访谈来源：Bloomberg《Masters in Business》
主持人：Barry Ritholtz
嘉宾：Jean-Philippe Bouchaud，Capital Fund Management（CFM）联合创始人、董事长兼首席科学家
Jean-Philippe Bouchaud 原本是一名理论物理学家，曾在巴黎高等师范学院和剑桥大学卡文迪许实验室从事研究。1994 年，他与 Jean-Pierre Aguilar 共同创办 Science and Finance，后与 Capital Fund Management（CFM）合并。如今 CFM 管理超过 200 亿美元资产，Bouchaud 仍担任董事长兼首席科学家，同时持续从事学术研究，已发表三百多篇论文。
在这场访谈中，Bouchaud 从统计物理出发，讨论趋势跟随、市场微观结构、机器学习、量化拥挤与风险管理。他尤其关注金融市场的内生动力：投资者之间的模仿、交易冲击与资金流如何形成趋势，甚至引发崩盘。访谈也涉及一个重要问题：当市场结构发生变化时，量化模型能够识别什么，又在什么情况下需要人类介入？
TL;DR：Jean-Philippe 核心观点
1. 资金流往往比基本面更能解释价格。 从一天到一年，大机构的持续买卖会推动价格，其他投资者的跟随和被迫去杠杆又可能延长行情。理解短期价格，既要研究基本面，也要判断谁还必须买、谁还必须卖。基本面重新主导价格，可能需要五到十年。 2. 拥挤反而可能强化趋势。 更多资金追随已有走势，会产生新的同向交易，推动趋势继续发展。CFM 对两百多年市场数据的回测显示，趋势跟随长期有效；真正困难的是判断策略何时有效、何时失灵。 3. LLM 的成功未必能复制到金融市场。 语言和图像具有丰富的内在结构，大模型可以从海量数据中学习规律；金融市场是否存在同等程度的可学习结构，仍不确定。高频订单簿拥有大量交易事件，更适合机器学习；低频价格历史只有一两百年，复杂模型容易将噪声误认为 Alpha。CFM 因此也在研究如何用上层模型判断回测究竟捕捉了真实规律，还是过度拟合了历史。 4. 风险管理要识别模型何时失效。 2007 年量化震荡前，CFM 从组合的异常损益中察觉同行正在去杠杆，并提前约两周降低风险。遇到模型从未经历过的政策或市场冲击时，人类需要重新评估模型的风险判断，并决定是否降低仓位或暂停策略。
访谈精编
从理论物理转向金融市场
Barry： 你在巴黎高等师范学院取得理论物理博士学位，又在多家著名研究机构工作。最初的职业计划是什么？
Jean-Philippe： 我原本打算做物理学家。学习统计物理时，我逐渐意识到，物理学的用途远不止研究传统物理问题。我一直喜欢数字和统计，而金融市场每天都在产生统计数据。这里有危机、崩盘和跳跃，整个系统似乎也受自身动力驱动。我觉得物理学家应该研究它。
Barry： 这听起来很像混沌理论。你的论文研究无序系统、复杂现象、玻璃态系统和颗粒介质。这些概念怎样对应金融？
Jean-Philippe： 核心问题是，相互作用的元素如何产生意外的整体行为。颗粒物质由许多彼此作用的颗粒组成。你把一粒沙放在斜坡上，大多数时候什么都不会发生；有时却会触发雪崩，把大量颗粒一起带走。市场也一样，很多事件没有后果，少数事件却引发崩盘。
Barry： 三体问题也是类似例子。三个引力体相互作用后，结果很快就难以预测。
Jean-Philippe： 不可预测性有两种。三体问题由确定性规律支配，但过一段时间后仍无法预测；经济学家通常强调另一种，即系统受到不可预测的外生噪声冲击。物理学给出的补充是，大量个人或交易者相互买卖，也能产生自发冲击和内生随机性。它不同于三体问题，来源是众多元素之间的互动。
1987 年股灾与非高斯期权模型
Barry： 20 世纪 90 年代初，你为什么开始研究市场微观结构和经济物理学？
Jean-Philippe： 我一直想从数据中寻找意义，真正推动转变的是 1987 年股灾和 Black-Scholes 理论。当时我正在研究偶尔出现巨大跳跃的物理系统，一位银行从业者告诉我，这与刚发生的股灾很像。
他还说，Black-Scholes 只适用于没有崩盘的世界：价格随机变化，但每一步都较小，分布也相对规则。他建议我把理论推广到存在崩盘的世界。我读完后觉得原模型不可能完全正确，于是从头推导，建立了能处理非高斯统计和非正态分布的方法。
