Feng Ji на Baiont: Мениджърите на количеството, които не приемат AI, ще бъдат елиминирани от пазара

Feng Ji е създател и изпълнителен шеф на Baiont, най-добре представящ се фонд, който се възползва, че не се създава.

В този диалог с кореспондента на Asia Technology на Asia Times Zijing Wu, JI приказва за това по какъв начин неговият екип от млади компютърни учени без финансов опит нарушава количествения търговски бранш в Китай и има упоритост да върви световно. Той споделя, че количествената търговия притегля най-хубавите AI гении и предлага плодородна позиция за започващи компании, като Deepseek.

Zijing Wu: Quant Trading е към момента относително нов в Китай в съпоставяне със Съединени американски щати и Европа. Можете ли да опишете сегашния пейзаж в Китай?

Feng Ji: Първата вълна от количествено търговия тук стартира с някои доста надарени китайски търговци, които се връщат от Уолстрийт. Около 2013 година регулациите се трансформираха, с цел да разрешат количествената търговия и на китайския пазар бяха въведени повече принадлежности за хеджиране, което сътвори плодородна основа за това първо потомство китайски количествени търговци. Те се оправиха доста добре и остават водачи на най -големите средства през днешния ден. 

Ние сме второто потомство и доста разнообразни. Ние идваме от „ Извън кръга “ с нулев финансов декор. Вярваме, че количествената търговия е същата като доста други задания за добиване на данни и разбор. В това няма нищо изключително. Ние го считаме за чиста AI задача, тъй че нашият екип е формиран единствено от компютърни учени и инженери. 

Ние идваме с нулев финансов декор. Вярваме, че количествената търговия е същата като доста други задания за добиване на данни и разбор

ZW: по какъв начин да прилагате AI в количествената търговия и каква е разликата сред това, което вършиме по отношение на моделирането на данни за остарялата школа? Независимо дали става въпрос за езикови или мултимедийни модели на AI, по принцип всичко е обвързвано с моделиране на данни от времеви серии. Например, главната задача на Chatgpt е да планува идната дума. По създание е същото с количествената търговия. Вместо да предвиждаме идната дума, ние предвиждаме повишението и спадането на цените през идващия период от време.

Традиционният Quant Fund би разделил екипа си на няколко функционалности, фокусиращи се върху разнообразни стадии на тръбопровода, основно фактор на намиране, генериране на сигнали, моделиране и стратегизиране. Тези функционалности са самостоятелни и ненапълно изолирани една от друга. 

Ние виждаме всички тези стадии всъщност като една и съща задача за машинно образование и подхождаме към нея целостно със същия модел на основата. Това има огромно влияние върху интервенциите. Сякаш преди Chatgpt, фирмите за обработка на езици също имаха екипни подразделения, които се концентрираха върху делене на думи, маркиране, разбор и така нататък Сега Chatgpt може да направи всички тях по едно и също време със същия модел. 

AI Exchange

Това завъртане от нашата известна серия от разговори на софтуерния продан преглежда изгодите, рисковете и етиката на потреблението на изкуствен интелект, като приказваме за тези в центъра на нейното развиване. Защо вашият холистичен метод е по -добър от обичайното разделяне на труда?

FJ: На първо място можете да предскажете и планирате надстройките на система, основана на машинно образование. Както когато Chatgpt започва модела си от първо потомство, вие по принцип имате концепция какво ще бъде второто потомство и какъв брой време ще отнеме, с цел да стигнете до там. Способността за непрестанно надграждане по последователен метод е от основно значение за мениджъра на Quant Fund.

Второто преимущество е успеваемостта на разноските. Вместо да наемем 50 души, които да намерят фактори, използваме 100 графични процеса и един човек, който написа логаритъма за намиране на фактор. Резултатът е още по -добър и доста по -бърз. Същото се отнася и за всички стадии.

