Как Джим Саймонс превратил математику в миллиарды

Если открыть список самых доходных инвестиционных фондов за всю историю рынка, на первой строчке окажется Medallion, а создал его человек, который до 40 лет к бирже отношения не имел. Джим Саймонс (James Harris Simons) был профессиональным математиком, заведовал кафедрой в университете и получал научные премии, а торговать начал почти случайно, просто потому, что стало интересно, поддаются ли цены той же обработке, что и данные в его прежней работе.

Компанию, внутри которой всё это происходило, Саймонс основал сам, и её история началась заметно раньше самого известного фонда. С 1978 года фирма называлась Monemetrics, в 1982 году получила имя Renaissance Technologies и обосновалась не на Уолл-стрит, а в тихом Ист-Сетокете на Лонг-Айленде, по соседству с Университетом Стоуни-Брук, где Саймонс до этого десять лет заведовал кафедрой математики. Medallion запустили внутри неё только в 1988 году, то есть спустя шесть лет после переименования, и именно этот фонд стал флагманским, по которому компанию знают до сих пор.

Ключевая суть успеха заключается совсем не в гениальных прогнозах. По словам Роберта Мерсера, одного из руководителей компании, система оказывалась права примерно в 50,75% сделок, то есть перевес над случайным исходом составлял меньше процента. Фонд совершал от 150 000 до 300 000 сделок в день, держал позиции в среднем около двух дней и работал с плечом около 12,5 к одному, и вот из этой комбинации и вырастала доходность.

Прибыль здесь бралась не из точности отдельного прогноза, а из количества повторений и дисциплины исполнения.

Как Джим Саймонс зарабатывал на бирже

Его фонд находил слабые статистические закономерности в ценах, вкладывал в каждую крошечную сумму и повторял такие сделки сотнями тысяч раз в день, забирая свой перевес меньше чем в один процент. Направление рынка при этом никого не интересовало, а решения принимала модель, которой людям запрещалось мешать.

Если из 100 000 сделок правильными оказываются 50 750, а неправильными 49 250, разница в 1 500 сделок и есть весь заработок. На десяти сделках она не значит ничего и полностью тонет в случайности, но на сотнях тысяч операций закон больших чисел превращает её в ровную кривую капитала. Отсюда и все требования к системе. Нужны инструменты, где сделок много, нужна скорость, чтобы успевать за возможностью, и нужен контроль издержек, потому что комиссия в те же доли процента забирает весь перевес. Medallion поэтому гнался не за размером прибыли в одной сделке, а за количеством поводов её получить.

Чем он торговал на самом деле

Начинали с валют и товарных фьючерсов, то есть с золота, нефти, зерна, соевых бобов и валютных пар, потому что там были глубокая ликвидность и длинная история котировок. Потом добавились государственные облигации США и фьючерсы на процентные инструменты, а в девяностые годы главным источником прибыли постепенно стали акции, которых система торговала тысячами одновременно.

Выбор объяснялся не привлекательностью компаний, а возможностью входить и выходить большим объёмом без заметного влияния на цену. Отчёты эмитентов, планы менеджмента и оценки аналитиков в модель не попадали вообще, поскольку на горизонте в пару дней они ничего не решают. Значение имели цена, объём, время суток, поведение соседних инструментов и связи между ними.

Какие закономерности находила система

Точный набор сигналов компания не раскрывала никогда, но часть ранних закономерностей известна, и по ним хорошо видно, насколько это приземлённые вещи.

• Возврат к среднему. Если цена резко уходила от своего обычного уровня, чаще она возвращалась обратно, и на этом эффекте больше десяти лет держалась основная часть результата.
• Эффект дня недели. Движение пятницы часто продолжалось в понедельник, а во вторник заметно чаще происходил разворот предыдущего направления.
• Двадцатичетырёхчасовой эффект. Поведение цены в предыдущий день давало небольшой перевес в прогнозе на следующий, особенно на открытии.
• Поведение участников перед выходными. Товарные трейдеры закрывали позиции в пятницу, чтобы не держать риск через выходные, и это создавало предсказуемый сдвиг цены.
• Связи между активами. Движение одного инструмента подсказывало движение другого, связанного с ним через сырьё, валюту или общий фактор.
• Микроструктура торгов. Плотность заявок, скорость исполнения и мелкие перекосы в стакане тоже становились сигналами.

Ни один такой сигнал сам по себе не давал ничего, ведь отдельно взятый эффект понедельника не окупает даже комиссии. Смысл появлялся только в ансамбле, когда десятки слабых закономерностей складывались в одну систему.

“Мы правы примерно в 50,75% сделок, но в этих 50,75% мы правы полностью.”

Как это работало технически

1. Данные и их чистка. Котировки собирали за десятилетия, включая бумажные архивы, и вычищали ошибки, потому что на грязных данных модель находит закономерности, которых в реальности не существовало.
2. Проверка гипотезы на длинной истории. Идея сначала проверялась статистически, и если перевес не подтверждался вне периода подбора, её выбрасывали.
3. Объединение в одну модель. Сигналы не работали как отдельные торговые роботы, а входили в единую систему, распределявшую капитал между ними автоматически.
4. Расчёт издержек до сделки. Комиссии, проскальзывание и собственное влияние на цену закладывались заранее, ведь при перевесе меньше процента именно они решают, останется прибыль или нет.
5. Управление плечом. Заёмные средства усиливали тонкий перевес, но размер позиции считала система, а не человек с настроением.
6. Запрет на ручное вмешательство. Даже в дни резких движений рынка сотрудники не имели права отменять решения модели.

