孵化 DeepSeek 的量化交易：一个数据驱动的隐秘世界

1994年，量化公司是当时最神秘最热门的技术公司，他们雇用数学家和物理学家，成批买来高性能计算机做交易。这个行业里的标杆公司是D.E.Shaw，它能在一天内贡献纽交所超2%的订单量。

这一年，D.E.Shaw为计算机行业做了两个贡献。一个副总裁带队，做出了当时罕见的免费电子邮件产品Juno，成功上市；另一个副总裁离职，带着自己和老板讨论产生的好点子开车去了西雅图，做出了全世界的电商鼻祖、市值超过20000亿美元的亚马逊。

30 年后，又有一家量化公司的 “副业” 影响整个计算机行业：管理数百亿元的中国头部量化公司幻方，推出大语言模型 DeepSeek R1，没花一分钱营销就震撼全球，用户涌来的速度甚至快过早年的抖音。

贝索斯创办亚马逊，或者梁文锋造出DeepSeek的主要原因自然不是因为他们做过量化，而是因为他们骨子里都是创业者。但量化投资这个极度追求人才密度且极度保密的行业文化，确实提供了适合大模型研发的环境。

招来一群聪明人不必然导致创新，叠加一个简单的环境才够。量化公司证明了这一点，DeepSeek则证明这也适用于大模型研发。

剥离主观因素，在数据里挖掘规律

“很多主观投资说难听点，就是靠打听。”一名从业几十年、调研过数千只基金的投资人说。基金经理们也钻研公开的财务资料，但他们同样乐于组织业内人士研讨会、支付每小时上千元的专家咨询费，甚至雇上千人守在咖啡店门口拍视频，只为更早获得独家信息，抢先同行一步下注。

于是，人脉变得和经验一样重要。尽管桥水基金创始人瑞·达利欧把利率、汇率的变动原理写成书，反复讲桥水基金凭它们投资，但《纽约时报》的记者觉得达利欧赚钱的真正秘诀是讨好宏观政策决定者，靠他们“透题”赚钱，也写了本书论证。

量化公司完全放弃这些捷径。他们相信任何事都有人更早知道，自己也没能力超越对手做任何判断。他们全部投资决策基于一个简单的事实：人类行为总是不断重复，因此价格运动有规律可循，而计算机可以捕捉到这个规律。

足够多人靠逻辑交易，会产生规律。

可口可乐和百事可乐都做汽水生意，受同样的市场环境影响。如果两家公司股价差距没来由地扩大或收窄，那至少有一家定价错误、价差总要回归。四十年前，先发现这个机会的投资者靠程序监测六、七只相关股票的价差变动，就能撑起一只管理3000万美元的基金。

足够多的人靠情绪交易，也产生规律。

可口可乐的投资者中总有自信过头的，他们会更倾向于跟着自己喜欢的消息买入，而把自己不喜欢的消息当作噪音。由此，新消息只会将可口可乐股价向上顶，学界发现过去收益好的公司，未来大概率还会好下去，把这规律称为“动量效应”。

量化研究员贾乾说，股票每天收益的波动中，最多可能有5%可被解释。他的工作就是找到能刻画规律、解释波动的“因子”，基于它们构建投资策略。可口可乐未来走势与百事可乐过往股价、可口可乐过往涨幅相关，股价、涨幅数据就能作为“因子”投入量化模型。

因子可能是上面这样容易理解的信息，也可以更加复杂。

特朗普习惯把各种耸人听闻的想法随手发在Twitter上，他第一任期内，J.P.Morgan的研究员通过程序分析特朗普上万条推文的语义、构建“Volfefe”指数，并验证它可以解释美国国债利率变动。靠买卖国债赚钱的量化模型可以把Volfefe指数当作因子。

量化公司文艺复兴创始人西蒙斯研究过月球周期对市场的影响。路径之一可能是：月动影响潮汐、潮汐影响航运、航运影响油价。但他最终无功而返。传导链条太长、中间变量太多，因子对价格影响就难以识别。

机器学习方法在量化行业普及后，很多左右股价变化的因子已经完全无法用逻辑理解。研究员确定评价因子的标准，输入开盘价、收盘价、成交量等“原始因子”，程序就能自动组合、迭代出更能预测股价的新因子。投资机构WorldQuant曾分享过一个实际用于交易的“较为简单”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)

