HRT AI 负责人：深度学习如何预测短期价格

访谈来源：Bloomberg Odd Lots
主持人：Joe Weisenthal、Tracy Alloway
嘉宾：Iain Dunning，Hudson River Trading AI 负责人
原视频：https://www.youtube.com/watch?v=ADfpBrl8Avo

Iain Dunning 是 Hudson River Trading（HRT）的 AI 负责人，加入 HRT 前曾在 DeepMind 工作。HRT 是全球领先的自动化自营交易与做市机构之一，覆盖股票、期货、期权、债券和加密资产。过去十多年，HRT 持续把深度学习引入核心交易系统：神经网络直接读取报价、成交、撤单等底层市场事件，生成价格预测，再由独立的执行与风控系统将这些预测转化为交易。

这期访谈主要讨论 HRT 如何用深度学习直接预测短期市场，以及这种方法为什么能够成立。 Iain 回顾了 HRT 从人工特征工程转向大规模神经网络的过程：减少人为预处理，把更底层的市场数据直接交给模型，让机器自己学习表征；这种方法依赖海量市场事件和大量重复决策，即使单次预测优势很小，也能通过规模累积成利润；与此同时，模型仍被包在严格的执行、监控和风险控制体系之内。

TL;DR：Iain Dunning 的核心观点

1. 1. HRT 已经把深度学习放进了核心交易系统。  HRT 过去主要依靠研究员手工设计特征，再用相对简单的模型组合这些信号。大约从 2013—2014 年开始，他们转向让神经网络直接从大量市场数据中学习。最初新旧方法并存，后来直接从数据学习的模型逐渐超过传统方法，成为主要预测引擎。
2. 2. “Bitter Lesson”：少做特征工程，让模型自己学习。 Iain 认为，面对报价、成交、撤单等海量底层市场事件，与其花大量精力设计人工特征和预处理，不如把更多原始信息交给能够利用大规模数据和算力的神经网络，让模型自己找到有效的表征。
3. 3. 短期市场确实可以被预测，但优势可能非常小。 HRT 的模型并不是每次都能准确判断价格方向。Iain认为预测能力只需要稳定地比随机好一点，只要这种优势能够在大量市场和交易机会中不断重复，就可以积累成可观利润。
4. 4. 做分钟和小时级预测时，最重要的数据就是市场本身。 对很短期限的预测，最有价值的通常不是社交媒体或另类数据，而是交易所里的报价、成交和撤单。这些数据直接记录了市场参与者正在做什么，而且每天都会产生巨量样本。预测周期延长到几天以后，新闻、SEC 文件、财务数据和券商报告等信息才会变得更重要。
5. 5. 模型可以做对，但人类未必能解释它为什么做对。 HRT 的神经网络很难被完整解释。Iain 并不认为这是致命问题，因为人类自己看着订单簿，也无法准确解释一分钟后的价格变化。模型可能在高维空间里发现了人类从未定义过、甚至无法命名的结构。
6. 6. HRT 的市场模型和大语言模型正在面对越来越相似的问题。 两者都需要处理超长序列、巨量数据、大规模训练和快速推理。区别主要在数据类型：LLM 处理文本 Token，HRT 处理的是连续发生的市场事件 Token。Iain 认为到了 2025 年，前沿 AI 实验室的很多研究经验已经可以直接启发 HRT。
7. 7. HFT 的竞争已经不只是比谁更快。 过去行业非常强调机房距离、微波线路和极致延迟，但 Iain 认为这部分优势已经被充分竞争。现在更重要的问题是：在给定的反应时间内，谁能做出更好的判断。HRT 会根据不同速度需求使用 FPGA、自研芯片和 GPU。
8. 8. HRT 已经不再只做传统意义上的高频交易。  Iain 明确说，外界对 HRT 的印象常常还停留在 2020 年以前。现在公司既做高频，也做中频，而且中频已经成为很大的业务。模型的预测期限也在向外延伸，最长通常可以到几天。
9. 9. AI 模型不会直接控制交易所订单。 HRT 把神经网络放在多层传统执行与风险系统之内。模型提供预测或计划，后面还有经过人工审计的执行逻辑、限额、合理性检查和实时监控。Knight Capital 的事故至今仍是他们内部反复强调的风险案例。
10. 10. 通用 LLM 目前很难直接做可信的历史回测。 如果一个模型训练时已经看过历史上的美联储讲话，也看过讲话之后的市场结果，再让它“预测”这些历史事件，就无法区分它是在真正推理，还是在调用已经见过的信息。对金融研究来说，真正的样本外验证仍然非常重要。

