章節概述#

本書最後一章以更宏觀的視角審視量化交易革命的全貌。從文藝復興的驚人績效出發，探討量化方法如何重塑整個金融業，同時也誠實地討論了量化交易的局限性和潛在風險。章末揭示了大獎章基金成功的核心秘密。

2018 年的市場震盪#

• 2018 年 12 月，S&P 500 下跌約 10%——自 1931 年以來最糟糕的 12 月
• 此時西蒙斯身價約 230 億美元
• 西蒙斯致電歐幾里得資本（Euclidean Capital）的阿什文·查布拉（Ashvin Chhabra）：「我們應該做空嗎？」
• 查布拉建議等待，不要在恐慌中做決定

量化革命席捲業界#

傳統基金的衰落#

• 摩根大通（JPMorgan）要求銀行家學習程式設計
• 傳統明星基金經理人表現不佳：鮑爾森（Paulson）、艾因霍恩（Einhorn）、巴菲特（Buffett）都跑輸大盤
• 主動管理基金的市占率從 75% 降至 50%
• 被動投資和量化策略持續蠶食傳統基金的市場份額

另類數據的爆發#

「數據分析師」和「數據獵人」成為金融業的新興職位。

機器學習的普及#

• 機器學習從文藝復興等先驅的秘密武器，變成全行業的標準工具
• 到 2019 年，量化交易佔所有股票交易量的三分之一
• 文藝復興管理的總資產達到 655 億美元

量化革命的普及既是對文藝復興方法的肯定，也是對其優勢的潛在威脅。當所有人都在用類似的工具和數據時，alpha（超額報酬）自然會被壓縮。文藝復興之所以能持續領先，在於其數十年累積的數據基礎設施、人才密度和組織文化——這些是無法用錢或技術快速複製的。

大獎章的終極績效#

• 自 1988 年以來，大獎章基金的年化報酬率：
  • 費前：約 66%
  • 費後：約 39%
• 這意味著即使扣除高達 5% 管理費和 44% 績效費之後，投資者仍能獲得遠超市場的報酬
• 大獎章的長期績效在金融史上無出其右

量化交易的局限#

• 美國股市只有約 118 個不重疊的年度數據期間——統計樣本量極其有限
• 2010 年「閃電崩盤」（Flash Crash）暴露了高頻交易的系統性風險
• 當所有量化基金使用相似的模型和數據時，可能在極端情況下同時出錯（如 2007 年量化風暴）
• 量化方法在市場微觀結構上有效，但對黑天鵝事件的預測能力有限

大獎章成功的核心秘密#

人類行為的可預測性#

• 文藝復興的核心洞察：「人類行為是可預測的」
• 不是預測市場的方向，而是預測市場參與者的集體行為模式
• 這些模式在短期內反覆出現，因為人性不變

多維度異常#

• 大獎章不依賴單一因子（如動量或價值），而是捕捉股票之間的多維度數學關係
• 這些關係構成一個「多維度異常」（multidimensional anomaly），比任何單一策略都更穩定

既視感訊號#

• 「既視感」（déjà vu）訊號：當前市場狀態與歷史某個時刻高度相似時觸發交易
• 系統在龐大的歷史數據中尋找相似的市場「指紋」

微小優勢的累積#

• 大獎章的勝率僅約 50.75%——比隨機猜測只好一點點
• 但透過每天數十萬筆交易的累積，這微小的優勢被放大為數十億美元的利潤
• 這就像賭場——不需要每次都贏，只需要在大量重複中維持微小的統計優勢

50.75% 的勝率揭示了大獎章最深層的秘密：它的優勢不在於任何單一的天才預測，而在於系統性地在海量交易中累積微小的統計邊際。這需要三個條件同時滿足：極低的交易成本、極高的交易頻率、以及極精確的訊號提取。缺少任何一個，系統都無法運作。這也解釋了為什麼大獎章的方法如此難以複製——不是因為某個公式是秘密，而是整個系統的每一個環節都必須達到極致。

市場穩定性的辯論#

• 正面觀點：量化交易減少了情緒化操作，提供流動性，讓市場更有效率
• 負面觀點：相似的模型和相似的數據可能導致羊群效應，在極端情況下加劇市場波動
• 這個辯論至今沒有定論，但量化革命已經不可逆轉地改變了金融業的面貌

全書以《乍客任務》（The Matrix）中史密斯探員的台詞開啟最後一章，暗示了一個哲學問題：當機器（演算法）取代人類做出越來越多的金融決策時，市場還是「市場」嗎？西蒙斯的故事不只是一個投資傳奇，更是一個關於人類智慧、機器能力和市場本質的深刻寓言。