除了能增加因子对价格的解释能力外，没人知道公式中的0.178404等数字有什么现实意义。但量化研究员不介意。“如果是意义非常明显的信号，早就被用于交易了。有些信号你不理解，但它们就在那里，而且可能相对较强。”文艺复兴CEO彼得·布朗说。

量化研究员轩浩告诉我们，基于现实意义、拍脑袋想因子十分困难，“一天能想十个，就是天才了”。人找的因子通常能持续几个月、半年帮基金赚到钱。而机器挖出来的因子失效非常快，“但架不住每天能产生几千个。”

如果知道因子的人多了，抢着做同一种交易，它就会失效。这让量化行业在保密方面近乎偏执。头部量化公司会要求离职员工 18-24 个月内既不能自己交易、也不能去其他公司任职。“俗称 Gardening Leave，回家种花。” 轩浩说。

LinkedIn 简历中的 Gardening Leave

D.E. Shaw 创始人大卫 · 肖曾说自己公司安保水平媲美中央情报局。被记者问 D.E Shaw 是否用神经网络算法构思策略时，这名拥有数十亿美元财富的创始人回答：“我可以告诉你，然后必须杀了你。”

单次买卖可赚可赔，量化公司只关注大量交易时击败市场的概率。2000年初，文艺复兴的大奖章基金每天交易15-30万次，“我们只在50.75%的情况下是对的。”一名员工说，但这已足够成就公司大奖章基金一年管38亿美元、赚21亿美元的成绩。

雇聪明人，在简单环境里解决复杂问题

美国国家数学博物馆每年举行一次“数学大师”锦标赛：聚起一群聪明人，比谁能在限时内能解出最多这样的数学问题：找到最小正整数m，使m²+7m+89能被77整除。

2014 年比赛夜的参与者有陶哲轩，他 24 岁成为加州大学洛杉矶分校数学系终身教授，31 岁获得 “菲尔兹奖”——数学界的诺贝尔奖。不过他只是第二，赢过他的是约翰 · 奥弗德克，量化公司 Two Sigma 的联合创始人。

奥弗德克可能也不是 Two Sigma 最聪明的人。2015 年时，这家公司已经招了 130 名博士和 6 名国际数学奥林匹克竞赛获奖者。奥弗德克前东家 D.E. Shaw 直接说自己招聘时有 “毫无歉意的精英主义”，前美国财政部长、哈佛大学校长劳伦斯 · 萨默斯在 2006 年想去 D.E. Shaw 工作，同样要做智力测验。

受量化公司青睐的候选人往往来自数学、计算机、统计学等专业，金融、商科背景不是加分项。

创立幻方前，梁文锋在浙江大学读通信工程，之后也偏好雇高中或大学时参加全国或国际学科竞赛，比如NOI（全国青少年信息学奥林匹克竞赛）、IOI（国际信息学奥林匹克竞赛），拿到好名次、最好是金牌的年轻人。没竞赛背景，最好本科能考上北大、浙大、清华等高校，学计算机、电子信息工程专业。

“科学家做这行的优势不是数学或计算能力，而在于他们的科学思维。”西蒙斯说，他们更不可能接受统计学上的偶然事件。

2022年2月，一名拿过奖的首席分析师写“定量分析”研报说宁德时代未来可能跌超20%。尽管他事后被证明结论正确，但推导方式却诉诸偶然：一年前，同为行业龙头的贵州茅台面临相似的市场环境，两家公司股价走势长得也像，他据此推测茅台过去的跌幅可以指引宁德时代的未来表现。

现在已经被撤回的研报中，贵州茅台和宁德时代的走势对比

量化则是不同的研究范式。Two Sigma 面试员工时，一个例题是如何用数学方法验证 “CEO 离职，公司股价下跌”。应试者和面试官会讨论实验方案：

如何确定收集的数据样本足够多、足够全面？如何定义下跌——是用一天的跌幅，还是一周、一个月？如何控制对照组和测试组尽可能相似？如何区分CEO离职是因为能力不足还是正常退休？如何区分股价下跌是因为CEO离职，还是在被大盘向下拽？用哪个统计值做推断、它超过多少时，要以多少置信度推翻假设？

哪怕选邻居时，量化公司也和传统金融行业保持距离。Two Sigma、D.E. Shaw 们不在华尔街设办公室；幻方总部位于杭州，它和同行们的北京办公室也聚集在清华科技园，而不是国贸、金融街。选址本身就是一个宣言：不靠人情世故、不靠勾兑信息，潜心研究也能赚大钱。

