Человек, который разгадал рынок. Как математик Джим Саймонс заработал на фондовом рынке 23 млрд долларов - Грегори Цукерман

Добродушие Лауфера явилось для Саймонса долгожданным облегчением спустя долгие годы общения с такими непростыми личностями, как Баум, Акс и Берлекэмп.

Саймонс стал важной персоной в Renaissance и мог рассчитывать на высокие показатели прибыли, которых они достигли за последнее время.

Он привлекал новых инвесторов, искал талантливых ученых, выстраивал план действий в чрезвычайных ситуациях и разрабатывал стратегию того, как его команда во главе с Лауфером, который руководил исследованиями в новом офисе на Стоуни-Брук, и Штраусом, отвечающим за проведение торговых операций в Беркли, может закрепить и развить свой успех последних лет, наращивая прибыль.

Лауфер изначально принял, как выяснится позднее, чрезвычайно важное решение: Medallion будет использовать единую торговую модель, а не внедрять различные модели для всевозможных инструментов и рыночных условий, – подход, который станет применять подавляющая часть компаний, занимающихся количественным анализом рынка. Лауфер не отрицал, что внедрить целую серию торговых моделей проще и удобнее. Однако он настаивал на том, что только единая модель может опираться на огромный массив ценовых данных, собранных Штраусом, и обнаруживать корреляции, подходящие сделки и другие сигналы среди различных классов активов. Узконаправленные, отдельные модели, наоборот, содержат слишком мало информации.

Не менее важно и то, что Лауфер понимал: единая стабильно функционирующая модель, основанная на ряде ключевых предположений о том, как ведут себя цены и финансовые рынки, позволит проще добавлять в нее новые инструменты в дальнейшем. Они могли бы даже исключить акции с относительно небольшим количеством торговых данных, если сочтут их похожими на другие ценные бумаги, которыми торгует Medallion и о которых собрано большее количество данных. Да, Лауфер признавал, что объединить торговые операции с различными активами, например, валютные фьючерсы и американский товарный контракт, – сложная задача. Однако он утверждал, стоит только найти способ «сгладить» эти неровности, единая модель улучшит результативность торговли.

Лауфер часами сидел за своим столом, дорабатывая модель. В обеденный перерыв команда обычно усаживалась в его древний автомобиль Lincoln Town Car и отправлялась в кафе неподалеку, где они продолжали свои обсуждения. Для создания нового подхода к изучению рынка потребовалось не так много времени.

Штраус и его коллеги собрали не одну стопку документов с многолетними показателями цен на десятки товаров, облигаций и валют. Чтоб упростить задачу по обработке всей имеющейся информации, они разбили торговую неделю на 10 сегментов: 5 ночных сессий, когда торговые операции проводятся на зарубежных рынках, и 5 дневных. По сути, они разделили день пополам, что позволило команде искать закономерности и последовательности в различных сегментах. А утром, в полдень и в конце дня они уже заключали сделки.

Саймонс задумался о том, есть ли более оптимальный способ проанализировать имеющиеся данные. Возможно, разделение суток на более мелкие сегменты позволит команде анализировать информацию о ценах в течение дня и выявлять новые, незамеченные закономерности. Лауфер начал делить сутки пополам, затем на четверти, и в результате решил, что пятиминутные интервалы – наиболее оптимальный вариант. Необходимо отметить, что теперь в распоряжении Штрауса были устройства с увеличенной вычислительной мощностью, что позволяло Лауферу сравнивать мельчайшие фрагменты исторических данных. Разве цена на 188-м пятиминутном интервале на рынке, где торгуют фьючерсами на какао, регулярно падала в те дни, когда инвесторы нервничали, тогда как 199-й интервал обычно возрастал? Возможно, на интервале 50-м на рынке золота наблюдалась активная покупка в те дни, когда инвесторы переживали по поводу инфляции, но интервал 63-й часто демонстрировал ослабление цены?

Пятиминутные интервалы Лауфера позволили команде выявлять новые тренды, ценовые отклонения и иные явления, или, по их словам, неслучайные эффекты торговли. Штраус и другие специалисты проводили тестирование системы, чтобы удостовериться, что они не упустили какие-то данные и не пришли к ошибочным стратегиям торговли, но многие из новых сигналов, похоже, повторялись.

Команда Medallion будто прозрела, увидев рынок с иной стороны.

Одно из первых их открытий заключалось в следующем: определенные колебания валютного курса, замеченные в пятницу утром, обладают странной способностью предсказывать валютные курсы в тот же день, но несколько позже, ближе к закрытию торгов. Работа Лауфера также показала, что, если рынок растет в конце дня, то зачастую выигрышной стратегией оказывается покупка фьючерсных контрактов непосредственно перед окончанием торговой сессии с тем, чтобы продать их на следующий день на открытии биржи.

Команда обнаружила прогностические эффекты, связанные с волатильностью, а также ряд комбинированных эффектов, таких как склонность пар родственных активов – золото и серебро, печное топливо и сырую нефть – двигаться в одинаковом направлении в определенные моменты времени в торговый день по сравнению с другими. Изначально не было очевидно, по какой причине срабатывали некоторые из новых торговых сигналов, но если они имели p-значение, или значение вероятности ниже 0,01 – то есть выглядели статистически значимыми, с низкой вероятностью оказаться статистическим миражом, – то их добавляли в систему[96].

Вскоре Саймонс понял, что недостаточно просто иметь в запасе множество удачных инвестиционных идей.

«Как нам решиться на этот рискованный шаг?» – спросил он Лауфера и остальных членов команды.

Саймонс озадачил их необходимостью решить еще одну серьезную проблему: учитывая широкий выбор потенциальных сделок, которые они могли совершать, и ограниченное количество активов под управлением Medallion, какой объем они должны устанавливать для каждой сделки? Какие колебания цен отслеживать и ставить в приоритет? Лауфер стал разрабатывать компьютерную программу для определения оптимальных сделок на протяжении всего дня – то, что Саймонс назвал алгоритмом ставок. Лауфер решил, что он будет «динамичным», то есть станет автоматически адаптироваться на основе анализа информации в режиме реального времени, чтобы корректировать структуру позиций фонда с учетом вероятного направления движения рынка в будущем. Это стало ранней версией машинного обучения.

Направляясь в Стоуни-Брук со своим другом и инвестором Medallion, Саймонс едва сдерживал восторг.

«Наша система – живой механизм; она постоянно видоизменяется, – объяснял он, – мы должны быть готовы буквально ее выращивать».

В компании Саймонса работало всего около дюжины сотрудников, поэтому если он хотел догнать D.E. Shaw и стать лидером в индустрии, ему было необходимо укомплектовать полный штат. Однажды на собеседование приехал аспирант Стоуни-Брук по имени Крешимир Пенавич. Пока он ожидал разговора с Лауфером, к нему подошел Саймонс, одетый в рваные брюки и лоферы, держа в руке сигарету, пытаясь оценить новоиспеченного кандидата на должность.

«Вы из Стоуни-Брук?» – спросил он Пенавича, который утвердительно кивнул в ответ. «Чем вы занимаетесь?» – вновь обратился он к соискателю.

Пенавич, не догадываясь, кто именно задает ему все эти вопросы, встал, вытянувшись во весь свой двухметровый