Transcription
欢迎来到“周二闲聊”。我是你们的主持人 Fancy Quant，今天我想欢迎 Jeff Rosenberg。Jeff 是 BlackRock 的董事总经理。他是系统化固定收益主动多头产品的联合负责人，包括共同基金、机构投资组合和 ETF。在加入 BlackRock 之前，Jeff 在美国银行美林（Bank of America Merrill Lynch）担任了近 10 年的首席信贷策略师，负责协调所有固定收益证券化资产、信贷外汇和商品领域的策略。Jeff 还专注于量化信贷建模，并开发了首个来自交易商的商业化信贷投资组合分析系统。Jeff，欢迎来到本频道。>> 谢谢，Demetri。很高兴能和你在一起。>> 太棒了。那么，你是如何进入这个行业的？在你高中时期，你是否曾想过，我想从事财富管理、资产管理或金融行业，或者你是否对自己的发展方向有一些想法，还是说这是你随着时间和学校教育逐渐学到的？>> 嗯，没有。嗯，在我高中时期，我完全不知道这个世界是什么样的，或者，你知道，我足够老了，它甚至在那时就已经存在了，但我不会看 CNBC 的日间市场电视。嗯，你知道，我发现金融市场是在我经济学的第一堂入门课上，我想，就是那个时候。嗯，我当时并不知道自己想做什么，但我对商业有一些兴趣。我真的有兴趣，Demetri。我当时有兴趣的是毕业后找一份工作。那就是我的兴趣所在。我有一个非常务实的父亲。他是一名会计师。嗯，他学的是会计，他说：“你应该做会计。会计毕业后能找到工作。”我当时就想：“哦，好吧。也许我会那样做。”然后，嗯，你知道，我顺着这条路走进了商学院，然后在商学院里，我对金融市场产生了更大的兴趣，嗯，这也就开始了我的旅程。>> 好的。你提到你在威斯康星大学和明尼苏达大学学习数学和商业。你是读了两个学位，还是先开始一个然后转过去了？是的，这是我本科毕业时遇到的每一个面试问题，因为我的成绩单和简历非常独特，嗯，嗯，因为我有两个本科学位。嗯，我很快会解释一下。所以，我去了威斯康星大学麦迪逊分校。嗯，非常激动。我的儿子，他是一名高年级学生，昨晚刚被威斯康星大学录取。所以，我们正在进行这个话题的讨论。我们非常，我为他感到非常兴奋。嗯，但我去了威斯康星大学，完成了我的四年本科学习，获得了本科学位，嗯，我遇到了我生命中一个非常重要的人，他成为了我的高级荣誉论文导师。嗯，他指导了我整个过程，但他很重要，因为我选了他的金融入门课，而我是一名不错的数学学生。我数学学得很好。我参加了 AP 微积分，嗯，你知道，我通过了所有数学要求的考试，从那时起就再也没有对它产生过太大的兴趣，然后，你知道，我选了其他课程，他真的向我展示了如何在金融领域运用数学以及它为何重要，这完全打开了我智力好奇心的大门。嗯，然后我继续攻读博士学位。我记得坐在他的办公室里，我说：“你知道，我觉得我真的想继续深造。”他说：“太好了。退学，去拿个数学学位。”嗯，我说：“我需要还贷款。我毕业后得找工作。我不能直接读博士。”他说：“好吧，保持联系，但我会给你推荐你应该选的课程，你应该开始选修。”所以，当我工作时，我在明尼阿波利斯的一家资产管理公司 Piper Capital Management 开始了我的金融生涯，同时我晚上也在上数学课，以追求我最终重返学校攻读博士学位的长期目标。我在明尼苏达大学，在两年内选修了所有这些课程，导师说，如果你再选修一门课，比如拓扑学之类的，不在我为金融经济学准备的课程列表上，他们说，我们会给你一个学位，因为我们承认所有本科课程的互认和等等。所以我选了那门课，并获得了数学本科学位，以追求博士学位。>> 太棒了。那么，你工作了一段时间，然后决定去卡内基梅隆大学读硕士，或者说你是如何过渡的？你有着独特的背景，从商业数学转向量化领域。所以我工作了一段时间，我在一个非常关键的时期工作，当我们谈论金融史时。我经历了所谓的原始抵押贷款市场危机。那是 1994 年 2 月爆发的抵押贷款市场崩溃。所以，我在 1990 年夏天加入了 Piper Capital 担任暑期实习生，基本上观察了固定收益市场的发展，那是“说谎者的扑克”和 Louis Reneeri 的时代，以及抵押贷款机构抵押贷款和 CMO 的发展，那是我接触到的衍生品世界。那也是 Bankers Trust 的时期，以及更广泛的金融衍生品的发展，后来我会在那里待一段时间，Bankers Trust，然后经历了整个衍生品历史，但当时数学在金融中最成功的应用是 Black-Scholes-Merton 模型，以及随机微积分和衍生品定价技术的应用，这真的让我着迷。当我申请博士项目时，我也在看硕士项目。我决定硕士项目对我来说是更好的选择，然后去了卡内基梅隆大学，当时一个非常新的想法，他们称之为计算金融，你知道，他们总是会起一些奇怪的名字。