访谈精编

HRT 到底怎样赚钱

Joe ： 今天的嘉宾是 Hudson River Trading 的 AI 负责人 Iain Dunning。他此前在 DeepMind 工作，交易和 AI 两方面的经历都很扎实。

Iain ： 我很高兴来这里。我同意，行业里的神秘感被夸大了，尽管大家为什么愿意保持这种神秘感也不难理解。我们可以直接越过它。

Joe ： 先问最基础的问题。Hudson River Trading 是一家怎样的公司，它怎样赚钱？

Iain ： 我们是一家量化、自动化、自营交易公司。这几个词连在一起很长。我更愿意把我们理解成市场的服务提供商，最清楚的例子就是做市。任何人、任何时间、任何地点想买卖一种产品时，如果有人随时准备和他成交，这对市场有实际用途。对我们来说，这些产品包括股票、期货、期权、加密资产和债券。

假设你能造出一台神奇机器，随时为任何工具报出买价和卖价，而且报价是市场上最紧的。别人愿意和你交易，因为他们找到了对手方，也拿到了较低的价差。我们则从价差里赚一点钱。它很像在压路机前捡硬币。只有当那台机器能正确判断每种资产值多少钱，并告诉我们压路机什么时候会过来，我们才能持续捡到这些硬币。

从这个角度说，我们是一种高度复杂的中间商。Amazon 自己不生产大部分商品，却通过连接交易双方提供服务，成为一家有价值、有利润的公司。我们做的事也类似，只是我们在不同时间和地点之间，为不同对手方转移股票、债券和其他资产。

从人工特征工程到机器直接学习市场

Iain ： 我不想夸大 HRT，因为这个行业很不透明，我们不知道同类公司具体在做什么。我只能谈自己的经历。我们做这类交易已经二十多年。传统方法与其他量化公司相似：研究员根据人的直觉手工设计特征。比如，订单簿失衡，想买的人比想卖的人多，于是推断价格很快会上涨。

你可以让很多聪明人仔细琢磨，像制作高级机械表一样，把一个个部件精心做出来，然后用线性回归等相对简单的数学方法把这些预测变量组合起来。我参加会议和招聘很多年，到今天你仍能在网上看到有人说，金融里只能这样做。他们会说市场噪声太大、非平稳性太强，复杂模型不可能有效。但在我看来，这种信念没有证据支持，也不符合我们的实际经验。

理想状态是把市场问题交给一台没有人类偏见的机器。我自己不知道该怎样交易股票，我个人只买宽基 ETF。但如果你能把所有市场数据放进一个盒子，让它从这些数据中自行学习，它会找到手工构造特征永远找不到的东西。我们大约从 2013、2014 年开始这样做，在行业里算比较早。

过去十年，这条路线和金融以外的 AI 一样出现了曲棍球杆式增长。你可以从模型规模和投入算力看到这个变化。开始时，它只是传统方法的补充，两者组成混合系统；后来，直接从数据学习的模型完全超过了传统方法。现在，我们的交易全部由这台“神奇机器”驱动，它读取我们的全部数据。

我反复用“读取全部数据的神奇机器”这个说法，是因为 ChatGPT 的训练方式也是读取从互联网收集并连接起来的大量数据，再训练一个统一模型，最终产生某种涌现能力。这与人先用自己的市场直觉构造预测模型有实质区别。

Tracy ：  AI 的价值有多少来自执行能力，比如用数百、数千块 GPU 快速处理大量数据；又有多少来自它发现了过去方法捕捉不到的复杂模式或错价？

Iain ： 两者都有。坚持“做一个线性回归就够了”的人忽略了金融市场到底生成了多少数据。这里的数据不是一条价格时间序列，而是市场发生的每一个底层事件：有人报价、成交、撤回报价。底层事件合在一起，数据规模可以与互联网相比。

