文艺复兴科技

Ben：我以前打“Renaissance”时总会把开头拼成 R-E-N，然后就不知道后面该怎么拼了。后来我学了个记忆方法，确保自己拼对。

David：我还以为你要说，这一个月来你已经打了太多次这个词了。

Ben：这个原因也有。但你准备好了吗？Renaissance 这个词里藏着 AI。

David：妙啊，真妙。

Ben：好了，开始吧。

欢迎收听 Acquired 第 14 季第 3 集。本节目讲述伟大公司的故事及其经营方法。我是 Ben Gilbert。

David：我是 David Rosenthal。

Ben：我们是主持人。David，大家总说投资者无法打败市场，也无法择时；与其主动选股，不如投资指数并定期定额买入。他们说，对冲基金的回报没有持续性，今年的大赢家明年可能就是输家；也说如果不承担巨大风险，就不可能取得显著超额回报。

David：我上大学时，曾选修一门 Burton Malkiel 教授的经济学课。他参与创办了 Vanguard，也非常支持这些观点。我当时学到的就是这一套，Ben。

Ben：但事实证明他们错了。今天我们要讲的是历史上表现最好的投资公司 Renaissance Technologies，简称 RenTech。他们管理数十亿美元、长达 30 年的业绩，超过你听说过的所有投资机构和投资人，包括 Berkshire Hathaway、Bridgewater、George Soros、Peter Lynch 等。

那你为什么没听说过他们？或者听说过，却不太了解？因为他们惊人的业绩，配上了极端的保密作风，而且他们几乎事事都与众不同。创始人 Jim Simons 在创办 Renaissance 之前，曾在冷战时期为美国政府担任密码破译员。

创始人和早期员工都没有投资背景。他们通过招聘理论物理学家、天文学家和语音识别研究员来建立整家公司。公司位于长岛一个偏远小镇。他们不关注营收、利润，甚至不关心所投资公司的 CEO 是谁。任何时候，他们可能都说不出自己实际持有哪些股票。

你可能会想：太好了，我刚知道有这么一只业绩惊人的基金，想投进去。具体来说，听众朋友，他们的年化回报率税前高达 66%。但你投不了。除了刚才提到的那些特点，RenTech 的旗舰 Medallion 基金不接受任何外部投资者。基金经理人靠它赚了数十亿美元，已经非常富有，所以他们只允许自己人投资。

David：我们会在节目后半段详细聊这件事，因为我觉得这是整套模式的关键。

Ben：先卖个关子。David，RenTech 到底做什么？为什么有效？它又是怎样发展成今天这样的？公开资料非常少，因为员工都签了终身保密协议。我们会从 Jim Simons 还是数学教授时讲起，一直带大家了解研究发现的内容。

本期选题由 Acquired 的有限合伙人投票选出。老实说，我原以为知道 RenTech 的人不够多，不会有人选这个题；结果投票时大家已经表态。如果你想成为有限合伙人，每季选择一期节目并参加季度 Zoom 交流会，可以访问 acquired.fm/lp。

如果想在新节目上线时收到通知、了解下期主题提示，以及前几期的补充信息，可以注册 acquired.fm/email。

比如最近有位听众 Nicholas Cullen 给我们发邮件，找到了 Hermès 控股家族股东 H51 的公司章程原件。我们在最近一期邮件里放了链接。

听完后也欢迎到 acquired.fm/slack 和社区讨论。如果你还想听更多，可以收听第二档节目 ACQ2。我们最近采访了 Novo Nordisk 第一代 GLP-1 药物研发团队负责人 Lotte Bjerre Knudsen；如果你喜欢 Novo Nordisk 那期，这次访谈是很棒的延伸。

Ben：好。本节目不是投资建议。David 和我可能持有讨论过的公司的投资，或者希望自己持有；节目仅用于信息交流和娱乐。David，我们从哪里开始讲这个故事？

David：从 1938 年讲起。Jim Simons 出生在 Massachusetts 州 Newton，这是 Boston 附近一个相当富裕的郊区。他的父母都很聪明，尤其是母亲 Marsha。父亲在 20th Century Fox 做销售，常到美国东北部各地的电影院推销电影包。

Ben：真酷。

David：顺便说一下，这些资料来自 Greg Zuckerman 的书《The Man Who Solved the Market》。这是目前唯一一部专门介绍 RenTech 和 Jim Simons 的书。我们研究时还采访了 Greg，他给了我们很多帮助。谢谢你，Greg。

Ben：而且在那本书出版之后，我们的一些猜测也请他帮忙核实了。

David：除了父母，Jim 成长过程中一个重要影响是他的外祖父，也就是 Marsha 的父亲。这里已经有点像 Bezos 的故事：外祖父和孙辈长时间相处，对年轻的 Jeff，或者这里的年轻 Jim，产生影响。Bezos 后来当然是在 D. E. Shaw 开始职业生涯的。

Ben：一家和 RenTech 同时期出现的量化基金。

David：回到 1940 年代的 Jim。他的外祖父 Peter 有一家制鞋厂，生产女式礼服鞋。Jim 长大时经常待在工厂里。

Jim 的外祖父 Peter 是个很有意思的人。他是俄罗斯移民，当时的他身上还保留着很多俄罗斯文化，而不是 Boston 的风格。正如 Greg 在书里写的，Peter 很喜欢给 Jim 和表亲们讲故乡的故事，里面有狼、女人、鱼子酱和伏特加。他还在工厂里教年幼的 Jim 说俄语短句，比如“给我一支烟”和“亲我的屁股”。

Ben：我猜他后来几十年里肯定说过成千上万遍。

David：我想也是。你看 Jim 的访谈时会发现，他的手总在抽动，因为他一辈子都抽烟，大概从 10 岁在工厂时就开始了。

Ben：一天三包 Merits 香烟。

David：难以置信。

Ben：我想他晚年戒烟了，但在他人生的前 75 年左右，大部分时间都在不停抽烟。

David：有些关于 RenTech 会议室的著名故事：市场剧烈波动时，他们在战情室里开会，屋里烟雾弥漫，而抽烟的人都是 Jim。

Ben：那是另一个时代了。

David：确实是另一个时代。回到 Jim 的童年，他在 Boston 郊区长大，家境算不上极富裕，但属于相当宽裕的中上阶层。尤其是他是独生子，能得到父母和外祖父母的全部资源；他的外祖父还是一位富有的企业家。

Jim 能在 Boston 结识一些真正富有的人。他后来回忆说：“我看到富有确实很好。我对做生意没兴趣，但这不代表我对钱没兴趣。”

Ben：没错，必须把这两件事区分开来。

David：非常重要。Jim 说自己对做生意没兴趣，是因为他从小就特别喜欢数学。传说他 4 岁时，就自己想到古希腊哲学家 Zeno 的一个悖论。

Ben：是的，这段很有意思。Zeno 悖论大致是：如果你不断把一个量除以二，它永远到不了零，只会无限接近零；要真正到零，必须做加法或减法，光靠除法不行。

Jim 只有 4 岁时，有次家里要去加油站加油，他提出：我们只用油箱里一半的油，这样之后还可以再用剩下一半的油。一个 4 岁孩子没想到的是：那样我们根本开不了多远。

David：Jim 的梦想是去剑桥镇附近的 MIT 学数学。他高中只读了三年；大一第二学期，就去听研究生的抽象代数研讨课。这可不是容易的内容。

Ben：Jim 三年就读完 MIT 本科，又用一年拿到硕士学位。

David：他确实很聪明。不过，大一时参加的那门研究生研讨课对他影响很大，因为他表现不佳，跟不上。Jim 对自己有清醒认识。

MIT 还有一些人似乎从不遇到困难，永远不会碰到能力极限，也不会觉得哪个概念难懂。Jim 意识到：我很聪明，真的很聪明，比这里大多数人都聪明，但我不是那种顶尖到极致的人。

Ben：这让你开始思考：该怎么利用这个认识？你得把几种技能组合起来，成为某个领域的顶尖人物。你既要聪明，还得有别的长处。

David：Jim 说过：“我是个不错的数学家，不是世界上最出色的，但相当优秀。”不过正如 Ben 所说，他也意识到自己有一种许多超级天才缺少的优势。用他自己的词来说，那就是“品味”。

这是他的原话：“科研中的品味非常重要。判断什么是好问题、什么问题就算答出来也没人关心，这就是品味。我觉得自己品味不错。”

Ben：这和 Jeff Bezos 在大学里的经历一模一样。他曾经想成为理论物理学家，后来遇到一些将成为世界顶尖理论物理学家的人。他意识到自己很聪明，但没有他们那么聪明，于是改学计算机科学。

David：我觉得可以用体育打比方：有全明星、名人堂成员，另外还有 LeBron 和 Michael Jordan。Jim 后来成为数学界的名人堂级人物，但他并不是 Tom Brady 那样的绝对顶尖。

Ben：不过有一个重要定理以他的名字命名。

David：后来还成为弦理论的基础之一，尽管弦理论并非 Jim 的研究领域。

Ben：真不可思议。

David：我觉得 Jim 对自己的认识，既知道自己不是 MIT 里最聪明的人、但能和他们比肩，也知道自己有“品味”这种能力，后来成了 RenTech 秘诀中最重要的组成部分之一。

他能和各种人打交道，理解复杂讨论。街上随便一个人可能连这些研究者在聊什么都听不懂，但他能听懂。同时，他似乎也从外祖父那里得到一些现实世界的视角，知道哪些事情真正重要。因此，MIT 的朋友和那些超级聪明的人都敬重他。他不是高中舞会上缩在角落里的那种学生，而是个很受欢迎的人。

Ben：他是个外向的理论数学家。

David：对。他在高中当过学生会主席，也抽烟，和女生很受欢迎，长得像 Humphrey Bogart。他特别受欢迎。那时 Jim 正在 MIT 就读，大约是 50 年代末，正值 James Dean 和《Rebel Without a Cause》的年代。

毕业后，Jim 带着朋友们骑摩托踏板车，从 Boston 一路开到 Bogota，其中一位同学就来自那里。这群人想做件足够轰动的事，让报纸不得不报道他们，于是骑上踏板车一路南下。路上他们经历了不少冒险，有刀、有枪，还被关进过监狱。

Ben：这群人敢冒这样的险，真的很疯狂。

David：确实。MIT 毕业并结束这趟公路旅行后，Jim 前往 California 的 Berkeley，师从数学教授 Shiing-Shen Chern 攻读博士学位。多年后，Jim 与 Chern 合作提出 Chern–Simons 理论；就像我们前面说的，这后来成为弦理论的重要基础之一。

Jim 离开 Boston 去西海岸之前，在当地认识了一个女孩，两人认识四天后就订婚了。那时候就是这样。到了 California 结婚后，Jim 拿着女方父母给的 5,000 美元婚礼礼金，想把这笔钱变多。于是他每天从 Berkeley 开车到 San Francisco，泡在 Merrill Lynch 的经纪营业部里，想找交易机会，把这笔钱做大。

Ben：这想法很有意思，因为当时光是“人在现场”就有很大优势。那个地方甚至不是交易大厅，但市场信息高度依赖人工和人际关系；如果不亲自到场，几乎没有办法参与其中。

David：没错。那时你不能打开 Yahoo Finance，也不能拿起 iPhone 看股票应用。甚至 Jim 能看到的期货和商品报价，也不知道比纽约或芝加哥的实时行情延迟了多久。他已经尽可能靠近市场，但离真正的交易现场仍然很远。尽管如此，刚开始交易时 Jim 赶上一波行情，几天内赚了 50%。

Ben：交易真容易。

David：交易真容易。他说自己上瘾了，那种感觉很刺激。

Ben：我相信。

David：结果，他很快又把赚来的利润全亏了回去。

Ben：早点学到这课也很重要。

David：差不多同一时期，他的妻子 Barbara 怀了他们的第一个孩子，就对他说：你不能每天早上开车去 San Francisco，然后这样拿我们的未来去赌博。

Ben：简直是在赌赛马。

David：没错。Jim 说：好，好，我不做了，先专心学术。他两年就完成博士学位。他们回到 Boston，Jim 23 岁时加入 MIT，成为初级教授。他们在 Boston 待了一年。Jim 虽然有了家庭，作为年轻学者也很成功，但还是闲不下来。

他骑摩托踏板车去 Bogota 旅行时认识的一位朋友来自那里，家人也住在那里。他有个创业想法：MIT 和 Boston 的地板比 Bogota 的好多了，我们应该开一家地板砖制造公司，把同样的地板做出来。

Ben：我读到 Jim Simons 的第一笔创业生意时简直不敢相信。这个点子太出乎意料了，但也很能说明他多么爱寻求刺激，总想找新奇、不同、令人兴奋的事情。他很容易感到厌倦。

David：完全正确。这不仅是他创业生涯的起点，从财务上看，这件事也埋下了后来创办 RenTech 的种子。

Ben：太不可思议了。

David：确实疯狂。Jim 请了一年假，去了 Bogota。

Ben：他可是 MIT 本科和硕士、Berkeley 理论数学博士。

David：而且那时已经是 MIT 教授。

Ben：结果他请了一年假，跑去 Bogota 做地板生意。

David：没错。他在那里做了一年，把公司设立起来，随后又觉得无聊了。他不想只经营公司；他已经帮忙把公司办起来，也持有股份。于是他回到 Boston，这次去 Harvard 当了一年教授。

Ben：他的经历越来越丰富了。

David：但他在 Harvard 待了一年，又觉得蠢蠢欲动。初级教授的薪水不高。我们前面提过，他从小就知道富有的好处。他觉得学术不是致富之路，于是决定把自己的能力拿到市场上去。

他在新泽西州 Princeton 找到一份工作，但不是在 Princeton University，而是在 Institute for Defense Analyses（IDA）。这是一个只为美国政府提供咨询的非营利组织，尤其为国防部和国家安全局服务，员工是政府体系之外的密码破译人员。

Ben：对。它成立的构想基本上有两点：第一，政府不同部门需要加强合作，并共同资助同一类项目；第二，政府也需要聘请许多非政府雇员，来做一些高度机密的工作。

David：Princeton 的 IDA 运作方式像同在 Princeton 的 Institute for Advanced Study，Einstein 来美国后就曾在那里工作。这是一家独立智库和研究机构，只不过专门从事冷战时期针对苏联的密码破译与信号情报研究。

Ben：它的使命相当特别。员工一部分时间做密码破译，另一部分时间则可以自由探索，因为数学家一起做感兴趣的项目、发挥创造力，有助于发现巧妙的新算法。

David：这点非常关键，后来 RenTech 几乎原样继承了这种文化。IDA 的运作方式——我想今天可能仍然如此——是招募顶尖数学家和学者来做密码破译，并把他们的薪水提高一倍……

Ben：而且有一点很重要：如果这是政府部门，就无法这样做，因为国会会严格规定薪酬预算。

David：没错。IDA 知道，要吸引世界上最聪明的人，光让他们去国防部工作不够；这套机制才行得通。

正如你说的，Ben，这个团队的规定是：员工一半时间从事密码破译，另一半时间可以自由做研究、继续学术工作，或者发表论文。

去那里工作的吸引力在于：这和在 MIT、Princeton 或 Harvard 当教授很像，只不过从教学换成密码破译；没有太多官僚流程或办公室政治。你完成密码工作后就可以发表成果，也能和同事合作。

这件事很疯狂。Jim 加入 IDA 后不久——记住，他当时很想赚钱——就召集一群非常聪明的同事，利用他们一半的自由时间，把密码破译和信号情报使用的方法、技术应用到股票交易。

他们合写了一篇论文，题为《股市行为的概率模型与预测》。论文里提出的思路，基本上就是 20 年前的 RenTech。

Ben：太疯狂了。这篇论文是 1964 年发表的吗？

David：是的。当时以及今天大多数地方的主要投资方法仍是基本面分析：了解一家公司，分析营收和估值倍数；或研究汇率、商品市场，思考铜价为什么上涨、英镑为什么下跌，再据此投资。