他们称他们的 MBA 和 MSIA。现在大家普遍称之为金融工程。这是最早的金融工程项目之一，如果不是最早的话，库兰特和芝加哥大学称他们的为数学金融。有些项目更偏向数学系，有些偏向统计系或商学院。卡内基梅隆的项目很有趣，因为它涵盖了所有四个学院，但它确实围绕着一个特定的时间点，那就是 80 年代末量化分析师和博士进入华尔街的发展，这在很大程度上是由高盛的 Fischer Black 和 Bob Letterman 引领的。嗯，那个 80 年代末的革命，第一代量化分析师进入华尔街，其中很多都在衍生品领域，衍生品定价技术。如果你拥有这项技术，你就是那个时代的领军人物，而当时所必需的技术，因为当时还没有计算能力，还没有能力进行蒙特卡洛模拟，以及人们可能有些嘲讽地称之为“蛮力”的东西，你实际上需要通过理解数学来做到这一点，而数学家们确实说了算，然后计算机科学家们就接管了，因为通过模拟进行计算的能力在一定程度上削弱了数学必要性的重要性。我认为它仍然是一个非常重要的基础，我很高兴我打下了这个基础。一度，你知道，我可以坐下来，这就是目标。好吧，从基本原理推导出 Black-Scholes 模型，这很有趣。嗯，只是你无法从中获得报酬，也无法被雇佣去做这件事，因为即使在 90 年代中期到后期，每个人都基本上已经接受了这一点并将其商品化了。>> 是的。你认为我们是不是有点走得太远了？我觉得现在我们似乎非常依赖数据和计算机科学，而传统的理论和数学部分似乎有所衰落。你认为这是随之演变的，还是你认为，比如说，Black-Scholes 模型仍然有基础原理，随机微积分，甚至像拓扑学和其他一些晦涩的数学主题，你知道，线性代数，它在很多计算中每天都在使用。你认为我们是不是离理论和数学越来越远，而越来越偏向计算机科学方面，或者说这在不同时期是如何演变的？>> 嗯，嗯，这很有趣，正如我提到的，我的儿子，我还有一个儿子在读大学三年级。所以，你现在从“好的，什么才是正确的教育背景以及需要什么”的角度来看待这个问题，你知道，你看看现在的编码助手以及今天你可以做的事情，你可能不需要了解我花了很多时间学习的计算机科学的所有基础知识。然而，我认为了解这些东西仍然非常非常重要，因为仅仅使用工具而不真正完全理解它们，会让你处于劣势，不如那些拥有更深厚基础的人。而基础教育和初等教育的目的就是建立这个基础。所以，我们之前在谈论，我和我妻子今天早上在谈论，比如，好的，你知道，她，我的妻子来自医学界，所以，嗯，你知道，她说，你为什么需要微积分？你知道，这是许多父母，也许许多孩子，甚至许多孩子都会问的问题，而我却说，我们所做的一切的基础就是数学。嗯，数学工具的使用。现在，微积分在债券领域是基础，因为债券数学是一个微积分问题。嗯，但你看看我们现在做的一些更现代的事情，那就是线性代数和矩阵代数，以及理解这些矩阵数学是如何运作的非常重要。现在，你是否需要理解它才能使用这些工具？不。但它有帮助吗？如果你想更深入地理解，我认为是的。而且，我认为，如果你对这些领域感兴趣，那么你就想建立这些基础，因为你需要基础才能在本科和后来的研究生阶段进行学习，你知道，技术以及围绕这些技术的理解。所以，这一切都始于高中数学课程。>> 是的，绝对。我认为数学是关键的基础。所以我本科是金融专业。这是一个大错误，我意识到我需要进入量化金融领域，因为华尔街已经变了。它不再是以前的样子了。嗯，我经历了那个学习过程，我需要补习所有那些基础知识，才能真正理解问题本身以及如何找到更好的解决方案。你想谈谈吗？所以你经历了研究生院，你知道，进入固定收益市场。你是如何通过所有固定收益市场一路走到今天的，你目前的职位是什么？你是否一直只关注特定市场，比如抵押贷款，还是你一直在不同产品之间来回切换？>> 哦，不。不。我一直在来回切换。所以，就像我在 90 年代初在 Piper Capital 开始工作时，我实际上是从可调利率抵押贷款开始的。当时是一个陡峭的收益率曲线环境，人们通过承担利率风险来获得更实惠的抵押贷款。顺便说一句，那段历史很快就会重演，对吧？我们正在重新调整曲线。那么，如何才能再次获得负担能力呢？我们经历了那个时代，在 GFC 之前的最后一段时间，关于负担能力产品，但你也可以通过转移利率负担来做到这一点，嗯，嗯，嗯，还有一些政策方面的事情可能非常有趣，你也可以利用这些来尝试，你知道，转移一些风险的所在地。所以，这将非常有趣。但，但谈论这个很有趣，你知道，30 年后又回到了我最初开始工作的那些事情上。但那是在抵押贷款领域。然后我在 Bankers Trust 待了一段时间，研究衍生品，然后我职业生涯的真正核心是转向量化信贷。嗯，那是转向卖方信贷研究。我被一位量化导向的策略师聘用，他有兴趣将我们早期一代在抵押贷款领域所做的事情带到信贷领域。当时，你知道，信贷根本不是量化人士的领域。