我们在 AI 上得到过一个带着苦涩意味的教训：不要花太多力气做特征工程和预处理。把底层数据全部放进去，选择一种能利用互联网规模数据的计算方式。2010 年代的计算机视觉也走过同一条路。以前人们手工设计图像边缘检测器，再把这些检测器组合起来。那个方法不是毫无价值，但后来完全输给了另一种路线：准备大量 GPU，用相对通用的神经网络直接处理数据。

至于模型究竟找到了什么，是过去方法发现不了的，我们很难给出清楚解释。模型的可解释性不强，我认为这可以接受。我们的典型持有期是几分钟、几小时，最长往往也只是几天。假如让我看 Tesla 的订单簿，我能比随机猜测更准确地说出一分钟后的 Tesla 股价吗？不能。如果一个系统在这件事上已经明显超过人类，你还能期待它提供哪一种符合人类直觉的解释？

Joe ： 先把这里说清楚。你用这台在实验室里“长出来”而非被逐条编程的机器交易 Tesla、Nvidia 等股票。它不是聊天机器人，技术也不同。你的意思是，你们现在能比十年前更准确地预测 Nvidia 今天下午或明天的价格。过去有人说，股票市场不是国际象棋或围棋，所以机器无法用相同方式预测。但你认为这些模型至少在短期限内确实拥有预测能力。

Iain ： 是的。直到今天，我自己仍觉得这件事有点难以相信。有效市场假说已经进入每个人的脑子。别人告诉你他能预测一小时后的股价，你的本能反应是怀疑他在虚张声势。但这些模型确实能预测。

调和这种直觉的办法，是承认它们的预测其实很差。我们通常不用“准确率”描述交易模型，但你可以把它想成 50.1%。它只比随机好一点点。

Tracy ： 可是，只要规模足够大，多出来的一点准确率就能显著改变利润。

Iain ： 对。你反复做足够多次，时间一长就能看见这枚硬币存在轻微偏置。这个能力也不需要诉诸魔法。市场很美，因为许多参与者带着不同效用、风险偏好和约束相互作用。你只能从他们在市场里采取的行动观察这些差异。模型吸收大量微小的买卖流量信号，再向前外推。

Joe ： 对机器能否预测股价的怀疑其实有些奇怪。机器读取数据，发现某组数据出现后第二天更可能上涨。人类每天都在做同样的事。分析师根据少得多的数据，也会给 Tesla 或 Nvidia 一个目标价。既然人类可以预测，为什么拥有更多数据的计算机反而不能？

Tracy ： 一部分怀疑来自模型向后看。模型偶尔不能识别或应对大的制度变化。人们会认为，人类的思考更灵活、更能适应环境，也更容易看见文化变化。你们怎样应对大的模式断裂？

机器正在学习人类难以解释的表征

Tracy ： 再具体谈谈数据。很多人介绍 AI 时会用公关语言，说自己拥有大量罕见数据、另类数据，因此能把 AI 用得更好。你们实际看什么？哪类数据最有用？

Iain ： 我刚进入这个行业时，最反直觉的一点是：如果你预测一分钟或一小时后的价格，最有用的东西远远领先其他数据，就是普通市场数据，也就是从交易所购买的数据流。价格并不高。有人把它想成竞争护城河，但这些数据费没有高到无法负担。在加密市场这个“西部世界”，每个人也能自己采集交易所数据。

这些数据最接近所有参与者真实意图。人们到市场里报价、买入、卖出。数据流里是一连串很小的事件：某人以某个价格和数量报了一笔单。身份是匿名的，但这些事件是最原始的材料，而且数量巨大。每只股票、每个期货品种每天都会产生数百万个事件。

大家容易迷恋 Twitter 数据之类的东西。Bloomberg 的产品里也卖 Twitter 数据，当然可以买。新闻偶尔会在交易时段突然出现，推动价格离开原位。但冷静计算，它相对于整个市场的巨大活动量仍是低频事件。日内预测首先要看市场数据。

当期限延长到几天，所谓另类数据才真正进入模型。这里的“另类”是相对于市场数据而言，包括 SEC 文件、新闻、资产负债表和券商报告。市场上有一大片供应商出售各种数据。预测期限变长后，Sharpe 本来就较低，很难把增加的 Sharpe 精确归因给某个数据集。