去过D.E.Shaw办公室的投资人觉得那里安静得像图书馆研究室；文艺复兴公司内有能容纳100人的礼堂，定期举办科学讲座，比如结直肠癌研究的最新进展。“当听到有人谈论有趣的统计应用时，有助于激发思考。”一名员工说。

希望聪明人持续创新，最好的方法是减少管控、干预。

轩浩就职于一家全球顶级量化投资机构，其内部有多个小组互不透风、独立交易，就像一个个小投资机构：各组只要控制好风险，投资方法论并不需要一致，每年扣掉交给公司的提成、数据接口等成本后，剩下的利润都归自己所有。“有一个组瞄准一种另类资产，做一套策略赚了数十亿元。所有人都财富自由了。”

另一类量化公司偏好集体决策，全员共同打磨一个交易系统，但依然给员工自由发挥的空间。在文艺复兴，员工可以出入同事办公室，寻求建议或发起合作。研究员花大量时间用于成果展示，“如果没有取得太大的进步，你会感到有压力。”一名员工说。评判标准十分清晰：一天结束，账户里的钱是变多还是变少。

这与互联网公司显著不同。大厂的中层管理者把手下人数与晋升机会挂钩，不会轻易允许下属参与其他团队分工，自己还要在双月会上争抢更多业务领地。所有人都要在KPI或OKR中提前写定自己下周、下个月、下个季度要干什么。在难以分清个人成绩和公司体系力量的大公司，只能用各种管理手段。

幻方的管理风格与文艺复兴类似，并被DeepSeek团队继承。后者办公区会议室两侧都设置了随手能推开的门，“给偶然留出空隙”。“我们一般不前置分工。”梁文锋说，员工没有KPI，“遇到问题，自己就会拉人讨论。”当想法显出潜力，公司会自上而下调配资源。

一种方式，用到极致

把数十亿美元交给机器打点，完全相信它们是件反人性的事，哪怕对行业先驱也如此。最早尝试机器学习算法时，西蒙斯并不放心：“我不理解为什么模型一直要求买入而不是卖出？这就是个黑箱！”

缓解焦虑不是靠退回人工干预，而是穷尽数据、算力，将算法的潜力发挥到极致。文艺复兴的数据库从 18 世纪开始，现在 “每天增长 40TB（1TB = 1000GB）”，他们还有 “52000 个计算核心与 150GB 每秒的全球传输速度”。Two Sigma 则有 “超过 7200 个服务器”“来自 10000 多个数据源的超过 300PB 数据（1PB = 1000TB）”。

调用资源、设计量化策略时则要执着于每一个细节。轩浩举例：一个模型预测股价要涨20%，应该以什么概率相信它？模型说要下1000单，那应该在10秒、20秒还是1分钟内执行完？卖的时候，是真要等到涨到20%、市场交易量变小的时候，还是趁有人愿意买，涨15%就提前止盈？

不是每一分投入都有相应的回报，结果出现前，量化研究员甚至不确定自己努力方向是否正确。伊黎试过从文本信息中提取因子，先人工看完1000条样本、打上标签，用它们训练一个自动打标的语义分析模型，还要训练另一个模型验证打标准确性。输入第三个模型分析后，她终于得出几十个因子，测试完，所幸有五个可以用。

大模型迭代与之类似。GPT模型理论架构最早来自Google，OpenAI成为最终受益者，是因为敢在前景模糊时，租卡、买数据，花千万美元一次又一次训练更大的模型。1.17亿参数，表现平平；15亿，仍不惊艳；1750亿，智能涌现。

黄仁勋问OpenAI联合创始人苏茨克沃：研发GPT模型时，你一直相信扩大规模能提高性能吗？“这是一个直觉。我有一个很强烈的信念，更大意味着更好。”苏茨克沃回答。

一个量化从业者感慨梁文锋从浙大信息与通信工程专业毕业后，没有选择当时很好、之后会更好的就业机会，自己花几年闭门琢磨用算法买股票，“这么搞就不好再找工作了”。

到了2021年，大语言模型的影响主要还停留在学界，ChatGPT没诞生。当时头部量化投资公司个个用了机器学习，但只有幻方花出上亿元买来一万张英伟达显卡，运行各种大型AI模型。

成功的创业者往往押中一套正确的方法，将它贯彻到极致。前者多少靠运气，后者只能靠信念，是AI取代不了的决策。