我过去常常和他开玩笑说，如果你会读写，你就去做股票分析或信贷分析。你做资产负债表，而我甚至在研究生毕业后在华尔街的一次面试中，遇到了一位不太友善的人。嗯，他们说：“你懂这么多数学。让我告诉你我们在这个行业需要什么样的数学。你需要知道如何加减。这就是你在这里需要的所有数学。”好吧，那是，你知道，有人只是在撕毁资产负债表，做基本面分析，这很好。他们与数学没有非常积极的关系。所以，笑话是，如果你会读写，而你不会加减，那些人就去做信贷或股票分析，而那些会加减的人，他们就去做抵押贷款。那就是量化领域。所以，我们所做的是，我们将量化工具和技术带给了一个非常非量化的受众。嗯，我在首席信贷策略师的职位上，花了多年时间向信贷界教授量化技术，当时是 90 年代中后期，GFC 之前，信贷衍生品市场出现了巨大的增长，而信贷衍生品市场的增长，嗯，真正启动了量化信贷技术，大约在这个时候，还有一个人也在做量化信贷，嗯，嗯，那个人碰巧是我现在在 BlackRock 的老板，Tom Parker，他在 BGI，而我之前提到的那位指导我的教授，他当时是 Tom 的老板。所以，这就像是想法、人和量化分析师们奇怪地重聚在一起。我写了一篇卖方论文，基本上只是应用了我在 Merton 模型上学到的东西，但，嗯，嗯，77 年的论文，价值，嗯，嗯，公司作为期权的价值，应用，这实际上是当时唯一一家量化信贷运营商的基础，那是一家名为 KMV 的公司，后来被 Moody's 收购了，他们为银行贷款投资组合经理提供量化信贷分析。所以，我们坐在公开交易信贷的座位上。这有点超前，我们说我们可以在公共债券中做到这一点。所以我推出了一种模型，我称之为 CUSP 模型。嗯，我当时在瑞士信贷，信贷底层证券定价，我们做了大量的量化分析，而以前没有人将这些东西应用于公共债券。然后我们将其推广到 CDS，然后我转到了 Bank of America Securities，我们重建了它，然后出现了整个量化信贷投资组合业务的蓬勃发展，围绕着各种期限和期限产品。所以，我们基本上建立了一个完整的量化投资组合风险管理风险分析系统，嗯，在这些年里。然后 GFC 来了，一切都崩溃了。嗯，我寻找一些出路。我与 Rick Reer 建立了非常好的关系，在他转型期间，嗯，这实际上让我来到了 BlackRock，在那里我与 BlackRock Systematic 的朋友们重新取得了联系，然后大约八九十年前，我从基本面领域，在我为 Rick 工作过之后，然后在 BlackRock Investment Institute 待了一段时间，然后转到了 Systematic，这对我来说基本上是回归了我的本行。长话短说。>> 是的。那么，为什么不解释一下那是什么？系统化部门的投资组合经理做什么？我知道很多人对投资组合经理有一个非常，我不知道，营销式的，华尔街式的想法。但你想谈谈投资组合经理是什么，以及为什么在系统化部门工作与在自由裁量基本面部门工作不同？>> 是的，尤其是我，你知道，我曾处于自由裁量基本面领域，嗯，嗯，并在 90 年代初开始我的职业生涯，正如我提到的，与自由裁量投资组合经理一起。那么，传统的自由裁量投资组合经理做什么？无论他们是固定收益还是股票，他们都处于投资组合构建决策的金字塔顶端，他们就投资组合中应包含哪些投资、不包含哪些投资、承担多少风险做出决策，并最终对投资组合投资决策拥有最终决定权。嗯，这是一个很棒的工作。非常令人兴奋。嗯，你分析市场，你承担风险，你对回报负责，你经营一家企业。它具有所有这些方面，嗯，嗯，在传统意义上。嗯，我，它基本上被描述为一个金字塔结构，其中 PM 基本上在顶端，然后所有支持职能都汇入那个角色。在系统化部门，情况不同。不同之处在于投资组合中的决策是如何做出的，对吧？所以，存在一个投资风格的谱系，让我们将其极端化。你有完全的自由裁量权，这就是我刚才描述的模型，然后你有一个完全的模型驱动的，模型做出所有决策。所以，你想到一些来自 Renaissance 的故事以及他们招聘的人员类型，你知道，他们永远不会招聘像你我这样的人，就像，“哦，不，你知道，像你们这样的人会给系统带来太多噪音。”所以，“那么，不用了。”所以，存在不同的程度，但实际上我认为在这个谱系中存在一个明显的界限。嗯，嗯，它实际上是关于决策的首要性，以及决策在哪里做出。所以，如果你是基本面和自由裁量，最终的决策是由人做出的。如果你是系统化，那么最终的决策是由流程和模型做出的。这才是真正的区别。所以，人们经常谈论量化基本面（quantimental），这很令人困惑，因为它在中间。它在中间，但它在左边。它在自由裁量一边，因为模型在帮助投资组合经理做决策。但是，请注意，前面的词是“模型帮助投资组合经理做决策”。所以，在系统化部门，是投资组合经理帮助模型做决策，而我说的意思是？