数据市场在某种意义上也很民主。也许有人秘密收集很独特的数据，但我甚至不负责采购，邮箱里仍然经常收到最新另类数据集的推销。我认为很多数据未必有预测力，不过显然存在买方。

Joe ： 你见过最疯狂的数据是什么？

Iain ： WallStreetBets 时代之后，很多供应商迅速推出从 Reddit 抽取的数据，还试图在原始帖子之外做进一步提炼。但回头想想，迷因股往往是在事情发生之后被讨论得更多，而不是之前。所以我不知道这些东西到底能提供多少预测价值。

Joe ： 你刚才提到可解释性。我一直想不通一个问题，不只在金融里。DeepMind 做出了超过最强棋手的围棋系统，国际象棋引擎也早已超过人类。但据我所知，并没有真正优秀的 AI 国际象棋教练。引擎能碾压你，却不能清楚地说：“你刚才这一步堵住了车的线路，若干步之后会付出代价。”Chess.com 的自然语言解释也很初级。为什么 AI 能把问题做得极好，却无法用普通语言解释自己做了什么？

Iain ： 神经网络在某种意义上只是一大团数字。训练这些模型时，我们有意摆脱几乎全部先验结构。它们学习问题的方式可能与人完全不同。它们也许在内部进行某种“推理”，但我对这个词很谨慎。人们还会说神经网络拥有“想象力”，这种拟人化很危险。它们用一种本质上不同于人的方式处理信息，所以很难把内部过程重新映射成人类的解释。

也有一些有趣的反例。Anthropic 做过 Golden Gate Claude 实验，让模型对金门大桥产生强烈兴趣，无论问什么都绕回金门大桥。这说明模型并非完全无法探测。但超过某个程度之后，想把它映射成人的思考方式仍然很困难。AI 安全研究很想解决这个问题，虽然它与我的工作关系没那么直接。

Joe ： 如果这个问题能解决，许多岗位会获得明显的生产率提升。你们的模型与大语言模型不同，但两者都依赖海量数据和算力。在大模型实验室工作过的人，能否把训练经验直接带到你们这里？

Iain ： 2025 年可以。2020 年时我不会这样回答。这个变化让我很意外。我们的数据是很长、按顺序排列的信息流，任务是根据这段信息向前推断。早期 AI 研究更像图像分类：“这是不是热狗？”后来音频和机器人研究与我们稍微接近。到了 LLM 时代，双方的问题突然很相似：都需要回看很长的历史和上下文，都拥有大量数据，也都希望高效处理这些数据。

两边还都需要快速提供推理结果。大型语言模型面对数百万个在网页里输入问题的人，用户希望尽快得到回答。我们的模型也必须及时作出预测，否则预测失去价值。因此，我们对问题的思考方式越来越接近前沿 LLM 实验室。区别在于数据模态。它们主要处理文本，我们处理同样庞大、难以直接解释、具有顺序关系的 Token 流，只是我们的 Token 是市场事件。

这很有意思，因为只要还有论文公开，我们就能从中获得启发并比较做法。但市场仍是一个独立问题，每天都有自己独特的挑战。

HFT 的竞争已经不只是速度

Tracy ： 你说数据让金融更民主。2010 年代，人们称大型投行为“流量怪兽”，因为它们能看到大量客户订单，并利用流量优化融资成本和其他费用。数据与 AI 能否复制这种优势，让 HRT 也成为一个小型流量怪兽？

Iain ： 市场里仍有一些趋势让我担心。我们心目中的理想市场结构，大概是所有人都在一个中心化交易所里成交。但现实并没有向那个方向发展。大量交易发生在场外、暗池或准暗池。有些交易领域里，“人在那个房间里”仍然是巨大优势。从 AI 的角度看，这几乎是一种反 AI 结构：流量数据被藏起来，样本又很稀疏，无法交给机器学习。

不少数据最终会被集中报告，但延迟太长，无法用于实时决策。AI 依赖数据，所以从长期看，这会成为一个问题。你仍然需要进入实际发生交易的房间。

Joe ： 这正是我对物理基础设施好奇的地方。我向 ChatGPT 提问时，不在乎模型是在得州的哪个地方训练，只要回答能回来。但高频交易至少在执行端要求设备与交易所共址，线路越短越好。你们的硬件栈与前沿大模型实验室相比，有哪些相同和不同？

