本集简介
双语字幕
仅展示文本字幕，不包含中文音频；想边听边看，请使用 Bayt 播客 App。
大家好，欢迎来到中欧基金播客。
大家好，欢迎来到中欧基金播客。
在这里，你关注的、好奇的、困惑的投资理财问题，就是我们想聊的话题。
在这里，你关注的、好奇的、困惑的投资理财问题，就是我们想聊的话题。
今年的世界读书日，我们想一起聊聊征服市场的人这本书。
今年的世界读书日，我们想一起聊聊征服市场的人这本书。
很多听众朋友可能没有听过这个书名，但一定了解投资传奇西蒙斯这位人物。
很多听众朋友可能没有听过这个书名，但一定了解投资传奇西蒙斯这位人物。
它不仅是一部围绕西蒙斯的人物传记，更是一部量化投资的启蒙之书。
它不仅是一部围绕西蒙斯的人物传记，更是一部量化投资的启蒙之书。
西蒙斯的代表作大奖章基金在1988年到2018年的30年间，年化回报达到了惊人的66%。
西蒙斯的代表作大奖章基金在1988年到2018年的30年间，年化回报达到了惊人的66%。
更令人匪夷所思的是，打造这台史上最强印钞机的西蒙斯，在30岁之前压根就没买过一只股票。
更令人匪夷所思的是，打造这台史上最强印钞机的西蒙斯，在30岁之前压根就没买过一只股票。
他是一位每天和公式、几何图形打交道的大学数学系主任。
他是一位每天和公式、几何图形打交道的大学数学系主任。
他和另一位基金经理艾克斯，甚至获得过数学界的最高荣誉之一，维布伦奖。
他和另一位基金经理艾克斯，甚至获得过数学界的最高荣誉之一，维布伦奖。
这也是大奖章基金命名的来源。
这也是大奖章基金命名的来源。
书中指出，量化投资并非魔法，它只是用一种不同的思维方式来应对不确定性。
书中指出，量化投资并非魔法，它只是用一种不同的思维方式来应对不确定性。
与其相信直觉，不如相信数据。
与其相信直觉，不如相信数据。
与其追求完美的预测，不如追求概率的优势。
与其追求完美的预测，不如追求概率的优势。
本期播客，中欧基金邀请到了这本书的译者朱昂和中欧量化投资部系统化投资组组长杨柳。
本期播客，中欧基金邀请到了这本书的译者朱昂和中欧量化投资部系统化投资组组长杨柳。
一起聊聊西蒙斯是如何带领一群数学家、物理学家，用复杂的代码和模型，在充满人性贪婪与恐惧的金融市场里，建立起了一个永远理性的帝国。
一起聊聊西蒙斯是如何带领一群数学家、物理学家，用复杂的代码和模型，在充满人性贪婪与恐惧的金融市场里，建立起了一个永远理性的帝国。
大家好，欢迎来到中欧基金的播客，我是本期播客的主持人，点石投资的朱昂。
大家好，欢迎来到中欧基金的播客，我是本期播客的主持人，点石投资的朱昂。
恰逢今天是世界读书日啊，中欧基金的杨柳推荐了一本书，叫做征服市场的人。
恰逢今天是世界读书日啊，中欧基金的杨柳推荐了一本书，叫做征服市场的人。
而我本人又正好是这本书的译者，所以非常巧。
而我本人又正好是这本书的译者，所以非常巧。
所以今天呢，有幸做客中欧基金播客，和杨柳一起跟大家分享征服市场的人这本书的一些读后感。
所以今天呢，有幸做客中欧基金播客，和杨柳一起跟大家分享征服市场的人这本书的一些读后感。
要不杨柳也跟大家打个招呼。
要不杨柳也跟大家打个招呼。
大家好，我是中欧基金量化投资部的杨柳。
大家好，我是中欧基金量化投资部的杨柳。
征服市场的人这本书是我在量化的投资生涯当中非常喜欢的一本书，所以今天非常有幸能够和朱昂，也是本书的译者，一块去探讨这本书。
征服市场的人这本书是我在量化的投资生涯当中非常喜欢的一本书，所以今天非常有幸能够和朱昂，也是本书的译者，一块去探讨这本书。
我一直觉得在投资领域当中呢，我们有两座山是跨越不了的。
我一直觉得在投资领域当中呢，我们有两座山是跨越不了的。
第一个记录是巴菲特，他其实拥有超过55年可公开的投资业绩。
第一个记录是巴菲特，他其实拥有超过55年可公开的投资业绩。
但另外一个人就是文艺复兴的创始人西蒙斯，也是这本书里面的主人翁啊。
但另外一个人就是文艺复兴的创始人西蒙斯，也是这本书里面的主人翁啊。
西蒙斯他有66%的年化收益率，而且是从1988~2018年的30年。
西蒙斯他有66%的年化收益率，而且是从1988~2018年的30年。
第二点的话呢，其实西蒙斯和巴菲特又不一样，他的公开信息非常非常少。
第二点的话呢，其实西蒙斯和巴菲特又不一样，他的公开信息非常非常少。
这本书是当时唯一的关于西蒙斯故事的资料吧。
这本书是当时唯一的关于西蒙斯故事的资料吧。
所以我想跟杨柳聊一聊，当时你是怎么接触到这本书的？
所以我想跟杨柳聊一聊，当时你是怎么接触到这本书的？
以及及什么样的驱动因素让你很喜欢这样一本书？
以及及什么样的驱动因素让你很喜欢这样一本书？
就是西蒙斯，他是一个我们量化投资界的一个传奇。
就是西蒙斯，他是一个我们量化投资界的一个传奇。
他的业绩刚才提到他的业绩非常的优秀，而且是持续多年稳定高收益的这样一个回报。
他的业绩刚才提到他的业绩非常的优秀，而且是持续多年稳定高收益的这样一个回报。
所以我们在量化领域可以看到，你能够达到一个长期稳定收益，非常非常困难的一件事情，而他做到了。
所以我们在量化领域可以看到，你能够达到一个长期稳定收益，非常非常困难的一件事情，而他做到了。
所以呢，他是我们整个量化投资领域里边的一个传奇。
所以呢，他是我们整个量化投资领域里边的一个传奇。
其次呢，其实我当年在美国读书的时候，也是在西蒙斯任教的，Stony Brook 纽约州立实习分校读书。
其次呢，其实我当年在美国读书的时候，也是在西蒙斯任教的，Stony Brook 纽约州立实习分校读书。
然后呢，我们也是正好有机会去认识到西蒙斯是这所学校任教，同时他创办的 Renaissance Technology 这家公司，其实也是在长岛，也在实习的学校的旁边。
然后呢，我们也是正好有机会去认识到西蒙斯是这所学校任教，同时他创办的 Renaissance Technology 这家公司，其实也是在长岛，也在实习的学校的旁边。
当时也是对于量化投资未来在我的整个职业生涯上面播下了一个种子。
当时也是对于量化投资未来在我的整个职业生涯上面播下了一个种子。
那么当市场上出现了这本书的时候呢，我也是怀着非常激动心情去读这本书。
那么当市场上出现了这本书的时候呢，我也是怀着非常激动心情去读这本书。
因为西蒙斯本身是一个非常有意思的一个人，他有多重的一个身份在里面，他是一个非常成功的一个数学家。
因为西蒙斯本身是一个非常有意思的一个人，他有多重的一个身份在里面，他是一个非常成功的一个数学家。
同时呢在投资领域又能够做出非常傲人的一个成绩。
同时呢在投资领域又能够做出非常傲人的一个成绩。
之后又是一个慈善家，所以他有很多重的身份在里面。
之后又是一个慈善家，所以他有很多重的身份在里面。
通过这本书我们可以更加全面丰富的去了解到这样一个人，是让我感到非常的兴奋。
通过这本书我们可以更加全面丰富的去了解到这样一个人，是让我感到非常的兴奋。
然后呢，也非常有幸，机缘巧合能够跟朱昂老师一块去探讨这本书，因为他是这个译者，对这本书是怀着感情，非常细致的去了解每一个细节。
然后呢，也非常有幸，机缘巧合能够跟朱昂老师一块去探讨这本书，因为他是这个译者，对这本书是怀着感情，非常细致的去了解每一个细节。
在看这本书之前，我有一个困惑，就是西蒙斯到底是人，他还是神？
在看这本书之前，我有一个困惑，就是西蒙斯到底是人，他还是神？
因为他这个投资业绩肯定像是神一般的存在。
因为他这个投资业绩肯定像是神一般的存在。
但读完这本书以后，我就感觉他还是一个普通人。
但读完这本书以后，我就感觉他还是一个普通人。
所以我也想问一下杨柳，读了这本书以后，你对西蒙斯的一些看法。
所以我也想问一下杨柳，读了这本书以后，你对西蒙斯的一些看法。
对，所以我刚才其实提到西蒙斯的时候，用的一个词是传奇。
对，所以我刚才其实提到西蒙斯的时候，用的一个词是传奇。
我觉得在这个世界上，这个神其实我没有足够的证据证明任何一个神的存在，对于我个人来说。
我觉得在这个世界上，这个神其实我没有足够的证据证明任何一个神的存在，对于我个人来说。
这本书呢，正是因为他能够非常全面丰富、多视角的去揭开整个西蒙斯他的一个人生，让我们能够从不同的侧面去了解这个人，把他从一个神一样的传奇更加接近我们普通人的一个生活。
这本书呢，正是因为他能够非常全面丰富、多视角的去揭开整个西蒙斯他的一个人生，让我们能够从不同的侧面去了解这个人，把他从一个神一样的传奇更加接近我们普通人的一个生活。
让我们作为一个量化从业者，能够去更加丰富立体的去了解这个人，对于我们的从业是非常有帮助的。
让我们作为一个量化从业者，能够去更加丰富立体的去了解这个人，对于我们的从业是非常有帮助的。