所以，系统化投资组合经理的工作是与研究人员合作。所以，现在金字塔基本上是颠倒的，对吧？所以，金字塔的顶端是研究、模型开发和投资组合管理之间的责任分担。不是等级制度，而是一种横向关系。嗯，目标是建立更好的系统，以提供可重复的、持久的阿尔法。这基本上是系统化投资者关键的见解。嗯，我想更详细地介绍一下，特别是关于 BlackRock Systematic 的历史和传承，因为它在系统化领域占据着非常重要的位置。我将其描述为，因为系统化实际上涵盖了许多不同的投资风格、历史和哲学，但 BlackRock Systematic 的思想根源来自 Richard Grenald 和 Ron Khan。Ron Khan 是我们的研究主管，他们的开创性工作是“主动投资组合管理”，基本上阐述了如果你拥有一些有价值的信息，你会如何构建一个投资流程。这基本上是系统化投资组合如何进行主动管理的基本框架。所以，在这个哲学中，投资组合管理的角色与自由裁量投资组合的角色非常不同。我想更详细地介绍一下。但，嗯，总的来说，这实际上是关于决策的首要性，嗯，嗯，嗯，现在让我们来详细分析一下为什么系统化投资者与众不同，以及他们的投资组合因此而看起来有什么不同。所以，嗯，一个关键的见解是，嗯，Grenald 和 Khan 关于阿尔法的来源和关系，嗯，嗯，以及在投资组合背景下，相对于你承担的风险来衡量阿尔法。对吧？所以，这不是绝对阿尔法，而是风险调整后的阿尔法，对吧？所以，我们要看我们称之为行业信息比率的东西，嗯，嗯，以及信息比率在投资组合中的来源，我们可以将这种结构与区分自由裁量投资组合经理和系统化投资组合经理的问题联系起来。好的。所以，所以在这个观察中，我们将关注“技能”这个概念，投资技能，一个简单的概念，对吧？但像好的量化分析师一样，我们会有一个操作性定义来定义技能的含义。所以，技能的含义是，我的信息与未来回报的相关性是多少？一个非常简单的概念，对吧？嗯，嗯，所以我们可以这样想，我们可以将这个概念，我的信息是否能转化为未来回报，与一个更容易理解的概念联系起来，那就是，这个信息在转化为未来回报方面有多好。当我说的未来回报时，我的意思是，比如未来的特质回报，而不是未来的贝塔回报，比如市场是上涨还是下跌，而是我能否识别特质风险？这才是阿尔法的真正来源。嗯，嗯，这是关键的见解。所以，如果我们将其与频率联系起来，并问这个问题，一个没有技能的投资者看起来是怎样的？嗯，从频率上看，他们的主动管理决策基本上是随机噪音。50% 的时间他们成功，50% 的时间他们不成功。所以，我们可以将这种类型的经理标记为，自由裁量、基本面、系统化，都无所谓。他们没有任何技能。那么，技能看起来是怎样的？它看起来是你的主动决策的频率大于随机机会。>> 好的。现在，现在，所以这是关键问题。系统化投资者如何评估自己的技能，相对于基本面自由裁量投资者如何评估自己的技能？所以，让我们以有史以来最伟大的基本面投资者为例。他是谁？Demetri。>> 沃伦·巴菲特。是的。所以，我们认为沃伦·巴菲特的技能，就他主动管理决策带来正回报的频率而言，是怎样的？嗯，这肯定超过 50%。>> 但再次，我不认为它很高。我认为准确率不是很高。可能 60% 对，40% 错。所以，人们研究过巴菲特，他非常出色，你知道，他之所以如此出色，部分原因在于他可以改变游戏规则和流动性以及其他方面。他不是价格接受者。他做投资时，他基本上是价格制定者，但他超过 75%。所以，当基本面投资者渴望时，嗯，基本面自由裁量渴望，这是你渴望的黄金标准。嗯，所以如果你问大多数基本面投资者，你的技能是什么？他们会认为技能是 70-75%，也许如果他们更谦虚，可能是 60-65%。然后我们可以实际测试这一点。我们可以实际查看主动管理共同基金的公开数据，我们可以看到持仓情况以及结果，学术界已经这样做了，结果是什么？你认为结果是什么？主动股票投资组合中的顶尖经理。>> 我知道很低，我看到过一些，可能就是 53-54%。>> 正确。正确。所以，所以它很低，而且不仅低，而且低得令人震惊。而这正是系统化投资的伟大见解，那就是承认主动管理很难。就像，拥有技能真的很难。所以，如果你的正确率只有 53-54% 的时间，那么数学上的结果是什么？>> 嗯，我想是试图找出哪些决策更好，然后给它们更大的权重，当不确定性很高时，就减小头寸规模。>> 是的。这些都是很好的答案。另一个答案是，你想尽可能多地独立应用这种技能。>> 是的，有道理。是的。嗯，嗯，所以，就像，我有点和我的孩子们谈论这个。他们有点感兴趣。你做什么？你是如何思考的？我们会进行整个对话。所以，可以用来思考的类比，它也有些像孩子们非常接触在线赌博和体育博彩，我只是试图向他们解释，赌场不是靠赢家建立的。赌场是靠输家建立的。为什么赌场是这样建立的？