态失控地来上班，然后用公司资本做蠢事。机构必须防这种行为风险。

对冲基金历史里也不是没有人把亏损交易“塞进抽屉”不报。更深一层的风险，是一个人即使技术上都做对了，却傲慢到认为自己一定比所有人聪明。

Amaranth 是个例子。那个天然气交易员把仓位做到整个天然气期权结构的极大比例，甚至相当于市场容量的两三倍。他把自己推得太远，因为相信自己比所有人都聪明。只要你开始真的相信这一点，市场迟早会教育你。

所以不论一家大机构是给你一个 PM 席位，还是外部 allocator 投资你自己的基金，他们都在问同一件事：你能否提供一个正的、且与他们现有资产不相关的现金流？

这其实就是 hedge fund 的原始用途：为像 PIMCO 这样的传统大机构提供一种对冲，而不是让机构自己花钱买保险；如果这个另类资产的长期现金流为正，他们是在“被支付”去持有这层对冲。我只是拿 PIMCO 当作会把一部分资产配置给 alternative managers 的例子。

那我最后再从你这里挖一点 operational alpha。假设我是 emerging manager，怎样最快建立这种可信度？

我听懂了：可信度最重要。我需要建立可信度。那么在所有能做的事情里，面对 allocator 时最重要的一件是什么？

Evidence。证据。经过审计、由外部机构审计的多年收益记录。

一旦你能提供这个，其他东西大多只是颜色和人格。以股票策略来说，我会把两年当作大致 benchmark。你如果拿得出两年的真实回报，而且有审计师确认，那就不是故事，而是现实：你已经是一家能够产生那种现金流的业务。

当然，接下来还要谈 scaling，还要解释 how、where、why。两年只是常见标准，不是自然定律。你如果来自 MIT，也许一年的记录就能获得更多容忍；如果点子极其独特、又和市场运行的总体逻辑一致，学校和其他信誉信号也会参与权衡。

但最终你必须走进对方办公室，说出他们绝对愿意相信的话。涉及钱时，什么最能让别人相信你？Proof。证明。 比任何别的东西都更重要。

可信度来自证明，来自证据。就是这样。

我很喜欢这个结论。Tom，非常感谢你来 Odds on Open。

我的荣幸。很高兴和你聊。