对于我们热爱量化投资这个领域的不断地去往前推进是非常有益的一个事情，能够更加务实的，更加真实的去看到他的生活中遇到的一些喜怒哀乐，遇到的一些挑战，遇到的一些高兴的高光时刻也好，或者是挑战也好。
对于我们热爱量化投资这个领域的不断地去往前推进是非常有益的一个事情，能够更加务实的，更加真实的去看到他的生活中遇到的一些喜怒哀乐，遇到的一些挑战，遇到的一些高兴的高光时刻也好，或者是挑战也好。
它是一个非常有血有肉的这样一个一本书。
它是一个非常有血有肉的这样一个一本书。
就像前面杨柳说的啊，对于量化投资来说的话，其实这是一本可能必看的书。
就像前面杨柳说的啊，对于量化投资来说的话，其实这是一本可能必看的书。
啊，看到整个西蒙斯，包括文艺复兴的成长史，我觉得这本书我的感受就是它是一个量化的成长史。
啊，看到整个西蒙斯，包括文艺复兴的成长史，我觉得这本书我的感受就是它是一个量化的成长史。
其次，我觉得很多普通人也可以在这本书当中有所收获。
其次，我觉得很多普通人也可以在这本书当中有所收获。
所以我也想问一下，当时读完这本书以后，对你冲击力最强的有哪些地方？
所以我也想问一下，当时读完这本书以后，对你冲击力最强的有哪些地方？
我大概总结了一下的话，对我来说影响最大的是三点。
我大概总结了一下的话，对我来说影响最大的是三点。
第一个是刚才提到市场是可以被建模的，他是通过了他的一个多年几十年的这样一个经历，拿到了结果来证明了这点，因为我们在统计上可以看到，就是你需要一定的时间的长度，才能够去说你这个结果是有一定置信度的。不是说我一天拿到60%，
第一个是刚才提到市场是可以被建模的，他是通过了他的一个多年几十年的这样一个经历，拿到了结果来证明了这点，因为我们在统计上可以看到，就是你需要一定的时间的长度，才能够去说你这个结果是有一定置信度的。不是说我一天拿到60%，
而是在一个长期的经验检验过程当中。
而是在一个长期的经验检验过程当中。
然后呢，第二点我觉得他对我影响最深的是，他其实在做这个事情的时候，他不是单打独斗，他是组织了一些非常聪明的人在一起，帮助他去共同完成这样一个愿景，共同完成这样一个事情。
然后呢，第二点我觉得他对我影响最深的是，他其实在做这个事情的时候，他不是单打独斗，他是组织了一些非常聪明的人在一起，帮助他去共同完成这样一个愿景，共同完成这样一个事情。
所以他有一个能力是组织高密度人才这样一个能力，这个对我的启示也非常高。
所以他有一个能力是组织高密度人才这样一个能力，这个对我的启示也非常高。
然后还有一点，他其实做这个事情也不是说一开始就得到了一个巨大成功，而是坚持了很长时间，这个过程当中有不断的反复啊。
然后还有一点，他其实做这个事情也不是说一开始就得到了一个巨大成功，而是坚持了很长时间，这个过程当中有不断的反复啊。
所以它是一个反复迭代变化的一个过程。
所以它是一个反复迭代变化的一个过程。
对，其实就接着杨立荣提到的，第一就是市场可以建模的，先从这个角度来入手啊，因为其实西蒙斯在资本市场建模之前呢。
对，其实就接着杨立荣提到的，第一就是市场可以建模的，先从这个角度来入手啊，因为其实西蒙斯在资本市场建模之前呢。
他已经，当时是给美国国防部去破译军方密码，就他已经在开始做建模这个事情了。
他已经，当时是给美国国防部去破译军方密码，就他已经在开始做建模这个事情了。
所以我就想问一下，因为西蒙斯也是经历了一些挫折啊，他发现了一定有办法对市场建模啊。
所以我就想问一下，因为西蒙斯也是经历了一些挫折啊，他发现了一定有办法对市场建模啊。
那么你是什么时候发现通过价格建模是能够很有效的去战胜市场也好，或者是它能够赚到钱的？
那么你是什么时候发现通过价格建模是能够很有效的去战胜市场也好，或者是它能够赚到钱的？
对，这也是一个不断摸索的这样一个过程啊。
对，这也是一个不断摸索的这样一个过程啊。
也是通过整个的模型对于世界的认知不断深入的这样一个过程。
也是通过整个的模型对于世界的认知不断深入的这样一个过程。
因为早期从业的开始，总是有这样的一个幻想，就是一个模型可以完美的解决我们所有的这个世界的问题。
因为早期从业的开始，总是有这样的一个幻想，就是一个模型可以完美的解决我们所有的这个世界的问题。
但是呢，实际上来说的话，我们在这个认知过程当中，是通过对于这个模型不断的进行迭代。
但是呢，实际上来说的话，我们在这个认知过程当中，是通过对于这个模型不断的进行迭代。
可能一开始的是简单到复杂，然后或者是过于复杂的这种建模。
可能一开始的是简单到复杂，然后或者是过于复杂的这种建模。
刚才朱昂也提到，在西蒙斯的团队当中，他邀请到了 Bom 这样一位优秀的科学家，他原来来自于 IBM Watson 的这样一个科学中心。
刚才朱昂也提到，在西蒙斯的团队当中，他邀请到了 Bom 这样一位优秀的科学家，他原来来自于 IBM Watson 的这样一个科学中心。
这个科学中心非常有名，因为他们当年是发明那个 Deep Blue 这样一个深度学习的这样一个机器，然后九几年的时候战胜了国际象棋国际大师卡斯帕罗夫的这样一个机器。
这个科学中心非常有名，因为他们当年是发明那个 Deep Blue 这样一个深度学习的这样一个机器，然后九几年的时候战胜了国际象棋国际大师卡斯帕罗夫的这样一个机器。
是一个人工智能初始的一个形态，所以他们是很厉害的科学家。
是一个人工智能初始的一个形态，所以他们是很厉害的科学家。
然后 Bom 这个人，他是一个语音分析领域的一个专家。
然后 Bom 这个人，他是一个语音分析领域的一个专家。
我们在量化的分析当中用到的这个隐马尔可夫啊，Hidden Markov Chain 这样一个工具，它有三种解法当中最著名的这个解法之一的发明人。
我们在量化的分析当中用到的这个隐马尔可夫啊，Hidden Markov Chain 这样一个工具，它有三种解法当中最著名的这个解法之一的发明人。
所以我们当年也是追寻着这种方法论，用这些方法论尝试对市场进行建模，也发现了它的一些有效的一些地方，但是也发现了一些局限性。
所以我们当年也是追寻着这种方法论，用这些方法论尝试对市场进行建模，也发现了它的一些有效的一些地方，但是也发现了一些局限性。
然后在这个过程当中不断的升级迭代，以及直到我们今天，我们用一些神经网络，用一些深度学习的这样一些方式方法，比当年的可能简单的隐马尔可夫这类的这些工具要强大很多倍。
然后在这个过程当中不断的升级迭代，以及直到我们今天，我们用一些神经网络，用一些深度学习的这样一些方式方法，比当年的可能简单的隐马尔可夫这类的这些工具要强大很多倍。
但是万变不离其宗，不断的对于市场建模尝试的这样一个过程当中，完善我们对世界认知的这样一个过程。
但是万变不离其宗，不断的对于市场建模尝试的这样一个过程当中，完善我们对世界认知的这样一个过程。
对，其实杨柳提到的啊，一开始西蒙找到的那个 Bom 啊，他是一个非常非常厉害的一个科学家。
对，其实杨柳提到的啊，一开始西蒙找到的那个 Bom 啊，他是一个非常非常厉害的一个科学家。
所以其实在早期西蒙斯和他的合伙当中，Bom 这个人，他更像是一个操盘手，这个盘子的这个钱，西蒙斯是募资的啊。
所以其实在早期西蒙斯和他的合伙当中，Bom 这个人，他更像是一个操盘手，这个盘子的这个钱，西蒙斯是募资的啊。
把钱募募过来，自己也投了一些钱嘛，以前有一些积攒，但是其实都是鲍姆这个人在做操作，他是非常非常聪明的。
把钱募募过来，自己也投了一些钱嘛，以前有一些积攒，但是其实都是鲍姆这个人在做操作，他是非常非常聪明的。
但他操作当中，他就有很多问题。
但他操作当中，他就有很多问题。
有时候呢，他就有一些主观判断，哎，主观判断有时候还判断对了，还赚到钱了。
有时候呢，他就有一些主观判断，哎，主观判断有时候还判断对了，还赚到钱了。
啊，但是有时候又主观判断的时候又判断错了。
啊，但是有时候又主观判断的时候又判断错了。
他这种拍脑袋的模式，最后证明结果是糟糕的。
他这种拍脑袋的模式，最后证明结果是糟糕的。
我也想问一下杨柳，为什么这种拍脑袋决策它不靠谱，而是需要我们说这种科学性的一个决策流程啊？
我也想问一下杨柳，为什么这种拍脑袋决策它不靠谱，而是需要我们说这种科学性的一个决策流程啊？
这种决策流程已经超越了量化本身，包括我们中欧基金也会有工业化的这种模式。
这种决策流程已经超越了量化本身，包括我们中欧基金也会有工业化的这种模式。
这块能不能谈一谈您的看法？
这块能不能谈一谈您的看法？
所谓的拍脑袋的话，我的理解就是它其实是没有太多数据为基础，然后凭人的感性去做决策的这样一个过程。
所谓的拍脑袋的话，我的理解就是它其实是没有太多数据为基础，然后凭人的感性去做决策的这样一个过程。
这个过程当中呢，其实它会加入很多人的一些因素在里面，没有足够的数据支撑，不够系统化。
这个过程当中呢，其实它会加入很多人的一些因素在里面，没有足够的数据支撑，不够系统化。