这正是同样的数学，对吧？因为轮盘赌对赌场来说赢的几率非常小。嗯。>> 嗯。>> 对于赌场来说，赢的几率非常小，对吧？如果你一遍又一遍地旋转轮盘，这就是赌场希望你做的，不断回来，你就能保证获得非常非常小的利润，标准差非常小。这就是数学带给你的。这是一个绝佳的例子。所以，你将其应用于投资，并将其应用于系统化与自由裁量。结果是，系统化投资者认识到技能非常难，因此，广度，最重要的是我们称之为有效广度。知道什么是真正独立的旋转，什么是真正独立的投资，而不是另一个高度相关的相同投资。所以，如果你有非常高的广度，低技能的投资，结果会怎样？你会获得非常可重复的、可靠的阿尔法生成。好的。这就是系统化投资所做的。让我们将其与基本面进行对比。所以，回到基本面投资者这边，你可以解决这个问题，你可以说，是的，投资很难。所以，你知道我们会做什么？我们将投入 10,000 小时来研究每一个单独的头寸，并将因此提高我们的技能，因为我们对世界和宇宙的理解深度。我们的技能不会是那种顶尖的 53-54%。它会比这更好。如果你真的相信你的技能更好，那么你应该如何处理你的投资组合？假设你会增加权重，并做空一些其他头寸。>> 是的，你有一个非常集中的投资组合。所以，如果你相信你的技能和成功率非常高，那么你拥有的实际上与系统化投资组合相反。你拥有非常集中的投资组合，而这两种策略都可以成功地实现目标，即提供持久的可重复的阿尔法。但它们以完全不同的方式解决这个问题。对吧？所以，系统化投资者关注的是广度，并保持微小的优势和深度，而自由裁量投资者则专注于深化和扩大正确性的频率，然后将投资组合集中在那些高信念的赌注上。所以，当你看到一个多空股票投资组合时，一个很好的例子，一个好的多空基本面自由裁量投资组合通常有 10 到 20 个多头头寸，10 到 20 个空头头寸。每个名字都有一个投资组合和一个故事，PM 可以深入研究到第三或第四层细节，因为每个头寸都经过了非常深入的研究和理解，以便相信并实现更高的结果。所以，这些投资组合和这个过程看起来非常不同，而 PM 的角色也与系统化投资组合非常不同，系统化投资组合的每个头寸的信念都较低，因为技能和运气之间的狭窄差距被认为是较小的。但目标是，我们如何构建这些投资组合，这些赌注是独立的，并且不相关，以及我们如何获得投资组合的广度。这是思考第一个问题的一种方式，即系统化 PM 的生活与基本面自由裁量 PM 有何不同。>> 是的，这很有道理。你认为人工智能将如何发挥作用？因为我记得在我的本科时期，我做了一个报告，我当时在给耐克估值，我研究了他们裁员的数量，我深入研究了管理风格，正如你所说，深入研究了这一点。我们看到很多，嗯，随着 LLM 的出现，我认为它会产生更多的信息处理速度。我不知道这是否意味着更好或更准确，对吧？总是有关于它是否真的有效争论。你认为人工智能在自由裁量和系统化方面将如何发挥不同的作用？>> 嗯，嗯，一方面，在自由裁量方面，它们是投资组合管理决策的工具，对吧？所以，它遵循了量化分析师为 PM 作为决策者服务的悠久历史和传统。他们将继续沿着这条道路前进。在系统化方面，情况完全不同，因为系统化一直是，特别是在 BlackRock Systematic，我们在任何人知道人工智能是什么之前就已经在做人工智能了，对吧？因为在 ChatGPT 出现并向我们展示了生成式人工智能的奇妙之处之前，我们已经有了更早一代的奇妙演变，对吧？我们发现的所有东西，语音识别、面部识别，都是更早的预测性人工智能版本，我们已经将其应用于我们的投资流程，特别是在股票方面，已经几十年了。这都是关于什么的？这又回到了保持技能和保持投资组合构建的框架，即独立的赌注。人工智能在这两个方面都有应用。它有一个名字，叫做主动管理的基本法，关于我们如何提供阿尔法。我们已经做了很长时间了。所以，我们可以谈论人工智能的能力和使用，以及早期预测性人工智能，没有人真正谈论过，而每个人都想谈论 LLM 和生成式人工智能，因为它们更具吸引力。嗯，这一切都在发生，但我想先退一步，也描述一下同时发生的另一项功能，对吧？这与我们在过去 20 年里经历的所有令人难以置信的技术变革有关，对吧？你把它想象成约会，随着 iPhone 的发布，嗯，它释放了什么？那就是数据和数据可用性的革命。当我们把物理世界搬到在线世界时，对吧？它首先从桌面开始，你想到 Facebook，一切都是关于计算机体验，然后他们不得不转移到手机上。所有这些演变都产生了一个意想不到的影响，那就是数据的惊人激增。嗯，嗯，所以现在当我们想到人工智能时，我们可以将人工智能视为一种工具，它可以建立在这个惊人的数据激增之上，对吧？所以，这是数据和分析数据的工具的结合，它开启了一个全新的机会世界来获得技能。对吧？我将把一切都带回到这个简单的目标框架。我的目标是为我的客户提供阿尔法。