我原本想把它做成软件，于是拜访不同机构。1994 年，我遇到 1991 年创办 CFM 的 Jean-Pierre Aguilar。我向他解释把物理思想迁移到金融的计划，他当即提议共同创业。两周后，我们成立了 Science and Finance，合作几乎从一开始就很顺畅。
Science and Finance 后来与 CFM 合并。Jean-Pierre 当时经营一家规模不大的管理期货公司，希望加强研究能力，于是我们走到了一起。
数据先于理论
Barry： 管理期货交易者大多使用趋势跟随。理论物理和量化研究怎样帮助期货投资？
Jean-Philippe：Jean-Pierre 认为趋势跟随有效，但研究还可以做得更深入。我们的核心始终是数据。物理学家擅长观察数据，从中提取结构，判断什么重要、什么不重要，再突然意识到可以怎样建模。CFM 至今仍沿用这一过程。
Barry： 你在经营资产管理公司的同时保留教职并持续发表论文。为什么还要留在学术界？
Jean-Philippe： 因为研究者就是我的身份。就像有人生活再忙也必须跑马拉松，我有理解问题的冲动，包括自己正在做的事、其他物理问题，以及机器学习革命。大语言模型为什么学得这么好？我想知道原因。
学术联系也帮助 CFM 识别和吸引人才。学生听过我的课、读过我的论文，会觉得这家公司在做有意思的研究。CFM 的成功来自团队，学术声誉只是招聘体系的一部分。
Barry： CFM 的研究部门很像完整的学术机构，而非资产管理公司里几名分析师组成的量化小组。
Jean-Philippe： 我们几乎所有研究人员都有博士学位，但 CFM 不是纯学术实验室。研究人员每天要做具体工作：建立有效模型、构造稳健组合、刻画风险和执行、控制交易成本。
当我们发现某项成果能推进学术或公共讨论，也会公开发表。市场为什么崩盘？市场是否有效？人们是否真正理解通胀和货币政策？我们拥有学术界难以获得的大量数据，也有责任把一部分成果反馈给社会。开放研究还能形成一种让研究人员愿意留下的文化。
CFM 为什么坚持公开研究
Barry： 你们从创立第一天就想经营量化基金吗？
Jean-Philippe： 是的，而且从第一天就决定与学术界保持紧密联系。金融市场是复杂系统，所有人都想战胜市场。若想提出与众不同的东西，就必须创新；创新需要时间、投入和别人尚未想到的观点。
当时我们已经知道 Renaissance Technologies，并认为它的精神和研究文化与我们接近，尽管很难复制它的成绩。
Barry： CFM 让我想到 D. E. Shaw、AQR 和部分 Millennium。量化机构若不能建立自己的模型与发现，就只能成为跟随者。
Jean-Philippe： AQR 的学术风格与我们比较接近。Renaissance 走了另一条路，几乎完全保密，像一个只吸收信息、不输出信息的黑洞。那不是我们的选择。
人生很短。我们希望为自己和投资者赚钱，也想追求卓越，但不愿不计代价。我们还想留下知识遗产，寻找真正推动市场、产生超额收益的机制。
趋势为何不会轻易被套利掉
Barry： 新发现的超额收益最终都会被套利掉吗？
Jean-Philippe： 不完全是。趋势跟随至今没有消失，而且很难被套利掉。参与趋势跟随的人越多，短期趋势反而可能越强。动量让有效市场理论很难解释，但物理学家的态度很简单：实验结果高于一切。数学与数据支持一个因子时，个人是否喜欢它并不重要。
一些经济学家却认为定理和公理可以凌驾于经验观察之上，这与物理学的研究习惯差异很大。
Barry： 我最近采访了 Richard Thaler 和 Alex Imas，惊讶地发现不少大学经济学课程至今仍不讲行为金融。经历了这么多实证研究，这一点很难理解。
AI 能否在金融市场复制 LLM 的成功
Barry： 近年人工智能、机器学习和大语言模型快速进步。它们给真实投资带来什么机会？
Jean-Philippe： 人工智能是更先进的数据分析。CFM 很早就在做机器学习，只是技术现在更高效，可处理的数据类型也更多。过去我们主要使用价格、成交量和公司基本面；现在每天都有新数据集出现。
市场微观结构尤其适合这类工具。大型交易所的订单簿每毫秒甚至更快就会产生事件，信息量巨大。机器学习能处理这些数据，也能阅读人类无法读完的文本并提取统计信息。
对我们而言，这更像既有研究的加速，而非突然换了一套方法。CFM 建立了机器学习实验室，一方面把新技术转给内部研究人员，另一方面研究这些模型为什么有效。我们不喜欢黑箱。黑箱可以提高研究效率，但模型进入生产并直接交易前，必须确认机器学到的东西有合理解释。
