一、生物界的物竞天择

我最近在观察量化行业不同管理人行为和我合作的量化团队结构的时候，联想到一个有趣的现象。

在自然界里，海豚是哺乳动物，鲨鱼是鱼类，祖宗八代打不着关系，但它们长得几乎一模一样：流线型的身体、背鳍、尖尾巴。

这是为什么呢？

因为大海的物理法则，流体力学决定了，在这里面生存，想游得快、吃得饱，这就“唯一正确”的体型，任何试图长成方形或三角形的生物，早就被淘汰了。这就是生物学上的“趋同进化”。

回头一看，金融市场也是一片残酷的大海。无论你是华尔街的金融大鳄，还是陆家嘴高频自营团队，为了在残酷的竞争中活下来，大家的赚钱模式、团队架构、商业结构最终都会收敛。

下面这篇文章，我试着通过 “趋同进化”的概念，探讨量化私募行业中策略和团队结构的收敛现象。我尝试整理我观察和理解的，量化私募在激烈的竞争中逐渐收敛出的一些长期有效的赚钱策略和商业模式。

二、赚钱策略的收敛

作为量化猎头，我每天的工作就是看量化研究员和基金经理的履历与简历，然后完成候选人下一段职业跃升的匹配与推荐。

粗浅的观察下来，金融市场里能长久赚钱的方法，感觉就三种，不管是多么复杂的算法，炫酷的包装，我用朴素的常识感受下来，是这三样东西：

套利（Arbitrage）、做市（Market Making）和市场交易（Market Taking）。

1）套利：倒爷的生意

朴素场景：你发现楼下便利店的可乐卖3块，隔壁街的超市卖2块5。你立刻跑去超市买空货架，搬到楼下便利店门口卖2块8。

赚钱逻辑：消除价差， 不赌可乐会不会涨价，只赚那个确定的“差价”。

核心能力：

  • 手速：你得跑得比别人快，不然差价就被别人赚走了。
  • 本金：单笔利润低，你要赚钱你就得有钱把超市的货全扫光。
  • 特权：你要是能插队排在结账队伍的第一个，你就是赢家。

2）做市：开小卖部的逻辑

朴素场景：二手车商和小卖部。

赚钱逻辑：提供方便，省时间。

有人急着卖车，车商10万收；有人急着买车，车商11万卖。

车商不赌车价涨跌，赚的是那1万块的“辛苦费”（买卖价差）。

承担的风险是：万一车收进来了，三个月卖不出去，这就有库存风险，或者收了一辆事故车。他没判断好，这就有逆向选择风险。

核心能力：即使在大家都恐慌的时候，他还敢开门做生意。

3）市场交易：天气预报员赚钱方法

朴素场景：你看天边乌云密布，掐指一算“10分钟后必有大暴雨”。于是你去赶紧囤一批雨伞。等雨下来了，别人都成了落汤鸡，你高价卖伞。

赚钱逻辑：预测未来，你利用乌云信息，比别人先一步判断出价格会怎么走。

核心能力：你的“天气预报”的预测模型必须比大多数人准。

三、赚钱团队“不是主要靠发明新信号”

我之前一直觉得，量化研究员的工作是“发明新信号”，寻找更多的赚钱逻辑。

但现在感觉事实上，策略开发、参数优化、系统一致性校验，才是长期持续的工作。

1）一家无聊但赚钱的饭店

这就像是你家楼下的快餐店，“发明新菜”当然好，这就跟量化私募天天开发新信号一样。

但真正决定你能不能长期赚钱的是：

  • 厨房出餐是否稳定（系统稳定）
  • 食材供应是否靠谱（数据质量）
  • 配方火候要不要调（参数优化）
  • 外卖员路线是否最优（执行/延迟）
  • 前台显示的库存，和后厨真实库存一致吗（生产一致性校验）