我如何做到这一点？我投资于技能，我投资于广度和投资组合工具和构建。还有另一部分，那就是，嗯，我如何实施我的投资组合？这是投资组合管理中一个更大的部分。研究人员更侧重于技能。我们正在结合进行。嗯，但人工智能和数据给我们带来了机会的激增。嗯，嗯，这就是你现在看到的，嗯，真正发展起来的，嗯，非常重要和有趣的东西，那就是这些数据不像以前的数据。对吧？所以，就像我们最近庆祝了 BlackRock Systematic 成立 40 周年，我们最长久的股票策略已经运行了 40 年。你回顾一下，系统化是什么样的？它看起来相当基础。它有三个信号，市净率，市盈率，我忘了第三个了。动量是后来才出现的。它是更晚一代的。它基本上是关于，嗯，你是否真的能将所有这些数据输入电子表格，然后以一种可以生成投资组合持仓的方式进行优化，实时进行，就像那是最先进的，对吧？所以，三个信号和一点投资组合技术。你快进到今天，你看看我们股票方面的信号库，有超过一千个新的信号，不是新的信号，是一千个信号，并且有 50 到 100 个新信号不断涌入，并且信号与技术一起演变。而这所做的就是从中提取出从这些新机会中找到技能的能力。但这是关键的区别。那些早期的数据集，它们相当结构化。它是一个与证券相关的价格。它是与季度财务报表相关的资产负债表。你不必担心结构。嗯，而所有这些替代数据，随着我们将经济从实体世界，砖瓦结构转移到虚拟世界，这些数据中的很多，大部分数据都是非结构化数据。所以，挑战，这是一个巨大的挑战，不能低估需要多少时间和投资和规模才能成功应对这个挑战，那就是如何构建系统来接收非结构化数据并将其映射到阿尔法。这是一个非琐碎的问题。这是一个非常昂贵的问题，也是为什么你在对冲基金领域看到这种转变的原因，我们对对冲基金领域成功的理解。所以，就像在早期，我们看到成功是小规模的，如果你规模太大，你的成功就会下降，嗯，一直有一个关于这个的长期讨论。而你看看今天，最成功的对冲基金公司是什么？它们是多策略、数十亿美元的巨头。你看看资产流向哪里。它们流向规模玩家。而这部分原因是，该领域对冲基金的成功，这是阿尔法追求目标的最纯粹的表达。我在流动性另类投资中这样做，也就是 ETF 和共同基金。这是一个纯粹的另类投资。这也是一种纯粹的表达。只是包装更民主化了。你不需要，你知道，QIB 和 CQ 的资格，更多的人可以获得它。但这个业务在这个人工智能和数据激增的世界中，正在变得越来越需要规模，才能抓住这个漏斗并将其转化为。我经常在面试问题中问，数据和信息有什么区别？数据是有用的。>> 是的，我正要说，随着我们看到这个巨大的爆炸，我认为关键问题是信号与噪音。>> 是的。嗯，嗯，以及你如何弄清楚这一点，以及如何映射它，特别是围绕非结构化数据。这需要巨大的规模和基础设施，这就是为什么你看到提供跨周期持久阿尔法能力的更多地集中在规模玩家身上，而这正是关于人工智能这个问题的重大演变。现在，说到 LLM，接下来我们要去哪里？嗯，就像第一件事是，“哦，这些 LLM 很酷，哦，我可以获得企业许可证并通过 API 进行访问，我可以构建一个信号，通过 API 调用 Enthropic、Gemini、Chat 或 OpenAI 的模型，然后我们可以对这些模型进行微调。”下一阶段，如果你有规模，就像我们有规模一样，那就是我们可以自己构建这些模型。我们可以专门在金融框架内构建这些模型。所以，如果你看看 Anthropic 正在做什么，这就是他们在做的，对吧？他们正在做所有这些垂直领域，对吧？健康科学，嗯，嗯，金融，嗯，嗯，嗯，嗯，从通用目的和对 AGI 的追求。这非常昂贵。但我不需要 AGI。我需要金融 AGI。我不需要 AGI。嗯，也许我把 G 说对了。金融通用人工智能，无论是什么。嗯，嗯，你明白了。嗯，这就是前沿所在，嗯，现在是在应用方面，因为现在任何人都可以，我甚至不需要写它。我的代码助手会写。我只需要我的 OpenAI 密钥，然后我把它插进去，然后我告诉它，你知道，你知道，获取这些令牌，这就是我想要的目标，以及它做得很好。我们已经将很多情绪和文本分析从旧技术 NLP 和基于字典的信号升级到了上下文感知 LLM。这是一个巨大的飞跃，并且在某些信号方面有了巨大的改进。嗯，但这基本上是我们两年前的情况。嗯，嗯，嗯，嗯，而我们要去的是，嗯，你知道，更多的是关于特定的领域和数据提取，如果你愿意的话，或者利用它来微调方法，以在我们特定的问题中获得更好的结果。>> 你认为人工智能会起到某种守门人的作用吗？我曾在零售信贷领域工作过。所以，我客户的数据就像被锁在一个黑匣子里，对吧？没有人能访问它。你必须有特殊的法律格式，你必须通过 AGI 来收集数据，基本上是通过窃取网络上的信息，对吧？因为任何公开的信息都会被纳入其中，即使是私人的，他们可能仍然以某种形式使用其中一些。