如果你对 AI 的认知还停留在“输入文字就能自动翻译”,推荐你去看《NLP Course for You》。
它是由自然语言处理(NLP)领域非常知名的学者和研究员 Lena Voita 维护的开源教程。
这门课的设计理念是“For You”,为每一个想学习NLP的学者定制。在把底层的核心概念讲清楚的同时,给学者足够的空间去按照自己的兴趣和节奏进行学习。
课程包括现代大模型和翻译系统的四大核心基石:
1️⃣ Word Embeddings(词向量):机器是如何把人类的文字理解成数字和空间的?
2️⃣ Seq2Seq(序列到序列模型):早期的机器翻译是如何处理输入和输出的?
3️⃣ Attention(注意力机制):AI 在翻译时,是如何像人类一样聚焦在关键上下文上的?
4️⃣ Transformer:当今所有大语言模型(如 ChatGPT、Claude)的绝对底层架构。
《NLP Course for You》的最大特点是“把复杂的数学和算法可视化”。作者用大量的动图、彩色图解和直观的流向图,把枯燥的工业级原理讲得非常通透。
没有堆砌夸张的公式,适合作为你转型 AI 技术研发或理解大模型原理的“第一张通关门票”。
💡需要提个醒,这门课程目前部分高级章节仍在更新中。它不适合被当作一门拿证、速成的“完整毕业课程”,更适合作为查漏补缺、攻克核心概念的系统化专题学习帖。
由于是全英文的高质量学术教程,网站中包含大量的长文原理解释和技术细节。建议大家搭配「沉浸式翻译」插件使用,开启双语对照阅读。
这样你既能通过中文快速抓取词向量和 Transformer 的核心逻辑,又能对照英文原学术语,完全不会因为语言门槛而劝退。
想搞懂 AI 翻译底层逻辑的朋友,赶紧收藏体验吧!
🔗:
顯示更多
真正的核心聪明,是数学层面的底层逻辑能力,所以我的招聘、考评、人才选拔,永远以数学功底作为第一标尺。
拿国内四大头部大模型创始人做直观参照,这四位行业最顶尖的带头人,全部是顶级数学/理科苗子出身,绝非偶然:
1. DeepSeek梁文锋:85年,广东湛江理科状元,手握保送清华资格,自主选择浙大深耕数理;个人持股78%,一手同时掌控千亿估值大模型公司与幻方量化私募,AI、金融双赛道同时跑通。
2. Kimi杨植麟:92年汕头理科状元,信息学奥赛顶尖选手,保送清华计算机,纯粹数理竞赛体系培养出来的研究者,主导千亿参数轻量化大模型落地。
3. 智谱AI唐杰:77年,燕山大学自动化本科,深耕数理方向后攻读清华计算机博士,学术体系下扎实数理积累,撑起国内高校系大模型商业化落地。
4. MiniMax闫俊杰:89年,东南大学数学本科,中科院模式识别硕博,清华博士后,纯粹数学科班出身,聚焦多模态大模型底层算法研发。
这四家是国内第一梯队的大模型企业,掌舵人清一色拥有极强理科、数学背景,不是行业巧合,而是赛道客观规律决定的。
为什么数学能力是双赛道研发的绝对门槛?