ZW: какъв брой огромен е вашият екип и какъв брой са вашите активи под ръководство?

fj: В момента се оправяме с близо 30 души. Две трети вършат проучвания, до момента в който останалите се концентрират върху оперативната работа. Нашите проучвания са основно за възстановяване на логаритъма и нашия личен главен модел.

ZW: Индустрията вижда ли ви като разрушителна?

FJ: Когато за първи път започнахме да го вършим, преди към четири години доста хора считат, че е невероятно. Как един куп компютърни учени могат да схванат бизнеса и пазарите? Истината е - ние не го вършим и не е нужно. Всъщност никой от нас не е търгувал преди този момент. Това виждаме това като чиста задача за машинно образование и тази, която е изцяло изпълнима.

Как може да разбере бизнеса на бизнеса и пазарите? Истината е - ние не го вършим и не е нужно да

Сега доста малко хора към този момент се съмняват в нас. Вместо това всички ни питат неистово по какъв начин могат по -добре да употребяват AI.

Така че моето прогнозиране е, че след три години мениджърите на количеството, които не приключват своята промяна на AI, ще бъдат отстранени от пазара. Тъй като пространството става все по -конкурентно, а машинното образование ще се трансформира в главен инструмент. Няма причина, заради която човек не би трябвало да го приема.

zw: изграждате ли собствен личен модел от нулата и можете ли да ни дадете визия по какъв начин работи в търговията?

fj: Да, ние сме построили всичко от себе си. Тъй като пазарните данни и държание са доста разнообразни от да вземем за пример езиковите данни. Това, с което се занимаваме, е доста по -сложно и би трябвало да изградим профилирани модели за него.

Обикновено се фокусираме върху краткосрочната търговия, от минути до часове. Това е, в което AI е най -добър. Това е като прогнозиране на времето. Ако би трябвало да предскажете времето след месец, това няма да е толкоз тъкмо, само че в случай че предвидите след пет минути, точността е доста висока, тъй като можете да хванете доста сигнали. Краткосрочните сигнали са относително предвидими и анализирахме задоволително данни, с цел да създадем прогнози за качеството. 

Ще оценим изцяло прогнозирането на разнообразни сигнали от минути до часове в действително време. След това създадем обстоен резултат от тези прогнози и въз основа на сходни резултати построяваме динамична композиция от покупко-продажби.

ZW: Това значи ли, че въобще не се интересувате от основите?

fj: главно да. Основните фактори и различните фактори на данни се трансформират доста малко денем. Главно разчитаме на данни за търговия. Ядрото на краткосрочното съмнение на цените се управлява от търговия с данни.

ZW: Защо вие и вашият екип, идващи от генезис на машинно образование, решихте да влезете в количествено образование, вместо по-популярните започващи AI, фокусирани върху огромни езикови модели да вземем за пример? И AI може да има в действителност разрушително влияние, а не просто надграждане на съществуващите принадлежности.

Вторият фактор, който разгледах по това време, беше дали може да донесе добър паричен поток. Разбрах, че по времето, когато множеството от AI Unicorns не печелят пари. Може да вършат скъпи неща, само че е мъчно да се поддържа. Също по този начин за доста от тях триумфът им зависи доста от способността на продажбите, а не от технологията, защото има лимитирана диференциация в главната им технология. Имах възприятието, че съм супер простак, не се интересувам от нещо, което е мощно задвижвано от продажбите. 

Тогава открих количествена търговия, която маркира всички кутии. Това е промишленост, която можем да преработим на всички места с AI. Това не е просто обичаен линеен модел, а с капацитета да се сътвори невронна мрежа или случайна гора. Това е предизвикателство, от което се вълнувам. И това е разрушително. Това е като планиране на нова фабрика за електрически транспортни средства, изцяло нарушавайки остарялото произвеждане на коли. 

Другото положително нещо за количествената търговия е елементарно проверимо. Разбирате незабавно дали сте на верния път или не, като вършиме повече от хиляда покупко-продажби за един ден. 

Това също е съвсем чисто задвижвано технологии. Повечето количествени компании се управляват от хора с софтуерен опит. Тъй като не можете да управлявате екип от простаци и гении, в случай че не разбирате сами технологията.