Ben：本质上就是试着衡量资产的内在价值，为它估值，再据此投资。

David：对，基本面投资。60 年代也有技术分析，但它有点像玄学：看着股票走势图，凭感觉觉得它会涨，比如画出某个形状，喊“要涨了”；或者说“这个形状会跌”。

Ben：把这种方法叫作“技术分析”，可能都算抬举它了。但它本质上是从交易行为中挖掘未来走势的信号，而不是研究资产的内在信息来预测走势。

David：Jim 和同事提出的想法，就是把这种分析做得更系统，而不是靠人来判断；要用更多数据和更先进的信号处理。

Ben：关键是，为什么是这群人想到把计算信号分析用于投资？因为它和密码破译本质上是同一件事：在噪声中寻找信号，用电脑和算法，从看似随机的数据里挖出规律。

David：完全正确。我想 Jim 开始做密码破译时，回想起自己曾在市场交易，就觉得：等等，这两件事是相通的。

Ben：其他人没有这个洞察力；他原来的经历正好让他意识到这一点。

David：数据里有大量噪声，人类不可能坐在那儿看一眼就知道苏联人说了什么。必须使用数学模型和统计分析来提取模式。

Ben：数学模型和统计分析这些词今天听起来很常见，因为机器学习已经成为现实。

David：IDA 当时以及 RenTech 后来所做的，本质上就是早期机器学习。Jim 非常聪明地想到，可以用这些技术和工具来投资。

Ben：好，David，论文发表了。他们准备用密码破译、信号处理和数据分析的方法来投资股票，赚很多钱。

David：接下来当然要问：模型是什么，具体怎么做？IDA 有一位员工，也是这群“叛逆者”之一，名叫 Lenny Baum。他恰好是 Markov 模型领域的世界级专家，尤其擅长一种称为隐 Markov 模型的变体。

Markov 模型是一种用来描述伪随机或混沌情形的统计模型。基本思路是：不用试图解释所有数据背后究竟发生了什么，只需关注我们能观察到哪些状态。

我们能否识别系统处于哪些不同状态？如果能，是否可以根据过去观察到的状态变化规律，预测接下来会进入什么状态？即使你对系统的底层机制一无所知，答案通常仍然是可以的。

Ben：Greg Zuckerman 在书里给了一个很好的例子……

David：棒球比赛。

Ben：比如三坏两好之后，接下来可能发生的情况就很有限：三振、上垒、保送，或者打者把球打成界外球，继续打下去。这个状态之后只有少数几种可能。

而零坏零好时，后续可能性很多：投手可能继续投球。如果你不知道规则，就会纳闷他们为什么还在不停投球。

这很适合说明黑箱的想法：即便没人告诉你比赛规则，只要观察足够多的输出，弄清某个状态下可能出现哪些结果，你就能逐渐掌握每种状态对应的结果概率分布，甚至在一定程度上预测结果。

David：刚才我们提到机器学习和 AI。这是现代 AI 的基础概念之一。大语言模型预测下一个内容时，并不一定真的理解英语；它们只是特别擅长预测下一个状态，例如下一个字符、下一组像素或下一帧画面。

Ben：显然，现代模型复杂得多，但底层思想相通。我大二上计算机课时做过 Markov chain 作业：写一个 Java 程序读取一本公版书，再给它一个起始词，比如每个句子的第一个词。按下回车后，程序会沿概率树查找，根据刚读入的语料选出最可能的下一个词，最后生成一句话。

感觉像魔法。当然，我大学时做的那种早期、简单的 Markov chain 经常生成胡言乱语。但这些方法后来逐渐发展成今天的大语言模型。

David：完全正确。IDA 用这种方法做密码破译，他们在论文里提出，也可以把它用于股市。

Ben：没错。投资中的类比是：即使不知道棒球规则，只要看过足够多的比赛，也能根据当前状态估算下一步会发生什么，以及各种结果的概率。

股市走势也有点类似。你不知道未来会怎样，也未必知道股票 X 会不会影响股票 Y；你不知道两家公司怎么做生意、是否有共同持有人，也不了解它们之间的关系，因此无法百分之百准确预测。

但如果掌握了足够多的历史数据，并统计过去每种状态下各种结果出现的概率，就能做出有根据的推测，至少可以估算今天的状态之后各种结果的概率。

David：完全正确。Jim、Lenny 和这群人兴奋不已，觉得可以按这个策略去筹一只基金，在市场里投资。

Ben：他们肯定能顺利募到钱，也一定会赚得盆满钵满，因为这个想法太棒了。

David：可不是嘛，有什么会出问题呢？但在 60 年代中期，一群 Princeton 秘密机构里的古怪学者想募资投资，根本不可能。

那时 Warren Buffett 募资都很困难，尽管他是 Benjamin Graham 亲自认可、指定的传人。眼前这些学者在一家不起眼的非营利机构工作，却跑来说：给我们钱吧。我们不了解打算投资的公司，也不懂基本面，但我们有一个很棒的算法。那时很多人可能还不知道什么是算法，所以他们根本拿不到资金。

Ben：那比投资圈开始重视技术或计算机科学背景，早了几十年。

David：他们筹款时就像一群 Keystone Cops，偷偷进行，还要瞒着 IDA 的上司。有天晚上，其中一人把投资说明书落在办公室复印机上，老板发现后把他们叫到办公室，问：你们到底在做什么？

Ben：想法可能很好，但实际运作看起来有点像闹剧。

David：最后，他们放弃了这个计划，一方面是募不到钱，另一方面是 IDA 发现了这件事，而且不太高兴。不久之后，Jim 本来也会离开，因为越战开始了；以他的背景来看，他当时并不支持这场战争。

Jim 在《纽约时报》发表了一篇评论文章，谴责越战，并指出虽然他在国防部门工作，但国防部门里并不是所有人都支持这场战争。

Ben：他竟然觉得自己可以给《纽约时报》写评论文章，还不会影响工作，真是太天真了。

David：更令人意外的是，几乎没人注意到这篇文章，只有《新闻周刊》的一位记者找他采访，继续追问这件事；Jim 又把自己的立场说了一遍。文章刊出后，国防部才说：好吧，你得把这个人解雇。

于是 Jim 于 1967 年被解雇，尽管他是出色的密码破译员，据说为团队做出了重大贡献，而相关内容至今仍属机密。他当时 30 岁，有妻子和三个孩子，却突然失业。虽然他非常聪明，显然也受同事喜爱，但他已经先后离开 MIT 和 Harvard；IDA 看起来像是他最后一个理想归宿，如今也被赶了出来，工作前景很差。

他几乎只能接受一份还算薪水过得去的工作：出任纽约州立大学 Stony Brook 分校新成立、也可能是重新设立的数学系主任。Stony Brook 是纽约州立大学在长岛的校区，不是 Harvard，也不是 MIT。

Ben：没错，确实不是。

David：不过 Stony Brook 有个重要优势，也是 Jim 最终去那里的原因。当时的纽约州州长 Nelson Rockefeller 发起了一项 1 亿美元计划，要把这所长岛州立大学办成数学强校，成为东岸的 Berkeley。我原以为 MIT 已经是东岸的 Berkeley，但 Rockefeller 投入很大，想让 Stony Brook 成为数学和科学重镇，而 Jim 正是关键人选。

如果 Jim 的职业生涯没有受损，他们可能请不动他。但现在这位才华横溢的数学家愿意出任系主任，Stony Brook 就给了他几乎无限的预算和自主权，让他从全国乃至全世界的大学挖数学教授到长岛任教。

Jim 招人的一个方法是提供更高薪水，常说“我给你加一倍”。但更重要的是，他拥有很大的自主权，而 Stony Brook 和 MIT、Harvard 或 Princeton 的政治环境截然不同。他会说：来这里吧，我给你更高薪水。

但更重要的是，你可以专心做研究，不用应付委员会，也不用处理那些杂事。这里没有那些官僚流程。你可能得教一点课，但重点并不在教学。Rockefeller 的目标不是把它办成一所出色的教学机构，而是把人才聚集起来。

这个策略居然成功了。Jim 招来了一批优秀人才，包括 Cornell 的代数与数论明星学者 James Ax。Jim 最终在 Stony Brook 招募、组建出世界顶尖的数学系之一。

Ben：太厉害了。

David：确实。不过按 Jim 一贯的风格，过了几年，随着他和 Barbara 的婚姻破裂，他又开始坐不住了。他决定休学术假，回 Berkeley 找以前的导师，在 California 海岸待一阵子。

Chern 和 Simons 正是在这时合作提出 Chern–Simons 理论，后来获得 American Mathematical Society 几何学领域的最高奖项，也成为 Jim 在数学上的个人标志。

差不多同一时期，记得那家哥伦比亚的地板公司吗？它被收购了，Jim 和合伙人赚到一笔钱。Jim 刚离婚，对学术界又感到不安；他还记得自己在 IDA 时关于“有了资金就能怎样在市场交易”的想法。于是他再次开始交易，而且越陷越深。

与此同时，他又对学术生涯感到失望和焦躁。1978 年，他离开学界，全职做交易，这让学术界十分震惊。记住，他在 Stony Brook 已经组建了一支明星团队。

Greg 的书中引用了 Cornell 一位数学家的话：“他这么做时，我们都瞧不起他，觉得他被金钱腐化了，把灵魂卖给了魔鬼。”

Ben：在数学界看来，去投资就是浪费天赋。在当时，这甚至不是一条常见的职业道路。

David：Jim 是第一个。那时人们觉得，离开学界去做任何商业工作，都是对人类的亏欠。

Ben：没错，离开去做其他事情也一样。但去投资几乎被视为肮脏的事，仿佛那是富人的游戏，对社会没有价值。

David：我不觉得其他数学家怀疑这件事能不能成功。他们可能会想：哦，也许确实能成。但他们觉得，呃，太俗了。

Ben：学者通常更看重声望，而不是钱。我完全能想象他们会说：我也能做那件事，但我有更高尚的使命，大家也因为这个使命尊敬我。我的价值是发表论文、获得奖项，这才是我想要的。

David：还应该说，Stony Brook 的环境很不错，但它位于长岛中部的 North Shore，可不是 Hamptons，就是一片长岛郊区。

Ben：长岛林木茂密的郊区。

David：对，就是那种郊区。Jim 在一家街边商场、披萨店旁边开了交易公司，名字还起得很巧，叫 Moneymetrics，是 money 和 metrics 或 econometrics 的组合。他邀请了 IDA 的老同事、最初一起研究交易策略的伙伴 Lenny Baum 加入。这次他们有了一些资金，来自地板公司出售所得。

Ben：那家地板公司卖掉后，他赚了多少？

David：我想 Jim、他的合伙人和后来加入的 Lenny 加起来，初始资本不到 400 万美元。

Ben：这是 1978 年。

David：是的。Jim 还有一个优势：他就在 Stony Brook 附近，刚刚招来一群明星数学家。

Ben：一切条件都准备好了。

David：没错，而且这些人对 Jim 的忠诚可能超过对 Stony Brook 的忠诚。

Ben：不过当时他们更忠于学术界，而不是金融业。在 Jim 开辟这条路之前，这不是条现成的职业道路。

David：一般来说确实如此。但 Jim 说服了其中一些人，尤其是数学明星 James Ax，加入他的交易团队。

Ben：Baum、Ax 和 Simons 凑在一起，突然就成了一支在数学界极具声望的团队。

David：远不止如此。

Ben：许多数学家每天都在使用、以这三个人命名的定理和理论，如今竟然由他们在同一家交易公司里一起研究。

David：而这家公司由 Jim 带领。大家既尊敬他的学术能力，更重要的是，也想跟他共事、仰慕他，觉得他很酷。他会说：嘿，我觉得我们能赚钱。

当时他们主要交易货币，而不是股票。货币市场当然很大，但影响货币价格的信号和因素，没有股票市场那么多，甚至也少于大豆这类稍复杂的商品市场。

Ben：我读到的内容是，他们交易货币时，很多判断来自对央行行动的感觉，或者某个国家领导人会不会采取某项措施。基本上是在押注掌控该国货币的一个人会怎么做。这符合你刚才说的：价格受少数信号影响，关键是判断那一个人会做什么。

David：这点非常重要。他们开始搭建模型，建立量化方法的早期版本、基础设施和框架。但他们真正下的交易，仍然全靠人工执行，而且总体上仍依赖基本面分析。

模型会给他们一些信号，让他们知道哪些现象值得关注；但除非他们能说“我看懂了这里发生什么，我有一个假设”，否则不会采取行动。

Ben：电脑当时绝不是放手自动交易。

David：完全不是。模型只是在提示模式和想法，之后 Jim、Lenny 和 James 必须决定要不要做这笔交易，还是根据自己的判断去做别的事。

这其实有两个原因。第一，电脑和计算能力还不够先进，无法构建足够强大、值得信任的 AI 模型。

第二，这些人是数学家，不是计算机科学家。他们非常擅长构建模型、解读信号，但更偏理论研究。

我之前采访了 Howard Morgan，他向我指出：数学界非常重视可追溯性。比如证明定理时，你必须真正理解为什么结果成立，才能在这个领域继续前进。不能只说“数据说明是这样”；你必须给出证明。

这些数学家就是从这样的文化中来的。他们会说：数据可以帮忙，但最终我们想要有一个扎实的理论，解释底层究竟发生了什么。

Ben：很有意思，这和多年以后他们拥有先进计算机、干净数据，以及能处理大量信号并据此执行交易的工程系统后形成的做法很不一样。当时这些条件都不具备，所以他们靠的是直觉和黑板演算。

David：甚至 Jim 自己也远未确信该把全部财富投入其中。他会想：嗯，有趣，我们正在搭建、试验，很好。但我也想把钱投到别的地方，分散风险。

这就引出了 Howard Morgan。以前在 Acquired 的老节目里我们说过，早期硅谷的人很少，彼此都认识，也在做类似的事。东海岸的金融和科技圈，以及早期风投行业，也是如此。Howard Morgan 后来成为 First Round Capital 的联合创始人之一。

Ben：那家公司基本上是从 Renaissance 分拆出来的？是不是他们在 Renaissance 做的风投业务和其他业务不太相容？

David：对。实际经过外界不太了解。Howard 当时是 University of Pennsylvania 的计算机科学和商学院教授：在 Penn 教计算机科学，也在 Wharton 教商科。

他参与把 ARPANET 引入 Penn，是非常早期的互联网先驱，因此在科技、创业公司和早期互联网领域人脉很广。Jim 对和 Howard 一起投资很感兴趣，两人就开始商量合作。

1982 年，Jim 实际上结束了 Moneymetrics。他和 Howard 共同创立了一家新公司，结合双方的背景，也能分散风险。Jim 和他的团队负责量化交易这部分，

Ben：而且他们当时交易的还是货币和商品。

David：Howard 还带来了对私营公司的科技投资。他们给新公司取名时，也想体现这一点，于是叫 Renaissance Technologies。

Ben：太不可思议了。

David：这就是 RenTech 名字的由来。

Ben：研究到这里时，我简直不敢相信，这段历史竟然没有更广为人知。如今非常成功的风投公司 First Round Capital，最初竟然就来自这里。但很难想象投资策略还有比这更不同的组合。

一边是长期、缺乏流动性、高度投机的风险投资，另一边则是根据某个政府领导人的一时决定，押注明天法郎是涨还是跌。这两个业务居然在同一家公司里，真不可思议。

David：确实如此。但了解整个背景之后，这又说得通了，因为这是他们自己的钱。Jim 和他的朋友 Lenny、James、Howard 一起做，并没有机构资本。他们不是向有限合伙人推销“货币交易加私营科技初创投资”的多元化策略。