赚钱公司，尤其是高频团队竞争最激烈的地方，往往就在这些“看起来不性感”的环节：

延迟：订单晚 10 微秒，可能就排到队尾了，对做市/套利来说队列位置就是钱。

一致性：研究系统算出来“应该持仓 100”，实盘系统真实却是“80”，这不是小 bug，可能是大事故。

头部公司把大量精力放在“把系统磨到极致”，而不是天天追求“创新技巧赚钱圣杯”。

2）一个不断调频的收音机

绝大多数策略不是嘎嘎全新的，因为市场上哪有那么多的收益来源。

大多数策略通常是核心逻辑（如均值回归或动量）的变体。

可能真正的优势来自于完美的微调。

收音机：就像是你在听一个遥远的收音机，这信号里面充满了静电噪音。你并不需要发明一台新收音机，你需要的是小心翼翼地将旋钮向左转一毫米，再向右转一毫米，试图最小化噪音，最大化人声的清晰度。

交易上也差不多：一个策略可能有像“回顾周期”看过去多久的数据，或“阈值”，类似价格变动多大才触发交易这样的参数。研究员会不断花时间运行模拟回测，在历史数据中寻找最佳的设置。

避免过拟合：你为了去年的天气而定制了一套衣服，做好衣服今年又不合适了。如果你把参数调得太完美，这套衣服可能只能在去年的那一天穿，到了明年的新天气，又是一个未来市场，它就完全不合身了。好的研究员懂得在“合身”与“通用”之间寻找平衡。

四、团队结构的“趋同进化”

正如生物界的“趋同进化”，金融市场中的量化私募公司，也在生存的压力下，逐渐收敛出几种有效的团队结构模式，向着以下方式靠拢。

1）跨部门的协作收敛

就像海豚与鲨鱼流线型体型一样，量化公司在面对数据量暴增、交易频次极高、策略日益复杂的挑战时，集中的数据与技术架构是个更优解。

很多公司的研发与交易部门，不再像传统“分散式”的silo模式，而是采取了更高效的平台化结构，将数据收集、因子挖掘、策略执行等功能集成在同一个框架内，避免了各部门之间重复劳动和低效协作。

数据清洗和数据管理：过去很多量化私募的团队数据清洗、因子构建都是由每个研究员独立完成，但现在越来越多的公司开始引入专业的数据管理团队，把数据的收集、处理、存储都集中到一个平台，避免了“自建数据平台”的资源浪费。比如 Two Sigma 和 Citadel 通过专门的技术团队提供数据支持，确保每个团队都能高效使用数据。

因子与模型的集中共享：在Silo模式下，很多团队会把自己的因子库、回测框架当做商业秘密，并且不允许其他团队共享。但在集中式平台模式下，团队之间的资源共享开始增加，虽然每个 PM 依然保持独立性，但他们可以共享基础的模型和因子库，并在此基础上做更深入的研究。

2）“高效工具”推动的团队协作收敛

随着市场竞争的加剧，大家不断迭代升级技术平台，以提高团队协作效率和策略执行能力，也成为了必经之路。

  • 统一的研究平台与工具：在过去的 “Silo 模式” 下，各个团队独立搭建自己的回测系统、数据管理系统，而在如今的集中化平台模式中，越来越多的量化公司开始提供统一的研究平台，例如 HRT、Renaissance 的研究平台，几乎所有的团队都可以使用同一个基础设施来进行数据分析和回测，进一步避免了重复劳动和资源浪费。

  • 自动化工具与系统的协同作用：在大多数头部公司，量化研究员更多的是与系统开发人员协作，开发自动化的数据处理工具，自动化的回测系统，自动化的交易执行框架等，而不再是单纯的手动开发策略。这也使得公司能够提高生产力，减少重复劳动，并且保证每个团队在高效协作的框架下 共同开发和优化策略。

最后，对于选择公司的我们，最终都要回到行业本身的规律和客观事实，单纯探讨短期的“可行性”或“创新性”或者空画大饼可能意义不大。

金融市场就像一片大海，其中的规则和竞争早已注定，真正能够长期存活的策略和团队，都已经趋同进化，走上了高度一致的竞争路径。任何试图在大海中长成“长方形”或者“三角形”的鱼类都注定要被淘汰。

我们要做的不是立刻追求短期的“成功”，而是要避免那些不符合市场物理法则的策略和求职机会，就像是避开试图在海洋中成为长方形的鱼一样，避开奇奇怪怪的创新与标新立异。