访谈来源：3Blue1Brown × Jane Street
主持人：Grant Sanderson
参与者：Nitya、In Young、Craig、Alok（Jane Street）
原视频链接：https://www.youtube.com/watch?v=zPLc3jjHbnU
Grant Sanderson 是数学科普频道 3Blue1Brown 的创作者。这期圆桌对谈在 Jane Street 纽约办公室进行，四位员工从公司文化、组织方式、做市业务、机器学习到招聘与人才培养，较完整地解释了 Jane Street 内部是如何运转的。
Jane Street 明确提到，深度学习已经成为其系统化交易最大的驱动力，公司也从早期依赖 Excel、线性模型和相对简单的错价交易，逐步演化到今天广泛使用机器学习和神经网络。与此同时，这场访谈也解释了为什么 Jane Street 长期强调低自我、跨团队协作、通才招聘和高度自治：这些组织机制本身，就是支撑其研究和交易体系的一部分。
TL;DR：Jane Street 圆桌对谈核心观点
- 1. Jane Street 强调低自我和直接交流。 Jane Street 很多会议会先让每个人独立说出观点，再听别人怎么想；不同团队之间也可以直接交流，小问题找最懂的人讨论，大项目再建立正式的负责人和结构。
- 2. Jane Street 的高度自主文化。 研究人员可以直接使用和管理共享计算资源，甚至通过实时拍卖为自己的任务争取算力。公司主要依靠信息透明、彼此提醒和共同负责，让这种高自由度的系统正常运转。
- 3. Jane Street 的核心业务仍然是做市，做市本身高度依赖预测。 Jane Street 可以被理解为一家“股票杂货店”：要管理库存、定价和提供流动性，同时判断未来的供需和订单流。机器学习因此成为交易系统的重要工具。
- 4. 金融机器学习远不只是“现成模型 + GPU”。 市场数据噪声极高，很多问题具有独特结构，需要大量基础研究和原创建模。Jane Street 认为 ML 仍处在 S 曲线早期，但已经成为其系统化交易中最大的单一技术驱动力。
- 5. Trader、Researcher 和 Engineer 的边界远比外界想象模糊。 公司高度系统化，很多 Trader 实际在做研究；交易、建模和工程形成连续谱，这也解释了为什么 Jane Street 更像交易公司、科技公司和研究机构的混合体。
- 6. 过去二十年，Jane Street 的交易研究从直观的错价判断逐步转向机器学习。 早期很多机会只需要理解不同证券之间的关系，就能直接发现价格不一致，甚至有交易系统运行在 Excel 里。后来公司开始使用线性模型、GBT 等方法，如今大部分建模工作已经属于机器学习，神经网络的使用也越来越多。
- 7. Jane Street 招聘的是长期学习能力，也愿意长期培养通才。 较低的人员流失率，让公司有动力持续投入员工培训和技能转换；面试更关注候选人面对陌生问题时如何思考、沟通和更新判断，以及经过一年、五年训练后可能达到什么水平。
访谈精编
Jane Street 的文化
Grant： 我想先理解 Jane Street 的文化，也想从技术上知道你们到底在做什么。如果要提炼出它区别于其他公司的显著特征，你们首先想到什么？
In Young： Jane Street 很奇怪，但这种奇怪是最好的那一种。人们谈话时，目标并不是展示自我、证明某个观点，或让别人看到自己有多聪明——那样会非常累。大家面对一个有意思的问题，会通过交谈尽量接近真相，也很愿意接受自己原来不知道的东西。最酷的一点是，你可以进入任何一场对话，并期待自己的看法在结束时发生变化。
Grant： 有没有一次具体经历，能体现这种低自我？比如你改变了别人，或者别人改变了你？