Отдельно стоит сказать про людей, потому что состав команды объясняет подход. В компанию не брали выпускников финансовых факультетов и специалистов из банков, а нанимали математиков, физиков, астрономов и лингвистов.

Питер Браун и Роберт Мерсер пришли в 1993 году из лаборатории IBM, где занимались распознаванием речи, и перенесли оттуда методы почти напрямую, ведь задача угадать следующее слово по предыдущим и задача оценить следующее движение цены с точки зрения статистики устроены одинаково.

Чем этот подход отличался от других в то же время

В те же годы работали люди, которых считали эталоном рынка, и почти все они принимали решения принципиально иначе. Уоррен Баффет покупал доли в бизнесах и держал их десятилетиями. Джордж Сорос делал крупные решения на макроэкономических событиях и мог направить значительную часть капитала в один сценарий. Питер Линч отбирал акции руками, изучая компании одну за другой. Рэй Далио строил системный портфель на экономических принципах, но с длинным горизонтом и небольшим числом решений.

Саймонс отказался от всего этого сразу.

Никаких мнений о компаниях, никаких крупных решений, никакого горизонта в годы, а вместо одного правильного вывода тысячи мелких, каждый из которых почти ничего не значит.

Разрыв выглядит неприлично большим, но за ним стоит важная оговорка. Medallion работал на ограниченном капитале и с огромным числом операций, а фонды Баффета или Далио управляют десятками и сотнями миллиардов, где такие стратегии физически не помещаются. Сравнивать честнее не проценты, а устойчивость, и здесь пригодится коэффициент Шарпа в трейдинге, который показывает доходность на единицу риска. Именно по нему Medallion оторвался от остальных сильнее всего.

Что происходило в тяжёлые для рынка годы

В 2008 году индекс S&P 500 потерял 38,5%, а Medallion заработал 98,2%, и в 2020 году фонд снова показал рост около 76%.

Причина не в предвидении. Система одинаково спокойно открывала позиции в обе стороны и держала их часы или дни, поэтому падение рынка было для неё не бедой, а источником дополнительных возможностей. Чем сильнее колебания, тем чаще цена отклоняется от привычного уровня и тем больше поводов для сделки с перевесом. Для частного трейдера здесь скрыт неочевидный вывод, ведь стратегия, которая зарабатывает только на растущем рынке, проверку такими годами не проходит.

Почему фонд закрыли для чужих денег

В 1993 году Medallion перестал принимать новых инвесторов, а к 2005 году вернул все внешние деньги и остался только с капиталом сотрудников. Размер сознательно держали примерно на уровне $10 млрд, а прибыль каждый год распределяли между участниками, чтобы фонд не разрастался.

Логика тут очень полезная для понимания. Неэффективности, на которых строилась вся система, крошечные и быстро исчезают, если торговать слишком большим объёмом, потому что собственные заявки начинают двигать цену против себя. У маленького счёта здесь есть настоящее преимущество, поскольку частный трейдер помещается в такие возможности целиком, а фонду с миллиардами они попросту не по размеру.

Итог получился редкий даже для Уолл-стрит. Более $100 млрд торговой прибыли за три десятилетия, состояние самого Саймонса около $31,4 млрд на момент смерти в 2024 году и порядка $6 млрд, переданных на науку и образование вместе с женой Мэрилин. Renaissance Technologies продолжает работать, а Medallion остаётся закрытым для посторонних.

Наследие оказалось шире одного фонда. Крупные управляющие компании начали нанимать физиков и программистов, строить дата-центры и мерить результат статистикой, и количественный подход, который в конце восьмидесятых считали чудачеством университетского профессора, стал отраслевой нормой. Отдельная линия ведёт вообще не в финансы, ведь характеристические классы Черна-Саймонса, придуманные им в геометрии задолго до биржи, сегодня используются в теории струн и в физике квантовых вычислений.

Что из этого применимо частному трейдеру

Повторить систему нельзя, для неё нужны десятилетия чистых данных, своя инфраструктура и сотня научных сотрудников. Но сам образ мышления переносится на любой счёт.

• Считайте перевес, а не угадывайте. Стратегия описывается числами, то есть долей прибыльных сделок, средним размером прибыли и убытка и количеством сделок за период.
• Издержки решают судьбу коротких стратегий. При перевесе в доли процента комиссия и разница цен покупки и продажи забирают результат целиком, поэтому считать их надо до первой сделки.
• Проверяйте идею на отрезке, который не участвовал в подборе. Красивый результат на прошлом почти всегда получается подгонкой, и такие гипотезы в Renaissance выбрасывали без сожаления.
• Один сигнал слабее набора. Даже рабочая закономерность даёт слишком мало сделок, а несколько независимых сигналов вместе делают результат ровнее.
• Не отменяйте собственные правила вручную. Именно этот запрет Саймонс считал главным условием работы модели.
• Маленький счёт это не только ограничение. Мелкие неэффективности доступны вам и недоступны большим деньгам.

Начать проще всего с одной понятной закономерности на своём рынке, описанной числами, а не словами. Проверьте её на истории, посчитайте комиссии, посмотрите, остаётся ли перевес после издержек, и только потом добавляйте вторую. Дальше пригодится эффективная стратегия на фондовом рынке с прозрачными расходами, а что такое сложные проценты станет понятно уже на собственном счёте, потому что главный результат Саймонса дало не одно гениальное решение, а много лет одинаково скучных действий.