‍Grant，本科毕业于上海交通大学数学科学学院，博士毕业于New York University，主攻PDE方向。曾就职于美国多家量化交易机构，现供职于宽德量化交易部。

重剑无锋 大巧不工：以无用之心，攒有用之功

直到今天，我仍清楚地记得大学数学分析第一课，老师告诉我们：“四年后，当你们扛着积分号去求职，没有人会因为漂亮的绩点而给你一份工作。” 这句话时刻提醒我数学本身的抽象性，以及将数学应用在日常生活中的困难程度。多数情况下，学习数学无法直接转换成生产力，这让很多人忽视了它的基础性和重要性。

学习数学不能有太多的目的性，但又不能完全不讲目的性。刚接触数学时，我并没有设定未来的应用场景去安排学习内容。从某种意义上来说，这反而帮助我扩充了数学视野，而不是局限在某些特定、“有用”的科目内。本科期间，我纯凭兴趣去学了索伯列夫空间这门课。在读PhD后，反而因为这门课的涉猎让我顺利加入了导师的课题组。当然，学习数学需要某些“目的性”。有很多定义、定理，初看极其晦涩，但如果能抓住研究者当时的核心动机，反过来再看，这些内容就显得极为顺理成章。

一些数学专业的人可能会选择“剑走偏锋”，快速建立起与业界的联系，应用到实践中。但对我而言，学数学更是“重剑无锋”的感觉。在学校，我学习了很多乍看没什么强相关的原理，但它们却给予了我充实的积累。搞透这些原理后，面对问题我不会仓促地动手，而是会优先考虑能否进行充分数学建模。这样的思维习惯往往会帮助我得出延展性更好的答案。

夷道若纇 力行知真 ： 不断地尝试，不惧风险的直击

在纽约读PhD，或多或少地会受到华尔街金融氛围的影响，有相当多数理背景的学长学姐毕业后投身于量化交易行业。在与他们的沟通中，我了解到了这个行业的工作内容，也对相关的技能需求有了初步认知。同时，我的职业方向也渐渐明确，相比于如衍生品定价等偏辅助类型的工作，我希望能够直接进行投资决策。

我曾先后在美国和香港多家对冲基金任职。第一份工作，是在纽约一家平台类公司中的独立小组做股票统计套利，与几个人从零开始搭建了小组的整个交易系统。决定加入这家公司其实充满了随机性，只有两个特别简单的理由，一是可以立即开始实习，二是公司名字用的两个数字是我的生日。在这之后，我又加入了一家模式更为成熟的公司。虽然这家公司的通用性工具无论在丰富度、可用性以及稳定性上都明显更优。但作为刚刚加入的初设小组的一员，我仍需要重新开发大量基础设施，这挤占了我从事创新性研发的时间，且过程有些枯燥。对于类似公司中的每个小组来说，这样的设置会有商业和知识产权上的优势，但从整个公司发展角度，最终获得的必然是一些略逊一筹的策略组合。

最初几年的工作经验让我体会到，一家公司是否具有完备的技术谱系，关乎到它长期稳定发展，也让我愈发认同大团队的组织模式，团队建设要做到人尽其责、物尽其用。

一家公司是否具有完备的技术谱系，关乎到它长期稳定发展，也让我愈发认同大团队的组织模式，团队建设要做到人尽其责、物尽其用。

海外的这段工作经历，有成长、收获的喜悦，比如从零开始搭建整个交易模型，到稳定实盘盈利，再到独立领导一个交易小组。但同样的，我也有失败的教训，市场和交易永远值得敬畏。2014年黑色星期五（感恩节后的周五）发生的事件，我至今印象深刻。这是美国最重要的节假日，通常市场上毫无交易量，各大机构也都只留少部分员工值守。但这一年的情况完全不同，欧佩克选择在当天开会，沙特选择在美国开盘前宣布不参与减产，这导致原油期货应声暴跌。理论上，优秀的股票统计套利模型并不应当过多地受到类似宏观事件的影响。我们的油气股暴露很小，从统计角度看，概率上只应该亏损万分之一。然而事实并非如此，开盘后，监控的收益曲线几乎每个tick都在下坠。这是我第一次面对如此严重的模型失效，原因在于我们的风险模型只考虑了油气股的线性暴露，而没有考虑不同企业由于杠杆不同而对油价的非线性反馈。