Nitya： 更反常的情况，反而是一次互动结束后谁都没有改变。很多会议开始时，我们会让每个人在听到别人意见之前先说出自己的想法，这样可以看到所有人的起点。讨论结束后再看大家的后验判断，通常会发现它们已经收敛。看到这种变化很舒服。
In Young： 我回去和大学同学聊天时，他们会说：“你现在说话的方式很奇怪。”这里会养成某些贝叶斯式习惯，也会出现一些 Jane Street 特有的表达，比如“这并非不合理”。这些话在公司外听起来很古怪，但它们反映了我们刻意保留不确定性、不急于把判断说死的习惯。
Craig： 我的感受是，这里首先只有“一家公司”。你属于哪个组并没有那么重要。不同团队的人经常直接交谈，不需要让自己的经理先去找对方经理安排。你可以走到另一个组旁边说：“我在想一件事，你们有人能花几分钟一起推演吗？这好像是你们懂的领域。”这种协作非常有机。
Grant：
这听起来很重要，也很难扩展。其他组织之所以沿管理层级发展，可能就是因为如果不经过经理，就会陷入混乱。你们是在主动接受这种混乱，以换取跨领域协作的收益吗？
Craig： 某种程度上是，但并不代表完全没有结构。大家有经理，也有团队负责人和项目负责人，并且知道某类问题该找谁。如果要启动一个持续一个月、多人参与的项目，就应该组织清楚；但如果只是临时找人共同想几个点子，规模足够小，混乱反而是更好的方式。
In Young： 这种“有秩序的混乱”有一个很典型的例子：我们用实时拍卖分配计算资源。整个计算集群对所有人开放；运行任务的人要认真判断自己的任务相对于其他所有任务值多少，并据此出价。这里没有太多护栏。
Grant： 也就是说，其他大公司可能通过一整套官僚流程在团队之间分芯片，你们则直接让任何人竞拍计算时间？
Nitya： 对。不过这也可以说是一种组织——毕竟有人实现了一整套拍卖系统。
这种设计还有一个好处：大家会对其他人的工作也产生集体责任感。如果我离开工位，而自己的任务不断报错，我不需要每分钟都回来检查。别人看到以后，可能会先帮我暂停，等我回来处理。我当然对自己的任务负有更大责任，但其他人也会把它视为整个公司的问题。
In Young： 运行任务的人和集群上的任务都是可见的。如果有人发现某个任务的 MFU 很差，可以直接去问：“我看到你在跑这个任务，计算利用率怎么这么糟？”很多问题通过一次对话就能解决，不必层层上报，因此系统运转得更快。
权限也很广：你甚至可以停止别人的任务。曾有一位毫无防备的研究员在 Jupyter Notebook 里运行调整任务出价的命令，却忘了传参数，结果把整个计算集群上所有任务的出价都改了。这当然不太妙，后来系统也修正了问题。但它说明了我们的做法：先按照合理方式建出系统，再根据实际使用有机改进，而不是一开始就用大量限制把所有可能性封死。
Jane Street 到底在做什么？
Grant： 我很好奇你们怎样向外界解释 Jane Street。最模糊的说法是“量化金融”，最具体的部分又涉及商业机密，中间其实还有很大空间。对我这种金融圈外的人，你们到底在做什么？组织在指向什么目标？
Nitya： Chander 曾提出一个很绕口的说法：Jane Street 是“通才型金融服务流动性提供商”（generalist financial-services liquidity provider）。老实说，我给大学生讲介绍课时发现，这句话并没有让事情更清楚。
我更常说，Jane Street 的核心业务——尤其在很多年前几乎就是全部业务——是做市。你可以把它想成一家“卖股票的杂货店”。如果买食品必须去农场买苹果、再去奶牛场买牛奶，生活会非常麻烦；杂货店把库存放在一个地方，让顾客随时买到。它还必须公平定价：当然可以把一个苹果定成 10 美元，但那样没人会买。