机器学习的奇怪之处在于，它效果很好，却没人完全理解原因。汽车同样复杂，但工程师知道它为什么能运行；机器学习仍包含未解的机制，这是我们想参与的重大科学问题。
Barry： 大语言模型似乎主要根据概率预测下一个字词。如此简单的机制为什么能生成完整内容？同样逻辑能用于投资吗？
Jean-Philippe： 语言和图像也许具有很强的内在结构，模型通过预测下一个元素就能捕捉这种结构并生成有意义的结果。金融数据是否拥有同等结构，答案还不确定。
第一个问题是市场里是否存在可提取的结构。我们相信存在，否则公司无法生存。趋势就是一个简单结构，其他结构过去可以用传统方法提取，现在也可以由机器学习重新发现或进一步扩展。
第二个问题是数据量。语言模型能阅读数十亿份文档，金融市场的低频历史却只有一两百年，样本很少。逐笔成交和订单簿数据量很大，因此高频预测更可能找到结构；较低频率只看价格时，机器学习是否有帮助仍不清楚。文本分析则能借助语言本身的结构。
生成式人工智能还有一个奇特能力：它根据统计规律生成训练集中不存在的新内容，例如创造一张看似真人、实际并不存在的名人照片。我们正在尝试把同样思路用于金融。真实历史只有约一百年，也许生成模型可以创造一百万年的虚拟市场，用于研究和压力测试。
两百年的趋势跟随证据
Barry： 管理期货在 2022 年表现突出，当年股票和债券同时大跌。什么环境最适合趋势跟随？为什么很多投资者总在策略恢复前退出？
Jean-Philippe： 如果能可靠预测趋势策略何时表现最好，我们就会建立一个调整策略权重的上层模型。我们做过研究，但尚未找到足够有说服力的答案。2026 年初对趋势跟随也很好。
我们在 2014 年发表《两百年的趋势跟随》，用简单策略回测 1800 年以来的数据。结果显示，尽管年度表现有起伏，趋势跟随在每个十年周期都能赚钱。2014 年前，它已经连续五年没有收益，许多人宣布策略死亡；我们判断它会回来，因为追逐业绩是极其稳定的人类行为。后来表现支持了这一判断。
Barry： 过去十五年市场长期偏向同一方向，站对边自然容易获利。
Jean-Philippe： 趋势跟随不等于长期做多。它跨越不同资产，可以做多也可以做空；只要趋势存在，就参与那个方向。
组合风险不只是波动率
Barry： 管理期货常使用较高杠杆。你怎样比较潜在收益和承担的风险？
Jean-Philippe： 我们先考虑风险，而风险是复杂对象。波动率只是其中一部分。一个期货组合可能包含约 150 个合约，资产之间存在细致的相关结构。风险管理必须理解它们如何同向或反向变化。我们对上行风险和下行风险采用同一套分析。
合约覆盖股票、债券、利率、石油、黄金等商品，以及不同国家和不同期限的品种，中国期货也包括在内，总数约一百五十个。
模型何时需要人类干预
Barry： 杠杆、做多做空和期货都要求严格的风险管理。你们如何处理波动率和相关性？
Jean-Philippe： CFM 不只系统化建立收益信号，也系统化管理风险。我们有复杂工具预测第二天的市场波动和组合波动，实际效果不错。但金融市场难以驯服，再好的模型也可能遇到完全意外的事件。若不愿承担任何风险，就不该进入这个行业。
我们接受某种极端事件可能击穿全球市场，使所有模型一起失效。排除这种情况，CFM 在三十五年里不断改进风险预测。不过，量化机构仍需保留人工干预能力。有些事件包含人类知道、模型却从未见过的信息，例如英国脱欧公投。
Barry： 过去一年有加征关税、委内瑞拉事件和伊朗战争。人类是否必须在某些时候覆盖机器判断？
Jean-Philippe： 有时必须。伊朗战争并没有让风险模型完全失明。模型没有预测战争，只是足够快地适应市场变化，给出的风险水平仍让我们安心，因此不需要人工干预。
“解放日”关税则不同。它对模型构成真正意外，我们必须手动处理。虽然政府提前预告关税，但具体幅度仍让市场震惊，之后政策又出现九十天暂停，波动剧烈。
人类要判断模型是否有能力理解当前事件。难点是不能反应过度。我在市场工作三十五年，几乎每年都会遇到意外。现在意外新闻更加频繁，但如果每天如此，它也会成为新的常态。金融史里，长期平静反而不正常。
用上层模型识别过度拟合
Barry： 你对深度学习在金融中的某些应用持怀疑态度。回测很容易过度拟合，信号与噪声也难以区分。你们怎样改进模型筛选？
Jean-Philippe： 多年来，我们一直想建立指标，判断回测究竟挖掘到真实结构，还是只做了数据修饰。过去只能靠研究者判断一个结果是否合理。传统交易员每天判断交易信号，我们则在更高层面“交易模型”，决定哪个模型足以进入生产，哪个还缺乏说服力。