回头复盘这个突发风险事件，我们当然可以从宏观视角找出它发生的诸多必然性。比如能源结构的转型、页岩油技术的突飞猛进、美国与欧佩克之间石油市场的利益分配问题、宽松货币环境下企业杠杆的无限制扩张等等。但对于量化交易，一个重要的启示则是模型告诉你的风险并不是完全的风险，任何一个常态下的、微不足道的遗漏（mis-specification）都可能在某种极端状况下引发巨大的亏损。面对这样的市场，唯有不断地完善模型，对潜在风险有“高瞻远瞩”的思考，努力走在风险前面。

莫问收获 但行耕耘： 经验告诉我，在分叉口的选择

我在海外工作的这段时间，正是国内量化交易市场突飞猛进的几年。虽然海外市场的交易工具更齐全、市场要素更友好、资本更成熟理性，但也面临着策略同质化加重、马太效应明显、过度依赖杠杆和低成本融资等诸多问题。与之相较，虽然国内市场交易工具受限，但市场波动更大、行业尚在早期阶段，这实际上为量化交易，尤其是年轻的量化交易团队提供了更多的想象力和发挥空间。

从技术角度来看，国内头部量化交易机构的能力其实并不输给海外。虽然起步晚，国内机构的后发蓄力优势明显，不论是机器学习的应用，AI平台、交易系统的搭建，还是运维系统操作的直观性、优越的鲁棒性（Robust）来降低运维风险等等，以宽德为代表的国内量化交易机构走在了前沿。

国内量化交易市场风云际会，但工作经验和历史的一般规律告诉我，市场收益仍会向头部机构集中。越是能够提高人效、提高体系复用性的团队，越是能够在竞争中脱颖而出。正因为这一点，在了解到宽德的团队建设理念和商业模式后，我认为宽德会是中国量化交易市场上最具竞争力的机构之一。

与团队建设相匹配的，是宽德严谨的投研体系。我们团队更侧重于研究与交流相结合，使效率最大化。与很多顶级量化交易机构及科研机构相似，在宽德任何投研问题都可以被抽象为“产生假设、进行验证、修正”或“不断打破假设、产生新的科研结果”的过程。在研究中，一方面我们提倡将问题模块化，比如在研究中遇到的较为复杂的问题，会将其拆分成为若干个容易解决的子问题，把子问题放到相对正确的理论框架内，并得出符合直观检验的结果，在这之后，再将这些小模块不断拼接组合。这样做有时甚至会出现“意外收获”，能将之前过于复杂、棘手的问题完美解决。另一方面，我们也强调对已有方案、方法前提假设的认知，目的是不断打破假设，放宽限制，在已有成果的基础上不断迭代向前。

越是能够提高人效、提高体系复用性的团队，越是能够在竞争中脱颖而出。

明珠一颗 照破万朵：累积不停歇，生生不息地迭代

在残酷的市场竞争中，如何避免高度同质化关乎到一个团队的长远发展。行业外的人可能无法体会到快速迭代的重要性。事实上，很多在历史某个时期盈利能力极强、名声大噪的量化交易机构都倒在了迭代失速的问题上。再好的策略也仅是某个时间段里的信息差，随着时间的推移，它也将不断地被重复发现。而这种同质化正是量化交易的最大风险，哪怕在不断盈利的时候，风险同样存在。在赛道中，如果同质化太高，很容易被挤下悬崖。

宽德一直坚持以人为本的理念，培养敏而好学、勇于创新的团队。一方面，我们重视成员背景的多样性，组内既有专攻理论数学、理论物理的同事，也有学习工程、统计、数值计算的成员，他们从各自的专业视角出发，给我们提供更加完整、全面的解决思路；另一方面，我们会为新人量身打造培养方案，选取和他们研究方向相关的初始项目，方便他们快速上手。除此之外，我每天都会花大量时间和成员进行沟通和探讨，希望能在集体的头脑风暴中激发解决问题的灵感。

宽德同样重视前沿知识的捕捉以及新兴理论技术的武装。在革新速率飞快的时代，我们搭建了系统的内部知识体系。无论是最新统计方法，热点机器学习、人工智能算法，还是编程范式、生产工具链等等，我们都会定期地安排课程，帮助大家自我沉淀，实现知识共享。

我认为，从知道到做到，这是一个长久自我铸造、反复验证的过程，多花些精力在求索的阶段，时间会给你相应的结论。