Jane Street 会为 ETF 相对于成分股进行定价，在它们偏离时交易。但更直观的理解是：如果一个美国投资者想投资中国或其他海外市场的公司，ETF 往往是最方便的工具。做市商站在中间，使这种需求可以顺畅成交。
Grant： 这解释了交易的一部分。但最近我听到的 Jane Street 叙事，越来越像一家 AI Lab。AI Lab 和股票杂货店之间怎样连起来？
Craig： 杂货店需要在万圣节前准备大量南瓜灯用的南瓜。它必须预判未来的供给与需求，这本质上是一个复杂的预测问题。做市也一样：为了在未来提供流动性，你需要提前判断市场需要什么库存、何时需要。机器学习正是在这里进入业务。
Jane Street 的机器学习转型
Grant： 外界对你们有什么持续存在的误解？
Nitya： 一个误解不仅涉及我们使用机器学习的规模，也涉及工作的原创性。外界很容易想象：我们拿几个现成模型，买很多 GPU，然后运行它们。这个做法在金融领域基本行不通。
我们处理的问题噪声要大得多，因此必须做许多非常基础的科学研究，真正理解问题的基本结构，并在更广泛研究共同体已知边界的前沿工作。这一点甚至让我自己都感到意外。误解可以理解，因为过去几年变化非常快；机器学习项目取得的成功，让整个过程像一次难以置信的旅程。
Grant： 所以过去几年里，你能明显感到实际工作发生变化？
In Young： 最明显的变化是 ML 项目已经产生了很多成功。感觉我们刚刚进入一条 S 曲线的起点，但它已经成为交易中非常重要的输入。就系统化交易而言，我会说机器学习是最大的单一驱动力。
Craig： 不同人会从不同方向误解 Jane Street。来自其他交易公司或银行的人，往往假设这里和那些机构很像；真正入职后，他们会发现 Jane Street 在某些方面更接近科技公司或学术环境。
另一个误解来自人数结构。有人看到公司里“Trader”很多、正式叫“Researcher”的人少，就以为大多数交易员在 Bloomberg 终端上手工下单。实际上，这更多是历史命名遗留。我们称为 Trader 的角色，在许多方面主要从事研究；公司系统化的程度远高于外界想象。
你甚至可以做一个小测验：猜某位同事在公司目录里究竟被列为 Researcher 还是 Trader。现实中，大家经常真的不确定同事的正式头衔。
公司当然有团队和一些结构，只是有时人们也不完全确定自己属于哪一组，因为会在多个团队间分配时间。大致而言，有一类人主要写代码，同时非常理解交易；另一类工程师的客户主要是其他工程师，他们离交易稍远，负责内部工具，例如管理代码分支、代码审查、发布流程，以及处理市场数据的基础设施。市场数据达到 PB 级，因此本身就是巨大工程任务。
Trader 与 Researcher 之间则是一条宽松的连续谱。更靠近交易的一端，会思考具体证券、当天市场和某个交易系统；更靠近研究的一端，可能启动大型计算任务训练模型，或构建工具，经过更长周期再进入交易系统。
Grant： Craig，你在这里已经二十年。先从技术说，今天的工作与刚加入时有什么不同？
Craig： 差别非常大。我刚来时，如果你能说“我们真的记录了数据，而且能在计算集群上训练一个线性模型”，就已经觉得自己很先进。
当年还有很多机会，只需理解两种证券怎样运作，盯着它们想一想，就能发现：“这里价格不一致，我们应该交易，让它们回到一致。”真的有交易系统直接运行在 Excel 表格里。你看一眼成交就知道那是一笔好交易，不需要统计分析。
今天的挑战完全不同。现在大多数建模工作都属于机器学习；近年越来越多使用神经网络，也会使用 GBT 等其他方法。中间经历过许多阶段，差不多每五年技术都会明显改变一次。
奇怪的是，文化却感觉相似。许多最早的一批员工今天仍在公司。