ZW: За какви простаци и гении приказваме тук? 

FJ: Нашият екип, в това число и аз, идва от генезис на конкуренцията за компютърни науки. От нашите 30 души имаме 13 златни медалисти. Златният орден на нашия тим „ Плътност “ на нашия екип е по -висок от всеки софтуерен колос там. Котинската търговия е промишленост, в която виждате най -високата част от гениите. Същото е в Съединени американски щати. Вярвам, че най-хубавите гении за машинно образование са 80 на 100 в Уолстрийт и 20 на 100 в Силиконовата котловина.

ZW: Това ли е повода DeepSeek да излезе от върховен флайър, един от най-големите средства за количеството? Изобщо не се изненадах за това. [Основният принос за LLM [който] Deepseek направи, беше да понижи инженерните разноски и да усъвършенства успеваемостта на връзката сред графичните процесори. Това идва естествено за количествените търговци, тъй като по какъв начин количествено дефинираме времето е в наносекунди до микросекунди, до момента в който обичайните интернет компании имат времеви диапазон от секунди или милисекунди в най -добрия случай. 

Например, огромна софтуерна платформа с милиарди консуматори онлайн в това време желае да се увери, че няма закъснение и човешката реакция е сред 50 и 150 милисекунди. Добре е, в случай че имате 10 милисекундно закъснение. Но в Quants търгува една милисекунда е вечно. 

Quants търговията също е там, където имате доста здравословни парични потоци, с цел да привлечете най -добрите гении. Преди 10 години тя притегли най -умните хора от математиката и физиката, тъй като те могат да трансферират своите аналитични умения за данни на финансиране. Но през днешния ден тя последователно е поета от компютърните учени. Тъй като даже не е нужно да прехвърляме умения - машинното образование всъщност е същото при проектирането на най -добрия инструмент за разбор на данни. Няма значение дали са данни от финанси или друга област.

Правенето на доста пари също значи, че екипът има лукса да се разклони, с цел да прави неща, които са по -заинтересовани да преследват. Наричам това преливане на технология.

Изготвянето на доста пари също значи, че екипът има лукса, с цел да направи неща, които те са по-заинтересовани от преследването. Наричам това преливане на технология

Когато имате огромно количество гении и задоволително запаси, те са в положение да въртят някои несвързани технологии въз основа на сходни съществени умения. 

Това се случва доста пъти в историята. Например, създателят на [Хедж Фонд] Де Шоу сътвори огромен теоретичен проучвателен център за потребление на независимо създадени супер компютри за химия. Това няма нищо общо с Quants търговия, а използването на сходни съществени умения. 

ZW: Точно като DeepSeek, вашият екип е от китайски учебен опит. Как сравнявате младите гении в Китай и Съединени американски щати?

FJ: Има доста дребна разлика в наши дни. Ние се състезаваме на главно същото равнище. И Китай има по -голям набор от такива гении с помощта на нашата просветителна система с по -силен акцент върху науката и технологиите. Ние сме изключително мощни в инженерната дарба и нововъведенията на логаритъма.

През миналото десетилетие умни младежи от на всички места по света могат свободно да поддържат връзка, да се поучат и да работят дружно между тях на платформи с отворен код AI. Това даде на нашето потомство китайски кодери чудесна опция да настигнем водещата международна технология в тази област.

Другото нещо за това младо потомство гении в Китай е, за разлика от родителите си, те са израснали в най-вече фамилии от междинната класа, където не е трябвало да вършат неща, които не са харесвали, с цел да изкарват прехраната си.

Повечето от нашия екип са на двадесетте си години. Аз съм на 37 и най -възрастният до момента. Техният приоритет номер едно е да се забавляват. So instead of going to big tech companies where they will probably have to deal with politics one way or another, they would much rather come to a smaller research-oriented team like ours, where they work with similarly smart colleagues and a manager who speaks their language.

Източник: ft.com