Iain ： 从整体上看，两者有不少相似之处。可以用延迟和吞吐量来理解：延迟是反应所需时间，吞吐量是在给定时间内可以做多少计算。交易确实要求低延迟。2010 年代早期，《Flash Boys》塑造了一种印象，认为行业主要靠延迟套利。好消息是，大部分延迟已经被套利完了。缩短信号线也许还剩一点优势，但相对于过去已经很小。大型量化交易公司不再把线路缩到绝对最短作为主要竞争点。坦白说，我觉得那部分工作很无聊。

现在更重要的问题是：在给定反应时间内，你能不能成为最聪明的参与者。这是一条曲线。如果你用一秒作出交易决定，它最好是一个非常好的决定，那么花一秒就没有问题。如果你必须在一微秒内反应，你做不了太多计算，但仍要给出这一微秒内最好的回答，只是我们可以接受它比一秒版本稍弱。

训练方面，我们同时使用云，也建设自己的训练数据中心，基本结构与 Google 等公司相似，只是规模小得多。与普通公司相比我们可能很大，但不是 Google 或 Meta 那种数十亿美元级别。

推理端不同。设备要放在交易所附近，我们必须仔细考虑功耗和延迟。HRT 有硬件团队，会设计 FPGA，也会设计自己的芯片，同时使用现成 GPU。目标是在每一种反应速度上，尽可能作出最聪明的决定。

FPGA 是现场可编程门阵列。各种设备的延迟和吞吐量不同。GPU 的吞吐量极高，这也是它们有用的原因。但市场的数据流比较窄。LLM 可以把成千上万名网页用户的请求凑成批次再处理，我们没有这种奢侈。市场按照自己的速度运行，我们不能暂停一会儿再追赶，必须一直留在场内。

因此出现了很有意思的设计问题：GPU 延迟相对高，返回一次结果要花时间，但一块 GPU 也许能同时处理整个股票市场。怎样把这种能力与最快的反应结合起来？HRT 有完整团队专门研究怎样从同一个智能模型里，以不同速度取出不同答案。

Iain ： 今天我们大量精力都投在这里，而不再是把宾夕法尼亚乡间的微波塔重新对准一点。后者也是一个很酷的工程问题，但已经解决了。我认为大家已经找到了从新泽西到芝加哥最直的线路。

Tracy ： Joe 刚才提到有人质疑 CME 与 Google 的云合作。Don Wilson 在我们节目里公开表达过一种担忧：把撮合放在云上时，你提交两笔订单，却无法确定哪一笔先成交，重新掉进了黑箱。也许这是延迟问题。你认为它是真问题吗？

Iain ： 这是我会担心的事。我们的总体理念是，市场应尽量透明、公平。让不同参与者平等接入是好事，不能让少数人通过奇怪技巧获得速度优势。但市场同时需要可靠性。如果订单先后到达，交易所却用不同次序成交，这不是合理的市场运行方式。工程团队需要投入很多工作保证顺序确定，市场设计也应把它当成基本要求。

这种差异在全球交易所里很常见。我们交易很多国家的产品。有些交易所的硬件极其出色：即便两笔订单只差一纳秒，哪怕订单来自一百个不同网络端口，系统也不会处理错顺序，因为它们建立了精密的时间戳机制。

另一个极端是某些加密交易所，感觉像一个刚学会 JavaScript 的孩子搭了网站。你发送订单后，甚至不知道它是否收到，只能五分钟后刷新账户余额，看看钱还在不在。市场是什么样，我们就应对什么样的市场。但我们明确偏好两件事：平等的接入和可预测的结果。让所有人把精力用在怎样把线路缩得更短，对社会并没有太大价值。

真正的护城河：算力、电力与系统工程

Joe ： 当你与大模型从业者交谈时，大家会争论主要约束到底是什么：电力、GPU、人才，还是训练数据。你们现在与理想状态之间，最大的约束是什么？

Iain ： 从长期战略规划看，电力显然是硬约束。我们要建设新的 GPU 训练数据中心时，土地通常不难找，困难在于有没有足够电力。HRT 同时使用云服务和自建数据中心，所以电力限制、供电谈判已经进入我们的规划。