1. 大模型研发,本质是数学建模游戏
Transformer架构、注意力机制、RLHF对齐、损失函数、缩放定律,所有底层创新全部依托线性代数、概率统计、凸优化、随机过程。只会调用开源框架、调参跑流程的人,只能做工具操作工;只有数学功底扎实的人,才能推导底层公式、定位模型收敛缺陷、从零重构全新训练逻辑。现在行业同质化严重,能拉开技术壁垒的,只有能从数学底层做创新的人。
2. 金融量化模型,数学是生存底线
管理量化策略团队,大家都清楚:市场噪音、数据过拟合、波动率测算、资产相关性推演,全部依赖数理统计能力。散户靠情绪交易,量化靠数学建模套利;如果研究员无法独立搭建数理验证框架,策略回测、实盘风控全都会出现致命漏洞,直接带来资金亏损。幻方量化梁文锋能同时做好私募与大模型,核心就是一套强悍的数学思维同时适配两条赛道。
筛选规则
1. 简历初筛:优先锁定数理赛道出身
同等项目经历下,数学、物理、统计、自动化科班候选人优先级远高于普通软件工程;重点关注竞赛履历——理科状元、信息学奥赛、数学建模竞赛获奖者会直接进入深度面试,四大创始人的成长路径,就是我筛选人才的参照范本。
2. 面试核心考核:全程围绕数学逻辑提问
不管应聘大模型算法岗,还是金融量化研究员,我不会上来问框架使用、工具操作,优先考察纯数学推导:矩阵分解、梯度推导、概率分布、极值优化等基础理论。我会刻意设置开放式数理问题,观察候选人抽象建模、拆解复杂问题的能力。能把复杂问题翻译成数学语言,才具备研发核心潜力;只会背诵工程流程的候选人,很难进入核心研发组。
用落地成果验证数学思维
新人入职后,不会直接分配现成任务。大模型方向,要求独立复现一篇顶会论文数学推导;量化方向,要求从零搭建简易因子回测数理框架。两件事的核心目的,就是检验候选人是否能脱离现成工具,用数学思维解决真实业务问题。能完成的,进入核心项目;只会复刻现有代码,只能做辅助工程岗位。
无论是做大通用大模型,还是搭建资本市场量化交易模型,表层的代码、框架、工具都可以短期学习补齐,但数学底层逻辑的打磨,需要长年累月沉淀,无法速成。
四大头部大模型创始人全部是顶级理科/数学学霸,已经印证了行业规律。对我这种同时负责AI与金融模型的研发负责人来说,选拔人才不会只看项目、学历光环,判断一个人是否具备长期成长上限,第一标准永远是:他有没有真正过硬的数学思维。
顯示更多
Google Gemini 现在不只是聊天工具。
用好了,它完全可以像一位昂贵的创意顾问,帮你从 0 搭建一个 AI 视频频道。
如果你想在 90 天内启动一个无人脸 AI 视频频道,下面这 10 个提示词可以直接收藏。
1. 细分领域与视觉风格定位
你是一位做过 50+ 个无人脸 YouTube 频道的 AI 视频策略师。请根据 CPM、受众规模、内容持续性和制作难度,帮我筛选前 10 个适合做无人脸 AI 视频的细分领域。
为每个领域推荐最适合的 AI 视觉风格,并列出 3 个竞争频道、它们的数据表现、内容优势和可突破的空白点。
最后用一句话给出最适合我的频道定位。
我的兴趣方向是:[填写主题]
2. AI 视觉风格蓝图
你是一位无人脸 YouTube 频道的 AI 艺术总监。请为我的频道创建一份 JSON 格式的视觉风格指南,方便我复制到 AI 图像工具中保持风格统一。
请包含:
艺术风格、主色板、字体感觉、角色设计规则、线条粗细、阴影方式、镜头氛围、场景质感。
再额外生成 10 个可复用场景提示词,以及一套缩略图风格指南。
我的频道领域是:[填写主题]
3. 爆款标题与缩略图系统
你是 YouTube 点击率优化专家。请为我的频道领域设计 12 个经过验证的标题公式,并给出可直接套用的填空模板。
每个标题公式都要匹配一个缩略图方案,包括:构图、人物或主体、文字位置、颜色搭配和视觉冲突点。
最后根据我的前 5 个视频想法,每个生成 3 个标题版本,并判断哪个点击潜力最高。
我的领域:[填写主题]
前 5 个视频想法:[列出视频主题]