Ben：他们说的多策略，是真的多种策略。

David：稍后我们会讲今天的“多策略”是什么意思。但在 RenTech 早期，投资组合一半是风险投资，一半是货币交易。事实上，成立几年后，Lenny 大量买入政府债券，市场却走势相反，导致组合整体下跌 40%，货币交易业务差点因此崩溃。这事触发了 Lenny 和 Jim 协议中的一项条款，他们卖掉 Lenny 的全部持仓，Lenny 也离开了公司。市场上的爆仓风险一直存在，但 RenTech 自己也经历过。

Ben：因为我们很快就讲到这里，听起来可能像那项条款非常苛刻。其实之前已经出现过几次苗头：Simons 找 Lenny 说，也许该止损了，退出一些仓位没关系。但 Lenny 非常执着，认为自己是对的。这才会让交易触发那种契约条款。

David：这也再次说明，他们当时还没有真正进行模型驱动的量化交易。

Ben：他们还是很靠直觉。

David：结果 RenTech 有段时间几乎完全是一家风投公司。风投业务里有一笔很重要的投资：Franklin Dictionaries。Ben，你还记得这家公司吗？就是 Franklin 电子词典。那是他们最大的一笔投资之一。在交易业务低迷时，这笔投资的价值相当于 Jim 净资产的一半。

Ben：我完全不知道这件事。太夸张了。

David：Greg 在书里说，Jim 当时专注于风投，这段历史也常被这样讲。但其实他转向风投，是因为当时只有这项业务能运转并赚钱。

Ben：这是他们唯一真正有优势的地方：Howard 能接触到项目来源。他们在全球货币市场上显然没有优势。

David：也许部分因为交易亏损，James Ax 也开始失去兴趣。他告诉 Jim，自己想和当时已经加入公司的 Sandor Straus 搬去 California；Sandor 也是 Stony Brook 的校友，两人想在那里做交易。

Jim 说：好啊，没问题。我和 Howard 留在这边做风投。你们去 California 开自己的公司吧。于是他们成立了 Axcom，而 RenTech 会和 Axcom 签合同，让它管理公司剩下的交易业务。

Ben：这是一种保持一定距离的安排：Jim 持有 Axcom 的部分股份，并通过一份对 Axcom 很有利的合同，把 Renaissance 募集的一部分资金交由他们管理。但从法律上说，那个资金池属于 Axcom，而不是 Renaissance。

David：也就是另一家公司开始做量化交易。

Ben：我记得 Jim 持有四分之一，对吗？

David：没错。

Ben：而且重要的是，我觉得当时没人知道 Axcom 后来会发展成什么样，盈利能力会强到什么程度。

David：如果他们知道后来会发生什么，就不会按当时的方式安排了。

Ben：那就不会把它拆分出去了。

David：Ax 和 Straus 搬到 California 后，Straus 负责计算和数据基础设施。他在 Stony Brook 就做这方面的工作，加入 Renaissance 后也负责搭建相关系统。他开始深入研究数据，收集证券的日内价格变动。

那时数据供应商能提供的最佳数据，我想也只是开盘价和收盘价。Straus 想办法获取了 tick data，也就是全天每 20 分钟左右一次的证券价格数据。

Ben：而且他不只获取传统供应商提供的历史数据，还把它们输入计算机、清洗数据，使格式和 tick data 一致。他甚至找来 19 世纪、18 世纪的早期数据，想着总有一天会派上用场；他想建立一套非常干净的数据集，记录不同市场如何互动。

David：他做的其实就是数据 ETL，我想那时还没人用这个词。

Ben：而且没人叫他这样做。这是他主动投入、几乎着迷地认为：如果要用数据，就得把格式整理好、理解清楚、做好标注。

David：另一件事是，Jim 知道你要去 California，就把当地的 Berkeley 教授好友 Elwyn Berlekamp 介绍给你。Berlekamp 曾在 MIT 跟 John Nash 和 Claude Shannon 等人一起学习。

Ben：太棒了，Claude Shannon 又出现了。

David：我知道。

Ben：我们在 Qualcomm 那期节目里多次提到 Claude Shannon。他是信息论之父，也是吸引大量人才到 MIT 的核心人物，推动了后来电话和通信技术的发展。Berlekamp 当年在 MIT 和 Shannon 有过交集，真是很酷。

David：确实很酷。对这项工作最重要的是，Berlekamp 曾和 John Kelly 合作；Kelly 发明了 Kelly Criterion，也就是用于确定下注规模的凯利公式，扑克玩家应该很熟悉。

现在，他们有了 Straus 提供的深度数据，又有 Berlekamp 和 Ax 一起完善模型，还开始思考如何更聪明地确定交易下注规模。以前可能每笔交易都一样大，或者没有系统方法；现在他们开始把规模选择也做成模型的一部分。模型逐渐开始真正奏效。

Ben：这是一个转折点。

David：到了 80 年代中期，Axcom 交易业务的内部收益率超过 20%。或许还比不上风险投资的收益，但它流动性好，也相对稳定……

Ben：不过关键是，他们还不知道它到底有多稳定。他们只是连续几年取得了好成绩，但这些回报长期来看和股市的相关性有多低、是否可预测？它们究竟是稳定的，还是只是高波动？

David：早期结果还是很不错的，尤其让 Jim 和 Berlekamp 很受鼓舞。1988 年，Jim 和 Howard Morgan 决定把风投业务拆分出去，让 Howard 用他们自己的资金负责管理。

这还有个有趣的后续。多年以后 Howard 和 Josh Kopelman 创立 First Round 时，Jim 当然是重要的有限合伙人；Howard 也继续投资 RenTech。

First Round 后来募集的第一只机构基金，实现了 50 倍回报，基金规模为 1.25 亿美元。里面投了 Roblox、Uber 和 Square。我想事实是这样的：Jim 通过投资 First Round 赚的钱，可能和 Howard 作为 RenTech 有限合伙人赚的一样多。

Ben：太惊人了。

David：是不是很不可思议？

Ben：Jim Simons 的这段历史很少有人讲。我觉得自己读过网上几乎所有关于 Jim 或 Renaissance 的一手资料，但这还是第一次听说。我猜是你从 Howard 那里了解到的。

David：对。和 Howard 聊这件事特别有意思，也聊到了 First Round 如何从早期超级天使投资发展起来。

Ben：我也没想到 First Round 第一只机构基金能有 50 倍回报，基金规模还是 1.25 亿美元。

David：这是他们的第一只机构基金，我想他们叫它 Fund II。

Ben：太疯狂了。

David：Howard 把风投业务拆分出去后，Jim 决定与 Axcom 成立合资基金。他们根据 Jim、James、Berlekamp 等数学家获得的各类重要数学奖项，把这只基金命名为 Medallion。

Ben：听众朋友们，故事终于讲到关键部分了。Medallion 基金是 RenTech 的皇冠明珠，甚至可以说是唯一真正值得关注的业务。它的诞生源于这样的认识：Axcom 那边做的事情很有前景，也许不该让它留在外面；Renaissance 应该把量化交易重新纳入核心，而不是过早放弃这条路。

当时他们依旧只交易货币和商品期货，完全没有涉足股票市场。但相关方法的种子已经播下：大量干净数据、稳健的数据处理基础设施、从数据中提取信号并据此决定策略。这些要素开始在新的合资企业 Medallion 中汇聚起来。

David：这些想法之前都存在，但这是它们第一次被整合起来，真正投入运行并开始生效。

Ben：而且电脑也终于变得足够强大，可以真正执行这些计算。

David：我不确定再早一点 Straus 能不能完成那套数据工程。

David：他们对 Medallion 有了宏大的计划和愿景，但基金一开始就遇到挫折，Ax 也因此精疲力竭。Berlekamp 却坚持认为这只是异常：不，我们会解决的。我非常相信这些模型最终会带来丰厚收益。

1989 年夏天，他买下 Ax 的大部分股份，并把办公室迁到 Berkeley。他提出应该提高交易频率，因为如果要根据现有数据判断市场状态、预测下一状态，再决定适当的下注规模，就应该多做很多交易，积累更多数据点，更好地理解每笔下注，再据此提高或降低仓位。

Ben：还有另外两个原因。第一，预测得越远，结果就越不确定。你知道某样东西现在值 10 美元，那么五分钟后大概率还在 10 美元附近，最可能的结果是价格相差不超过 5%。但如果让我预测三年后，我几乎没有任何直觉。状态机也是一样，沿着状态链往后推得越远，可预测性就越低。

第二，如果模型显示你大约有 50.25% 的概率判断正确，那么你能赚多少钱，就取决于能以这个四分之一百分点的优势下注多少次。

如果我走到赌场，觉得自己在某个轮盘上有优势——当然你不可能真的有 50.25% 的胜率——只玩一两次，或者玩五次，可能会把钱全输光。下注规模很小，赚的钱又不多。但如果我对游戏有一点优势，每次只下小注，却玩 10,000 次，最后就能带着很多钱离开。

David：后来 Bob Mercer 有句很棒的话。他说：“我们有 50.75% 的时间是正确的。”

Ben：我觉得这个数字是他随口举例，并非精确数据。

David：对，但意思是：如果你有 50.75% 的胜率，就能赚数十亿美元。

Ben：完全正确。优势很小时，关键在于别下太大的注，避免几次不利结果就让你破产；还要保证自己能持续玩很多次。

David：要大量重复。然后再回到凯利公式，随着下注进行，动态调整每次的下注规模。

Ben：抽象理论当然很好。如果你真的坐在赌场里，准确地下这些注，坐在牌桌旁就能玩，最后直接走到收银台兑换，情况很简单。但在市场里就不一样了。

例如，交易有真实成本。尤其在当时，付费订单流、零佣金等创新交易模式还没有出现，执行交易确实要花钱。而且你下单时，交易本身也会影响市场价格。

David：这就是滑点。

Ben：现实中还有各种限制。其他交易者可能会抢先交易。交易不是电脑程序运行一下就结束了；如果把大笔仓位拆成十万笔小交易，就必须面对现实世界的约束。

David：随着量化交易行业逐渐发展、变得更成熟，我觉得滑点会特别限制交易频率。规模达到一定程度后，你的交易本身就会推动市场价格。

Ben：比如订单簿上，你想买 500 万美元的某种资产。最初的 10 万美元可能还能按报价成交，但等你买到最后 10 万美元时，价格可能已经变得很不一样了。

David：等一下我们会回来讲这个问题。早期 RenTech 如此，直到今天，对整个量化金融行业来说，这仍然特别重要。

Ben：粗略地说，这也像我们上期 Hermès 节目里谈的情况：家族成员中想尽早卖掉股份的人能拿到最高价格，排在后面的人只能接受更低价格。如果家族要卖给 Bernard Arnault，你最好先排在订单簿前面，而不是最后面。

David：这也是我通过 Acquired 和自己过去几年的投资学到的一个更普遍的道理：每个市场都由供需决定。你能看到报价和价格曲线，但只看平均值往往是错的。

Ben：完全正确。光看某项资产的报价是不够的。你要看有多少买方愿意买、多少卖方愿意卖，以及这些买卖双方分别愿意以什么价格成交。

股票图表显示的是当前股价，但那并不是市场底层实际发生的全部情况。很多买方和卖方的支付意愿不同、交易数量也不同。

David：Medallion 在 1989 年底、1990 年初开始奏效时，规模还很小，所以滑点还不是大问题。Berlekamp 买下 Ax 的股份时，Medallion 管理的资金约为 2,700 万美元。随后第一个完整年度，也就是 1990 年，基金毛回报率达到 77.8%，扣除费用和业绩分成后净回报率是 55%。那时费用和业绩分成是多少？

Ben：不论哪个数字，都已经非常惊人。前提是这不是一种风险高得离谱、换个市场环境就会彻底失效的策略。如果这是一种能重复产生这些回报的方法，那就太不可思议了，甚至会改变世界。

David：没错，简直让人想说：太好了，继续干！实际上，他们的态度就是“太好了，继续干”。

Ben：你刚才说的毛回报和净回报差距挺大。具体的费用和业绩分成是多少？

David：早期业绩分成有不同来源说是 20% 或 25%。但管理费高达 5%，非常夸张。全球顶级风投机构只收 3% 管理费，而人们已经觉得那太离谱了，还会想：怎么会有人一开始就向投资人收 5%？有几个原因。第一，投资者并不复杂，很多钱来自他们自己和朋友。

Ben：所以他们是照着这个标准定价。

David：没错。第二，他们确实需要这笔钱。Straus 的基础设施每年要花约 80 万美元。他们就按运营所需的 80 万美元，再加上支付员工等费用，反推管理费率：好，那就收 5%。

Ben：他们对投资人说的大概是：如果你相信我们能通过量化交易大幅跑赢市场，就得给足费用来支持我们。只要投资人想清楚了这个逻辑，就接受了这份协议。

好，这就是费用。业绩分成是 20% 还是 25%，其实也没有高得离谱；即使高于市场，差距也不大。那时他们的基金管理费很高，但业绩分成相对普通。

David：管理费高，业绩分成则相对常规。

David：到了 1990 年底，Simons 对进展非常兴奋，就对 Berlekamp 说：你搬来长岛吧，我们把团队重新集中起来。我想全力投入这个项目。稍微调整一下，明年净回报率就能达到 80%。

Berlekamp 则更加谨慎。一方面，他想留在 Berkeley，没兴趣搬去长岛；另一方面，我不确定这究竟是因为他比 Jim 保守，还是他的扑克下注思维让他不愿过于乐观。

他对 Jim 说：既然你这么乐观，为什么不把我的股份买下来？于是 Jim 以 Berlekamp 一年前买下 Ax 股份时六倍的价格买下了他的股份。

Ben：一年赚六倍，听起来当然很不错。

David：但这也像 Don Valentine 在 Apple IPO 前卖掉 Sequoia 持有的 Apple 股份，锁定了很可观的回报，却错过了后来所有上涨空间。

Ben：David，我们应该说清楚这件事的规模。他们一生从基金赚到的业绩分成大约有 600 亿美元。一年六倍确实不错，但他们之前持有的是一个庞大基金的一大块权益；这个基金后来向持有人分了 600 亿美元现金。

David：那还只是业绩分成。持有人是基金负责人，所以公司分出去的现金可能是这个数字的两倍左右。我估计 Medallion 过去 35 年可能分配了 1,500 亿到 2,000 亿美元。

Jim 买下 Berlekamp 的股份，把 Medallion 的所有资产重新并入 RenTech，还把团队迁回 Stony Brook；Straus 也搬了回来。

Ben：于是公司变成了 Jim Simons 在纽约主导的事业，Straus 负责搭建工程系统；我想 Ax 仍持有一小部分股份。

David：没错，Straus 也有股份。Jim 接管团队并迁回长岛后，决定把 RenTech 打造成更理想化的 IDA 和 Stony Brook 数学系：如果你是世界上最顶尖的数学家或系统工程师，这里就是你最想去的地方。

他又开始从 Stony Brook 数学系挖人。Henry Laufer 就是在这时全职加入的。早期 Medallion 做更频繁交易和仓位管理时，他曾协助 Berlekamp 做咨询。后来团队搬回长岛，他就说：好，我本来就在 Stony Brook，过来全职吧。这比教书有意思多了。

Ben：听众朋友们，你们现在可能开始糊涂了，觉得故事里的人太多了。我们已经介绍了八九个人，而且还在不断增加新角色。

这就是 Renaissance 的故事。它不是一条简单、整齐的叙事，而是很多人在不同阶段进进出出，公司也不断尝试不同方向，最后才找到极其成功的特定方法。在摸索过程中，需要很多人参与。

David：而且花了很多时间。这是 25 年，整整四分之一个世纪。从 Baum 和 Simons 在 IDA 写论文，到 Medallion 真正开始有效，经历了很长时间。

Ben：而且我们还没介绍后来共同领导这家公司的两位 CEO。

David：那就说到他们。Jim 把团队迁回长岛，建成学术人才的天堂，开始招募世界上最聪明的人。第二年，也就是 1991 年，基金毛回报率为 54.3%，扣除费用后净回报率为 39.4%。虽然没有达到 Jim 说的 80%，但仍然相当不错。