我们有一座位于寒冷地区的数据中心，想进一步扩建。数据中心合作方很好，但他们会说，下一批容量需要先与电网谈判。很多时候，这才是瓶颈。

GPU 在过去确实短缺，但现在，如果我们下单，通常能在合理时间内收到，不一定次日送达，却不再是扩容周期里最长的一根杆。

Tracy ： GPU 最紧张是什么时候？

Iain ： 2023 年下半年很糟，正好是 Nvidia Hopper 一代。Bloomberg 昨天报道 Nvidia 的会议，数字大概是 Hopper 级 GPU 已生产一百万块，而 Blackwell 级已经生产四百万块。供应明显扩大，但我也不认为它们形成了卖不掉的库存，新产能同样迅速被吸收。

真正难的仍是电力。这件事让我很震撼。我是千禧一代，大学时气候变化是公共讨论的中心。现在很多人为了快速启动数据中心，大量购买燃气轮机，直接放在建筑外面发电。要及时获得电力，这几乎成了唯一办法。看到这种场景，我会想：我们到底在干什么？

大家宣称未来还要建设多少数据中心。只要用纸笔估算一下用电量，我就不知道这些数字怎样成立。Sam Altman 等人讨论过每个时间单位需要新增多少发电能力，但数字仍然很吓人。HRT 在整个 AI 用电版图里只是较小参与者，我们谈的是数十兆瓦，不是数吉瓦。数十兆瓦已经超过很多城镇的用电规模，而我们仍然很难以合理价格找到电。

Tracy ： 如果 GPU 紧缺已经缓解，延迟也不像过去那样重要，交易公司的竞争优势来自哪里？

Iain ： 人才仍是约束，市场竞争很激烈。我们需要的人既要是优秀研究员，也要是优秀工程师。进入 AI 时代，这两个身份越来越难分开。研究不再是先在白板上写想法，再把编码交给其他人。任何研究构想都与实现方式紧密连接。这类人很稀缺，我们也愿意为他们支付高薪。

更隐蔽的优势是把全部组件接起来。工程团队能不能采集所有数据、正确记录，再把它送进 GPU 训练数据中心？我们的数据集以 PB 计。仅仅存下这么多数据，并从存储位置可靠地传到世界另一处训练中心，就是巨大的工程工作。训练运行本身又很昂贵。

模型训练完成以后，还要把它真正部署出去。听起来答案只是“每件事都要做好”，似乎很平淡，但事实就是如此。我的团队叫 AI 团队，重点是训练模型。这是重要环节，却不足以独立构成交易系统。如果 HRT 没有其他团队负责取得数据、把数据送给模型、把决策传回市场，并在市场突然繁忙时维持全部系统，我们什么也做不了。

规模在这里有明显好处。我很难想象 2025 年从零创办一家 HRT 式公司，因为建立足够的工程规模需要巨大的前期投入。我们的同业也在工程上投入很多，而且会继续投入。

AI 正在把量化交易推向更长周期

Joe ： 《金融时报》最近写到，HRT 之类的公司正在进入更慢的交易，原本做慢速交易的公司则试图加快。你们也许能相当有把握地预测下一小时，幸运时预测下一天，一个月则过于遥远。你们模型的预测期限是否在扩大？

Iain ： 在扩大。外界即便知道 HRT，也常停留在 2020 年以前的印象，认为我们纯粹是一家高频交易公司。我们现在既做高频，也做中频，中频已经是很大的业务。

假设我对五天后的某只股票有明确观点，准备买入。我不会一次买完，而会在五天内逐步获得头寸。什么时候买最好？我有一个模型能告诉我未来一小时内哪一个时点价格更合适。于是，短期模型可以为长期交易提供执行决策，而且这种关系能够一层层向下传递。

Tracy ： 当交易期限变长时，你们的基本工作还是提供流动性，只是库存持有得更久，还是赚钱的理由也发生了变化？大家想到对冲基金时，通常会想到方向性策略，而非流动性服务。

Iain ： 到了更长期限，做市服务的比喻确实会失效，再继续用就太勉强了。此时更接近主动获取流动性。订单簿里有人挂单说要卖股票，我们判断长期价值更高，就主动买走，因此会跨过买卖价差并支付交易成本。当然，你也可以在做市时带一点方向性倾斜，慢慢获得头寸。