Grant： 为什么 Jane Street 的员工会留下这么久？这种现象在其他地方似乎很少见。
Nitya： 你之前问什么让 Jane Street 成为 Jane Street，我最强烈的感受是“人”。很多工作场所都很友善，同事会友好对待你，Jane Street 当然也是。但更进一步，我的许多同事——包括新认识、或最近转到的新团队成员——会成为现实生活中的朋友。
他们帮助你，不只是因为人很好或公司鼓励友善，而是因为他们真的在意你是否成功。像大学里的室友或朋友希望你做好一道题，有时甚至比你自己更在意。在 Jane Street，我能感到身边的人和我一样投入我的成功。久而久之，互相帮助确实成为公司规范，也让一切摩擦很低。
去工作就像去和朋友一起解决很酷的问题。进入新领域时，工作会艰难、阻力也会很大，但你知道会有人和你并肩做，并提供支持。这对很多人都是重要因素。
In Young： 我入职时并没有想“我要在这里工作十年”。更像每天重新评估：我是否还在大量学习？是否开心？谈话质量和自主权如何？与其他可选机会相比怎样？令人吃惊的是，随着年资增长，我学习新事物的速度反而在加快。这是一种很难舍弃的感觉。
Grant： Nitya，你加入 Jane Street 之前在做什么？路径是怎样的？
Nitya： 我的路径对这里的人也许很正常，但当时对我非常独特。我一直以为自己要成为数学家，目标很明确。家人和朋友都说：“喜欢数学当然很好，但你要不要至少试一次不以教数学为工作的职业，看看自己是否喜欢？”
我申请了 Jane Street 实习并拿到机会，来了以后非常、非常喜欢，这完全出乎意料。第二年夏天我又回来，之后全职加入。
Grant： 但你的路径没有就此顺着惯性走下去。后来你回到学术界，又回来了？
Nitya： 对。工作几年后，我请假读完博士，再回到 Jane Street。那是一段非常好的经历。
Grant： 这种“请假读博再回来”有多常见？
Nitya： 像我这样在职业中段半离职几年去读博士的人非常少。不过 Jane Street 有很多人走过各自独特的路径，公司会非常灵活地让个人情况成为可能。
Grant： 你的面试经历怎样？
Nitya： 很有趣。电话面试混合了概率题和其他问题解决题。现场面试与预期不同：我以为会做更高阶的数学，结果玩了很多游戏。现在回看很有趣，当时却压力很大，因为我没有太多朋友经历过这类面试，不知道会发生什么。
那天安排了很多轮，最后一轮和 Chander 一起往墙上扔筹码。做到一半，两位招聘人员冲进来说：“Nitya 要误机了！Nitya 要误机了！”然后我被一路送上飞机。当时我想：我一定把面试搞砸了。结果似乎还不错。
Jane Street 如何挑选人才？
Grant： 你们现在面试人，与五年前相比，寻找的特征或方法发生变化了吗？
Craig： 大方向一直是招聪明、勤奋、讲道理、适应力强、喜欢学新东西的人。今天机器学习技能当然是加分项，但总体策略没有太大变化，因为我们真正寻找的是这些通用能力。
我们会刻意设计数学谜题，但不希望题目变成“只要上过正确课程、知道某个工具就很简单”。更理想的是候选人没见过的问题，大家可以共同讨论，观察他怎样思考。这种通才当然很难识别；说起来容易，做起来远没有那么简单。
低人员流失率也与招聘和训练有关。如果员工的中位离职时间只有三年，你不会愿意花整整一年把他重新训练成 ML 人员，而会直接招聘已经掌握技能的人。如果相信多数人会长期留下，持续投入再培训才更合理。
Alok：
面试最困难的地方在于：一个岗位并不要求新人第一天就拥有完整技能，所以你实际上是在评估这个人一年后、五年后的能力和产出会是什么样。怎样在一小时、或几轮一小时的谈话里判断一个人经过数月训练后能否高度胜任？这里没有漂亮的结论。我们只是尝试各种启发式方法。