Ben：我们应该说，之前那些业绩平平的年份已经过去了。从那以后，每年业绩都非常出色。1990 年之后，他们再也没有亏过钱，毛回报率也从未低于 30%。策略已经跑通，接下来故事的重点是如何让机器持续运转、延续优势。

David：可以说，历史性表现已经开始。1992 年毛回报率为 47%，1993 年为 54%。1993 年底，Simons 决定关闭基金，不再接受新的有限合伙人。原有投资人可以继续留在基金里，但不再接收新资金。他对策略非常有信心，认为不引入新钱，只靠现有投资人的资金，也能赚得更多。

1994 年毛回报率高达 93%。此时 Medallion 已经积累了大量现金，规模达到约 2.5 亿美元。和大型基金相比仍不算大，但在 1994 年，一群外部人士和学者竟然掌管着 2.5 亿美元，已经非常惊人。人们开始注意到他们。

Ben：而且他们收取的业绩分成分别是 700 万、1,300 万和 5,200 万美元。流向合伙人的自由现金流已经非常可观。

David：但随着规模达到大约 10 亿美元量级，他们开始遇到市场冲击和我们前面说的滑点问题。

Ben：那是在 90 年代中期吗？

David：对，当他们的规模达到 2.5 亿到 5 亿美元左右时。

Ben：电脑模型告诉他们应该按某个价格买入大量资产。他们真的去买时，可能只能按那个价格买到目标数量的 10%、20% 或 30%，随后价格就变得完全不同。

David：到目前为止，Medallion 绝大多数交易还是货币和商品，而不是股票。你可能会想：90 年代毕竟和今天不同，但 5 亿美元规模也不算特别大，他们怎么会影响市场？

Ben：因为他们不是在股票市场交易。

David：对，是因为这些市场的流动性更薄。商品和期货市场总量不小，但相较股票市场，它们的交易深度较浅，成交量也没那么大。交易量稍大一些，滑点就会成为严重问题。Medallion 已经碰到这个上限。

Simons 决定，想继续扩大规模，唯一的办法就是进入股票市场。他非常相信他们在做的事情，所以想继续扩张。股票是终极目标：如果量化策略能在股票市场奏效，市场深度会让他们的规模远超现在；而且股票数据更多，可以输入模型，用信号处理方法找到更强的交易信号。

Ben：每天都有大量买家和卖家，以很高频率交易许多不同公司的股票。这几乎就是为 Renaissance 的系统准备的宝库。股票市场才是他们的主场。他们之前一直在流动性不足、数据较少的市场里做小规模练习。

David：这就引出了 Peter Brown 和 Bob Mercer。1993 年，Jim 招进 RenTech 的一位数学家 Nick Patterson，特别热衷于帮 Jim 招募新人。我觉得这是 RenTech 文化的关键之一：聪明人希望更多聪明人加入。Nick 觉得这里工作很愉快，所以想把世界上最优秀的人都招来一起共事。

他在报纸上看到 IBM 要削减成本、准备裁员。他也知道 IBM 的语音识别团队里有非常出色的数学人才。他们做的其实也是早期人工智能和机器学习研究，尤其是 IBM 当时的 Deep Blue 国际象棋项目就来自这个团队。Peter Brown 是项目的负责人。

Ben：你说语音识别和他们的工作很契合，这很有意思。为什么呢？语音识别和自然语言处理所需的工作，其实和 Renaissance 分析市场时使用的信号处理方法很相似。

David：不只是相似，简直完全一样。

Ben：语音识别本质上是一个隐 Markov 过程。电脑听到声音、试图把它转换成语言时，并不真正懂英语，对吧？但它知道，听到这组频率、音调和声音后，后面可能接什么内容是有限的。

Greg 在书里举了一个很好的例子：我说“苹果”，你可能会想到“派”。“派”出现在“苹果”之后的概率高得多。语音识别研究者不仅研究数学和理论计算机科学，也要开发实际系统，预测哪些词最可能接在前面的话后面。听到某些频率和音调时，系统可以把范围缩小到三种可能词，而不必从整本词典里搜索，从而减少计算量。IBM 的研究人员既有理论，也真正造过这类系统。

David：规模化的实际系统经验很重要。Peter 和 Bob 可能是 RenTech 历史上最关键的两位新员工，甚至比此前那些优秀学者更关键：那些学者擅长数学，但 Peter 和 Bob 还拥有大型系统开发经验。

Jim 和 Nick 知道，要进入股票市场，既因为数据量巨大，也因为市场复杂度很高，他们必须拥有更复杂的系统。RenTech 现有的学术人才从未经历过这种规模，也没有造过这样的系统。

Ben：他们进入的世界在复杂度和维度上都爆炸式增长。这里的意思是，他们要挖掘的是每只股票每笔交易之间的日内 tick 数据，试图绘制一只股票与所有其他股票之间的关系，不只看某个时点，还要看之前和之后的变化。

而且关键是，一旦算法发现模式，分析者不是凭直觉说“油价上涨会打击航空股”。真正发现数据模式的是运行机器学习的计算机。

接下来的问题是：根据这些概率关系，究竟该下哪些交易单？要理解所有公司的各种关系权重，再把它们转化为交易。

他们不是只下一个单，而是同时下 10 个、100 个甚至数千笔交易，既用来对冲，也用来隔离某个特定变量。再次强调，不是人，而是计算机在寻找这些变量。仓位还必须拆成合适的小份额，避免交易本身推动市场。

这是个超多变量、多维度的问题，既涉及数据输入，也涉及如何据此采取行动。所有计算不能耗时太久，因为他们得尽快行动。不是毫秒级的高频交易，也不是抢在市场之前下单；这并不是他们的策略，虽然很多人误以为如此。可他们还是得在几分钟内做出反应，所以需要非常高效的计算系统。

David：股票市场的维度和相互关联程度都高得多。全球货币种类有限，能进行大规模交易的货币就更少；世界上却有成千上万只股票，交易深度足够，而且它们在某种程度上彼此相关。

Ben：复杂度还会继续增加。许多股票在多个交易所交易，于是他们可能还要寻找同一股票在不同市场、不同时点的价格差异。需要分析、关联并据此交易的维度层出不穷。

David：于是 Patterson 和 Simons 从 IBM 招来 Peter、Bob，以及他们的一位程序员同事 David Magerman，加入 RenTech，开始开发股票市场模型。他们就像 Steve Jobs 当年从 Xerox PARC 招人一样。

但他们的影响不只限于股票模型。他们做出了极大的贡献，因为 Bob 和 Peter 发现：我们不妨让所有市场共用一个模型。货币、商品、股票都相关，都是信号。

股票市场并不是与货币或商品市场完全隔绝。各种市场之间处处存在联系。我们真正需要的是一个统一模型。在 90 年代前中期，这个计划野心得惊人。

Ben：但如果真能做好，就能处理很多有意思的情况。例如，我们对某个市场的数据很少，但它和另一个数据丰富的市场很相似；如果所有数据都放进同一个模型，就可以把对另一个市场学到的规律应用到这个新市场。由于只有我们建立了统一模型，还能发现别人看不到的模式。

David：我觉得这是 Bob 和 Peter 为 RenTech 带来的第二重要创新：统一模型提升了产品和业绩。

更重要的是，如果整个公司只有一个模型和一套基础设施，所有人都能围绕同一模型协作。公司里聚集了全球最聪明的人，这点尤其重要。

在那之前，RenTech 有好几个独立模型。某个团队的洞见、创新和研究成果，不一定会被另一个团队采用，也无法自动转移到另一套模型。

Ben：之前的文化确实鼓励分享，但必须有人在午休时抽空去向其他人学习，再把经验应用到自己的模型里。这样会有延迟，也可能根本没有真正落实。

David：这种做法完全独特、具有开创性。没有其他大型投资公司，尤其量化基金，采用单一模型。即使投资组合经理、团队和多策略部门之间有竞争，Citadel 这边做的研究也不会自动影响另一边。Bob 和 Peter 把 RenTech 的一切整合起来，让公司所有力量都朝同一个方向集中。

Ben：David，所以这就是股票交易机器。

David：真的是一台机器。Peter 和 Bob 于 1993 年加入，1994 到 1995 年期间负责搭建系统。RenTech 开始进入股票市场。

Ben：想想 1994、1995 年的电脑。以当时的技术，他们就实现了如此复杂的计算、协调与实时市场分析，真是惊人。

David：最惊人的是，回报率只略微下降，肯定比 1994 年的爆发性表现低了一些，但每年毛回报率仍超过 30%，多数年份超过 40%。

他们进入复杂得多的市场、扩大管理资产规模，表现却依旧如此出色。到 90 年代末，Medallion 管理的资产接近 20 亿美元，而且进入股票市场后，业绩大致维持在原有水平。这很了不起。

Ben：David，如果算一下就会发现，1994 年他们的管理资产为 2.76 亿美元，当年回报率为 93%；第二年变成 4.62 亿美元，回报率为 52%；再下一年变成 6.37 亿美元。你应该知道我想说什么：他们的资产规模扩大，并不是因为引入新投资人。

David：基金已经不再接受新投资人了。

完全靠复利增长。从 1993 年初的 1.22 亿美元，到 1999 年达到 15 亿美元，都是原来的那笔资本增长出来的。

David：2000 年，他们彻底爆发：毛回报率达到 128%，扣除费用后净回报率为 98.5%。简直不可思议。

Ben：基金规模从 19 亿美元增至 38 亿美元。再次强调，这完全来自投资收益；就在科技泡沫破裂的那一年，他们没有引入任何新投资者。

David：整个市场大幅下跌，Medallion 一年却取得 128% 的毛回报。这种情况后来反复出现：市场波动越大，Medallion 的表现往往越好。

Ben：这就是所谓的低相关性。他们不只是一台印钞机，还能在各种市场环境中赚钱，不管整体市场状态如何。

David：正如你说的，波动越大，他们的算法有时越能发挥作用。他们寻找市场行为异常的情形，利用其他人做出的错误决定获利。投资人承受压力时，Medallion 可能会获得一点优势：如果有人因恐惧而卖出，但模型认为这项资产不该被抛售，他们就会买入。

David：这里有个有趣故事，能说明 Jim 如何管理公司和团队，也能说明他们当年如何真正找到方向。2000 年科技泡沫刚开始破裂时，Medallion 连续几天出现了大额亏损。

部分原因可能是模型还没调整好，因为 RenTech 以前没人见过这种市场行为。也可能只是模型在那几天表现不好。对所有人来说都是非常紧张的时期。

大家都挤在 Jim 办公室里。Jim 一边抽烟，房间里烟雾缭绕，大家一边讨论怎么办。Jim 决定降低风险，担心公司会爆仓。当时长期资本管理公司崩盘的记忆还很新。模型可能建议继续做多，但我们不能让公司垮掉。

这件事发生后，Peter Brown 去找 Jim，提出因那几天的损失而辞职。Jim 说：你在说什么？你当然不该辞职。经历过这些之后，你对公司更有价值；你现在知道，在任何情况下都不能百分之百相信模型。

Ben：太有意思了。这是个很好的洞见，也能体现 Jim 的领导力。

David：确实。Jim 于 2009 年最终退休时，也发生过类似故事。Peter 和 Bob 接任联席 CEO 前一年左右，市场出现“量化地震”：许多量化基金遭遇大幅回撤，和科技泡沫时期相似，RenTech 也受到了冲击。

当时 Peter 坚持认为他们应该相信模型、继续承担风险，这段时期会带来巨额利润。Jim 则踩了刹车，出手降低了风险。临近 CEO 交接时，Peter 又问 Jim：你不担心我接手后会过于激进，把公司搞垮吗？Jim 说：我不担心。我知道你当时之所以那么激进，是因为我在现场踩刹车；等你坐上那个位置，自然会保守些。他对人的行为看得非常透彻。

Ben：确实。我自己也有这种体验：会本能地扮演对话对象的反方。如果有人表现得很强势，我就会自然采取相反立场。冷静下来后才发现，自己原本并没打算这么说，只是本能地想平衡对方的观点。

David：回到 2000 年这段惊人的表现。正如你前面说的，他们不只回报极高，还在市场下跌时做到这一点。

我们得先介绍 Sharpe ratio，也就是夏普比率。金融业的听众肯定熟悉；对其他人来说，这是个很重要的概念。

Ben：我觉得大家直觉上都能理解。我们在这期节目里提过好几次：一只基金收益达到 25 倍、某年投资回报率达到 100%，或者我昨天买了 Bitcoin，一夜之间翻倍，当然很惊人。

但这能证明你是世界上最好的投资人吗？直觉上我们知道，未必。也许只是运气好，也许你承担了巨大风险。所以关键问题总是：把风险考虑进去后，你能不能仍然带来更好的回报？

基金经理有两种方式为投资者创造价值：跑赢市场，或者与市场完全不相关、却获得市场回报。RenTech 能做到两者兼有：既低相关，又大幅跑赢市场，这几乎是资产管理的终极理想。

David：夏普比率就是把这两个概念结合起来衡量。

Ben：Sharpe ratio 以经济学家 William F. Sharpe 命名，1966 年提出。它衡量基金相对于无风险利率的表现。例如，当年回报率是 15%，无风险利率是 3%，分子就是 12%。

这个超额回报还要除以波动率，技术上说是标准差，也就是过去某段时间里业绩有多波动。通常会看 3 年、5 年或 10 年的夏普比率。它代表投资者每承担一单位额外风险，能得到多少额外回报。

David，你开始报数字了。夏普比率低不好，负值更糟，因为那意味着表现低于无风险利率。比率高则表示回报高、波动或标准差较低，也就是风险较低。

1990 年，他们的夏普比率是 2.0，是 S&P 500 基准的两倍。1995 到 2000 年，比率达到 2.5，业绩开始持续发力，令人难以置信。

David：好，我要去哪里才能投资？

Ben：后来他们加入了海外市场，夏普比率达到 6.3，是最佳量化基金的两倍。这家公司历史上几乎不可能亏钱，并且能在与市场低相关的情况下大幅跑赢市场。

David：如果我的研究没错，2004 年他们的夏普比率甚至达到 7.5。

Ben：太惊人了。

David：再用体育打比方，这不是名人堂级别的数据，而是让 Tom Brady 看起来像第三替补。

Ben：没错。

David：凭借 2000 年后的成绩，2001 年基金业绩分成从之前的 20% 或 25% 提高到 36%。记住，他们已经关闭基金，不再接受新投资者；不过基金里还有外部投资者。

第二年，也就是 2002 年，他们又把业绩分成提高到 44%。能做到这个当然很厉害；作为背景，Sequoia 和 Benchmark 等顶级风投已经收取高得离谱的 30%，44% 前所未有。

Ben：这有两种有意思的解读。第一，他们把费用提高到这么离谱，可能就是想让现有投资人自己离开。虽然他们还没直接赶人，但基金关闭多年了，也许是在暗示大家该离场了。

另一种解读，也是我觉得更合理的，是投资者会套利：他们发现定价偏差，就进入市场把它修正。比如同一种货币在两个交易所的价格不同，投资者通过套利赚一点利润，同时让市场回归真实估值。这样一来，市场就更像一台称重机，而不是投票机，价格也更能反映资产的实际价值。

某种意义上，Renaissance 正在对自己和投资人做同样的事。他们在说：你看，这个产品定价太低了。我们明显跑赢市场，所以即使我们多拿一些，你们还是会接受。按 20% 到 25% 的业绩分成来定价不合理，这个产品应该收更高的分成，而你们仍然会愿意投资。

David：如果一个基金每年给你 15% 的回报，你付 20% 的业绩分成很合理；我们给你的是每年 50%。

Ben：完全正确。我猜现有投资人并不高兴，但他们掌握了太多主动权，投资人又能怎么办？

David：听众朋友抱歉，我还得再花一分钟解释一下业绩分成。先把故事讲完：2001 年他们把分成提到 36%，2002 年提到 44%；到了 2003 年，他们直接说：我们没法靠提高费用让外部投资人自行离开，所以要把你们赶出去。从 2003 年起，所有不是 RenTech 家族成员的人——即现任员工或公司校友以外的投资者——都被踢出了基金。