然后一方面是这个数据的本身的缺陷，第二个呢，它的执行过程不够系统化。
然后一方面是这个数据的本身的缺陷，第二个呢，它的执行过程不够系统化。
然后在这个过程当中，第三个就是人的情绪。
然后在这个过程当中，第三个就是人的情绪。
哪怕你有足够的信息，有足够的系统，然后人的情绪在最后的关头，当你亏损的时候，它会影响到你的执行。
哪怕你有足够的信息，有足够的系统，然后人的情绪在最后的关头，当你亏损的时候，它会影响到你的执行。
所以从这多方面来看的话，它最后总是会影响到最终的一个决策。
所以从这多方面来看的话，它最后总是会影响到最终的一个决策。
所以普通人这方面做决策的话是非常非常困难的。
所以普通人这方面做决策的话是非常非常困难的。
然后呢，尤其是我们在建模的过程当中，我们在做回测啊，建模的过程当中，实际上是没有人为的因素在里面，但是一旦到执行层面。
然后呢，尤其是我们在建模的过程当中，我们在做回测啊，建模的过程当中，实际上是没有人为的因素在里面，但是一旦到执行层面。
你把人的拍脑袋放进去了，就把自己变成了模型的一环。
你把人的拍脑袋放进去了，就把自己变成了模型的一环。
那么这个就变成了一个非常不可控的一个反馈系统。
那么这个就变成了一个非常不可控的一个反馈系统。
反馈系统它是一个不稳定的反馈系统，造成了一个灾难性的一个结果，也就是你的信号是不断放大，到最后就是导致亏钱。
反馈系统它是一个不稳定的反馈系统，造成了一个灾难性的一个结果，也就是你的信号是不断放大，到最后就是导致亏钱。
所以我们尽量的不做这种人为的干预，而是希望能够更好的完善我们的模型，通过统计，通过更有科学的方式来证明这个有效性。
所以我们尽量的不做这种人为的干预，而是希望能够更好的完善我们的模型，通过统计，通过更有科学的方式来证明这个有效性。
对，其实这一点也跟西蒙斯是很像的。
对，其实这一点也跟西蒙斯是很像的。
他后面他不断的是相信模型。
他后面他不断的是相信模型。
然后其实前面杨柳聊的时候还提到一个关键词，叫做马尔科夫模型啊。
然后其实前面杨柳聊的时候还提到一个关键词，叫做马尔科夫模型啊。
在这本书当中也提到了，在文艺复兴，Renaissance technology 早期的时候，他们就开始发现了这套模型。
在这本书当中也提到了，在文艺复兴，Renaissance technology 早期的时候，他们就开始发现了这套模型。
就这套模型是这样的，就是说它告诉你，要预测市场下一步发生什么是不可能的。
就这套模型是这样的，就是说它告诉你，要预测市场下一步发生什么是不可能的。
但是通过这套马尔科夫模型，是能够预测未来多个步骤的趋势是可能的。
但是通过这套马尔科夫模型，是能够预测未来多个步骤的趋势是可能的。
所以当时西蒙斯又找了一个人啊，他就是卡莫纳。
所以当时西蒙斯又找了一个人啊，他就是卡莫纳。
他是一个非常擅长随机微分布的一个科学家。
他是一个非常擅长随机微分布的一个科学家。
在他做的时候呢，又遇到了整个当时的一个计算机的一个算力提升。
在他做的时候呢，又遇到了整个当时的一个计算机的一个算力提升。
所以文艺复兴的科学家呢，他能够让计算机通过马尔科夫模型去寻找数据之间的关系，而不是人为的这种设置的线性的回归，去找到一些我们所说的隐藏的价格趋势啊，这也是机器学习早期的一种学习的雏形。
所以文艺复兴的科学家呢，他能够让计算机通过马尔科夫模型去寻找数据之间的关系，而不是人为的这种设置的线性的回归，去找到一些我们所说的隐藏的价格趋势啊，这也是机器学习早期的一种学习的雏形。
但这个其实跟我们以前学到的金融知识是不一样的。
但这个其实跟我们以前学到的金融知识是不一样的。
我们以前就学到了第一句话叫做市场短期是个随机漫步，对吧？
我们以前就学到了第一句话叫做市场短期是个随机漫步，对吧？
所以我就想问一下杨柳，就是市场到底是可预测的吗？
所以我就想问一下杨柳，就是市场到底是可预测的吗？
你是怎么去看这个问题的？
你是怎么去看这个问题的？
我们既然作为这个量化的投资的从业者，肯定是相信这个市场是有一定的规律在里边的。
我们既然作为这个量化的投资的从业者，肯定是相信这个市场是有一定的规律在里边的。
当前的模型的话，也在做这种这方面的预测的建模。
当前的模型的话，也在做这种这方面的预测的建模。
啊，当然我们不可能百分之百的预测到，但是呢我们希望能够在一定的概率的情况下，能够尽可能高的概率的去对市场未来进行建模，也就是最后进行预测。
啊，当然我们不可能百分之百的预测到，但是呢我们希望能够在一定的概率的情况下，能够尽可能高的概率的去对市场未来进行建模，也就是最后进行预测。
然后呢不断的去增强我们预测的这样一个成功率。
然后呢不断的去增强我们预测的这样一个成功率。
这样是我们希望能够做到的事情，而且事实证明市场当中存在很多信息，它实际上对未来有很多指导意义的。
这样是我们希望能够做到的事情，而且事实证明市场当中存在很多信息，它实际上对未来有很多指导意义的。
那么这里面还有一个我觉得很有趣的问题，其实在这本书里面也提到了，就是因为他说人脑嘛，他是只能判断一些线性的回归啊。
那么这里面还有一个我觉得很有趣的问题，其实在这本书里面也提到了，就是因为他说人脑嘛，他是只能判断一些线性的回归啊。
但是计算机是能够找到一些非线性的关系。
但是计算机是能够找到一些非线性的关系。
其实文艺复兴的成功，在一开始很大一部分也是因为他们去抓到了这种非线性的关系。
其实文艺复兴的成功，在一开始很大一部分也是因为他们去抓到了这种非线性的关系。
所以我们看到其实人工智能时代也在到来嘛，就是说我们有了 AI 以后，通过量化去寻找这种非线性关系的能力是不是会变得更强？
所以我们看到其实人工智能时代也在到来嘛，就是说我们有了 AI 以后，通过量化去寻找这种非线性关系的能力是不是会变得更强？
我不知道杨柳怎么看这问题。
我不知道杨柳怎么看这问题。
对，这个可能我有一些不同的观点，就是其实人脑是高度非线性的一个系统。
对，这个可能我有一些不同的观点，就是其实人脑是高度非线性的一个系统。
从神经学的这个领域来看的话，它包括不同的系统，包括像著名心理学家提出过人脑或者人的思维，它包括慢系统和快系统。
从神经学的这个领域来看的话，它包括不同的系统，包括像著名心理学家提出过人脑或者人的思维，它包括慢系统和快系统。
它实际上是被训练过的。
它实际上是被训练过的。
快系统的话，它是已经被训练完的一个类似神经网络这样的东西，做出一个直觉的判断。
快系统的话，它是已经被训练完的一个类似神经网络这样的东西，做出一个直觉的判断。
然后慢系统的话，它是一个逻辑系统，像今天我们的人工智能系统里边的思考的一个这样的一个过程。
然后慢系统的话，它是一个逻辑系统，像今天我们的人工智能系统里边的思考的一个这样的一个过程。
人脑是包含了这个不同的层面的，但是在当今的这个世界的计算机发展更快的情况下。
人脑是包含了这个不同的层面的，但是在当今的这个世界的计算机发展更快的情况下。
其实我们可以看到运算的算力在不断的提升，已经从量变到一个质变的情况下，它可以通过大语言模型或者是神经网络模型，对这些非线性的知识做出更好的一个建模。
其实我们可以看到运算的算力在不断的提升，已经从量变到一个质变的情况下，它可以通过大语言模型或者是神经网络模型，对这些非线性的知识做出更好的一个建模。
这个其实非常非常强大的，理论上来说，我的一个神经网络可以去模拟任何一个维度或者阶度的这样一个函数，就它非常非常强大，就一阶、二阶、三阶，它可以任意阶的都可以去。
这个其实非常非常强大的，理论上来说，我的一个神经网络可以去模拟任何一个维度或者阶度的这样一个函数，就它非常非常强大，就一阶、二阶、三阶，它可以任意阶的都可以去。
模拟出来。
模拟出来。
但是它需要很多的数据在里边去支撑，才能够说你发现的这个规律是不是真正的有意义。
但是它需要很多的数据在里边去支撑，才能够说你发现的这个规律是不是真正的有意义。
呃，刚才也谈到，就是包括量化的发展，它其实是伴随着计算机技术的成熟和发展成长起来的。
呃，刚才也谈到，就是包括量化的发展，它其实是伴随着计算机技术的成熟和发展成长起来的。
然后在过去的几十年的时间里边，我们的计算机技术其实是经过了非常高速的一个发展，以及到最近的几年的一个爆发式的人工智能的这样一个发展。
然后在过去的几十年的时间里边，我们的计算机技术其实是经过了非常高速的一个发展，以及到最近的几年的一个爆发式的人工智能的这样一个发展。
都对我们的量化提供了巨大的帮助以及挑战。
都对我们的量化提供了巨大的帮助以及挑战。
对，所以我们看到，其实整个量化它本身也是在不断的迭代的，然后在这本书里面，其实文艺复兴它的策略也在迭代。
对，所以我们看到，其实整个量化它本身也是在不断的迭代的，然后在这本书里面，其实文艺复兴它的策略也在迭代。
