從超級電腦到華爾街#
蕭爾（David Shaw）的職業起點並不在金融市場。他在史丹佛大學攻讀電腦科學博士，論文「Knowledge Based Retrieval on a Relational Database Machine」奠定了大規模平行運算（massively parallel computing）的理論基礎。其中的關鍵定理證明：對於某類重要問題，多處理器電腦相對於單處理器的理論優勢，會隨問題規模等比例擴大。
完成博士後，他任教於哥倫比亞大學，並從美國國防部 ARPA 取得數百萬美元的研究合約，組成三十五人團隊，打造了世界上第一台多位元、平行架構超級電腦的雛型。當募集後續所需的數千萬美元創投資金未果時，摩根士丹利向他遞出橄欖枝，他因此踏入華爾街，進入摩根士丹利知名的自動化交易專案組（Automated Proprietary Trading, APT）。
蕭爾原本對金融市場毫無概念，他的繼父是一位金融經濟學家，是第一個向他介紹效率市場假說的人，這反而讓他對「市場可以被打敗」抱持高度懷疑。
D. E. Shaw 與量化驅動的交易#
蕭爾離開摩根士丹利後創辦 D. E. Shaw & Co.。公司位於曼哈頓中城摩天大樓的高層，匯集了全美最頂尖的數學家、物理學家與電腦科學家，目的只有一個：以量化技巧穩定地從全球金融市場萃取利潤。旗艦交易計畫自 1989 年推出以來連續獲利，十一年間平均年化複合報酬率達 22%（已扣除所有費用），最大單月回撤僅 11%，且四個多月內完全回補。
公司在十多個國家交易數千檔股票，以及與股市相關的權證、選擇權與可轉換債券，獲利完全來自不同證券間的價格錯位（pricing discrepancies），刻意避開股市方向、匯率或利率等系統性風險。
統計套利與多重微小無效率#
D. E. Shaw 的核心方法是「統計套利（statistical arbitrage）」。古典套利是同時買低賣高、鎖定無風險利潤；統計套利則延伸到「相關但不相同」的證券，每筆交易都不是穩贏，但長期下來機率帶來優勢，類似賭場的莊家邊際。
其中一個易懂的例子是配對交易（pairs trading）：找出歷史上同向波動的股票配對，當兩者出現顯著背離時，賣出走強的、買入走弱的，押注兩者最終會收斂。然而 D. E. Shaw 的策略比配對交易複雜得多：
- 同時運行二十多種以上的預測模型，而非單一方法
- 模型不只兩兩分析，而是同時處理大量證券間的相互關係
- 涵蓋全球股市與股權衍生工具
- 部位大小依波動度、相關性動態調整，以中和市場、匯率與利率的方向性曝險
- 進出場演算法專為壓低交易成本而設計
- 所有模型即時連動，模型本身也持續汰換更新
蕭爾指出，單一無效率的預期獲利往往不足以覆蓋交易成本；唯有當多個無效率訊號同時指向同一方向時，才會出現可獲利的交易機會。識別的無效率越多，能組合出的機會就越多。
為何嚴守方法、構築護城河#
蕭爾對公司策略的保密近乎傳奇。員工須簽保密協議，連內部知識也採「需要才知道」原則。他甚至婉拒談論「過去用過但已失效」的策略，理由是即便這類負面資訊也可能讓競爭者搭便車、節省研究資源。
他坦言「容易賺的錢」早已消失：簡單、數學上直觀的無效率，幾乎都被市場淘汰。如今要找出剩下的細微錯位，需要長期、昂貴的研究投入。這形成了極高的進入門檻——一家像 D. E. Shaw 這樣已掌握數十種無效率的公司，能在交易成本之上獲利；新進者只掌握一兩種，往往連成本都打不平。
蕭爾警告「資料挖礦（data mining）」的陷阱：若盲目搜尋資料中的型態，往往會找到只是統計人造物的訊號。D. E. Shaw 採用科學方法，先依結構性理論提出假說，再用資料驗證，並用嚴謹的統計工具評估顯著性。
跨領域團隊與外溢事業#
D. E. Shaw 偏好以「原始智力」而非經驗為錄取標準，遇到極具天賦者，即便沒有現成職缺也願意延攬。最著名的例子是貝佐斯（Jeff Bezos）：他在 D. E. Shaw 工作時與蕭爾共同發想「通用電子書店」概念，後來離開創立 Amazon。
公司本身也孵化或投資了多項事業：
- Juno Online Services——當時全球第二大撥接 ISP，1999 年於 Nasdaq 上市
- DESoFT——金融科技公司，售予美林，成為其網路券商業務基石
- FarSight 與 D. E. Shaw Financial Products——線上券商與造市業務
- Schrödinger 與 Molecular Simulations——投資計算化學軟體公司，押注新藥與新材料設計將從實驗室移往電腦
蕭爾本人還曾任柯林頓總統的科學技術顧問委員會委員、教育科技小組主席。
給一般投資人的啟發#
蕭爾的方法需要極端複雜的數學模型、龐大算力與近乎瞬時的低成本執行，普通投資人無從複製。但他揭示的一個概念具有普遍意義：單獨無利可圖的多種模式，組合起來可能形成具優勢的交易模型。同樣的邏輯也適用於基本面因子——單一因子失效不代表組合無用。系統化交易者真正應警惕的，是把隨機巧合誤當成預測力。