Ben：并不是所有校友都能留下，只有部分校友得到保留资格。

David：为什么这么做？一分钟后我会谈到一个原因，另一个原因很明显：Medallion 管理资产已经达到 50 亿美元。即使在股票市场，他们也开始受滑点影响。如果要维持这么惊人的业绩，基金规模就不能再继续扩大。

Ben：这正是 Warren Buffett 总提到的问题，所以他只能加大 Apple 这类公司的仓位，而不是去买下一家很棒的家族企业。能明显影响业绩的机会已经非常少了；你规模越大，进入任何市场都会推动价格。RenTech 认为，他们现在这套策略超过 50 亿美元就无法运作。

David：2003 年他们开始把所有外部投资者逐出 Medallion。但显然，许多机构仍想投资 Renaissance。他们怎么办？

Ben：那就再开一只基金。他们成立了 Renaissance Institutional Equities Fund。要理解其中原因，还得补充一点背景。

第一，有时会出现一些比 Medallion 更赚钱的策略，但他们不确定这种机会能否长期存在。如果确信 Medallion 一直能管理 100 亿、150 亿、200 亿甚至 250 亿美元，他们当然会扩大规模。但有些机会只是暂时出现，他们不想为了利用这些机会而扩大基金，之后却发现策略消失了。

另一个原因是，有些策略并不适合 Medallion 的现有模式，需要更长的持仓时间。持仓越久，预测能力就越弱，因为必须更远地预测未来才能估算退出价格。但他们仍认为，虽然这种策略不是短线交易的核心，也可以赚到钱。

David：Peter Brown 讲过一个有趣故事。Jim 有天走进他的办公室说：Peter，我想和你做个思想实验。如果你嫁入 Rockefeller 家族，会不会建议他们把大量财富投到 S&P 500？Peter 说：不会，那样的风险调整后回报不够好。

Ben：这些人已经习惯了远高于 S&P 的夏普比率。

David：对。Jim 就说：没错，那你就设计一种他们该投资的产品。

Ben：他们要做的基本就是这个：能不能设计一种像 S&P 500 的产品，但夏普比率更高？能不能每年比市场多赚几个百分点？或者即使只和市场持平，也能让波动低于指数基金？

这种产品对养老金、大型机构，以及希望获得市场或略高于市场回报、但不想承受巨大回撤或波动的公司会很有吸引力，尤其是他们可能需要提前赎回资金。对冲基金比风投基金方便的一点是，投资人可以赎回。

从 Renaissance Institutional Equities Fund 随时间提交的 SEC 13F 文件可以看到，每个季度都有新投资人加入，也有人赎回。至少从理论上看，这是一款不错的产品：回报接近 S&P 500，但风险更低。

David：而且营销工作已经有人替他们做了，想投资 RenTech 的外部资金并不少。

Ben：挺有意思的是，营销材料里总会写：这不是 Medallion 基金，我们不承诺 Medallion 那样的回报；而且收费方式也完全不同。

David，你刚才说 Medallion 收取 5% 管理费和 44% 业绩分成。机构基金则只收 1% 管理费和 10% 业绩分成。

David：显然，这是完全不同的产品。

Ben：但投资人没这么看。他们很兴奋：这是 Renaissance 的产品，研究分析师一样，电脑也一样先进，肯定能获得惊人回报。可实际上，这是一种完全不同的投资工具。

David：它的表现远远不如 Medallion。

Ben：没错。它完成使命了吗？是的。它和 Medallion 一样特别吗？不是。

关于机构基金还有几件有趣的事。我花了不少时间翻阅它们过去十年的 13F 文件，Medallion 的申报大概都来自两只机构基金。

David：Institutional Equities 和 Diversified Alpha 两只。

Ben：很有意思的是，David 和我经常会看节目嘉宾管理的对冲基金 13F，也会看其他投资人的申报，想知道他们这个季度买卖了什么。通常你会看到 15、25，最多也就 50 只股票。

Renaissance 的 13F 里却有 4,300 只股票，而且每只仓位都很小。季度之间有少量持续持仓，例如奇怪的是 Novo Nordisk 连续几个季度都是他们最大持仓，虽然这个“最大”也只有 1% 到 2%。

David：看来他们一直在听 Acquired。

Ben：就是啊。

David：这肯定是模型里的一个信号。

Ben：看这些申报文件，会觉得他们的股票到处飞，而 13F 只是某个时点的持仓快照。虽然是季度末申报，如果提前一天或一周看，组合可能完全不同。

David：受访者向我们解释过机构基金和 Medallion 的区别。Medallion 的平均持仓时间大约一天，最多一天半；机构基金的平均持仓时间则是几个月。

机构基金持有 4,300 只股票，每天也会有很多交易，但单只股票上的交易频率比 Medallion 低得多。这也合理：基金越大、投资金额越多，交易频率就不能太高，否则收益都会被滑点吃掉。

Ben：而且它整体上很像 S&P 500。比如截至 2023 年 11 月，全年 12 个月里已经过去 11 个月，基金年内上涨 8.6%，听起来像指数回报。2020 年头四个月、疫情导致市场剧烈下跌之后，他们跌了 10.4%。比大盘跌得少，但仍然跟着大盘走。

我觉得 RIEF，也就是他们的机构基金，确实实现了设计目标；但它不是 Medallion。单独来看，它不至于让我们在 Acquired 里专门介绍这家公司。

David：它完全不值得单独介绍。说到基金，这也是我们节目要讲这家公司的原因。我们前面说过，市场剧烈波动时 Medallion 表现最好；2007、2008 年是有史以来波动最大的时期之一。2007 年，Medallion 毛回报率为 136%；2008 年达到 152%。这简直不可思议。整个金融市场都在崩塌，他们却能做到这一点。

Ben：这确实说明他们从哪里赚钱、交易对手是谁。对手是情绪化的投资者。Medallion 有非常稳健、毫无情绪的模型，能构建复杂的多证券交易组合，并精准执行系统要求的风险敞口。

他们的交易对手是谁？恐慌性卖家、牙医，或者不信任自己电脑系统的对冲基金。当这些人想“糟了，我们必须马上降低风险”时，即便这对他们而言是负期望值操作，也只能卖出。Medallion 基本上是在和人性交易。

而且在这个行业里，交易真的是零和游戏，不像我们在 Acquired 介绍的大多数行业，市场成长时可以让很多竞争者分别采用不同策略、一起扩大蛋糕。这里大家是在争夺固定的蛋糕：我赢，对方就输。

David：这里有个细微但不一定完全成立的辩护说法：Warren Buffett 可能是交易对手之一，Medallion 的持有周期是一天半，而 Warren 的周期是 50 年。两边可能都赚钱。

Ben：这个观点很公平。

David：我觉得反方会说，Medallion 一天半后把资产卖给另一个买家，买家拿到的是更低的价格。亏损最终会在交易链条的某个环节落到某个人身上。直接和 Medallion 或整个量化行业交易的对手可能没有亏，但总会有人承担损失。正如你说的，这是一场零和游戏。

Ben：但关键在于，你和交易对手能不能同时获益。我觉得这件事确实可能发生。你们追求的结果不同：我也许能在这一笔交易里比 Warren Buffett 多赚一分钱，但他的策略和时间尺度决定了这点差异对他无关紧要。

David：经历了历史性的业绩后，在金融危机期间——我前面提过——Jim 于 2009 年底退休，Peter 和 Bob 在 2010 年成为联席 CEO、共同领导公司。他们接手时把组合规模从 Jim 任内最后几年的 50 亿美元提高到 100 亿美元，而且好像没有明显影响。这说明 RenTech 和模型可能都进步了；否则他们早就把规模扩大到 100 亿美元了。

Ben：他们更有信心，认为有足够多的盈利交易可做，可以提高容量而不降低回报。也许他们以前就能扩大，只是还没把握大规模运行仍然有效。我猜他们很擅长判断策略的容量上限，以及规模增大到什么程度后会出现边际回报下降。

David：有一点很重要：在市场波动高峰期，比如 2020 年，Medallion 仍然表现惊人。我们找到的近年数据里，2020 年毛回报率为 149%，净回报率为 76%。这套方法依然有效。

有一种比较 Jim 时代和 Peter、Bob 时代的方法，虽然未必能说明全部问题，但我觉得值得参考。Jim 任内从基金 1988 年成立到他 2009 年退休，Medallion 的年化总回报率为毛 63.5%、净 40.1%。这段时期包括多次较低的业绩分成，曾是 20%，而不是后来的 44%。

Peter 和 Bob 时代则是 2010 到 2022 年，这是我们能找到最新数据的区间：年化回报率毛 77.3%、净 40.3%。即使平均费用大幅提高，毛回报和净回报都更高。Medallion 显然经营得不错。

Ben：太惊人了。我们没法确认，也有一些资料说近几年 Medallion 的规模从 100 亿美元增加到能容纳 150 亿美元。如果属实，就意味着他们不断在基金中找到更多有利可图的策略，让规模扩大后还能维持这种惊人回报。

David：无论如何，这一切都不可思议。就我们和其他人所能了解的，Medallion 很可能拥有史上所有单一投资工具中最好的业绩记录。

Ben：那给我看看净回报数字。

David：Medallion 从 1988 年成立到 2022 年，34 年间的年化净回报率是 40%。三十四年，扣除费用后仍然是 40%。费用前为 68%。按我们的计算，公司一生获得的业绩分成总额约为 600 亿美元。

Ben：太惊人了。

David：这是一大笔钱。

Ben：David Rosenthal，你这次表格做得不错。你已经有一阵子没为节目做电子表格了，这次完成得很棒。

David：我还会用 Excel，只是勉强会。现在有 Copilot 和各种 GPT，Excel 技能可能会慢慢变成一门消失的手艺。

Ben：是啊。好，业绩分成总额是 600 亿美元。

David：600 亿美元的业绩分成已经非常惊人了。说到钱，在结束故事前还得提一下：RenTech 的财富给它带来了巨大的社会影响力。

一路上大家听过 Bob Mercer 的名字。他是 Breitbart 和 Cambridge Analytica 的主要出资人，也是 2016 年 Trump 竞选团队及英国 Brexit 阵营的重要金主之一。

不过，不要以为 RenTech 的资金只流向政治光谱的一侧。Jim Simons 是民主党的重要捐助者，RenTech 还有很多其他人也是。

Ben：Henry Laufer 和其他员工也是大额捐助者，金额大致和 Bob Mercer 代表共和党捐出的资金相当。

David：RenTech 的员工和校友在多个选举周期里，向各方捐了数千万美元。2016 年大选后，这成了公司的一个焦点问题。Mercer 变得很有争议，外界如此，公司内部也一样。

Ben：尤其是大家发现，他和 Breitbart、Cambridge Analytica、Trump 当选以及 Brexit 都有联系。

David：最终 Jim 在 2017 年要求 Bob 辞去联席 CEO 职务，Bob 照做了；但他仍留在公司担任科学家，参与开发模型，只是不再和 Peter 一起负责领导公司。

Ben：最让我惊讶的是，这些人的政治理念可能截然相反，却仍然一起工作。

David：这说得太轻了。

Ben：他们还都深度参与政治、影响政治进程。Bob Mercer 虽然不再担任 Renaissance Technologies 联席 CEO，仍然在公司工作、参与研究。大家依旧相互尊重、积极评价彼此。这很出人意料。

David：我觉得“出人意料”最准确。

Ben：RenTech 的一切都和其他公司不太一样。

David：说到这里，我们进入分析环节。我想做一段小独白，Ben 你先听我说。我觉得这可以算作 RenTech 的经营方法，但更像是一幅 RenTech 挂毯。

我从 Costco 得到启发。我们采访时，很多人说 RenTech 有许多能彼此拼合的拼图。从表面看，RenTech 和 Citadel、D. E. Shaw、Two Sigma、Jane Street 等公司做的事情差不多：招募世界上最聪明的人，给他们最好的数据和基础设施，让他们自由研究并赚取交易利润。

这两样东西——世界上最聪明的人，以及最好的数据和基础设施——都非常昂贵，但也不是无法复制的稀缺品。Citadel 也能说同样的话；就像 Walmart 和 Amazon 也能说，我们同样拥有大规模供应商关系，能以低价服务客户，就像 Costco 一样。

但我觉得真正的魔力藏在底层。有三件彼此相关的事情让 RenTech 与众不同。第一，他们让世界上最聪明的人相互合作，而不是彼此竞争。其他金融公司里，员工和团队通常会在一定程度上争夺彼此的资源或业绩。

Ben：通常是友好的竞争，不过确实如此。

David：比如在风投公司里，一名合伙人或交易团队负责某个项目，其他合伙人可能会帮一点忙，但大多数人都在忙自己的项目。这大概是金融行业里最友好的合作形式。多策略对冲基金则可能直接把不同团队的业绩放在一起比较，再决定各自策略在最终交易模型中占多大权重。

但 RenTech 因为只有一套模型架构，所有人都围绕同一套投资策略和基础设施工作。也就是说，大家都看得到彼此的工作。研究团队和基础设施团队的每个人都能接触整套模型，其他地方都不是这样。

Ben：说得好。也就是说，整套代码库对所有人都完全可见。

David：而且因为只有一个模型，任何人改进了模型表现，所有人都能获益，不只是他自己。这和其他任何对冲基金都非常不同。

Ben：如果我把部分薪酬投进自己任职的多策略基金，其他团队表现好，我难道不会也喜欢吗？

David：会，但你不会像关注自己团队那样关注其他团队，因为你的薪酬和职业发展都更取决于自己的表现。

Ben：明白了。大多数人还想在离开这份工作后继续发展，所以他们会在意功劳归属，做成项目后可能想换工作，也会想建立个人声誉。RenTech 的大多数人却不会再去别的公司。

David：你在 LinkedIn 上查到了，他们员工的任职时间中位数大约 16 年，是吧？

Ben：是。我刚买了 LinkedIn Premium，可以看到任职时间中位数。RenTech 只有 300 到 400 名员工，但 LinkedIn 显示其中位任职时间长达 14 年。太惊人了。

David：这就引出第二点：这是一支小得离谱的团队。RenTech 不到 400 名员工，一半左右做研究和工程，另一半是后台人员或开放型基金的机构销售。真正直接参与 Medallion 运作的，最多也就 150 到 200 人。

RenTech 的同行 Citadel、D. E. Shaw、Two Sigma 等公司，甚至把 Jane Street 和高频交易公司也算上，每家至少有 2,000 到 5,000 名员工。

Ben：哇，我没意识到规模差这么大。

David：同行公司参与运作的人数，比 RenTech 多了一个数量级。

Ben：这肯定不是因为资金规模小。RenTech 的机构基金也很大，规模最高曾超过 1,000 亿美元，现在管理 600 亿到 700 亿美元，再加上 Medallion 的 100 亿或 150 亿美元。

David：管理资产规模和其他大型基金相当。小团队有很多优势。第一，就像 Hermès 工坊一样，大家都叫得出彼此的名字，也认识同事的孩子和家人。

Ben：他们的网站上就这么写：公司有 90 位数学、物理、计算机科学和相关领域的博士。简介页放了 10 条随机事实，这就是其中一条。

David：其次，公司位于长岛偏远地区，大家真的会认识同事的家人和孩子，因为你不会去纽约和 Two Sigma 的人喝酒，也不会和别的公司互相较量，而是去游泳池一起玩。

Ben：没错。RenTech 不从金融公司招人，你也不太可能有其他金融圈的人脉。你原本来自科学领域，现在在长岛 East Setauket 工作，那里常住人口可能不到一万。你待在一个小镇里，不常进城；就算进城，也不是去和其他金融从业者社交。即便没有很多页的竞业协议和终身保密协议，你也很难进入金融圈的社交网络。