啊，我们前面提到了，其实他们开始用早期的马尔科夫模型啊，就是那种机器学习的方式。
啊，我们前面提到了，其实他们开始用早期的马尔科夫模型啊，就是那种机器学习的方式。
但这个其实是远远不够的，那么接下来呢，他们还要再去做别的更多的事情。
但这个其实是远远不够的，那么接下来呢，他们还要再去做别的更多的事情。
因为文艺复兴当时的这个收益率也让西蒙斯无法感到很满意，所以当时就有另外一个人加入了文艺复兴，叫做伯乐坎普。
因为文艺复兴当时的这个收益率也让西蒙斯无法感到很满意，所以当时就有另外一个人加入了文艺复兴，叫做伯乐坎普。
他来了文艺复兴以后呢，做了第一件事情就把凯利公式引入到了文艺复兴的这个下注系统当中。
他来了文艺复兴以后呢，做了第一件事情就把凯利公式引入到了文艺复兴的这个下注系统当中。
建议就是西蒙斯把文艺复兴的这个交易频率从低频搞到高频。
建议就是西蒙斯把文艺复兴的这个交易频率从低频搞到高频。
最后面文艺复兴交易频率就是大幅提高了啊。
最后面文艺复兴交易频率就是大幅提高了啊。
关于低频和高频呢，我正好想问一下杨柳啊，因为其实我们看到量化分两大流派吧，一个是高频量化，一个是低频量化，它们之间有什么差异？
关于低频和高频呢，我正好想问一下杨柳啊，因为其实我们看到量化分两大流派吧，一个是高频量化，一个是低频量化，它们之间有什么差异？
因为公募嘛，我们是以低频量化为主，和私募的高频量化，它在投资方式啊，在超额收益的获取上面，到底也有什么不同？
因为公募嘛，我们是以低频量化为主，和私募的高频量化，它在投资方式啊，在超额收益的获取上面，到底也有什么不同？
能否跟大家讲一讲？
能否跟大家讲一讲？
频率的高低的话，它是一个信息密度的一个过程。
频率的高低的话，它是一个信息密度的一个过程。
通常会把它分成两部分，在一个建模的过程和一个执行的过程。
通常会把它分成两部分，在一个建模的过程和一个执行的过程。
那么其实我们在执行的过程的话，无论是在公募也好，在专户也好，做的这些交易都是有一定的这个频率的限制，这是在交易层面。
那么其实我们在执行的过程的话，无论是在公募也好，在专户也好，做的这些交易都是有一定的这个频率的限制，这是在交易层面。
但是呢，我们在信息或者建模的这个层面，我们的信息密度是非常高的。
但是呢，我们在信息或者建模的这个层面，我们的信息密度是非常高的。
信息源、数据源是一个高密度的这样一个数据源。
信息源、数据源是一个高密度的这样一个数据源。
然后我们呢是通过对这些高密度的数据进行内部结构的一个深度分析，然后去指导我们未来的一个交易。
然后我们呢是通过对这些高密度的数据进行内部结构的一个深度分析，然后去指导我们未来的一个交易。
所以它分成两部分，一个是建模部分，一个是交易部分。
所以它分成两部分，一个是建模部分，一个是交易部分。
也就是我们的建模部分，实际上是一个非常非常细致的过程。
也就是我们的建模部分，实际上是一个非常非常细致的过程。
然后在交易的过程呢，我们由于一些限制，我们可能放松了一些我们的整体的这个交易的频率。
然后在交易的过程呢，我们由于一些限制，我们可能放松了一些我们的整体的这个交易的频率。
对，然后关于我们超额收益的获取，我想也能否再讲一讲啊？
对，然后关于我们超额收益的获取，我想也能否再讲一讲啊？
因为之前文文艺复兴里面也提到它的一个下注的系统嘛，他们其实就是用凯利公式，通过胜率的这种方式来差异化的进行下注，就那么杨柳也提到的就交易其实也是不同的在每一笔去下注。
因为之前文文艺复兴里面也提到它的一个下注的系统嘛，他们其实就是用凯利公式，通过胜率的这种方式来差异化的进行下注，就那么杨柳也提到的就交易其实也是不同的在每一笔去下注。
那我们在下注的时候，我们会有一个什么样的一种思维方式呢？
那我们在下注的时候，我们会有一个什么样的一种思维方式呢？
其实对于我们来说的话，呃，我们非常重要的一个概念就是提升我们总体的预测的胜率。
其实对于我们来说的话，呃，我们非常重要的一个概念就是提升我们总体的预测的胜率。
那么它是分成几部分的？
那么它是分成几部分的？
我们需要通过普通的下注的话，它可能本身的每一次的结果不一定那么高，就说我不一定呃每次都能够达到100%，不要说，那么我们98%80%可能都不一定。
我们需要通过普通的下注的话，它可能本身的每一次的结果不一定那么高，就说我不一定呃每次都能够达到100%，不要说，那么我们98%80%可能都不一定。
但是呢，我们通过不断地下注，独立地下注的这个过程来提升我们总体的下注的一个胜率。
但是呢，我们通过不断地下注，独立地下注的这个过程来提升我们总体的下注的一个胜率。
啊，这个叫做独立的事件。
啊，这个叫做独立的事件。
通过寻找这些独立下注的事件，去提升我们总体最后的一个效果。
通过寻找这些独立下注的事件，去提升我们总体最后的一个效果。
以及衍生到我们的股票量化的这个交易领域的话，我们可以对几千只股票，每只股票上可能我们选取的未来趋势的一个判断都不一定特别高，可能也就51%左右的。
以及衍生到我们的股票量化的这个交易领域的话，我们可以对几千只股票，每只股票上可能我们选取的未来趋势的一个判断都不一定特别高，可能也就51%左右的。
这样一个胜率。
这样一个胜率。
但是呢，把这几千只股票能够把它放在一个投资组合当中去，作为一个统一的交易，那么它对于未来的整体的一个胜率就是相当可观的。
但是呢，把这几千只股票能够把它放在一个投资组合当中去，作为一个统一的交易，那么它对于未来的整体的一个胜率就是相当可观的。
可以保证我们在相对稳定的这样一个总体的收益的一个来源。
可以保证我们在相对稳定的这样一个总体的收益的一个来源。
所以就是在寻求一个独立的下注的这样一个过程。
所以就是在寻求一个独立的下注的这样一个过程。
所以其实杨柳前面也提到了，就是51的这样一个概率的思维方式嘛。
所以其实杨柳前面也提到了，就是51的这样一个概率的思维方式嘛。
那么我们这种概率思维方式，我们怎么去做到？
那么我们这种概率思维方式，我们怎么去做到？
就是我们有50亿的胜率嘛。
就是我们有50亿的胜率嘛。
我们就是比交易对手或者比市场有更强的一些地方。
我们就是比交易对手或者比市场有更强的一些地方。
还是回到我们的整个统计的一个基础啊，就是我们在不断的寻找这个独立样本。
还是回到我们的整个统计的一个基础啊，就是我们在不断的寻找这个独立样本。
这个金融市场它有两个地方非常具有挑战，第一个呢它充满了噪音，很多看似规律，你看到一个规律，但实际上它可能就是个短期的一个噪音。
这个金融市场它有两个地方非常具有挑战，第一个呢它充满了噪音，很多看似规律，你看到一个规律，但实际上它可能就是个短期的一个噪音。
啊，然后呢第二个就是它的一个稳定性，就是市场的一些总体的一些规律，它不断的在变化，它有周期啊，它有不断在变化当中。
啊，然后呢第二个就是它的一个稳定性，就是市场的一些总体的一些规律，它不断的在变化，它有周期啊，它有不断在变化当中。
那么在我们寻找规律的过程中呢，希望有一个比较确定性的东西，希望噪音要尽可能少，这两点要求是我们建模的一个成功的基础。
那么在我们寻找规律的过程中呢，希望有一个比较确定性的东西，希望噪音要尽可能少，这两点要求是我们建模的一个成功的基础。
所以在这个基础上呢，就是我们意识到这点以后呢，我们在底层的数据啊，在基础的这些信息的加工上花了很多的功夫在里面。
所以在这个基础上呢，就是我们意识到这点以后呢，我们在底层的数据啊，在基础的这些信息的加工上花了很多的功夫在里面。
让我们能够在寻求整体的独立样本啊，在寻求这些统计意义上有意义的这些数据上有更好的效果，能够达到最终的好的一个预测。
让我们能够在寻求整体的独立样本啊，在寻求这些统计意义上有意义的这些数据上有更好的效果，能够达到最终的好的一个预测。
所以这些是我们做了很多工作的地方。
所以这些是我们做了很多工作的地方。
就是正好讲到这里，还有个问题想追问一下，就是关于这个独立的机会啊，就是或者独立性吧，因为杨柳不断在提到这个事情，因为我们知道可能有时候买股票啊，看似买了两个股票对吧。
就是正好讲到这里，还有个问题想追问一下，就是关于这个独立的机会啊，就是或者独立性吧，因为杨柳不断在提到这个事情，因为我们知道可能有时候买股票啊，看似买了两个股票对吧。
其实有个东西叫相关性。
其实有个东西叫相关性。
好像也挺相关的，比如说我买了一个白酒，或或者另外一个白酒，或者一个风格或者另外一个但同样风格的东西。
好像也挺相关的，比如说我买了一个白酒，或或者另外一个白酒，或者一个风格或者另外一个但同样风格的东西。
就独立性能不能跟我们听众，能不能再展开谈一谈，怎么去挖掘，去找到它的重要性？
就独立性能不能跟我们听众，能不能再展开谈一谈，怎么去挖掘，去找到它的重要性？
对，其实就是举一些例子。