寻找能够学习多种事物、适应力强的通才，过去总体上很成功，也让公司能快速适应工作的新要求。五年前擅长学习并应用新技能的人，即使今天所需的技能组合已经明显变化，大概率仍然擅长学习。
Jane Street 的另一面：数学、编程与好奇心
Grant： Alok，你加入 Jane Street 前在哪里？是什么路径？面试又怎样？
Alok： 我的路径比较典型。我申请了 2018 年夏季的研究实习，当时同时学习数学和计算机科学。过去我一直假设：计算机科学是用来找工作的，数学则有趣，但不知道谁真的会用它。
Grant： 所以学习计算机科学主要是职业考虑？
Alok： 也不完全是，我本身也喜欢计算机科学。只是我想象中的工作会使用 CS 背景，如果偶尔能做数学，那只是额外奖励，不能把它当作求职条件。当时我认为，真正同时重视数学和 CS 的领域大概只有两个：广义上的机器学习与数据科学，以及金融里那群我还不清楚在做什么的人。
我原本以为金融公司里坐着一群拥有“银河大脑模型”的人，模型能解释一切，至少能解释某个极具体领域。实习一个夏天后，我发现这里在很多方面更像其他地方的数据科学。真正让我惊讶的是，大学里看似非常抽象的知识，能直接迁移到建模分析，产生具体应用。
Grant： 能举一个抽象思维突然变得实用的例子吗？
Alok： 实习前一学期，我在统计课上学过 M-estimator 理论。这类思想由 Huber 在 20 世纪提出，看起来像理论数学家造出的东西：仿佛只有数据达到银河尺度时，它才在渐近意义上成立。
但处理畸形数据时，它实际上非常有用。使用这类看似奇怪的稳健估计量，有时就是能得到更好的结果。我实习期间做的项目之一，就是尝试把这套理论用于具体建模问题。
Grant： Craig，我们以前见过几次，但我真不知道你是怎样来到 Jane Street 的。你的答案似乎与他们不一样。
Craig： 确实不一样。当时公司还很小。大家开玩笑说我是“被狼养大的”，因为今天很多人来自不错的学校，可能在数学夏令营就认识；我的经历则非常偶然——也可以说非常不偶然。
我一生基本只申请过这一份工作。我在 OCaml 邮件列表上看到招聘帖，当时为了练习做了一份简历，主要计划其实是去读博士。我想，既然写好了，就投一下吧。
那时的招聘流程也完全不同，我觉得按今天标准自己可能不会被录用。只有一轮电话面试，之后我到纽约现场面试——反正能免费去一趟纽约，为什么不去？结果我喜欢遇到的人，就接受了工作。那是 2005 年，现在我还在这里。
Grant： 你为什么会关注 OCaml 这种相对冷门的语言？
Craig： 基线就是：我是个广义上的书呆子。用电脑做有趣的个人项目时，我默认会用 OCaml。比如画分形，或者给棋盘游戏做一个 bot，看看游戏智能体怎样实现。都不是什么严肃项目，只是好玩。
Grant： 你们平时怎样娱乐？我听说有人在办公室里讲物理课，还谈“图的 e 次方”。那是什么？
Alok： 我偶尔会在旁边的会议室做临时数学或物理分享。最近一次讲的是统计力学和配分函数，后来谈到只要把思路打开，几乎什么东西都可以做指数运算。
Nitya： 后来还讲到了 Feynman diagram，对吧？
Alok： 对。Feynman diagram 与配分函数和统计力学关系非常紧密；但一旦开始讨论“图的指数”，事情就显得有点怪了。
Grant： “图的 e 次方”简直是典型的 3Blue1Brown 点击诱饵。这确实会是个有趣的选题。
今天的讨论非常有启发。我之前和 Craig 聊过，也与 Nitya 有过交集，但 Jane Street 对我仍有很多问号。这次把不少事情说清楚了，也会让观看的人更具体地理解公司。谢谢你们抽出时间，我非常享受这次交流。