4. AI 视频脚本生成器
你是一位无人脸 AI 频道的 YouTube 脚本作者。请根据我的视频主题,写一份可以直接进入制作环节的完整脚本。
要求包括:
30 秒强钩子开场、清晰的内容结构、保留率设计、视觉标签、每个场景对应的 AI 图像画面说明。
每 60-90 秒加入一次模式中断,并在最合适的位置加入自然的订阅提醒。
视频主题:[填写主题]
目标长度:[填写分钟数]
视觉风格:[填写风格]
5. AI 视频制作流程
你是 AI 视频制作顾问。请帮我设计一套从选题到上传的完整工作流,要求单条视频制作时间控制在 3 小时以内。
请列出每一步需要使用的 AI 工具,包括:脚本、图像、配音、音乐、字幕、剪辑、封面。
同时给出可复制粘贴的提示词模板,并设计一次性批量制作 4-7 条视频的执行计划。
最后列出每月成本预估。
我的预算:[填写金额]
上传目标:[每周几条视频]
6. YouTube SEO 实战手册
你是 YouTube SEO 专家。请为我的频道领域筛选 20 个关键词,并按搜索量、竞争度和新频道可排名机会进行排序。
对每个关键词说明:
搜索意图、适合的视频类型、新频道是否值得做。
再提供:
视频描述模板、标签策略、章节标记格式、短视频导流到长视频的漏斗方案。
我的领域:[填写主题]
频道阶段:[新号 / 不足 1K 订阅 / 1K-10K 订阅]
7. 90 天内容日历
你是 AI 视频频道内容策略师。请为我设计一个 90 天 YouTube 上传计划。
第 1 个月:8-12 个基础型选题,用来建立频道权威。
第 2 个月:8-12 个根据数据反馈优化的选题。
第 3 个月:8-12 个更适合变现、赞助和突破增长的选题。
请同时给出 2 个系列化栏目设计,以及第 30 天、第 60 天、第 90 天应该达到的阶段目标。
我的领域:[填写主题]
每周产能:[每周几条]
8. 留存率修复器
你是 YouTube 数据分析专家。请告诉我无人脸 AI 视频观众流失最常见的 5 个原因,并给出具体修复方法。
请包括:
8 种模式中断技巧、AI 视觉节奏规则、配音优化建议、脚本节奏调整方式,以及不同视频长度下应达到的基准留存率。
我的平均留存率:[如有数据填写]
我的视频长度:[填写常见长度]
9. YouTube 算法速查表
你是 YouTube 算法研究员。请解释影响新频道分发的 4 个核心排名信号,并告诉我在当前阶段应该优先优化什么。
请额外给出:
我的领域最佳上传时间、进入推荐视频流的方法、播放列表自动播放策略,以及发布后 48 小时内最大化分发的操作清单。
我的领域:[填写主题]
上传频率:[填写频率]
10. 完整频道启动主提示词
你是 AI 视频频道增长顾问,曾经帮助多个频道在 90 天内从 0 做到变现。
请根据我的频道想法,给我一份完整启动方案。
内容包括:
对我的频道想法进行真实评估、3 个月每周行动计划、适合独立创作者的制作系统、第 30 / 60 / 90 天里程碑,以及我现在最应该优先做的一件事。
我的频道想法:[细分领域 + 视觉风格]
每周可投入时间:[填写小时数]
90 天目标:[填写目标]
真正的重点不是收藏提示词。
而是选定一个细分领域后,连续执行 90 天。
AI 工具能帮你降低制作门槛,
但频道能不能跑出来,
最终还是看选题、留存、点击率和持续发布能力。
顯示更多
AI的本质就是数学,AI时代最吃香的永远是数学好的人。
上周北京有个大模型分享会,说阿里字节deepseek内部发现,很多高考700分的清华计算机系本科生,因为本科没学过数学,数学功底差,大模型pretraining里面全是一道道数学题,清华CS本校本硕博根本做不出来。
后来他们去211数学系抢人, 很多高考600多分的孩子们, 大学选了数学系,数学功底特别扎实,被阿里字节deepseek大模型组全抢走了。
据说字节内部有50多个搞大模型的清华博士,天天研究一个大模型的核心算法题,这道题就写在字节办公楼最前面的大黑板上。