David：你根本接触不到外界。

Ben：完全正确。

David：RenTech 招聘的是已经成名的科学家和博士，不像 Jane Street 或 Bridgewater 那样从本科毕业生中招人。我觉得这里就像一座没有学生的大学校园。

Ben：你看过网上的照片吗？

David：看过。

Ben：在 Google 搜 Renaissance Technologies，看看园区照片：小庭院、蜿蜒步道、四周都是树林，还有网球场。

David：团队规模小的最后一点，是它带来的财务收益，尽管我觉得这个说法未必完全准确。假设另有一家量化基金能创造与 RenTech 同样多的业绩收益。在 RenTech，这些收益由几百人分；在 Citadel，则要由 5,000 人分。去别的公司就显得不划算。

Ben：我们为这期节目准备时和一位业内人士聊过，他说：你永远没法和他们竞争，但他们会付你足够多的钱，让你不想走。

David：接下来是我之前一直卖关子的部分。我觉得 RenTech 第三块独特而难以防守的拼图，是 Medallion 本身的结构：它采用有限合伙人—普通合伙人基金结构，收取 5% 管理费和 44% 业绩分成。

Ben：它不是自营交易公司，也不是只有一池自有资金的交易部门，而是真正的 GP-LP 基金结构，尽管普通合伙人和有限合伙人实际上是同一批人。

David：这是我的推测，我不知道它的具体法律结构。但研究过程中，Medallion 这套 44% 业绩分成一直让我想不明白：为什么要这样做？

Ben：他们已经把大多数、甚至可能所有有限合伙人都赶走了，为什么还要提高业绩分成？

David：基金里几乎都是自己人，为什么还向自己人收 44% 业绩分成和 5% 管理费？Jim 似乎说过：我跟其他人一样付费用。

Ben：这个说法一直很有意思。你到底把费用付给谁？

David：我觉得一个反方观点是，Medallion 一天半后把资产卖给下一个买家，买家是在更低价格时接手的。亏损最终会在交易链条的某个环节由某人承担。与 Medallion 或整个量化行业直接交易的对手可能不亏，但总会有人承担损失。正如你说的，这是零和游戏。

我的推测是，44% 的业绩分成不是单纯为了收取高额费用，而是一种公司内部的财富转移机制：让长期持有份额的人，把一部分价值转给当年在 Medallion 工作的团队。

Ben：不会吧。

David：如果你在 RenTech 工作，你的 401(k) 就投 Medallion。

Ben：太夸张了。在那里待上几年，你就可能一辈子衣食无忧。

David：完全正确。虽然“财务自由”怎么定义因人而异，但我觉得他们很快就能做到。不过，既然如此，怎么防止一群有才华的年轻员工分出去，自己另办一只 Medallion 基金？

Ben：特别是他们都能看到整个代码库。公司希望像大学数学系一样运作：大家持续分享知识，一起做研究，互相评审，从而得到更好的成果。可把所有钥匙都交给所有人，不是风险很大吗？

David：我觉得 44% 的业绩分成结构解决了这个问题。按你说的，每年有 5% 管理费，再加上 44% 的业绩分成。

假设 Medallion 每年大致翻倍。简单地说，当年的经济回报中，大约 49% 会分给当前团队，51% 归长期持有者。

这有点像学术界的终身教职机制：你在公司任职时间越长，收入结构越偏向有限合伙人那一侧；越年轻，收入就越偏向普通合伙人那一侧。但最终分配大约是 51 比 49。

这套机制会自然地把价值转给当前团队，让他们始终有强烈动力工作。你在公司待得越久，就越像是在付钱给年轻同事，让他们替你工作。

Ben：把它设计成类似大学终身教职的制度，是个很有意思的洞见。

David：我一直在问自己：为什么要这样？如果没有外部有限合伙人，为什么还保留这种结构？这是我能想到的最好解释，而且我觉得很高明。

Ben：这比把全部资金都看作某一个人的钱，再由他决定每年给在职团队发多少奖金要优雅得多。

David：我觉得多数自营交易公司就是后者，Jane Street 大体上是自营交易公司，主要用公司自己的钱。不过那样是静态的。要是这里也一样，Jim 就会永远拥有公司。我不认为 RenTech 是这种模式。

Ben：核心其实是这是一只永续基金。你刚加入公司时，只拿业绩分成；随着时间推移，你会成为公司的重要投资者，逐渐转到那 51% 的有限合伙人一侧。最终你退休离开时，可能完全成为有限合伙人。

是的，这相当于把价值从老员工转移给新员工，规则明确、大家都理解，也可能享有税务优势；比起老板随意发奖金要合理得多。

David：总结起来，我觉得 RenTech 的秘密织锦由三部分组成：第一，大家围绕一个模型协作；第二，团队极小，彼此熟悉，而且任何人对这套模型的贡献都能让所有人获益。

第三，是这套 LP-GP 结构和很高的业绩分成，能同时激励新加入的人和即将退休的老员工。

Ben：我同意。故事里还有一些当时没机会展开讲的内容，都是非常值得了解的历史事件。

第一件叫 basket options（篮子期权）。时间是 2002 年。RenTech 已经用 13 年证明，自己有一台几乎能印钞票的机器。有印钞机时该做什么？加杠杆。

不过，公司能加的杠杆有各种限制，不能说我每投入 1 美元权益资本，就要借 100 美元。你得想办法从银行或其他贷款方借到更多钱，提高回报率。前提是你真的有一台可靠的印钞机。大多数人没有，所以大多数人也不应该加杠杆，否则就和成功一样容易爆仓。因此他们采用篮子期权。

我直接引用 Greg Zuckerman 的《The Man Who Solved the Market》，他解释得很清楚：“篮子期权的价值与一组特定股票的表现挂钩。大多数期权基于单只股票或一种金融工具，而篮子期权对应一组股票。如果底层股票上涨，期权价值也会上升。”

“这就像实际持有这些股票。给篮子期权提供资金、出借资金的银行，当然是篮子里股票的法律所有者；但实际上，这些股票几乎就相当于 Medallion 的财产。”

Medallion 的做法很巧：设置一个篮子，然后买下这个篮子的期权。篮子里的大部分资本来自银行，但银行聘请他们来交易篮子期权。大约一年后，满足长期资本利得税的持有期限，他们就可以选择买下整个篮子。

Medallion 的电脑每天自动向银行发送交易指令，有时每分钟甚至每秒都在发送。期权让他们能借到比常规限制下更多的资金。

竞争对手每投入 1 美元现金，通常只能持有约 7 美元的金融工具；Medallion 通过期权策略，每 1 美元现金能持有 12.5 美元金融工具，从而更容易击败对手，前提是他们持续找到有利可图的交易。遇到特别好的机会时，Medallion 每 1 美元现金能持有接近 20 美元资产。2002 年，他们管理 50 多亿美元，却控制着超过 600 亿美元的投资头寸。

David，刚才这点还揭示了我们没讲过的内容：他们不仅能找到 50 亿美元规模的有利可图交易，还想用杠杆把这 50 亿变成 600 亿美元的交易能力。篮子期权给他们提供了一种合法的方式，来使用惊人规模的杠杆，而且他们认为这种做法是可控的。

David：如果不加杠杆，这套策略的回报会低得多。

Ben：杠杆也是这套方法的重要部分。不过每家量化基金都会用杠杆，Renaissance 只是做得比别人更巧妙。

David：这仍然是个重要观点。在 Acquired 介绍的大多数公司里，杠杆几乎不是故事的一部分。我们来自科技和风投行业，所以对杠杆会本能地害怕，觉得它很危险。

Ben：假设模型胜率不是 50.25%，而是 50.0001%。他们就需要做大量交易，才能累积足够利润。这就是为什么要用 600 亿美元资金执行策略，才能在 50 亿美元权益资本上实现目标回报。

篮子期权还有第二个作用：他们认为这是一种税收效率很高的工具。他们报税时会说：篮子里虽然有股票，但我们真正拥有的是买入或卖出篮子的期权，大约 13 个月才行权一次。

我不确定确切期限，但大致是一年左右。也就是说，我们买入、持有一年、再卖出。篮子里可能每天有数百万笔交易，但那些股票由银行持有，我们只是给银行提供交易建议。你能看出这里的逻辑。

多年后，2021 年，美国国税局认定：不行，你们做了那些交易，不能把篮子当作完全独立的实体。你们少缴了 68 亿美元税款，还要补缴利息和罚款。Jim Simons 和其他几位合伙人还得承担相当大一部分责任。Simons 一个人就为这套篮子期权策略补缴了 6.7 亿美元税款；相关收益最终没有被认定为长期资本利得。

好，接下来谈谈公司目前的规模，然后进入经营方法和市场力量。Medallion 管理资产约为 100 亿或 150 亿美元，具体数字因消息来源而异；历史上更接近 50 亿到 100 亿美元。机构基金约为 600 亿到 700 亿美元，曾一度达到 1,000 亿美元。David 刚才说，总业绩分成约为 600 亿美元。

据 Forbes 估计，Jim Simons 现在身家约 300 亿美元。根据这些数字可以推算，他过去多年大约持有 Renaissance 一半股份。Medallion 在 1988 至 2020 年间的年化回报率约为 66%，扣除费用后约为 39%。太惊人了。

我做了个粗略的假设，想估算 Renaissance 这家公司一年能有多少营收。先假设机构基金在 600 亿美元管理资产上收取 1% 费用：管理费有 6 亿美元，再加 6 亿美元业绩分成，一年约有 12 亿美元收入。

我常问自己：这些收入重要吗？他们花这么多精力经营机构基金，到底有什么意义？假设 Medallion 在 150 亿美元规模上实现平均 66% 的毛回报率，管理费大概有 7.5 亿美元，业绩分成约 43 亿美元。这样，Medallion 带来约 50 亿美元，机构业务再带来 12 亿美元。

当然，Medallion 的员工本身也是投资者，拆开计算可能有些奇怪。但不管怎样，这大概是一家年收入 70 亿、80 亿、甚至 90 亿美元的公司。

David：这还没把 Medallion 的有限合伙人投资收益算进去。

Ben：当然没算。

David：正如我们前面花了很长时间讨论的，那些钱也都属于同一套经济利益。

Ben：但把它和其他公司放在一起比较，还是很有意思。记住，这是家年收入 70 亿到 80 亿美元的公司。

David：不过，我想基础设施成本也很高。

Ben：完全正确。我也想谈这个问题。单看 Medallion，它每年管理费收入就有 7.5 亿美元。我不觉得他们每年运营费用能接近这个数，但他们可能运营着某种超级计算集群。运行一个 Amazon 数据中心要多少钱？我想规模小得多吧？

David：不知道。这里处理的数据量很大。

Ben：他们网站上说，公司有 5 万个计算核心，全球网络连接速度达到每秒 150 吉比特，研究数据库每天增长超过 40 TB，数据量很惊人。

David：这些成本会不会一年 7.5 亿美元？我不知道，但肯定不是零。

Ben：我觉得不会。他们肯定不会靠管理费亏钱，但经营成本确实存在。

David：我还在想，Medallion 的管理费是不是基本用于支付现任团队的基础工资。

Ben：我觉得很可能。如果你以前建设过数据中心，或能估算 Medallion 在计算、数据和网络上的运营成本，我们很想听听。欢迎发邮件到 hello@acquired.fm。好，进入“力量”分析。

David：好，力量分析，这部分很有趣。

Ben：新听众可能不知道，这部分采用 Hamilton Helmer 在《Seven Powers》里提出的框架。什么能让企业持续获得高于竞争者的利润？七种力量是错位竞争、规模经济、转换成本、网络经济、流程能力、品牌和独占资源。

David，我想先问一个问题：RenTech 终身的竞业禁止协议，是不是它保持竞争优势的重要原因？你同意吗？这应该归入哪种力量？

David：我觉得员工签的是终身保密协议，而竞业禁止期限取决于纽约州法律允许的范围，不一定是终身。我听说可能是六年、五年之类。说到底，竞业禁止协议能执行多久，还要看一方愿意为此打多久官司。但现实是，员工不会离开，更不会离职后自己创办对手公司。

David：我半夜想这件事时，觉得 RenTech 的竞业限制有三层。第一层是法律层面，也就是你说的员工协议；第二层是经济层面，我们刚才聊了很久：留在 RenTech 这支小团队里，经济上更划算，离开反而不理智。

你留在那里和少数人一起工作，收益可能远高于去规模大得多的 Sigma。我觉得更深一层是社会关系：你和世界上最聪明的人一起，在同事关系融洽的环境里努力工作，而且成果会直接影响你自己。

Ben：这就是你的社群。

David：没错，这就是你的社群。你不在 New York City、Hamptons 或 Silicon Valley，而是主动选择了这里。如果你喜欢这样的生活，世界上还有比这里更适合的地方吗？

Ben：好，你觉得这属于哪种竞争优势？

David：人才本身可能算独占资源，但我不确定这能不能完全解释 RenTech。也许更接近流程能力，因为人才、模型和激励结构结合在了一起。

Ben：我也觉得是这样。我最大的归类同样是流程能力。你能深入理解一套复杂系统，再围绕它建立难以在别处复制的流程。系统层层叠加，已经发展多年，最近五年加入的人可能都不了解系统从头到尾是怎样运作的。

我没有请人核实，但系统有超过 1,000 万行代码；从交易下什么单、为什么下，到执行速度，都极其复杂。我不觉得有人能把整套模型全装在脑子里。过去 30 多年积累的复杂性，本身就是流程优势。

David：我完全同意，尤其是模型本身。也许可以说，模型是一种独占资源。

Ben：我认为数据才是独占资源。模型是不是独占资源，我不确定。或者说，理解这 1,000 万行代码的知识，本身就是模型。

但我觉得，他们拥有干净的数据，又一直在搭建数据系统。世界上最顶尖的博士都在研究如何清洗数据，这工作一点也不光鲜，但他们可能积累了全世界最完整、格式最好的历史市场数据宝库，别家没有。这才是真正的独占资源。

David：我有几点补充。第一，Sandor Straus 从 80 年代起就开始做这方面的工作，那时其他公司几乎没人做。我觉得 RenTech 的数据很可能确实比其他公司好。但其他量化基金也在投入难以想象的资源做同样的事。

Ben：他们也想做，而且钱不是问题。

David：我和几位业内人士讨论后，听到一种说法：RenTech 有两种可能。一种是他们 20 多年前发现了一个永恒的秘密，之后 20 多年一直靠它交易。

Ben：也许是某种股票之间的特定关系，只有他们看到了，并且一直在利用，别人怎么都发现不了。

David：这完全有可能。

Ben：这不是很疯狂吗？

David：RenTech 的人会说这绝对不是他们的做法。当然，如果真是这样，他们也会这么说，因为不想让别人知道。

Ben：别去看大豆期货和 General Motors 之间的关系。千万别看。

David：我们暂且接受这种可能性。不过更可能的情况是 RenTech 自己所说的那样：没有什么终极秘诀。他们会持续重建整套系统，大约每两年彻底重构一次。我听说周期大约是两年；不是每隔两年某一天重构，而是每天都在重构，只是整体大约两年完成一个周期。

Ben：那就说明，五个人离开后，可能能重建这套系统，只要他们拿到数据就行。

David：也能说明模型本身，甚至数据本身，可能都不是独占资源。

Ben：但我猜数据确实算。假设你在公司工作了 10 年，你并不知道 1955 年的大豆期货数据是怎么进入数据库的。即使你习惯了用这些数据，离职后也能重建模型，却未必知道它们最初是怎么被找到、整理进来的。

David：这个说法有道理。不过老数据的价值也可能随时间衰减，因为市场会变化。

Ben：肯定会。

David：我想说的更广泛的一点是，其他主要量化基金也在投入数亿美元、甚至数十亿美元做这些事。

Ben：而且大家还在到处寻找另类数据。像 Bridgewater 这样的公司愿意花大量资金购买看似完全不可能影响股市的数据；但它们真的愿意花几千万、几亿甚至几十亿美元去买。

