上海
AI来了
前些日子跟做量化的好朋友聊天，她告诉我说自己的模型显示30年期国债期货会这波估计要砸在113.34到115之间。这两天看起来大差不差。再回想起前一阵子她模型测出来美元指数要到105——
夸她“精准”，姐们眉开眼笑，说全归功于最近编程功力大进，因为“雇”了个24-7小时反反复复修改代码的助手Claude。之前她老抱怨程序员不靠谱，领会不了自己意思，而且不够勤奋，让他们改个三四遍就不耐烦了。
现在好了，自己直接上手调教。虽然AI刚上手也比较笨，但如果指令给到对，不比一般普通程序员差太多，但是它最大优点就是耐操——7天24小时随时改，改完又改，可以一直改。虽然有时候也要改一周，和程序员耗时差不多，但人家脾气好，从不抱怨。另外一点就是它进步快，有时候一个问题当时没答案，但过一周再让它干活时候，发现已经解决了。
不过她觉得OpenAI的ChatGPT不太好用，编程最好的是Claude——这个我们团队小朋友也普遍对这个感受最好，毕竟是OpenAI当年重臣Dario Amodei创立的。她另外给我种草了xAI，说是读书最佳，读的又快，抓中心思想一等一。不过核心点：一定要付费的，免费的最贵，纯属浪费时间。
说起现在抓市场波动，现在就是用AI跑程序去“identify pattern”。我的博士论文就是用日内高频数据去看序列交易，从序列中判断是机构还是散户的单，然后通过各种计算看市场上的资金面的跟风现象到底有多严重，市场价格会受到什么影响——我当年是用TAQ的日内高频数据，数据量太大，没法在本地跑。所以当时（2006-2007年左右）是用远程桌面连接沃顿商学院的WRDS数据库，在它们的服务器上跑程序。程序需要时时刻刻调试，所以每次都需要下载少量数据，在本地机器上编好程序调好后上传过去，我不是学计算机出身的，编程也慢，debug也慢，等传过去，有时跑一个晚上第二天早上发现又出了bug，这么反复折腾，大半年才把20多年的数据处理出来——换在今天，花点时间训练AI干，估计一个月无论如何够了。
说到这里，两个人都有点唏嘘。念博士都是20年前的事情了。这20年间，尤其从2011年之后，时间似乎在加速。过去几年间，知识结构和工作方式尤其变得面目全非。当年做Asset Pricing的，大都跟价值因子（Value Factor），市值模型（Size Factor）较过劲，拼命找各种新因子——我前两年看学术期刊论文还有不少人挖空心思在干这些，但先不说Size和Value两个因子早已早消逝风中，即使在历史数据里找到什么真有风险溢价的因子，在现实交易中，其实也没了意义。
其实到底什么是知识？说实话，我都有点迷惘。
但可以肯定的是，旧世界的堡垒已经在一点点的破碎坍塌。包括我们这几代人奉为圭臬的很多底层架构。比如说，之前的增长的要素是K（资金），L（人力），A(技术，现在都说“数据”是生产要素，可以直接转化为生产力或者说营收利润，那这个要素是新要素，还是被包含在K或者L，或者A里面？这个要素的一个重要特征是并不是“非此即彼”，越用越少，反而是越用越多，这才有了“边际效益递增，边际成本递减”的新现象，这些拥有数字要素的企业已经渐渐成为了社会的主流，但对这些企业的估值，包括企业的资产负债表，会计准则，几乎完全没有考虑到这个“新要素”的存在。
太多这样的问题，在文献中并没有现成答案。有时候想，这种尚未存在的知识和思考，也许才是AI时代我们的救赎吧。
初春的北京突然暖和起来，我在院子里晃悠，迎春花三三两两的开了，小小的，淡黄的蕊光秃秃的绽放在枯干的藤枝上，弱小，但倔强。觉得自己这些年想做的学问，好像也有点像这个植物。
「 更多宏观趋势和资产配置逻辑，
敬请关注2025香帅线下课」
xiang shuai
关注微博，获取更多香帅时评
更多感悟，更多陪伴
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