对，其实就是举一些例子。
我们在市场当中，因为当前的股票市场整体差不多有五六千只股票可以交易的话，那么当市场在发生一些极端行情，或者是有一些宏观冲击的时候呢，你会发现它会有一些同涨同跌的这样一些现象。
我们在市场当中，因为当前的股票市场整体差不多有五六千只股票可以交易的话，那么当市场在发生一些极端行情，或者是有一些宏观冲击的时候呢，你会发现它会有一些同涨同跌的这样一些现象。
只是举个例子哈，那么在这种现象发生的时候呢，它的股票相关性变大了，那么你以为你在交易好几千只股票，那最后可能就被这个模型变成坍缩成了交易两只股票，或者十十只股票。
只是举个例子哈，那么在这种现象发生的时候呢，它的股票相关性变大了，那么你以为你在交易好几千只股票，那最后可能就被这个模型变成坍缩成了交易两只股票，或者十十只股票。
所以这个它的独立性就变得很差。
所以这个它的独立性就变得很差。
那么对于量化来说，它需要一个非常多样化的这样一个池子，才能够有一定的置信度在里面。
那么对于量化来说，它需要一个非常多样化的这样一个池子，才能够有一定的置信度在里面。
所以只有当市场非常的多元化，每个人的投资的目的、目标，无论是从周期还是从标的板块都不一样的时候，量化才能够在里边做出非常好的一个选择。
所以只有当市场非常的多元化，每个人的投资的目的、目标，无论是从周期还是从标的板块都不一样的时候，量化才能够在里边做出非常好的一个选择。
所以在单一的股票上面，其实量化它的胜率并不一定特别高。
所以在单一的股票上面，其实量化它的胜率并不一定特别高。
但是呢，通过选取更多的股票，做更多次的下注，能够提升总体的一个胜率。
但是呢，通过选取更多的股票，做更多次的下注，能够提升总体的一个胜率。
所以这个相关性、独立性对我们来说就特别重要。
所以这个相关性、独立性对我们来说就特别重要。
嗯。
嗯。
好的啊，我们继续回到这本书啊。
好的啊，我们继续回到这本书啊。
其实在西蒙斯之前，很多很多人都尝试通过预测市场赚钱，但这些人呢，要么就是业绩就很一般吧。
其实在西蒙斯之前，很多很多人都尝试通过预测市场赚钱，但这些人呢，要么就是业绩就很一般吧。
要么就是一个骗子啊。
要么就是一个骗子啊。
其中这本书里面提到最有名的一个人叫做威廉江恩。
其中这本书里面提到最有名的一个人叫做威廉江恩。
啊，我相信可能老的这个股民吧，或者说投资者，他都知道江恩 K 线啊，这套方法。
啊，我相信可能老的这个股民吧，或者说投资者，他都知道江恩 K 线啊，这套方法。
当时在美国，江恩是有很多粉丝的，他们觉得江恩是大预言家，无所不能。
当时在美国，江恩是有很多粉丝的，他们觉得江恩是大预言家，无所不能。
他能够预测到什么经济大萧条，包括日本偷袭珍珠港，他都能预测到。
他能够预测到什么经济大萧条，包括日本偷袭珍珠港，他都能预测到。
但江恩的业绩呢，非常非常的普通啊。
但江恩的业绩呢，非常非常的普通啊。
在文艺复兴这本书里面提到的，江恩去世的时候只有10万美金的资产。
在文艺复兴这本书里面提到的，江恩去世的时候只有10万美金的资产。
但我就觉得很有意思啊，也想问一下以梁柳，到底技术分析和量化分析之间有什么区别吗？
但我就觉得很有意思啊，也想问一下以梁柳，到底技术分析和量化分析之间有什么区别吗？
这是一个很好问题。
这是一个很好问题。
从我这个角度来看的话，我们并不歧视某一个技术。
从我这个角度来看的话，我们并不歧视某一个技术。
然后呢，K 线其实作为一个传统的金融的一个技术，它是在早年是有它生存的一个原因和意义在里边的。
然后呢，K 线其实作为一个传统的金融的一个技术，它是在早年是有它生存的一个原因和意义在里边的。
它是大家在摸索规律的一种尝试，里边其实蕴含了一些统计学方面的一些知识，或者是统计学方面的一些概念。
它是大家在摸索规律的一种尝试，里边其实蕴含了一些统计学方面的一些知识，或者是统计学方面的一些概念。
比如说你的均线，其实是代表了一个对未来的一个预期的一个预测。
比如说你的均线，其实是代表了一个对未来的一个预期的一个预测。
但是大家可能没有意识到这么学术性的去看待这个问题，所以我们对具体的方法论并不进行歧视。
但是大家可能没有意识到这么学术性的去看待这个问题，所以我们对具体的方法论并不进行歧视。
就是你的 k 线也好，还是机器学习也好，还是统计框架也好，它们其实最终要表达的内在的意义是我觉得是统一的。
就是你的 k 线也好，还是机器学习也好，还是统计框架也好，它们其实最终要表达的内在的意义是我觉得是统一的。
但问题就是在你如何去运用这些技术，以及意识到这些技术本身的一个局限性。
但问题就是在你如何去运用这些技术，以及意识到这些技术本身的一个局限性。
回到刚才一个问题，就是说我们相信世界是可以被建模的，但是同时我们无时无刻不在怀疑我们的建模工具是存在缺陷的。
回到刚才一个问题，就是说我们相信世界是可以被建模的，但是同时我们无时无刻不在怀疑我们的建模工具是存在缺陷的。
我们需要去认识到我们建模工具的一个本质，把它们运用好。
我们需要去认识到我们建模工具的一个本质，把它们运用好。
那么我们可以综合的运用，无论是 K 线也好，还是机器学习也好，还是统计的这个模型也好。
那么我们可以综合的运用，无论是 K 线也好，还是机器学习也好，还是统计的这个模型也好。
他们在适当的场合把它们运用在一起，这个我觉得是最重要的一个事情。
他们在适当的场合把它们运用在一起，这个我觉得是最重要的一个事情。
我也很想问一下杨柳，因为我们知道量化投资能够获得阿尔法，是因为有人贡献阿尔法。
我也很想问一下杨柳，因为我们知道量化投资能够获得阿尔法，是因为有人贡献阿尔法。
那么我们量化投资到底它的阿尔法的超收益来源是什？
那么我们量化投资到底它的阿尔法的超收益来源是什？
哪里？
哪里？
是怎么获得的啊？
是怎么获得的啊？
能否跟我们也谈一谈？
能否跟我们也谈一谈？
对，这是一个灵魂拷问的问题，每个量化从业者每天睡觉之前都要反复的拷问自己好几遍的这样一个问题。
对，这是一个灵魂拷问的问题，每个量化从业者每天睡觉之前都要反复的拷问自己好几遍的这样一个问题。
其实我觉得最终的话，它的来源于几个方面吧。
其实我觉得最终的话，它的来源于几个方面吧。
一个方面就是这个是整体的金融，你的投资的收益来源的一个问题。
一个方面就是这个是整体的金融，你的投资的收益来源的一个问题。
一个来源就是可能是一个风险溢价，也就是说你在某种程度上承担了别人不愿意承担的一些风险。
一个来源就是可能是一个风险溢价，也就是说你在某种程度上承担了别人不愿意承担的一些风险。
当然这个风险点呢，有不同的形式存在。
当然这个风险点呢，有不同的形式存在。
我们简单举个例子，比如说流动性风险。
我们简单举个例子，比如说流动性风险。
你在市场承担了一定的流动性，别人想卖的时候你去买，别人想买的时候你去卖。
你在市场承担了一定的流动性，别人想卖的时候你去买，别人想买的时候你去卖。
那么你提供了流动性，然后这样的话你可以取得一定的收益，这个叫风险溢价。
那么你提供了流动性，然后这样的话你可以取得一定的收益，这个叫风险溢价。
包括波动性，就是我持有这个股票，实际上它是有一定的波动的，它也是一种风险的一个衡量指标。
包括波动性，就是我持有这个股票，实际上它是有一定的波动的，它也是一种风险的一个衡量指标。
类似的这些有很多种这种风险溢价。
类似的这些有很多种这种风险溢价。
还有一种来源在于信息的优势。
还有一种来源在于信息的优势。
就是说我拿到了别人拿不到的数据，或者说我更加全面的去对市场进行梳理分析，那么我的信息来源更加的全面，更加准确，那么这个对未来判断也会更加准确一些。
就是说我拿到了别人拿不到的数据，或者说我更加全面的去对市场进行梳理分析，那么我的信息来源更加的全面，更加准确，那么这个对未来判断也会更加准确一些。
那么还有就是可能信息来源也是一样的，我的风险偏好也差不多，但是呢我的模型呢更加准确，就是我同样的食材，我可以做出不一样的菜，我的这个模型更加的高阶啊，我可以看到不同的东西。
那么还有就是可能信息来源也是一样的，我的风险偏好也差不多，但是呢我的模型呢更加准确，就是我同样的食材，我可以做出不一样的菜，我的这个模型更加的高阶啊，我可以看到不同的东西。
所以这个是在模型层面不一样的东西。
所以这个是在模型层面不一样的东西。
然后呢，我觉得整体来讲，帮助市场更加的有效的过程当中，也就是市场从无序到有序变化的过程当中，是这个利润增长最快的时候，也就是资金配置从无序到有序的变化的过程。
然后呢，我觉得整体来讲，帮助市场更加的有效的过程当中，也就是市场从无序到有序变化的过程当中，是这个利润增长最快的时候，也就是资金配置从无序到有序的变化的过程。
如果它完全无序，其实你没有办法建模。
如果它完全无序，其实你没有办法建模。