不过，任何交易都有对手方，对方也有自己的交易理由。我喜欢用国际象棋和围棋作比较。它们是零和游戏，只有一个赢家，一方加一，另一方减一。交易之所以能够持续，是因为它在效用意义上可以是正和。钱在成交瞬间守恒，交易所还收一点费，所以从货币算甚至略为负和；但参与者的效用不同。

我的工资进入 401(k)，自动购买 ETF。我四十年内都不会动它，所以对成交价格相差一美分不敏感。做市商赚到这一美分会高兴，我也高兴，因为我及时拿到流动性，没有跨过很大的价差。双方都获得了自己需要的东西。

这也是为什么不能用 AlphaGo 的方式理解市场。如果市场只有 HRT 和所有竞争对手相互伏击，大家都在比谁更聪明，最后会形成一个巨大的僵局，没有人愿意先交易。真实市场很活跃，因为即便我们主动跨过价差，对手方也确实有理由出售。五天后如果我们判断正确，他未必后悔，因为他可能只是在对冲另一个头寸，根本不在乎五天后的股价。

因此，它仍然可以理解成一种服务。我们只有在别人想交易时才能赚钱。如果没有人交易，我们就没有存在的理由。不同参与者拥有不同动机、目标和时间范围。

Tracy ： 工程师通常喜欢开源，也愿意参与 AI 研究生态。交易公司则更重视保护模型、数据和其他专有信息。HRT 怎样平衡这种冲突？

Iain ： 坦率说，很多年前，这确实让我们在招聘时处于劣势，尤其面对刚毕业的博士。他们会说：“去 Google，我还能发表研究，行业知道我是谁，我也保留职业选择；去 HRT 或类似公司，就像走进一道帷幕后面，多年不再出现，外界只能相信我在那里做了聪明的事。”

我当时没有很强的反驳，只能说写论文被高估了，我自己做过，年纪大一点以后你不会那么在意。

现在情况变了。大科技公司付钱让研究员持续发表的黄金时代基本结束。大型 AI 实验室公开的论文往往已经过时，或者不是最重要的工作。真正处于前沿的人不能分享自己在做什么，研究变得非常保密。这个问题在某种程度上替我们自己解决了，人才开始承认知识产权需要保护。

我甚至看到 AI 实验室的人公开思考竞业协议。这是一个惊人的转变。过去硅谷对此非常反感，加州事实上也限制竞业，还会以纽约交易行业使用竞业为由批评我们。

现在的大笔人才薪酬也在购买知识产权。个人不会把代码或文件偷走，但如果一家公司同时招走五个知道“汤是怎么熬出来的”的人，他们拥有大量流程知识。你会突然更认真地考虑保护这些知识。HRT 花很长时间培训员工，员工也需要很久才能产生完整生产力。假如别人可以把这套知识立即拿走，对我们当然不利。

AI 交易真正难的地方：风险控制与验证

Tracy ： 回到你最开始说的压路机。大家现在很兴奋 Agent 型 AI。我会想到金融史上 Knight Capital 的事故。它的一个算法失控，买入大约七十亿美元的股票，十五分钟左右就毁掉了公司。你们设置了哪些防线，避免重演 Knight Capital？

Iain ： 每一期新人培训，我们都会讲“Knightmare”，用 K 开头。HRT 有多位前 Knight 员工。一家成功交易公司在十几分钟内结束，这个故事一直困扰我们，我们尽量吸取其中每一个教训。

核心是分层防御。AI 模型不会直接向纽约证券交易所发送订单。它提供某种计划，后面仍由传统、经过人工审计和风险检查的系统执行。日常运行中，我们沿整条链设置很多层合理性检查。

更高层面上，新版本发布有严密流程。我们做上线前测试和审计，专门避免 Knight/ KCG 那类场景。交易日内还会对神经网络做持续的合理性检查，确认输出值落在预期范围。检查系统可能比市场数据流慢一点，却足以重新确认模型的数值稳定性等基本条件。

这里讨论的主要不是亏钱或赚钱，也不是传统金融风险，而是操作风险。整个组织保持很深的偏执。这与普通 AI 世界仍然不同。普通产品有时会接受一定失败率，把它计入成本；在交易里，一次失控就可能毁掉一切。