你是否认为现在公司掌握数据或私人数据并拥有某种优势，因为你拥有别人没有的数据，而且你甚至无法挖掘它们？嗯，我认为这有点像是 LLM 的下一波浪潮，趋于平均。所以，如果每个人都在做平均，我们都在趋向于 50/50 的阿尔法。你知道，我一半时间赢，一半时间输。嗯，你是否认为这是规模的巨大优势？许多大公司都在收集各方面的信息。嗯，绝对，因为规模的一部分是你与市场互动时收集的信息，对吧？嗯，嗯，你互动，你交易，所以这个领域有不同的参与者以不同的速度运作。嗯，嗯，所以有各种不同的方法被采用，但相似之处在于数据的可用性和访问权限，以帮助为这些方法提供信息。嗯，嗯，你必须有规模才能做到这一点。再次，这与，你知道，两个人从花旗集团的自营交易部门出发，你知道，在康涅狄格州设立他们的对冲基金，你知道，由他们的 PBS 资助，你知道，他们获得了所有的后台支持等等。嗯，也有这样的空间，但它不会在这个空间里，因为你不仅无法获得所需的数据和规模。你是否认为这是一种回归原点的方式？所以，我知道在 70 年代、80 年代、90 年代，甚至 2000 年代初，银行是王者。就像那时每个人都想进入量化领域。就像每个人都想去高盛或富国银行的部门。然后我们看到一个巨大的炒作周期，我认为我们可能仍然处于其中，每个人都想去对冲基金。但现在似乎很多对冲基金正在变成银行，就像一个巨大的巨头，拥有庞大的规模和庞大的团队，不再是 10 到 12 人的小型自营交易公司。你认为这也会是市场周期吗？我们会回到更大的容量和更大的技能集，并吸引更聪明的人？嗯，数据工程师是每个人都忽略的东西之一，是的，是的，数据工程师，但他们通常是把所有东西整合在一起的关键部分。你认为它会回到规模为王，还是我们会看到人工智能和小型公司的一点崛起？嗯，我认为在这个行业发展的概念中，两者都有空间。你知道，首先，它不是要去规模，规模已经在这里了，规模就是故事，嗯，嗯，GFC 和 GFC 后的 Volcker Rule，以及很多事情，基本上就是。
从根本上来说，这打破了银行作为这个宇宙中心的地位，并将其转移到了对冲基金，然后又转移到了在这个业务的两个方面的新玩家。所以，你可以想想像Citadel和Jane Street这样的公司，这已经在发生了，并且已经吸引了大量人才。我认为，另一个很有趣的领域是这种融合，尤其是在人工智能领域，人工智能和以人工智能为中心的技术文化与以金融为中心文化的融合，并且两者之间有一些混合，因为许多正在解决的问题基本上都涉及相同的技能集，对吧？所以，显然，你知道这个故事是Deepseek，你知道它来自哪里？它来自一家对冲基金，而且你还有其他的例子。我认为这为那些拥有不同技能集的人创造了一条不同的道路，他们既对技术方面感兴趣，又对将他们的技术技能应用于金融问题感兴趣。而且这是一个不同的问题。这是一个非常酷的问题。这是一个我一直着迷的问题，但它在某种程度上是一个对抗性的问题，有一些例子是相似的，也有一些例子是不同的，当你处理金融市场时，是的，我认为它将继续下去，因为它具有如此高的财务回报。嗯，非常高的财务回报，你知道，如果我们看看人工智能领域正在发生的事情。所以，与你在人工智能领域看到的东西相比，它们显得有些苍白，但它们仍然相当高，所以它吸引了很多人。我认为这是除了大型玩家之外的另一个正在发展的领域。好的，这说得通。当你们有不同的产品时，有什么区别？因为你们不仅仅是做一个投资组合，就像对冲基金一样。你们有共同基金，有机构投资者，有ETF。你们的系统化方法是如何变化的？比如，投资组合的构建是否更侧重于不同的指标或你们为这些不同类型产品设定的风险比率？是的。所以，让我们回到我世界里更日常的方面。为了回答你的问题，关键在于识别然后为那个目标进行优化，对吧？所以，你正在创建不同的目标以及与之相关的不同约束。然后，在系统化框架下，关键在于调整模型以实现这些目标。所以，我将谈论一些不同的例子。所以，我们最近推出了一项系统化趋势策略，我们将其命名为ISMF。抱歉，这是个无耻的推销。在那里，我们的目标非常简单。我们希望提供一种人们熟悉的趋势体验。这是一项系统化策略，是系统化这棵大树的一个分支。它与格林诺德·康恩（Grennold Khan）以及我们做的许多其他事情是截然不同的分支，但我们也这样做，而且我们已经做了很长时间了。所以，我们利用了这项技能，并将其与我们在贝莱德（BlackRock）iShares中运行ETF的卓越技能相结合。但我们希望为人们提供一种非常可预期的体验。所以，我们对趋势进行了大量的第二代和第三代方法的研究，我们认为这可以提高阿尔法（alpha），提高信息比率（IR），但与更典型的趋势相比，回报的特征略有不同。我们做出了一个设计选择。我们说，不，这个产品，我们希望它在趋势领域具有竞争力，并提供更像趋势的体验。CTA的微笑，你现在在上涨势头上看到了。