如果它是完全有序的一个市场，你也没有任何的额外的超额收益。
如果它是完全有序的一个市场，你也没有任何的额外的超额收益。
那么当你帮助市场从无序变成有序这样一个过程当中，它实际上是可以得到这个你应该得到的一个奖励，也就是我们的一个收益。
那么当你帮助市场从无序变成有序这样一个过程当中，它实际上是可以得到这个你应该得到的一个奖励，也就是我们的一个收益。
这个讲得非常深刻。
这个讲得非常深刻。
其实我想再小小的也追问一下，也就是意味着，其实量量化投资，它本质上来说，它也是在提高整个投资的有效性。
其实我想再小小的也追问一下，也就是意味着，其实量量化投资，它本质上来说，它也是在提高整个投资的有效性。
就是它也是从无序变成有序，其实它也是对提高有效性是产生很大的价值的。
就是它也是从无序变成有序，其实它也是对提高有效性是产生很大的价值的。
对，我们灵魂拷问的一个结果。
对，我们灵魂拷问的一个结果。
然后我们继续去读这本书啊，然后其实在一开始时候，杨柳也提到了，文艺复兴不只是西蒙斯一个人啊，他其实是有很强的一个组织能力的，有不同的优秀的人才，他去构成，而西蒙斯早期在国防部的破译密码时候。
然后我们继续去读这本书啊，然后其实在一开始时候，杨柳也提到了，文艺复兴不只是西蒙斯一个人啊，他其实是有很强的一个组织能力的，有不同的优秀的人才，他去构成，而西蒙斯早期在国防部的破译密码时候。
他就发现一个很有趣的事情，只要把聪明的人组织在一起，他们不需要同样背景。
他就发现一个很有趣的事情，只要把聪明的人组织在一起，他们不需要同样背景。
但是只要把聪明人放在一起，他们自然而然就会解决问题。
但是只要把聪明人放在一起，他们自然而然就会解决问题。
所以我也想问一下杨柳，就是我们中欧整个量化团队，大家的各自背景是怎么样的？
所以我也想问一下杨柳，就是我们中欧整个量化团队，大家的各自背景是怎么样的？
我们又是怎么样把这一群聪明的人给组织在一起的？
我们又是怎么样把这一群聪明的人给组织在一起的？
对，中欧的量化团队的话，还是来自于非常一多元化的这样一个背景。
对，中欧的量化团队的话，还是来自于非常一多元化的这样一个背景。
一方面呢，就是大家都是理工科的背景，但大家每个人的学术背景啊，各方面其实都不太一样，有学计算机的，有学数学的，啊，有学这个其他理工科的一些课程的。
一方面呢，就是大家都是理工科的背景，但大家每个人的学术背景啊，各方面其实都不太一样，有学计算机的，有学数学的，啊，有学这个其他理工科的一些课程的。
在这个过程当中呢，我觉得很重要一点就像刚才提到，所以我们也是从西蒙斯的这个观点当中提到，他需要找到市场上最优秀的人才。
在这个过程当中呢，我觉得很重要一点就像刚才提到，所以我们也是从西蒙斯的这个观点当中提到，他需要找到市场上最优秀的人才。
包括巴菲特也说过，就是一个优秀的人能够完成的事情，可能是普通人的十倍。
包括巴菲特也说过，就是一个优秀的人能够完成的事情，可能是普通人的十倍。
但是呢，这些优秀的人又很难管理。
但是呢，这些优秀的人又很难管理。
它单个呢，它的效率很高。
它单个呢，它的效率很高。
但是呢，如何让他们去协作，发挥更大的，在一个量级层面的提升，是非常具有挑战性的一个问题。
但是呢，如何让他们去协作，发挥更大的，在一个量级层面的提升，是非常具有挑战性的一个问题。
那么其实中欧其实在这方面呢，做得非常好。
那么其实中欧其实在这方面呢，做得非常好。
中欧能够把一帮聪明的人聚集在一起，让每个人都能够发挥他们本身的特长，然后又能够协作。
中欧能够把一帮聪明的人聚集在一起，让每个人都能够发挥他们本身的特长，然后又能够协作。
这个是中欧在里边我觉得非常棒的一点，给到每个人充足的发展空间，尊重他们，以及给他们创造一个共同的愿景。
这个是中欧在里边我觉得非常棒的一点，给到每个人充足的发展空间，尊重他们，以及给他们创造一个共同的愿景。
让他们能够看到我们在做一件事情，对吧？
让他们能够看到我们在做一件事情，对吧？
我们通过十年的时间，把中欧整体的这个平台能够不断地去成长扩大。
我们通过十年的时间，把中欧整体的这个平台能够不断地去成长扩大。
不光是说整个管理规模上，同时从整个的内部的组织，整体的架构能够完成的事情上。
不光是说整个管理规模上，同时从整个的内部的组织，整体的架构能够完成的事情上。
因为高智商人群呢，他需要看到我是跟什么样的人去一块去工作，一块去协作，但是也是一种激励。
因为高智商人群呢，他需要看到我是跟什么样的人去一块去工作，一块去协作，但是也是一种激励。
以及未来我能够完成什么样的事情，对他来说也是一种激励。
以及未来我能够完成什么样的事情，对他来说也是一种激励。
所以我觉得中国在这方面还是做的非常好的一个平台。
所以我觉得中国在这方面还是做的非常好的一个平台。
对，你前面其实也提到了激励啊，其实文艺复兴里面还有一个点让我觉得很深刻的，就是它的文化。
对，你前面其实也提到了激励啊，其实文艺复兴里面还有一个点让我觉得很深刻的，就是它的文化。
他是设计了一个完全透明的薪酬的一个奖金制度吧。
他是设计了一个完全透明的薪酬的一个奖金制度吧。
只要你给他们的超额收益，或者他们的研发做了贡献，你就会拿到一两个奖励点啊。
只要你给他们的超额收益，或者他们的研发做了贡献，你就会拿到一两个奖励点啊。
然后这些奖励点最后就对应一部分的利润的比例。
然后这些奖励点最后就对应一部分的利润的比例。
还有一点我就印象很深刻，就是透明不光是在于分钱，一开始它的内部所有东西，它代码都是透明的。
还有一点我就印象很深刻，就是透明不光是在于分钱，一开始它的内部所有东西，它代码都是透明的。
包括其实里面有个笑话，说他们的底层代码连公司前台都能看到。
包括其实里面有个笑话，说他们的底层代码连公司前台都能看到。
所以我就想问一下中欧的量化团队在文化上它有什么独特的地方吗？
所以我就想问一下中欧的量化团队在文化上它有什么独特的地方吗？
刚才提到，就是我们也遇到很多情况，就跟一个人、两个人从一个基金出走以后，他可能就带走了全部的这些信息。
刚才提到，就是我们也遇到很多情况，就跟一个人、两个人从一个基金出走以后，他可能就带走了全部的这些信息。
但是呢，其实我们更注重的是一个团队协作的这样一个过程。
但是呢，其实我们更注重的是一个团队协作的这样一个过程。
我们觉得这样的话可以完成个体不能完成的事情。
我们觉得这样的话可以完成个体不能完成的事情。
然后我们本身其实团队也比较精炼，然后每个人呢其实都有他专长的一些地方，包括他的一些技能，包括他的一些整个研究的方向，或者说他擅长的东西，非常的互补。
然后我们本身其实团队也比较精炼，然后每个人呢其实都有他专长的一些地方，包括他的一些技能，包括他的一些整个研究的方向，或者说他擅长的东西，非常的互补。
在这个基础上，我们有个共同的一个底座和框架，在一个技术平台上共同完成我们不断成长的这样一个愿景。
在这个基础上，我们有个共同的一个底座和框架，在一个技术平台上共同完成我们不断成长的这样一个愿景。
这样的话就是可以完成更多的事情。
这样的话就是可以完成更多的事情。
避免了这种可能一个人导致整个平台坍塌的这样一个现象。
避免了这种可能一个人导致整个平台坍塌的这样一个现象。
那么我们其实看到啊，就是到这里为止啊，其实就是这本书里面可能百分之八九十的内容已经。
那么我们其实看到啊，就是到这里为止啊，其实就是这本书里面可能百分之八九十的内容已经。
已经讲得差不多了啊，因为其实这本书，待后期关于西蒙斯他已经很成功了，变成印钞机的内容就越来越少了。
已经讲得差不多了啊，因为其实这本书，待后期关于西蒙斯他已经很成功了，变成印钞机的内容就越来越少了。
但是这里面其实我们看到了一个变化是大奖章基金，它从成立啊到之后，正好是遇到了整个量化投资，或者它一个大发展。
但是这里面其实我们看到了一个变化是大奖章基金，它从成立啊到之后，正好是遇到了整个量化投资，或者它一个大发展。
因为它成立的时候，其实美国是主动投资的一个最鼎盛的时候吧。
因为它成立的时候，其实美国是主动投资的一个最鼎盛的时候吧。
所以我想问一下杨柳，包括我知道杨柳也在海外的量化投资机构工作过。
所以我想问一下杨柳，包括我知道杨柳也在海外的量化投资机构工作过。
你你觉得量化投资的发展是否也和科技创新有关？
你你觉得量化投资的发展是否也和科技创新有关？
对这个肯定是非常有关系的。
对这个肯定是非常有关系的。
然后刚才提到就是整个计算机的一个发展，包括理论的一些发展，大大的提升了量化投资的这样一个可能性，降低了它的门槛。
然后刚才提到就是整个计算机的一个发展，包括理论的一些发展，大大的提升了量化投资的这样一个可能性，降低了它的门槛。
所以呃随着这个发展呢，整个量化的投资也可以看到，其实从海外来看的话，可能整个量化投资发展有几十年的历史，从70年代可能就开始，啊，慢慢慢慢成长，在其实早期是缓慢成长。