结果50多个清华博士死活解不出来,每天急得大眼瞪小眼,一堆人在黑板面前干瞪眼,天天急得像热锅上的蚂蚁。
字节高层甚至放下豪言壮志,说字节上下几万名员工,谁要解决了这个问题,直接把张一鸣最大的办公室腾出来给他用,结果过去半年多,一个能解出来的都没有。
后来字节无意间招进来一个大连理工数学系的本科生,这个小孩从来不碰编程、不碰deep learning,天天只会研究数学,最大的爱好就是刷吉米多维奇,数学功底特别扎实。
他入职后发现,字节每天有50个计算机专业的大博士,从早到晚围着黑板愁眉苦脸,他也很好奇,凑上去才明白,黑板上写着一道卡死字节一年多的数学难题,整个字节上下几万人的业务和工作都被他卡死在这里。
他想了30分钟,当场提出了一个全新的数学模型,于是在黑板旁边一步步推导公式,最终花了三天三夜,一步步在黑板上把这个问题彻底解决了,把50多个清华博士当场看傻了,立刻全掏出手机咔咔拍照,为他鼓掌祝贺。
两周之后,字节最新大模型直接发布,字节内部全场鼓掌,祝贺大连理工这个本科生,当场给他提拔了三级,张一鸣也亲自把办公室腾出来,亲自站在门口邀请他入驻顶楼最大的总裁办公室。
所以张雪峰老师说得对,AI的本质就是数学建模,计算机专业只会教你写代码,AI自己就会写代码,只要把数学学好了,大模型公司全都抢着要,数学是AI时代最硬核的技能,只要你学懂了数学,就能学懂AI。
顯示更多
对于一些喜欢观察知识⽽⾮学习知识;极度喜欢科学史、技术史但不深⼊科学本身的人,我有这样的建议。
第一,其实这是真实存在且值钱的类型。
彭博、伯恩斯坦、Gartner、⼀级市场、宏观对冲、VC整个观察⾏业的产业每年⽀付⼤量的钱给这种模版的人。
对科技史的兴趣不是消遣,它就是这份⼯作的核⼼肌⾁:技术如何扩散、产业如何被重组、组织在压⼒下如何变形。
其实我也很喜欢观察,甚至这是我这些年最有趣的地方,但在过程中我发现这个逻辑有⼀个致命前提:
只观察不深⼊的⼈,终点默认是评论员,什么都能谈,什么都不真懂,很多时候,在靠语⾔的流畅度冒充判断⼒。
这里的分界线是,你的观察有没有⼀个别⼈⽆法轻易复现的硬底。
伯恩斯坦的半导体分析师看得懂制程节点、良率曲线、资本开⽀周期。
好的能源分析师算得清 LCOE 和电⽹调频,好的⽣物医药 VC 读得懂临床终点设计。
他们不做研究,但能验证研究者的说法真假。
⼀席之地的分层,护城河的五个来源。
1. 信息渠道,认识供应链⾥的⼈
2. 技术鉴别,能判断技术说法真假
3. 模型能力,能⾃⼰算成本结构、产能、单位经济
4. 历史深度,知道这个模式上⼀次发⽣是什么时候、结局如何(天然优势,我认为在这个时代也是最稀缺的⼀条,因为⼤部分从业者只有五年记忆)
5. 写作,把上⾯几样变成别⼈愿意读的东⻄
大概的情况是,
有两三样 = 稳固的⼀席之地。
⼀样都没有 = 没有议价权,随时可被替换,还要和 AI 竞争。
第二,这套护城河框架再往深处推演一层,分水岭其实在于,你是把科技史当成故事书来消费,还是把它当成参数化系统来逆向工程。
绝大多数只喜欢观察的人,停留在第一层,他们惊叹于瓦特改良蒸汽机、贝尔实验室的传奇、或者某次产业并购的戏剧性。
但这只是在消费结果。
值钱的观察者,看的是状态机。
如果要让这套逻辑在 AI 时代彻底闭环,并具备绝对的溢价能力,还需要补上三块拼图。
顶级的观察者,脑子里装的是不同行业的同构性。这就是Cross-domain。
如果可以懂系统在资源强约束下的扩散方程,就可以发现近乎完全同构的逻辑。
伪装成判断力的语言流畅度,在面对结构性危机时会瞬间破产,当所有人都在高喊某个新范式时,他条件反射般去查证它的边际成本、资本开支回报率和历史对照组。
宏观对冲和一级市场,恰恰需要剥离掉这些修辞泡沫,去计算每一个节点上具体的人、钱、设备和物理极限。
克制住将事物浪漫化的冲动,是观察者走向专业化最痛苦的成人礼。
最后我想说,如果你天然就对知识的边界、技术的演化、历史的复盘有着近乎病态的兴趣,却对日复一日埋头推导公式或写底层代码缺乏耐心,千万不要觉得这是缺陷。