所以，上涨势头的回报确实非常强劲，但你也应该预期在显著的下跌市场、下跌趋势市场中，这正是CTA市场获得大量资产和关注的地方，它是一种非常反周期、反相关的处理方式，当你出现那些显著趋势时。所以，这就是我们构建该模型的一种方式。我还会再举几个例子。我们已经运行了一个基金超过十年，名为贝莱德系统化多策略基金（BlackRock Systematic Multi-Strategy Fund）。这个基金的目标是，让我们构建一个固定收益的替代品。让我们利用我们的技术，我们的阿尔法，特别是我们从对冲基金经验中开发的策略，我们称之为防御性阿尔法。它看起来有点像股票敞口的看跌期权，但它不是通过方向性或看跌期权构建的，而是提供了另一种股票分散化的来源。所以，你可能会想到投资组合中的债券，它们是为了负相关性而存在的。债券预计会与股票产生负相关。我们经历了2022年，这种情况消失了，因为意外的通货膨胀破坏了股票和债券之间的负相关性。而拥有一个替代性分散化流的价值变得非常宝贵。但我们将其投资组合的构建框架定在“让我们使其看起来和感觉像固定收益体验”的背景下。那么，你如何定义它呢？嗯，固定收益的波动性约为4%。它具有一定程度的收入与之相关。它具有一定程度的预期负相关性。所以，我们构建策略并从这些策略中构建投资组合，以实现这些类型的目标。所以，这就是系统化多策略基金。最后一个例子，我们最近推出了系统化iShares系统化另类主动ETF（iShares Systematic Alternatives Active ETF），我称之为iAlt，它被设计成一个阿尔法生成器，一个流动性另类投资，与股票和债券的相关性非常低，但与系统化多策略基金相比，其预期回报的“辛烷值”更高。所以，与系统化多策略基金相比，后者更像是固定收益，风险回报较低，更具防御性；iAlt则具有更高的预期回报，在投资组合中使用它来替代股票。所以，你构建风险预算，以便在波动性和阿尔法领域承担更多风险，以实现更高水平的回报。所以，你围绕着核心构建这些部分，而核心是什么？你围绕着系统化投资过程的核心——一个优化器。所以，优化器接收输入，如预测回报，并接收目标，如预期回报和约束，如波动率、相关性、因子敞口，然后回到我之前谈到的关于决策中心性的部分，在一个基本过程中，它是酌情决定的；在一个系统化过程中，它是模型，这就是在模型、优化器和输入中意味着什么，以及你如何引导优化器在这个过程中实现这些结果。这就是系统化过程。这也是我作为投资组合经理的工作的一部分，确保它被引导到正确的水平。然后，一旦它运行起来，确保它知道它应该知道的东西。然后，我的工作是知道它不知道什么。是否存在一些外部风险，比如一场自1913年以来我们未曾见过的全球大流行病？也许模型不知道这场全球大流行病的影响。所以，模型将做出决定，然后我们将审查这些决定，并确保它们是正确的。所以，围绕不同的目标和约束构建不同的产品，理解模型知道什么，不知道什么。这就是系统化过程。太棒了。这很有道理。关于播客的最后一个问题，你有什么书推荐吗？它可以是一本普通的励志书，一本你喜欢反复阅读的书。它可以是一本教科书，一本金融书。有没有哪本特定的书让你觉得是你的最爱，可以推荐给听众？嗯，我之前已经提到了对系统化感兴趣的人的关键书籍，那就是格林诺德·康恩（Grennold Khan）的《主动投资组合管理》（Active Portfolio Management）的权威教科书。所以，那本书确实非常关键。然后，你知道，在我做的其他事情中，我处于金融市场和量化方法之间。所以，主动投资组合管理更多的是量化方法，但它也包括理解金融市场以及市场如何运作。我读过很多关于这个的优秀书籍。你知道，我们刚刚宣布了新的美联储主席。货币政策确实非常关键。而且，在这些宏观主题上，也写了很多非常好的书。但我最喜欢的之一可以追溯到更早的历史，那就是大萧条期间的货币政策史。这本书叫做《金融巨头》（The Lords of Finance）。它确实是关于这个主题上研究最深入、写得最好的书之一。它读起来就像一部小说。它确实是我最喜欢的书之一。太棒了。杰夫，很高兴你能来。我非常感谢。太棒了，德米特里，感谢你举办播客，也感谢你邀请我们。杰夫，很高兴你能来。你还有什么最后的见解、推介，听众可以在哪里获得更多关于贝莱德及其策略和想法的信息？是的，谢谢你问这个问题。我们确实发布了很多材料。它在BlackRock Systematic，blackrock.com上。我将参加一个非常好的活动，这是我们公司范围内的贝莱德固定收益展望。你可以在blackrock.com网站上找到它。所以，有很多不同的信息来源可以跟进我们的一些想法和出版物。太棒了。我会在下面的描述中链接它们。我非常感谢你来。再次感谢你邀请我们，德米特里。 [音乐] [音乐]