所以呃随着这个发展呢，整个量化的投资也可以看到，其实从海外来看的话，可能整个量化投资发展有几十年的历史，从70年代可能就开始，啊，慢慢慢慢成长，在其实早期是缓慢成长。
到2000年左右才在海外得到一个相对的一个认可和成为一个主流的策略，以及到现现在基本上是占到了市场，起到一个主导性作用的这样一个份额。
到2000年左右才在海外得到一个相对的一个认可和成为一个主流的策略，以及到现现在基本上是占到了市场，起到一个主导性作用的这样一个份额。
那么在中国这个市场其实也类似，也在走这个道路。
那么在中国这个市场其实也类似，也在走这个道路。
量化会占到整个市场的一个非常大的一个份额，非常主流。
量化会占到整个市场的一个非常大的一个份额，非常主流。
然后它的原因之一呢，就是我们整个技术在进步。
然后它的原因之一呢，就是我们整个技术在进步。
然后技术的进步呢，对于整个量化的发展，它不是一个单一维度的变化，因为技术的进步意味着技术的平权。
然后技术的进步呢，对于整个量化的发展，它不是一个单一维度的变化，因为技术的进步意味着技术的平权。
啊，其实在西蒙斯当年用计算机的时候，能够接触到计算机的人是非常少，而且他计算机非常昂贵，非常脆弱，能够把它运转起来，能够把它跑起来，能够把这些数据做一些简单的分析，可能就能够得到非常好的一个收益。
啊，其实在西蒙斯当年用计算机的时候，能够接触到计算机的人是非常少，而且他计算机非常昂贵，非常脆弱，能够把它运转起来，能够把它跑起来，能够把这些数据做一些简单的分析，可能就能够得到非常好的一个收益。
但现在不一样，现在的话我们既有机遇又有挑战。
但现在不一样，现在的话我们既有机遇又有挑战。
机遇就是我们的计算机更加强大，对吧？
机遇就是我们的计算机更加强大，对吧？
你就是直接可以做非常复杂的这个分析。
你就是直接可以做非常复杂的这个分析。
那挑战在于，其实每个人都有这样的一个非常强大的工具在手里边。
那挑战在于，其实每个人都有这样的一个非常强大的工具在手里边。
所以它的竞争格局，它的整个市场的参与者也在不断的变化。
所以它的竞争格局，它的整个市场的参与者也在不断的变化。
这个技术的变化，它是一个多方面的一个因素。
这个技术的变化，它是一个多方面的一个因素。
第一方面，对于参与者的一个赋能。
第一方面，对于参与者的一个赋能。
第二方面，对于整个市场的一个结构也在发生改变。
第二方面，对于整个市场的一个结构也在发生改变。
所以既是机遇又是挑战。
所以既是机遇又是挑战。
对，确实我们也看到，就是现在啊，整个 AI 的大规模普及，就是其实整个整个技术它到了一个新的高度啊，它会不会把整个量化投资也带入一个新的高度？
对，确实我们也看到，就是现在啊，整个 AI 的大规模普及，就是其实整个整个技术它到了一个新的高度啊，它会不会把整个量化投资也带入一个新的高度？
以及整个 AI 它和量化投资的结合会是怎么样？
以及整个 AI 它和量化投资的结合会是怎么样？
我也想问一下杨柳。
我也想问一下杨柳。
随着 AI 最近的这个爆发，嗯，我觉得已经到达了一个转折点，就 tipping point 也就是我们之前的话，大家对 AI 这块整体的一个看法是它的投入很高，然后产出不确定。
随着 AI 最近的这个爆发，嗯，我觉得已经到达了一个转折点，就 tipping point 也就是我们之前的话，大家对 AI 这块整体的一个看法是它的投入很高，然后产出不确定。
啊，我要花很多的成本去学习不同的概念，尝试不同的模型。
啊，我要花很多的成本去学习不同的概念，尝试不同的模型。
我的产出呢，其实不太确定。
我的产出呢，其实不太确定。
但是现在呢，特别是今年以来，从春节以来的话，我们可以看到它的投入和产出已经到了一个转折点，就是从量变变成了质变，它的工具的功能越来越强大。
但是现在呢，特别是今年以来，从春节以来的话，我们可以看到它的投入和产出已经到了一个转折点，就是从量变变成了质变，它的工具的功能越来越强大。
随着越来越强大，已经到了转折点。
随着越来越强大，已经到了转折点。
我确定我只要投入，我就能够得到一定的产出。
我确定我只要投入，我就能够得到一定的产出。
而且这个投入呢，由于现在不断的这些模型的一个头部化和成熟，我们的选择其实空间变得更加确定。
而且这个投入呢，由于现在不断的这些模型的一个头部化和成熟，我们的选择其实空间变得更加确定。
所以它的投入产出比现在非常非常高的。
所以它的投入产出比现在非常非常高的。
我们非常有幸的去在这样一个时代去参与到这样一个 AI 大模型对于整个市场结构的一个改变。
我们非常有幸的去在这样一个时代去参与到这样一个 AI 大模型对于整个市场结构的一个改变。
它也降低了很多初级的一些量化投资者的一些门槛，他们拥有自己的一些赋能，通过 AI 模型的赋能，就可以参与到这个市场当中去。
它也降低了很多初级的一些量化投资者的一些门槛，他们拥有自己的一些赋能，通过 AI 模型的赋能，就可以参与到这个市场当中去。
因为我们也看到，就是量化，就是 AI 吧，它现在也，未来可能就往端到端这个方向去走了。
因为我们也看到，就是量化，就是 AI 吧，它现在也，未来可能就往端到端这个方向去走了。
展开剩余字幕（还有 71 条）
那在实现端到端这个终极目标之前，我们的人工智能在量化投资当中，它还会有哪些应用场景啊？
那在实现端到端这个终极目标之前，我们的人工智能在量化投资当中，它还会有哪些应用场景啊？
我我想问一下杨柳，你的看法。
我我想问一下杨柳，你的看法。
对，其实端到端是一个终局，实际上它可以囊括所有的我们之前的这些模型的形态。
对，其实端到端是一个终局，实际上它可以囊括所有的我们之前的这些模型的形态。
刚才也提到各种各样的技术手段，它其实都是可以去模拟，或者是可以去建模。
刚才也提到各种各样的技术手段，它其实都是可以去模拟，或者是可以去建模。
但是在这个完全实现端到端的这个模型之前呢，还是有很多的工作要做，因为现在模型太强大，我们要看待的这个整个模型的参数啊，它是非常非常庞大，也就是我们在一个非常庞大的空间去搜索一条可行的路径。
但是在这个完全实现端到端的这个模型之前呢，还是有很多的工作要做，因为现在模型太强大，我们要看待的这个整个模型的参数啊，它是非常非常庞大，也就是我们在一个非常庞大的空间去搜索一条可行的路径。
那么这个可以说是用大海捞针来去形容这个事情。
那么这个可以说是用大海捞针来去形容这个事情。
那么如何去完成这个事情呢？
那么如何去完成这个事情呢？
我们就需要去给我们的模型，给我们的这个数据给出很多的指导和指引，或者说约束。
我们就需要去给我们的模型，给我们的这个数据给出很多的指导和指引，或者说约束。
在可控的范围和路径之内，让它去找寻最优的解，最优的路径。
在可控的范围和路径之内，让它去找寻最优的解，最优的路径。
这个是从这个模型的层面去看待这个问题。
这个是从这个模型的层面去看待这个问题。
也就是如何去让它在有约束的情况下得到一个最优解。
也就是如何去让它在有约束的情况下得到一个最优解。
这个是我觉得端到端模型我们在不断的去拷问自己的这样一个问题。
这个是我觉得端到端模型我们在不断的去拷问自己的这样一个问题。
嗯，我们聊完了这个 AI 啊，我们还是回到这个文艺复兴啊，我们其实整个书我翻译下来的过程当中，我读下来的过程当中，我们是看到了他他们模型的不断迭代啊。
嗯，我们聊完了这个 AI 啊，我们还是回到这个文艺复兴啊，我们其实整个书我翻译下来的过程当中，我读下来的过程当中，我们是看到了他他们模型的不断迭代啊。
就是也不有不同的人在加入，包括早期他们的马尔科夫模型也好，早期的这个机器学习以及提高的这个交易频率等等等等。
就是也不有不同的人在加入，包括早期他们的马尔科夫模型也好，早期的这个机器学习以及提高的这个交易频率等等等等。
所以我想问一下杨柳，那么我们中欧的量化团队的这个套系统又有经历了哪些这种迭代或者进化的阶段？
所以我想问一下杨柳，那么我们中欧的量化团队的这个套系统又有经历了哪些这种迭代或者进化的阶段？
对，其实作为这个量化投资本身来说的话，就像一个有生命的有机体。
对，其实作为这个量化投资本身来说的话，就像一个有生命的有机体。
呀，任何一个有生命的有机体，一个生命的特征在于遗传和变异。
呀，任何一个有生命的有机体，一个生命的特征在于遗传和变异。
你需要不断地去淘汰旧的这些东西，然后去产生新的一些部件，然后才可能去适应这个市场。
你需要不断地去淘汰旧的这些东西，然后去产生新的一些部件，然后才可能去适应这个市场。
呃，然后在这个过程当中呢，其实中欧基金也是经历了不同的时代，包括从最早期的基本面量化的1.0时代，然后到之后的我们的量价类的这个因子工厂这样的一个方式方法。