这是一个极其稀缺的系统架构师基因。
当工具把语言的流畅度贬值到零的时候,对真实物理世界、资本流动和历史周期交织点上的精确鉴别力,就会变成这个时代的硬通货。
所以,别去做万事通。
希望你能以深度作尺,去量一量今天技术图纸上的每一个像素。
顯示更多
好策略不一定要更强,但一定要不一样
有些趋势跟踪策略的基金夏普比率(Sharpe Ratio)只有 0.3-0.5,也有很多资金认购,主要是因为策略配置时,除了收益以外,策略间的低相关性也很重要,怎么说 Sharpe 0.3 也是盈利策略。
组合策略的 Sharpe 有收益线性叠加,波动按 √N 叠加的特点。N 个零相关、Sharpe 各为 S 的策略等权组合,组合 Sharpe = √N × S:
- 4 个 Sharpe 1 的独立策略 → 组合 Sharpe 2
- 9 个 Sharpe 1 的独立策略 → 组合 Sharpe 3
- 16 个 Sharpe 1 的独立策略 → 组合 Sharpe 4
独立交易员 Scott Phillips 在 Flirting With Models 的节目公开过他的加密组合策略,包括:
- 趋势跟踪(CTA 风格, 以 50% 年化波动率作为仓位控制的约束):过去 4 年 Sharpe 1.7,收益分布正偏(大部分小亏,小部分大赚)
- 横截面动量(所有币按波动率标准化后,按过去 N 天收益排名,前几名开多,空后几名开空):Sharpe 略高于 1.7,收益分布不如趋势偏向单边大赚
- 横截面套息(所有币按资金费率排名,最高的开多,最低的开空):Sharpe 1.7(与趋势跟踪相近),收益分布是负偏(大部分小赚,小部分大亏),而且这个策略与前两个策略的相关性明显低。
Scott 最后总结:“这三个一起运行,很容易达到 Sharpe 2 ,执行上不需要太精细。”
按之前的公式倒推:N = 3,Sharpe 各 1.7,组合 Sharpe 取决于两两相关度 ρ:
- ρ = 0.5 → 组合 Sharpe 2.08
- ρ = 0.3 → 组合 Sharpe 2.33
- ρ = 0 →组合 Sharpe 2.94
可见相关度越低的策略在一起,对组合 Sharpe 提升越大(相关性在极端行情会失效,不过这是另一个话题,这里不展开)。
上面这几个策略都是价格方向上的相对排名,机制上有不少同源。要再降低相关性,就需要换一个完全不同的维度。
波动率策略做的是隐含波动率和实际波动率之差(波动率风险溢价),与价格方向的相关性显著变低。AQR 在波动率策略的研究里提过,波动率风险溢价策略与动量、套息、趋势的相关性都很低,所以将这类策略纳入组合,能显著降低波动性,从而提升组合 Sharpe。
可以试算一下,我们假设当前组合的相关性为 0.5,夏普为 2.08,此时加入一个 Sharpe 1.2 且和其他策略相关性只有 0.1 的新策略,那么新组合 Sharpe 将提升为 2.29。即使新增策略的 Sharpe 略低,依然使得整个组合的 Sharpe 提升了 10%。这是配置层面的杠杆:加入不同源的新策略,等于打开了一个新世界。
顯示更多
多少社科圈的人坐不住了?复旦知名学者一篇论文直接捅破窗户纸:所有社会科学尤其是政治学,绝大多数研究成果对人类知识几乎没价值,纯属多余。他直接呼吁:国家根本没必要砸大量资源去搞这些。
这话一出,网上直接炸了。
一堆人跟着叫好,说终于有教授敢说真话,文科全是水,社科就是骗经费,早该砍干净。
我看完只有一个感觉:荒唐。
说这话的人叫刘建军,复旦大学国际关系与公共事务学院的教授,正儿八经的博士生导师。
自己研究了半辈子政治学,出了《单位中国》《中国现代政治的成长》一堆专著,还拿过教育部人文社会科学优秀成果二等奖。
结果转头就说政治学的研究绝大多数都是多余的。
我就想问一句,您自己这几十年的研究成果,算不算您嘴里“近乎多余”的那部分?
