SK

我认为，量化交易在技术上绝对是先进的，但是在结构上它是落后的。 可以这么讲，从纳秒级时间戳、FPGA、微波链路、在信噪比 0.01 量级上跑大规模 ML，量化是工程强度最高的几个领域之一。 所以说，量化落后的是目标函数：在一个近乎零和、且信号会因为你使用它而自我毁灭的系统里，做纯预测、不做干预。 天花板是结构决定的。 市场是反身的，你的预测一旦下注就开始消灭自己；alpha 有容量上限；边际收益持续被套利掉。 不存在“一种更先进的量化”能突破量化交易本身，要突破只能换轴。 据我观察，量化现在的做法就是试图通过对价格、成交量、因子等历史数据进行统计拟合，用归纳法推导出一个未来规律。 矛盾点在于，顶尖量化机构其实已经非常清楚市场是非平稳的。 Jane Street、Renaissance、Citadel、Two Sigma 等机构不会天真地认为： “历史规律永远存在。” 恰恰相反，他们大量处理 regime change、distribution shift、alpha decay、adversarial behavior、market impact 等问题。 核心问题是，即使这些机构知道市场是动态系统，他们仍然主要通过观测轨迹来反演系统。这是最糟糕的。 下面让我谈谈我关于这件事的想法。 我大脑里涉及的点和直觉在于进化方向的涌现性：市场是一个由博弈者自主决策组成的复杂自适应系统，其中的价格是由主体的认知模型重构决定的。 很多人想用AI做量化，这并非创新。 我的想法是，把金融市场从一个 time series prediction problem，重新定义成一个 multi-agent generative world model problem。 例如建立一个数字市场 其中： A_i：不同类型的参与者 B：行为与信念更新机制 I：信息结构 N：网络结构 R：规则与制度 T：交易机制 然后让这些要素在里面交互。 “明天 NVDA 会涨多少？”这种问题在这里是没意义的。 “如果信息传播速度提高 100 倍，会出现什么新的市场结构？” “如果市场参与者全部拥有某种 AI，会发生什么？” 甚至： “如果交易规则发生变化，新的 equilibrium 会不会自然涌现？” 这些才是有意义的。 当然，这已经不是传统 quant research 了。 这是computational economics + agent-based modeling + game theory + causal inference + world models的交叉领域。 也就是说，现在的量化是在修补过去，而先进方式是生成未来，甚至是搜索可能的未来。这才可能真正形成新的范式。 假设我们拥有一个足够好的市场模拟器，那么我们就可以，像 AlphaZero 在棋盘上搜索一样，在经济世界里搜索。 如果说，传统 quant是给我历史，我预测下一步。那么World Model就是给我当前世界，我模拟未来。 我想到的是更进一步，给我一个目标，我搜索哪些行动序列能够把世界推向那个状态。 这就从prediction、simulation走向planning再走向intervention。 如果我们能从底层博弈逻辑、参与者心理网络模型、甚至是信息传播的介质变迁去仿真一个市场，而非单纯去拟合它，预测维度就会高出一个维度。 根据Jane Street的情况可以看出，量化本质是黑箱神经网络的暴力计算。只要数据量足够大，我就能得出模型。 但如果我有足够资源的话，我会尝试通过仿真技术，构建出比真实市场更懂博弈机制的数字孪生市场，然后在里面演化出新的经济博弈逻辑，这样就不再是市场的跟随者，而是市场的规则定义者。 这就是比量化交易更强的范式，以因果推理和世界模型为基础的智能。 于是，我确定量化的终极升级根本不是更好的 alpha。 从prediction，simulation，再到planning，intervention。 其实现在的量化处在第一层和第二层，我说的新范式已经在第三、第四层。 这时候你已经超越了市场参与者，你是市场环境的设计者。就是所谓的“换轴”。 当然，这里我要提到一个更残酷的问题：数字孪生市场可能无法成为真实市场。 因为存在 Goodhart’s Law + Lucas Critique + Reflexivity 的组合。 比如你建立一个模拟器，然后在里面发现一个规律，现实世界里的 agent 也可能发现这个规律，但模拟器本身会不会因为被使用而改变它所模拟的对象呢？ 其实这已经非常接近复杂适应系统的核心难题。 如果沿着我的思想继续往下推，我会把方向定义成Computational Market Intelligence。 其理论基础同时来自： Game Theory Agent-Based Modeling Causal Inference Complex Systems Statistical Physics Information Theory Mechanism Design Reinforcement Learning Multi-Agent Systems World Models Computational Economics 这超越了预测市场范畴，去建立一个能够解释、模拟、干预和设计市场的计算世界。 这和传统 quant 的区别，可能就类似于天气预报 vs 气候模型。 或者棋谱统计 vs AlphaGo。 我认为，量化交易是在一个先进的技术栈上运行着相对传统的认识论。 它把人类的计算能力、统计能力、工程能力发挥到了极高水平。 但问的问题是受限制的。 下一代的问题是： “如果我们理解构成这个世界的主体、规则、信息与反馈机制，我们能否在计算机中生成它、解释它、并搜索它可能演化出的未来？