我们希望把这项工作进一步系统化。经过多年研究，我们已经取得一些进展，开始用上层模型判断回测的可信度，并把生产模型的筛选流程工业化。
2007 年量化震荡怎样暴露拥挤
Barry： 美国量化机构曾因策略拥挤遭遇结构性风险。大家使用相似数学方法，交易就会集中。你们怎样管理这种风险？
Jean-Philippe： CFM 每天都在考虑它。2007 年量化震荡时，我们很幸运，在最糟糕的一天之前约两周已经离场或降低杠杆。
信号来自组合本身。最严重的冲击大约发生在 8 月 9 日，但从 7 月 10 日左右开始，我们的组合表现就很反常。团队推断，某家机构正在去杠杆，通过卖出我们的多头、买回我们的空头来冲击我们。
即使那只基金与我们的相关性只有 10%，只要它每天按固定规则减仓，也会制造我们观察到的信号。其他机构受损后也可能继续减仓，形成层层传导。我们据此判断风险可能升级并退出。标准风险模型有时会失效，但强烈的异常信号能提醒你改用别的方法。
短期价格由资金流推动
Barry： 做了三十五年量化投资后，你认为主流机构仍然误解市场的哪一点？
Jean-Philippe： 很多人仍相信存在明确的基本价值，价格变化主要反映基本面的变化。我们更认同 Gabaix 和 Koijen 提出的非弹性市场假说，也参与了相关研究。
基本面确实影响市场，但更像缓慢的长期力量。从一天到一年，真正主导价格的是资金流，也就是人们实际买入或卖出什么。一次买卖造成的影响不会马上消失，而会在市场中留下持续痕迹。
两种观点对应不同的赚钱方法。若基本面主导价格，你需要预测基本面；若资金流主导短期价格，你需要预测人们将采取什么行动。拥挤因此不只有坏处：群体越集中，其下一步有时越容易预测。行为模型和结构模型可以估计人们在给定条件下更可能怎样交易。CFM 的方法锚定资金流，而非只锚定基本面。
Barry： 这是否对应 Benjamin Graham 的说法：市场短期是投票机，长期是称重机？
Jean-Philippe： 这是一个古老观点。我们的模型也得到类似结果：短期可以有趋势和非理性行为，长期才回归基本面。但根据我们的估计，这个“长期”大约是五至十年，远比许多人想象得久。
Barry： 我记得有人说，判断一位管理人的业绩到底来自能力还是运气，可能要看长达二十年的记录；五到十年的好表现也可能只是好运。但我不确定这句话的出处。
Barry： 市场保持非理性的时间可能超过投资者保持偿付能力的时间，这句话常被归给 Keynes。
Jean-Philippe： Keynes 从未说过这句话，只是大家总这样归因。
Barry： Quote Investigator 专门追查名言出处。人们为了借用权威，常把一句话放到著名人物名下。Einstein 也没有说过“复利是宇宙中最强大的力量”。至于“投票机与称重机”，出处确实是 Benjamin Graham。
有效市场假说遗漏了相互影响
Barry： 我一直认为市场最终会趋于有效，但短期效率很低。你怎样批评有效市场假说？
Jean-Philippe： 先要定义“有效”。如果只指价格近乎不可预测，这个说法有一定道理，但它把有效市场假说简化得太多。关键问题是，价格是否反映了原则上可以知道、并且对应现实的基本价值。长期均值回归提供了一个重要检验。
市场在一周到六个月内可能呈现趋势，动量能延续六个月到一年，更长周期才围绕长期轨道波动。这与“市场每天都接近正确价格、既无趋势也无均值回归”的版本明显冲突。
有效市场的集体智慧需要一个前提：理性投资者各自根据带噪声的信息独立决策。有人高估、有人低估，只要误差互不相关，平均结果就可能接近正确答案。真实市场并非如此。投资者会受他人的交易和言论影响，于是很多人不再像独立个体，而像一个同步行动的虚拟大脑。
对年轻人的建议
Barry： 如果一名大学毕业生想从事量化投资或理论物理，你会给什么建议？
Jean-Philippe： 学理论物理，也学习所有与数据有关的知识。认真观察数据，寻找一个你确信重要、却还没人充分研究的问题。问题大小不重要，关键是投入精力，把你真正相信的东西建立起来。
Barry： 如果回到三十五年前，关于投资行业的哪一点最值得提前知道？
Jean-Philippe： 这个行业的竞争远比我们当初以为的激烈。
原视频：
https://www.youtube.com/watch?v=paSTKU1PFzk