要是算,您是不是先把自己的项目经费退了?要是不算,凭什么说别人的都是多余的?
我看不惯这种双标,自己站在山顶上,转头就把梯子踹了。
他还有个说法,说教社科的老师大多没校外经验。
教外交的没搞过外交,教管理的没做过管理,比学生高明不了多少。
这话不是全错,圈子里确实有这种人。
从校门到校门,读了几十年书,一天社会没接触过,就站在讲台上大谈现实。
但这是人的问题,不是学科的问题。
你不能因为有些老师不合格,就说整个学科没用。
我见过太多真正做社科研究的人。
研究乡村治理的学者,拎着包就扎进大山里的村子,一住就是小半年。
跟村民一起下地,一起吃饭,晚上在灯下记笔记,把政策落地的堵点摸得一清二楚。
研究社区建设的,跑遍了几十个街道,挨个跟居委会、跟老百姓聊天,最后总结出的经验,现在全国都在推广。
脱贫攻坚那几年,多少社会学、政治学的研究者跟着驻村工作队一起进村。
一边调研,一边给地方出主意,帮着找产业,帮着理机制。
这些事,是实验室里做不出来的,是AI算不出来的,是理工科再发达也替代不了的。
你说这些研究多余?我第一个不答应。
咱们中国人常说,衣食足而知荣辱。
可怎么让大家衣食足?衣食足了之后怎么办?社会怎么才能更公平?老百姓怎么才能更幸福?
这些问题,芯片解决不了,高铁解决不了,大飞机也解决不了。
得靠社会科学。
当年改革开放,说摸着石头过河。
石头在哪?怎么摸?哪步能走,哪步不能走?
不是拍脑袋拍出来的,是多少社科工作者跑遍全国各地,搞试点,做调研,总结经验,一点点蹚出来的。
没有这些研究,咱们的改革开放不可能走得这么稳,这么快。
现在搞中国式现代化,要走咱们自己的路,不能照搬西方那一套。
这就更需要政治学、社会学、经济学这些学科,去研究中国的国情,讲好中国的道理,解决中国的问题。
这时候你跳出来说社会科学没用,国家不该投钱。
这不是清醒,是短视,是自废武功。
我问你,咱们国家为什么能集中力量办大事?为什么疫情的时候能在短时间内动员全国的力量?为什么脱贫攻坚能做到一个都不落下?
这些制度优势,不是从天上掉下来的。
是一代代人在实践里闯出来的,也是无数政治学研究者一点点总结、一点点完善出来的。
还有平时你接触到的基层治理、社会保障、城市管理,哪一样离得开政治学的研究?