呃，然后在这个过程当中呢，其实中欧基金也是经历了不同的时代，包括从最早期的基本面量化的1.0时代，然后到之后的我们的量价类的这个因子工厂这样的一个方式方法。
以及到最近的我们的 AI 端到端模型的这种加入。
以及到最近的我们的 AI 端到端模型的这种加入。
所以它是经历了不同的阶段。
所以它是经历了不同的阶段。
在这个过程当中呢，不断地去适应这个市场，意识到就是没有任何的单一的模型可以完成所有的这些任务。
在这个过程当中呢，不断地去适应这个市场，意识到就是没有任何的单一的模型可以完成所有的这些任务。
所以不断地去往前迭代和生长，它成为一个自身是个有机体。
所以不断地去往前迭代和生长，它成为一个自身是个有机体。
那你也可以说唯一不变的就是变化这件事情，也就是你面对的不是静态的一个切片，而是说你面对的是一个永远在变化的这样一个有机体。
那你也可以说唯一不变的就是变化这件事情，也就是你面对的不是静态的一个切片，而是说你面对的是一个永远在变化的这样一个有机体。
那么这件事情就变成了一个不变的事情，你是面对了这样一个有机体。
那么这件事情就变成了一个不变的事情，你是面对了这样一个有机体。
对，其实提到这个变化或者提到的这个有机体，其实我们也还有问题，我也想了解啊。
对，其实提到这个变化或者提到的这个有机体，其实我们也还有问题，我也想了解啊。
看这本书的时候，就看到了一个问题，就是超额收益。
看这本书的时候，就看到了一个问题，就是超额收益。
和容量之间的这样一个矛盾吧。
和容量之间的这样一个矛盾吧。
国内很多年以前，很多人说文艺复兴是骗子，也是因为其实也有些财富管理机构卖过文艺复兴对外的产品，最后收益率是不好的。
国内很多年以前，很多人说文艺复兴是骗子，也是因为其实也有些财富管理机构卖过文艺复兴对外的产品，最后收益率是不好的。
所以这就我们就绕了这一圈回来啊。
所以这就我们就绕了这一圈回来啊。
这个超额收益的这个阿尔法的容量的问题，我们是怎么来解决的？
这个超额收益的这个阿尔法的容量的问题，我们是怎么来解决的？
对，这可能就是包括很多知名的基金，面对也是有这样的一些矛盾和问题。
对，这可能就是包括很多知名的基金，面对也是有这样的一些矛盾和问题。
作为一个自营类型的这样一个机构，还是说资管类型的机构，它是之间的很多在操作方法上都是不太一样的。
作为一个自营类型的这样一个机构，还是说资管类型的机构，它是之间的很多在操作方法上都是不太一样的。
所以那么我们可以理解，新公司的话，他做的很多早年的一些工作，其实主要是在一些这个自营的这个工作上。
所以那么我们可以理解，新公司的话，他做的很多早年的一些工作，其实主要是在一些这个自营的这个工作上。
它的超额收益呃也是在一定的范围内才能够有效。
它的超额收益呃也是在一定的范围内才能够有效。
其实我们一直在做的事情呢，还是希望能够找到有一定的市场容量的这样一类资管类的这样的一个产品，而不是说简单的信号。
其实我们一直在做的事情呢，还是希望能够找到有一定的市场容量的这样一类资管类的这样的一个产品，而不是说简单的信号。
所以我们从几方面去处理这个事情。
所以我们从几方面去处理这个事情。
一方面呢，在挖掘因子的时候，啊，在寻求规律的时候，去找到一些更加普适的、更加稳定的因子，而不是说一些短暂的、一些非常容量有限的这些因子。
一方面呢，在挖掘因子的时候，啊，在寻求规律的时候，去找到一些更加普适的、更加稳定的因子，而不是说一些短暂的、一些非常容量有限的这些因子。
这是在因子挖掘的层面。
这是在因子挖掘的层面。
第二点呢，就是在交易的层面。
第二点呢，就是在交易的层面。
其实之前也花了很多的精力在做的优化器的这些事情，能够让我们在找到因子的基础上，更好的去发挥因子的这个效率。
其实之前也花了很多的精力在做的优化器的这些事情，能够让我们在找到因子的基础上，更好的去发挥因子的这个效率。
啊，让我们在交易的层面减少摩擦，减少磨损。
啊，让我们在交易的层面减少摩擦，减少磨损。
能够在市场上更好地把我们的观点表达出来，提升我们整体的一个超额收益的能力。
能够在市场上更好地把我们的观点表达出来，提升我们整体的一个超额收益的能力。
这个是我们在最近花了很多精力在优化器方面做的一些工作。
这个是我们在最近花了很多精力在优化器方面做的一些工作。
所以这两方面，一个是从底层的规律的发现的层面，第二个是在交易技术层面去解决这些问题，能够让我们有一个相对比较稳定的、有规模的超额收益。
所以这两方面，一个是从底层的规律的发现的层面，第二个是在交易技术层面去解决这些问题，能够让我们有一个相对比较稳定的、有规模的超额收益。
其实聊到这里的话呢，我我也很开心啊，我跟杨柳能够慢慢的把这本书，其实绝大多数的内容我个人觉得其实讲得七七八八了。
其实聊到这里的话呢，我我也很开心啊，我跟杨柳能够慢慢的把这本书，其实绝大多数的内容我个人觉得其实讲得七七八八了。
那么在最后呢，我可能作为一个译者吧，我我先聊聊我对这本书最后的一些总结。
那么在最后呢，我可能作为一个译者吧，我我先聊聊我对这本书最后的一些总结。
首先我觉得这本书是适合所有人去看的。
首先我觉得这本书是适合所有人去看的。
如果你想知道量化投资的密码黑箱，那么这本书里面是没有的。
如果你想知道量化投资的密码黑箱，那么这本书里面是没有的。
但是我个人觉得它是一个关于人生的故事。
但是我个人觉得它是一个关于人生的故事。
其次，除了我开头讲的那些因素以外，我觉得这本书对我最大的一个震撼叫做和解。
其次，除了我开头讲的那些因素以外，我觉得这本书对我最大的一个震撼叫做和解。
因为最终我们发现西蒙斯在人生的最后，他能终于能够和一些事情和一些人和解，因为它里面有很多爱恨情仇。
因为最终我们发现西蒙斯在人生的最后，他能终于能够和一些事情和一些人和解，因为它里面有很多爱恨情仇。
所以我觉得怎么能够跟自己和解，人生到底是怎么回事？
所以我觉得怎么能够跟自己和解，人生到底是怎么回事？
我也想听听杨柳最后对这本书一些总结上的思考，您是怎么看的？
我也想听听杨柳最后对这本书一些总结上的思考，您是怎么看的？
对，所以这本书可能不是一一本如何在三天之内成为量化高手的可实践的这样一个手册。
对，所以这本书可能不是一一本如何在三天之内成为量化高手的可实践的这样一个手册。
他更多的是更加务实的、真实的这样一个故事，展现了我们所谓的这个神一样存在的这样一位量化基金的这样一个高手。
他更多的是更加务实的、真实的这样一个故事，展现了我们所谓的这个神一样存在的这样一位量化基金的这样一个高手。
呃，他所面临的所有的喜怒哀乐，包括一路走来遇到的这些困难，如何去克服这些困难。
呃，他所面临的所有的喜怒哀乐，包括一路走来遇到的这些困难，如何去克服这些困难。
然后呢去达到自己的一个既定的一个目标。
然后呢去达到自己的一个既定的一个目标。
所以这些可能对于量化从业者是有很大的指导意义，对我本人也是，可以看到他度过了很多不同的这个阶段，对吧？
所以这些可能对于量化从业者是有很大的指导意义，对我本人也是，可以看到他度过了很多不同的这个阶段，对吧？
遇到了挑战，然后呢又能克服这些挑战，最后解决这些问题。
遇到了挑战，然后呢又能克服这些挑战，最后解决这些问题。
那我们肯定在这个一路走来，总是会遇到各种各样的挑战，然后能够去看如何去解决这些问题。
那我们肯定在这个一路走来，总是会遇到各种各样的挑战，然后能够去看如何去解决这些问题。
所以这本书还是充满了这个人文关怀，去回到一个人的一个本质上面去。
所以这本书还是充满了这个人文关怀，去回到一个人的一个本质上面去。
还要去从事你本身去热爱的一个事业。
还要去从事你本身去热爱的一个事业。
当你遇到困难的时候，其实支撑你走下去的是你对这份事情本身的一个热爱。
当你遇到困难的时候，其实支撑你走下去的是你对这份事情本身的一个热爱。
我觉得这个是非常重要的。
我觉得这个是非常重要的。
好的，那我们非常感谢各位听众收听我们这一期的播客。
好的，那我们非常感谢各位听众收听我们这一期的播客。
啊，也很感谢中欧基金的邀请，能够让我很有幸啊，呃，以译者的身份和杨柳一起探讨征服市场的人这本书，以及关于量化投资。
啊，也很感谢中欧基金的邀请，能够让我很有幸啊，呃，以译者的身份和杨柳一起探讨征服市场的人这本书，以及关于量化投资。
那么我们这一期的播客呢就到此结束了，谢谢大家的收听。
那么我们这一期的播客呢就到此结束了，谢谢大家的收听。
基金有风险，投资需谨慎。
基金有风险，投资需谨慎。
以上内容仅供参考，不预示未来表现，也不作为任何投资建议。
以上内容仅供参考，不预示未来表现，也不作为任何投资建议。
外部嘉宾发言仅能代表其个人意见。
外部嘉宾发言仅能代表其个人意见。
关于 Bayt 播客
Bayt 提供中文+原文双语音频和字幕，帮助你打破语言障碍，轻松听懂全球优质播客。