David：我觉得肯定没有规模经济。说不定还有规模不经济。

Ben：不，规模不经济确实存在：资产管理规模太大时，策略就会失效。

David：对，会有滑点。网络效应我也不认为存在，他们基本不和外界交流。

Ben：不过他们和电子经纪商以及交易执行链条上的不同参与者有一些稳固关系。我觉得他们的执行效率很高，也能很快获取市场数据，数据质量很不错。

David：你觉得这真的比竞争对手好吗？

Ben：不知道，可能不是核心秘诀。

David：对，我也觉得不是。

Ben：这属于入场门槛。

David：转换成本不适用。品牌可能让他们更容易为机构基金募资，但这不是业务的主要部分。

Ben：机构基金的管理费收入也许完全来自品牌。但很多上市股票投资公司和对冲基金都很有品牌号召力，能获得接近市场的回报和不错的夏普比率，也能靠品牌募资。风投公司也是如此。

David：没错。对我来说，最后可能剩下错位竞争。我觉得这里确实有错位竞争。我们最近连续两期节目都会讲大规模错位竞争。

Ben：说说看，谁被错位竞争了？具体是怎样的竞争？

David：竞争对手是市场上的其他量化基金。这里说“直接竞争”，不是指争夺有限合伙人资金，而是指争夺同一类交易机会。

Ben：也就是它们可能成为彼此交易的对手方。

David：我不觉得它们总是彼此的交易对手。我觉得它们都在寻找类似交易机会，而真正的交易对手是那些被它们占了便宜的人，比如你说的牙医。

Ben：不过量化基金之间确实经常互为交易对手。

David：没错。但它们也是在争着找到同样的交易机会。我觉得 Medallion 的错位竞争优势之一，是它的单一模型架构，而其他大多数公司采用多模型、多策略。这个设计带来了我前面说的协作优势。

也许更重要的是，RenTech 的激励机制都围绕如何优化基金规模、实现最佳业绩来设计。其他公司基本做不到这一点。我觉得没有谁比它更有动力，真正把业绩做到最好。

Ben：即使管理更多资金也能收更多管理费，他们的激励却很特别：他们不愿为了多收管理费而扩大规模、牺牲业绩。

David：尤其是 GP 和 LP 实际上都是同一批人。

Ben：我们总是绕回这个问题。我大致同意错位竞争的解释，但我觉得真正答案简单得令人不爽：他们就是比别人更擅长这类数学和机器学习，而且做得更久，所以一直能赢。

David：我也从别人那里听到类似说法：RenTech 本质上就是一所数学系，而其他公司都不是。

Ben：也可能是文化。

David：对，可能是文化。

Ben：说真的，文化可能是这样形成的：大家都觉得这是个做研究的好地方，工作有意思，结果还能赚很多钱，但我不想去 Citadel。

David：我觉得有可能。那也许是流程能力的一部分。对我来说，它是流程能力和错位竞争的某种组合，其他力量我觉得都不太适用。

Ben：我觉得是流程能力和独占资源。

David：有道理。

Ben：七种力量没有涵盖的一点是战术和执行。七种力量框架强调战略与战术不同。我觉得 RenTech 长期以来在执行上可能就是比对手强。说到底，他们可能只是比你聪明。

David：如果你相信系统每两年都彻底重建一次，那确实如此。

Ben：还有知识积累。如果你从 1964 年就开始建立机器学习系统，今天肯定非常擅长机器学习。那些在过去 15 年里和你一起工作、不断积累历史经验并完善系统的人，肯定比最近才因为机器学习成为热门而入行的人更懂行。经验会复利增长。

好，进入经营方法。除了 David Rosenthal 编织的三部分 RenTech 挂毯……

David：我没什么要补充的了。

Ben：……我还想提几件事。第一，关键就是信号处理。RenTech 不关心底层资产是什么；Medallion 基本不做基本面交易，只有机构基金会稍微使用市盈率之类的基本面指标，那是完全不同的技能。

但如果只看 Medallion，一切都是抽象数字。你不必了解数字背后的资产，只要用线性回归或其他更复杂的方法分析数据关系。把问题抽象成信号后，就能从任何领域招人。

不管你过去如何做复杂信号处理：可能是天文学家，通过去噪分析遥远恒星的照片，也可能是做自然语言处理。核心都只是信号。

David：Jim、Peter 和其他人常说过一句很有意思的话。有人问他们为什么只招聘学者、不去华尔街招人，他们会说：我们发现，教聪明人投资比教投资人……

Ben：变聪明容易。

David：没错。说到底他们根本不教人投资，只是在做信号处理。我打赌，RenTech 研究团队至少有一半的人看不懂资产负债表。

Ben：太有意思了，他们在做投资业务，但里面的人却都不是传统意义上的投资人。

还有一件事，你们可以自己判断是否适用。我一直在想复杂适应系统。几年前我们采访 NZS Capital 团队、读过他们和 Santa Fe Institute 的研究之后，我就一直在关注这个概念。

在复杂适应系统中，很难真正理解一件事如何影响其他所有事。各种关系的组合复杂到极点，你无法确定地指出某个因素就是另一个结果的原因，就像蝴蝶效应。

但系统里的实体之间仍然存在表面看不出的联系。还记得我们很久以前做第二期 NVIDIA 节目时，我开场讲过小时候看火的想法吗？如果你知道木头里原子的组成、风的方向以及……能不能准确模拟整团火？

小时候大家总觉得不可能，但实际上答案是可以。点燃这根木头后，接下来三小时火焰会怎样变化，原则上是可以计算出来的，甚至能预测具体火势。

RenTech 可能并没有真正弄懂市场，也无法预测未来。但只要判断正确的概率有 50.01%，他们就能用模型理解这个复杂适应系统中足够多的关系，反复运行模拟。一次次抛硬币时，每次只多赢几分钱，累计起来就能赚到足够利润。世界上可能没有谁比他们更接近于预测市场这个复杂适应系统的运行方式。

不过我不觉得他们能把模型的原理完整解释出来。人类可能做不到，但我认为他们的电脑可以。

David：我听过 RenTech 的人谈这个，他们都会说模型并不真正理解市场；但模型能做出预测，而且预测足够可靠，所以他们愿意依赖它。模型懂不懂市场其实不重要；它解释不了为什么，但这没关系。

Ben：但它知道自己有一点优势，所以即使说不出原因，也应该按优势下注。

说到模型，我一直想弄清楚一件事：RenTech 是机器学习的发源地吗？

David：这个问题很难回答。我们还专门问了几位知名 AI 研究员和 AI 历史学家。回答不出所料：他们说不知道，因为 RenTech 不分享任何信息。

Ben：他们用的原理肯定来自孕育机器学习的同一个数学研究圈。但 RenTech 过去几十年发现的东西，和 Google 的 Gemini 或 ChatGPT 是不是一回事？我觉得不是，因为他们从不公开研究成果。

也许 RenTech 真的比所有人都早一步，建立了更强大、更复杂的 AI，只是选择把它锁在公司里，用它赚钱。

也可能是这样：RenTech 只是尽可能收集无结构数据，早别人一二十年意识到，只要有足够多未标记的数据，就可以让大型语言模型说出听起来合理、像是真的话；用于交易时，则可以让模型判断正确的概率超过 50%。

David：做出听起来合理的交易。

Ben：他们比所有人都早发现了大规模无监督学习，直到去年 AI 浪潮才爆发。

David：如果确实如此，我们对他们的竞争优势就应该有完全不同的判断。

Ben：有个细节很能说明问题。Peter Brown 的学术导师是 Geoffrey Hinton。

David：很高兴我们提到了这件事。没错，RenTech 和 AI 发展背后的确实是同一锅学术人才、社交圈和研究群体。

Ben：我说清楚一点，免得听众不明白：另一位 Geoffrey Hinton 的学生是 OpenAI 联合创始人 Ilya Sutskever，只不过晚了很多年。

David：就像刚才说的 Markov 模型和隐 Markov 模型，它们既是 RenTech 的基础，也构成了今天 AI 和生成式 AI 的基础之一。

Ben：另一个重要观点是：应该基于别人没有发现的秘密进行交易。听起来当然显而易见，但我刚才说了几个字：“我应该想出一种策略。”问题就在这儿。

我觉得大多数投资公司会先从人那里得到想法，再做极其严格的数据分析，判断是否应该交易。我可能说错了，但我认为现代 RenTech 并不这样做。他们的投资想法完全来自数据和信号处理，因此做出的交易可能完全不符合直觉。

当你的交易能赚钱、却又不符合直觉时，竞争对手就很难跟进。如果你发现两种事物之间存在一种人类根本想不到、也无法想象的关系——而且可能涉及 10 种、20 种甚至 100 种因素，以不同权重、不同时间尺度组合在一起——这就是利用无人知晓的秘密、在市场上战胜别人非常有效的方法。

David：说得太好了。许多甚至大多数其他量化公司都不这样做。有些可能会，但大多数公司是由模型提出建议，再由一位或多位投资组合负责人决定是否执行。

Ben：再举个具体例子。你可能本能地觉得“我理解这两种东西为什么相关”，但实际的关系不一定是你想的那样。

比如两种东西总是同步变化：Tesla 股票和小麦期货。人是会讲故事的动物，你可能会编出一个理由解释它们为何同步，然后觉得这两者总有一天会脱钩。

但真正原因可能是某家大型对冲基金同时持有这两种资产，调仓时才让它们同步变化。你不一定会想到这个解释，而可能以为它们本身有直接联系，没想到只是因为有人同时持有它们、影响了市场流动性。我觉得 RenTech 承认的正是：我们不知道各种事物为什么会关联，但这并不重要。

David：研究时我也很惊讶。我原以为整个量化行业都是这样做的，后来才发现可能只有 RenTech 和另外少数公司如此。

Ben：下一点由节目嘉宾、长期在量化交易行业工作的 Brett Harrison 提供。他提出了一个二维矩阵：横轴是交易执行快或慢，纵轴是策略聪明还是明显。

David：他对我们说的是聪明或愚笨，但“愚笨”不代表人笨。

Ben：指的是显而易见的交易。核心观点是：量化基金不都做高频交易，高频交易公司也不都是量化基金。没有金融行业背景的我以前以为它们是一回事，现在才明白完全不同。

快而明显，就是典型的高频交易：抢在其他人前面下单，把数据中心设在离交易所很近的地方，就像《Flash Boys》里讲的；或者在 New Jersey 和 Chicago 之间架设微波线路，套利两个市场之间的价差。这需要全球最快的网络连接。

David：Jane Street 就是这种模式。

Ben：还可以快而聪明，但两者不必兼得。你不需要全球最快的网络连接，又同时找到最巧妙的交易。公司通常会选定一种路线：要么做高频交易，要么寻找最聪明、最不明显的交易机会。

Medallion 属于慢而聪明的象限。机器学习系统负责在数据中发现关系，所以前期要投入大量计算……

David：也就是不明显的交易。

Ben：没错。模型要花很多计算资源寻找不明显的交易，但实际交易执行得相对慢。它们仍要在几秒或几分钟内下单，不过优势不在于像《Flash Boys》里的公司那样进行高频交易。

David：我觉得 RenTech 不做高频交易，也不抢在别人之前下单。和你我相比，他们仍然快得惊人；但他们靠的是聪明，而不是快。

Ben：Greg 在书里有句很好的话：“他们随时持有数千个多头和空头头寸，持仓时间从一两天到一两周不等。每天交易 15 万到 30 万笔，但其中很多操作只是为了避免影响市场价格而分批买卖小额仓位，不是靠抢在其他投资人之前获利。”

David：我们还听说，RenTech 在隐藏交易方面做到了世界一流。

Ben：他们能避免推动市场价格，让别人不知道是谁在买、买了多少、是否还会继续买。早期他们不擅长这件事，其他人会截获他们的交易并抢先下单。后来他们不得不开发聪明系统，让别人无法识别买方身份、交易数量和后续意图。

在进入价值创造和价值获取之前，最后一点是：这门生意非常可怕。你必须有完善的控制措施、风险模型和紧急停止机制。软件有漏洞怎么办？会不会几分钟内连续做出大量亏损交易，把资金全部赔光？以前打电话给经纪人下单，不可能发生这种事；现在完全可能。

David：而且真的发生过。

Ben：RenTech 没遇到过，但 2012 年有一家叫 Knight Capital 的公司，一天之内亏了 4.6 亿美元。他们在部署新代码时出了流程错误。

简单说，是一个标记位的错误：系统应该把某一位从 0 改成 1，却改错了位置，导致程序陷入无限循环。交易执行后，本该翻转一个标记位，但它翻转了另一个。系统检查的内存位置和设置标记位的位置不一致，于是误以为标记始终没有变化。

这个无限循环在 45 分钟内执行了 400 万笔交易。系统没有设置恰当的紧急停止机制，公司只能眼睁睁看着钱不断流失，束手无策。

David：整个投资组合都没了吗？

Ben：不确定是不是整个组合，但 LP 投资人损失惨重。他们还是一家上市公司，股价一夜之间跌了 75%，后来有人出手收购。

David：他们可能被所有交易对手追缴保证金了。

Ben：在 RenTech，负责财务控制和安全系统的人一定承担着很大的责任。

David：完全正确。

Ben：谈价值创造和价值获取之前，我想先讲一句有点挑衅的话：Renaissance Technologies 其实不在做投资，而是在做赌博。更准确地说，他们像赌场庄家。

David：我以为你要说的是另一件事，但我会完全同意：他们不在做投资业务，他们也不知道如何投资，模型才知道。

Ben：我想说的是，他们不是传统投资人，也不在做传统投资业务。市场上当然有大量其他投资者在交易，但 RenTech 进入这些市场，不是为了把资本投向某个实体。它更像 Caesar's Palace，开一家赌场，让其他人来交易，而自己掌握一点优势。它可能偶尔会亏，但大多数时候都能略胜一筹。

假设他们判断正确的概率是 50.01%。他们要做的只是长期从所有愿意和他们交易的人那里收取一点点优势。规模一大，这种模式确实有效。Jim Simons 通过这种方式，从所有交易对手身上把约 300 亿美元转进了自己口袋。

David：我觉得你要说的可能是：像 Caesar's Palace 或赌场一样，他们虽然不是在做投资，却是在提供服务。你是这个意思吗？

Ben：这取决于你怎么定义投资人。我现在是在故意用一种高高在上的方式来举例：投资人是把风险资本投入企业，让企业未来创造价值的人；或者把钱借给某项内在资产，让它用资本创造生产力并带来回报。

当然，很多叫作“投资”的事情并不是这样。如果我把钱放出去，之后收回更多钱，却不关心这笔钱是怎么赚来的，而且交易本身还是零和游戏，只是把钱从别人那里抽走……这也算投资吗？

David：对，钱并没有投到任何会创造价值的东西里。

Ben：没错。这和赌场的商业模式完全相同：你有一点优势，让很多客人进来，在游戏中把钱输给你。

David：你说他们是服务提供商，我觉得赌场也确实在提供服务，为客户提供娱乐。大家都知道赌场游戏的规则偏向庄家。

同样，我觉得这个类比很准确：RenTech 和其他量化公司在为市场提供服务，让大家想做的交易更快完成，价差也更低。

Ben：完全正确。量化基金确实能为世界创造价值，这是毋庸置疑的。人们很容易说，量化基金是零和游戏，没有把资金投入企业、帮助企业创造价值，只是在套利或运用我们本期讨论的其他策略。

但你说得没错，市场流动性本身也有价值。市场深度增加后，如果回到 Renaissance 创立的那个年代，散户根本不可能像今天这样零手续费、几乎实时地投资各种公司。