你觉得它没用,只是因为它像空气一样,平时看不见摸不着。
可真要是没了它,整个社会分分钟就得乱套。
刘教授说,文科不会消亡,但需要缩水。
缩水我同意,但得搞清楚缩什么。
缩的是重复冗余的专业,是混日子的老师,是脱离现实的水论文。
不是缩学科的价值,不是砍国家的投入,不是否定整个领域的意义。
现在很多人跟着起哄,说干脆把文科全砍了,都去学计算机学理工。
我就问一句,真要是没了社会科学,政策怎么制定才合理?社会矛盾怎么化解?老百姓的诉求怎么传递?
靠程序员写代码吗?靠工程师算公式吗?
别扯了。一个只讲技术不讲人心的社会,是走不远的。
当然,我不是说社科圈没有问题。
水论文多,评价体系畸形,很多研究脱离实际,这些都是明摆着的毛病。
正因为有毛病,才要改革,才要优化,才要把资源留给真正做事的人。
而不是一竿子打翻一船人,直接给整个学科判死刑。
咱们国家发展到今天,硬实力要跟上,软实力也不能掉队。
理工科是骨架,社会科学是血肉。
骨架再硬,没有血肉,也只是个空架子。
人心的凝聚,社会的稳定,治理的效能,这些都是实打实的硬实力。
这些东西做不好,经济再发达,技术再先进,也根基不稳。
可以淘汰混子,但不能否定学科。
国家该投的钱还得投,只是要投在刀刃上,投给那些真正扎根中国、研究现实问题的学者。
别跟着那些极端言论瞎嚷嚷,真把社会科学砍废了,最后吃亏的,还是咱们普通老百姓。
顯示更多
他是华尔街最神秘的印钞机,
也是数学界最会赚钱的天才。
詹姆斯·西蒙斯,
23岁MIT数学博士,
25岁哈佛任教,
30岁当上美国国防部密码破译头子,
37岁拿下几何学界的"诺贝尔奖"奥斯瓦尔德·维布伦奖——然后,他转头去炒股了。
全世界都觉得他疯了。
1982年,西蒙斯创立文艺复兴科技公司,
招的不是金融精英,
是数学家、物理学家、密码学家。
他不看财报、不听路演、不聊宏观,
只信一个东西:数据。
他的旗舰基金"大奖章"(Medallion)
从1988年到2018年,年化收益66%——
扣掉手续费后。
什么概念?
巴菲特年化20%已被封神,
西蒙斯是他的三倍还多。
更离谱的是,
大奖章在2008年金融危机、2015年闪崩、
2020年疫情熔断中全部正收益,没有一年亏损。
他怎么做到的?
三个字:找规律。
西蒙斯团队从海量历史数据中挖掘市场微小的、
转瞬即逝的套利机会,
用高频交易在毫秒之间完成收割。
他们不预测市场走向,
只捕捉市场"犯错"的瞬间。
这套打法,被西蒙斯称为"壁虎式投资"——
不赌方向,只薅羊毛,积少成多。
但西蒙斯真正的恐怖之处,
不是赚钱的速度,而是赚钱的稳定性。
大奖章基金在30多年里,
只有极少数年份收益低于20%,
最大回撤微乎其微。
这在波动剧烈的金融市场,
简直是反物理的存在。
然而,大奖章基金只对内部员工开放。
外界只能眼馋,连门槛都摸不到。
西蒙斯后来推出的对外基金,
表现却平平无奇——
有人猜测,真正赚钱的"黑箱"算法,
他只留给了自己人。
西蒙斯晚年把巨额财富捐给了
基础科学研究和自闭症治疗。
2024年,86岁的他悄然离世,
留下了一个无人能解的谜题:
他的算法到底是什么?
有人说,
西蒙斯的成功不可复制——
因为他拥有的不仅是数学天赋,
还有冷战时期密码破译的顶级数据处理能力,
以及一个从不对外泄露秘密的封闭团队。
但这场MIT演讲,
是西蒙斯罕见地公开谈论自己的投资哲学。
他谈到了从数学到金融的跨界,
谈到了"壁虎式投资"的本质,
也谈到了他对市场有效性的根本质疑。
如果你想知道,
一个数学家如何用公式碾压了整个华尔街——
这场演讲,值得你看完。
顯示更多