我们当然担心损失，但更担心做出监管者不能接受的行动。监管信任一旦失去，要很久才能恢复。HRT 在很多国家交易，我们尊重各地监管者，也认真遵守各自复杂规则。谁都不想因为一次操作错误被赶出一个国家。监管文化对错误的容忍度很低，我们也必须如此。

只要公司十年后还留在场内，长期利润远高于“快速行动、打破东西”带来的短期好处。我们希望行动快，但不能打破市场。

预测能力最终取决于期限和数据密度

Joe ： 我还有很多问题，最后先问一个以后值得单独做一期的话题。就业报告发布后的第一秒发生了什么？数字出现在屏幕或网站上，市场立刻大幅移动。人还没读完报告，更没来得及讨论“就业好不好、工资数据怎样”，价格已经变了。从 HRT 的角度，事件发布后的第一毫秒发生了什么？公司财报也可以作为例子。

Iain ： 我们有低延迟 Bloomberg 标题数据流。重要新闻会带星号之类的标记。处理方法可以从手工逻辑到 AI 模型：最简单的是查找关键词，复杂一点就把内容交给模型。

有件事我仍然很难理解。一些期权交易公司雇了数千人做人机结合交易。某只大股票，例如 Nvidia，可能有十个人专门盯着它的期权。他们看新闻流，界面上准备了绿色和红色按钮，一旦事件出现就迅速点击。这是一种真实工作。

我们曾在公司黑客松里模拟它：接上 PlayStation 手柄，让员工练习对事件快速反应。它很难，却是一种可以训练的技能。按照有效市场的逻辑，这项工作应该可以交给 AI。

真正困难的是，不能直接接入 ChatGPT。对日常使用来说它很快，对市场而言延迟仍然太高。更重要的是，你不能用 ChatGPT 做真正的历史回测。它训练时看过美联储主席的每次讲话，也知道讲话之后发生了什么。你怎样证明它面对下一次 Fed 讲话还会正确反应？

传统金融研究用回测检查策略过去表现。但这里的历史样本全在训练集里。学术论文会尝试处理这个问题，声称模型仍然有效并做各种校正，可这些模型很强的原因之一就是它们记住了大量训练内容。既然如此，历史“预测”为什么可靠？如果有人说：“我让 ChatGPT 分析了每次 Fed 讲话，十次里答对九次。”我反而会问，既然它都见过，为什么不是十次全对？

今天仍有很多人参与相对高速的股票和期权交易，尤其是小众产品。把全部信息实时整合起来仍然困难。人们讨论 2028 或 2030 年出现 AGI，但当下仍有许多人在手工交易股票和期权。我也还没有完全调和这两件事。

Joe ： 我很喜欢 Iain 对怀疑论的回应。很多人说 AI 能解决国际象棋，却不能解决股票市场。我一直不满意他们给出的理由。股票当然不像一个可以完全求解的棋局，但人类也是靠识别模式在市场赚钱，为什么硅基系统不能做同样的事？

Tracy ： 而且，我们已经有多年高频和算法交易的历史，参与者也确实赚到了钱。Iain 对期限的解释是我最重要的收获。你必须让 AI 方法匹配实际可用的数据。市场数据绝大部分集中在短期，秒的样本比分钟多，分钟又比天多。数据也天然偏向即时变化，而不是遥远历史。

Joe ： 金融里经常有人说：“过去十九次出现 S&P 500 死亡交叉，有十七次随后下跌。”任何严肃数据科学家都会嫌弃这种样本。十九个观测值还远远谈不上规律。

Tracy ： 但“死亡交叉”太适合写标题了。

Joe ： 对记者的建议是，绝不要放弃在标题里写“死亡交叉”的机会。我还很高兴听到，线缆长度不再是主要问题。过去有关 HFT 的讨论总是围绕把线路缩到极限，已经很乏味。GPU 市场也比几年前宽松。与此同时，即便 HRT 这种规模，电力也成为主要限制，这让人怀疑聊天机器人行业设想的扩张会不会撞上现实墙壁。

Tracy ： AI 实验室的文化变化也很有意思。并不是交易公司变得更开放，而是实验室自己变得更封闭、更重视专有知识。

Joe ： 这次回答了不少问题，当然还留下更多问题，以后应该再请 Iain 回来。