David：现在我们每个人几乎可以在一天中的任何时候，到几乎任何市场买卖证券，立刻成交，还能得到非常精确的价格。这些以前都做不到。

Ben：有很多量化基金和对冲基金愿意成为交易对手，配合任何想交易的人。这确实是一种服务。你说得对。

而且量化基金并不都像 Medallion。它们并非都拥有优势；即使有些基金声称有优势，很多其实会亏钱。

David：很多基金会亏钱。听众朋友们，你们也可能跑赢市场。这不是投资建议，请不要照做。

Ben：平均来说，Medallion 不会从你手里亏钱。但还有很多对冲基金、高频交易公司和其他交易对手，你也有可能赢过他们。Jim Simons 的公司可不是这样。

David：Greg 的书结尾有个很有意思的片段。时间是 2010 年代中期市场下跌期间。Jim 打电话给家族办公室负责人，问市场大跌了我们该怎么办？对方的反应大概是：你可是 Jim Simons，你问我该怎么办？

Ben：没错，Jim Simons，你问我们该怎么办？

David：对，问我们该怎么办。

Ben：每个人都有犯错的时候。

David：完全正确。

Ben：再补充几点，说明量化基金创造的价值。人们很容易批评说，这么多聪明人都去金融业了，怎么不去做对世界更有生产力的事？但只要没有更大的、足以激励人的共同目标，人就会追求自己受到激励去做的事情。

想想第二次世界大战，人们对国家的忠诚，以及拯救世界、战胜邪恶的愿望，成了巨大的动力，能让人完成非凡的事。一旦没有这种目标，或人们觉得不存在生存层面的重大使命，他们就会为自己和家庭争取更好的生活。有人喜欢开疆拓土，就去建立商业帝国；有人是坚定的资本家，就去赚钱。制度就是这样设计的，你可以对此不满。

既然如此，人们自然会从事量化金融这种高收入职业。幸运的是，这些工作也会产生不少有价值的东西。人们经常忽视的一点是，这类高利润职业和企业，往往会带来其他领域也能利用的研发成果。

比如我们最近做了 NVIDIA 系列节目。你觉得大型语言模型出现之前，Mellanox 的 InfiniBand 主要用来做什么？

David：这是个非常深刻的价值创造和价值获取观点。接着说，请继续。

Ben：没什么复杂的：高频交易公司使用了大量 InfiniBand。我不确定具体情况，但我觉得 Mellanox 的业务很大一部分来自量化金融。这只是许多例子之一。它当然有局限，不过科技创新确实常被忽视。

David：研究过程中提到的这些观点都很好，我完全同意。在我看来，说量化金融不为世界创造价值是不对的。它确实创造价值。

Ben：但它创造的价值有它捕获的那么多吗？

David：无论如何，他们非常擅长捕获价值。这可不是 Wikipedia。它几乎站在光谱的另一端。

Ben：我想起《费城永远阳光灿烂》里一段很好笑的情节。Danny DeVito 饰演的 Frank 回到自己 80 年代创立的公司，穿着西装重新接管，还带着 Charlie。Charlie 问：Frank，这家公司到底做什么，生产什么？Frank 说：你什么意思？我们赚钱啊。Charlie 说：不是，具体造什么？Frank 回答：我们创造财富。我觉得这很适合形容这里的情况。

David：完全正确。他们在创造价值和捕获价值方面都非常厉害。

Ben：好，来聊看多和看空。这一环节我们做了很久，上期节目却没做，听众给了我们不少反馈。谢谢大家关心。看多与看空重新回归了。

David：像凤凰一样复活了。

Ben：复活归来。不过这是最不适合恢复它的节目。RenTech 的看多理由是什么？

David：过去的业绩可以预示未来表现。

Ben：他们会继续吸引世界上最聪明的人，保持独特文化，也不会让机构基金业务反过来主导公司。继续做现在做的事，就是看多理由。也许他们仍然领先所有人。

David：这是针对 Medallion 的 GP 和 LP 的看多理由，他们大概是全球 500 人左右，而且其他人都无法投资。

Ben：看空理由就是事情正在变化，几乎各个方面都可能变化。竞争者可能追上来。科技行业最近对大型语言模型的掌握，也许会让其他人更容易挑战 RenTech。这条界线很模糊，但确实有可能。

也许 RenTech 早其他人十年入场，现在大家终于赶上来了。文化也可能在变。Jim Simons 很久以前就离开了，Bob Mercer 不再担任联席 CEO；Peter Brown 仍是联席 CEO，公司还宣布负责机构基金的 David Lippe 也要担任联席 CEO。

如果你认为 Medallion 才是公司核心，而机构基金是业务上的瑕疵，那么由机构基金负责人出任联席 CEO，未来甚至可能接任 CEO，就可能构成看空理由。可以借 David 常用的说法，把机构基金称作 Hermès 的 Apple Watch 表带。

另一个风险是人才结构可能变得和其他公司一样。我看 LinkedIn 时，发现现在和过去加入 RenTech 的一些年轻员工，曾在不少我熟悉的公司工作。过去的人似乎都来自大学研究机构。如果现在人才来源开始和其他公司重合，可能值得担心。当然，这些都是猜测出来的叙事，我们无法确定是否真实。

David：这些事情我们都不可能知道，因为这些事情我们就是无从得知。

Ben：一切都是秘密。

David：这是我们新的结尾环节，“挥之不去的念头”，也就是总结。

Ben：你一直停不下来、反复思考的那件事。

David：过去一个月我们一直在研究 RenTech。对我个人来说，留下的最大感受，也许从我刚才谈的那幅“挂毯”就能看出来：这是一个激励机制设计得多么重要的例子。文化也很重要，我不想轻描淡写。Jim Simons 建立了一种像实验室一样的学术环境，但又没有让它变成纯粹消遣的研究场所。

Ben：也就是早期 Google。

David：完全正确，就像早期 Google。根据我们的研究和目前能了解的情况，RenTech 从来没有什么无关紧要的工作。他们始终非常专注。这再次说明激励机制有多重要。

当公司不到 400 人，研究和工程人员不到 200 人，而且同事也是你工作的唯一提供者、监督者和受益者时，这种关系极其有力。我想不出世界上还有其他类似的地方。也许某些风投或投资公司有点相似，但没有哪个能像这样，在完全流动的市场里每天运作，还获得这种回报。

Ben：简直像把纯汽油直接注进血管里。

David：这不是说我一定愿意在那里工作。我想我不会，但这种地方确实独一无二。

Ben：我最停不下来的想法是前面提到的复杂适应系统。根据我们能从外部了解的一切，Renaissance 建立了一套大型计算系统，能发现股票、商品、债券价格等事物之间的关系。无论能不能解释这些关系，模型大多数时候都能判断正确。也许只是小幅领先，但只要大多数时候略占优势，就能像赌场一样持续经营。

我的结论是，他们像赌场庄家，拥有一点优势；这优势来自一张由各种实体相互关系构成的图谱。我们以为那只是噪声，他们却能识别出信号。

David：这确实让人想起你刚才谈到的科技行业近年“追上来”的问题。如今有开源技术和现成工具，要搭建这样的系统究竟有多难？

Ben：这就是看空理由，我也不知道。

David：然后会发生什么？如果这是复杂适应系统，现在其他人也能买到工具、搭建模型，市场回报就会被套利压低。

Ben：没错。好，来聊点轻松的，推荐一下最近喜欢的东西？

David：轻松一点吧。

Ben：好，听众朋友们，我有三件事。最近大家一直说喜欢片尾推荐环节，所以这次我多准备了一些。

David：没错，让我们尽情发挥。

Ben：我们干脆开一档新节目，就叫《片尾推荐》。

David：44% 的业绩分成！开始吧。

Ben：我有一个公告、一档电视剧，还有一件给听众的趣事。先说公告：David 和我今年又要主持 Modern Treasury Transfer。如果你对支付行业感兴趣，可以来参加。去年非常棒。今年活动在 2024 年 5 月 15 日于 San Francisco 举行，节目说明里会放报名链接。很期待在那里见到大家。

David：等不及了。

Ben：第二个推荐是一档和 Acquired 有关的 Apple TV+ 电视剧，叫《The New Look》。

David：没错。但 Christian，这真是一个崭新的风貌。

Ben：对。听过我们 Hermès 节目的朋友记得，Christian Dior 的创新作品之一就是“New Look”系列。二战后，这个系列轰动时尚界。

David：这是对生命的礼赞。

Ben：没错。过去那种军事化、方方正正的服装时代结束了，现在换成了性感的款式，甚至可以说……

David：华丽的面料。战争配给结束了。

Ben：对。Apple TV+ 上这部剧通过大量闪回，呈现 Christian Dior、Balenciaga、Coco Chanel 等人经历的艰难战争岁月，以及他们的人生如何交织。

David：Coco 也出场吗？

Ben：出场。

David：哇。他们会怎么塑造她？

Ben：如果很多人看这部剧，看看它会不会影响 Chanel 的产品销量，应该很有意思。我也很好奇观众怎么看她：觉得她是个值得同情的人，还是反派？你觉得剧中的塑造和现实之间有什么差别？欢迎在 Slack 的片尾推荐频道里聊聊。

David：Chanel 的历史确实很复杂。后来这家公司被香水业务的持有人买下来，那是两位犹太裔 Wertheimer 兄弟，他们人在纽约。

Ben：对，Wertheimer 兄弟。天哪，我们以后必须专门做一期 Chanel。不过《The New Look》即使不谈时尚奢侈品，也是一段很美、也很艰辛的历史。

David：听众都知道我不怎么看电视剧，但这个题材很适合我。

Ben：整部剧都发生在战时的 Paris。

David：好，我得去看。

Ben：你得看。第三个推荐是给听众的一个小福利。Nike 那期节目播出后，Cole Haan 总裁联系了我们。你们听过节目就知道，Cole Haan 多年前从 Nike 分拆出来，成了一家独立公司。结果他和大家一样，也是 Acquired 听众。聊天时他提出，可以专门给 Acquired 听众一个优惠。我告诉他，优惠确实不错的话，我会在节目里分享。

David：说明一下，这不是赞助，只是他作为听众主动联系了我们。

Ben：我这些年买过不少 Cole Haan 产品，也很喜欢。全场商品可以打 65 折，访问 colehaan.com/acquired，或者结账时输入优惠码 ACQUIRED35。感谢 Dave 提供这个福利。优惠大概只持续几周，所以如果你在节目刚上线时听到，可以去看看。他们可能会在之后关闭优惠，避免被优惠券网站传播。这是给 Acquired 听众的小福利。

David：太棒了。他很喜欢 Acquired，也想回馈我们的听众。

Ben：太好了。

David：我很喜欢。

Ben：好，David 来聊聊你的片尾推荐。

David：我的推荐和《The New Look》有点关系，但角度很不一样：都是视频内容，也都涉及时尚、奢侈品和风格。这是 Instagram 和 TikTok 上的账号 Class of Palm Beach，太好看了。

Ben：David，你和我去 Palm Beach 两天，回来就迷上了这个账号。

David：太棒了。最近 Ben 和我去 Palm Beach 参加一个演讲活动，度过了几天，非常开心。我以前从没去过 Palm Beach。

Ben：那地方真不错。

David：确实很棒。我们没认出 RenTech 的人，不过他们也许就在附近。

Ben：不过 Birkin 包我们倒是认出来了。

David：对，Palm Beach 的时尚氛围很浓。我们刚录完 Hermès 那期，我在当地特别开心。回家后，我妻子 Jenny 问我：你不知道 TikTok 上的 Class of Palm Beach 吗？

Ben：David 一脸茫然地说：Jenny，我都一千岁了，根本不知道你在说什么。

David：对，我真是与世隔绝的老爸。她给我看了账号。是一位住在 Palm Beach 的女士，在街上采访路人，问他们穿什么品牌、喜欢什么风格。太精彩了。

我最喜欢的一个视频里，一位接受采访的女士把一个 Mini Kelly 包放在 Birkin 包里面。我们看看能不能找到视频，放进节目说明。

Ben：这真是过度奢华。

David：我看到这个就彻底迷上了，觉得这是我看过最棒的内容，简直着迷。

Ben：好，如果我用 TikTok，我会关注这个账号。

David：Instagram 上也有。

Ben：好，那我知道了。

David：我还让 Acquired 的 Instagram 账号关注了 Class of Palm Beach。我不知道我们一共关注了多少账号，但不多；这个账号是其中之一。

Ben：看看 David 都开始经营我们的 Instagram 账号了，真年轻。

David：我知道。

Ben：听众朋友们，也非常感谢 J.P. Morgan Payments、ServiceNow 和 Vanta。想了解更多，可以点击节目说明里的链接。David，我知道你有一些要感谢的受访者，其中有些也是我们一起采访的。

David：是的。首先，特别感谢 Greg Zuckerman。他写了《The Man Who Solved the Market》，这是目前介绍 RenTech 和 Jim Simons 最权威的一本书。

Greg 非常慷慨，花时间和我们交谈、通过邮件帮我们核对细节。他和书里的研究是 Medallion 投资回报数据的权威来源。我知道他花了很多功夫整理那张表，如今这组数字已经在网上到处流传，确实应该如此。

Ben：太惊人了。你听到的 66% 回报率数字，都是 Greg 的分析结果。

David：他做的研究不只帮助我们，也为企业史和金融史的研究者做出了贡献。

Ben：还有几个一手资料来源，数量确实不多，所以我们可以全部列出来。其中包括 Peter Brown 关于篮子期权的国会证词，以及他在 GS Exchanges 的访谈。访谈里的许多问题都直接来自 Greg 的书和书中记载的故事。

David：有个很有意思的时刻，Peter 问：你们从哪儿找来这些问题？怎么会知道这么多？我就说……

Ben：拜托。

David：都在书里写着呢。

Ben：显然。

还有一本好书《The Quants》，我想是 2011 年左右出版的，比《The Man Who Solved the Market》早，所以内容没那么新。书里只有几章谈到 RenTech，但有不少有用信息。此外还有 2016 年 Bloomberg 的一篇好文章，我们会在节目说明里放链接。我觉得在这些资料出现之前，关于 RenTech 几乎没有任何公开报道。

David，还有其他人要感谢。

David：我们还采访了 Howard Morgan。听他讲 First Round 的历史特别有意思，也听到了他如何和 Jim 合作创办 RenTech、彼此投资对方的基金。

Ben：还有你提到的 Brett Harrison。Brett 正在创办 Architect。我很喜欢这个想法，这种服务非常需要：做一家面向 21 世纪的 Interactive Brokers。用过 Interactive Brokers 的人都明白其中的机会。谢谢你，Brett。

还有我采访过的 Matthew Granade。Matt 是 Domino Data Lab 的联合创始人。这是一家很优秀的企业 AI 运维平台公司，得到 Sequoia 等投资方支持，能帮助模型驱动型企业和产品加快研究、促进协作，并快速交付新的机器学习模型。这些正是我们在 RenTech 故事里聊到的能力。

创办 Domino Data 之前，Matt 来自量化行业。他曾在 Point72 和 Bridgewater 长期担任高级员工；Bridgewater 的业务不完全算量化，但他让我们深入了解了整个行业格局，以及 RenTech 在其中的位置。

Ben：太好了。如果你喜欢本期节目，可以听听我们几年前做的 Berkshire Hathaway 系列，那里展现了完全不同的投资方式。

要订阅新节目邮件，可以访问 acquired.fm/email。邮件里会附上节目发布后发现的新信息和听众纠错。你也可以在任意播客平台搜索并订阅 ACQ2；最近一期采访了 Novo Nordisk 的 Lotte Bjerre Knudsen。她可以说是第一个 GLP-1 药物 Liraglutide 研发团队的负责人；Liraglutide 后来发展到 Semaglutide，也就是 Ozempic、Wegovy 等药物。

David：没错，就是所有现代 GLP-1 药物。

Ben：Lotte Bjerre Knudsen 来做节目嘉宾非常棒。听完后，欢迎到 acquired.fm/slack 和其他聪明的 Acquired 听众讨论。想买周边商品，可以访问 acquired.fm/store。

听众朋友们，我们下次再见。

David：下次再见。