访谈嘉宾：Peter Pan
文：Wendi Song
图：Max Zhang
天才少年的职业发展之路
单从履历上来看，Peter Pan 无疑是典型的天才少年。但即使是天才少年，在面临职业的选择时，也并非一击即中。
在2007年北京大学物理系本科毕业之后，Peter 前往美国弗吉尼亚大学就读电子工程系。博士毕业后的四五年内，他先后进入 IBM 沃森研究中心及华为硅谷研发中心，进行光通信芯片等器件方面的研究。

但在2015年，他却做了一个跨度较大的转行——进入华尔街顶级对冲基金 Citadel 进行量化对冲策略的研究，三年后再进入 Google 做 AI 方面相关的研究及应用，两年之后再度回归 Citadel 用机器学习的相关量化算法做交易策略。
职业发展横跨从硬件到软件的多个行业，并且入职的都是全球顶尖的公司。这样的履历任谁都惊叹不已，但在 Peter 本人看来，其实自有他的逻辑。
“我不怕把学过的专业知识都扔掉”
尽管自小学业上一路顺风顺水，但是当 Peter 面临就业时，却遇到了一个不大不小的挫折。
Peter 回忆道：“我们在念书的时候，信息都有严重的滞后。我当年去学光通信的时候，头脑还停留在2000年光通信大热的那个时候。因为之前大学里你听到的故事，那都是好多年前的故事，令人觉得光通信行业多么辉煌，多么令人激动，所以就去学了。但等到学成出来，在我博士毕业的时候，行业早就不是2000年时候的样子。当年的行业领头公司曾高达1000多块的股票现在只剩几块钱。所以毕业时拿到的 Offer 并不多。”
尽管之后进入 IBM 沃森研究中心工作，但是这段经历已然令 Peter 深刻体会到究竟何为立身之本。
这或许也是他在光通信芯片领域深耕四五年后，却大踏步转入全球最大的对冲基金之一 Citadel 开始从事量化策略研究的一个原因。
Citadel 以对冲基金业务起家，主打多策略基金，是对冲基金里的技术派，在关注投资价值基本面的同时，通过大量信息以及各种数学模型来分析市场，从中寻找机会。其版图的另一块是子公司 Citadel Securities 的业务，在疫情以来的市场波动中大有斩获。
Peter 向我们解释道，事实上量化行业和硅谷的互联网公司有一个异曲同工之处，就是招人并不十分看重这个人过往在做什么，而是满足基本的学历等条件之外的学习能力。
“很多人可能会觉得学了这么多年的光通信，这个东西不做了是不是可惜了。但我就觉得世界变得很快，我以前学的所有东西我都是可以用掉的。只要我觉得我以前的基础学习思路、以及我以前的基础知识，能够让我在这个行业里头做出有意义的东西，我觉得我就可以去做。我觉得我以前学了什么东西并不太重要。”
但 Peter 在 Citadel 学到的不仅仅是如何去做对冲基金。
“0到80分”还是“80到100分”？
Peter 回忆道，在进了基金公司之后，学术水平只是一方面但更重要的是，“第一就是你要知道怎么去问正确的问题，要知道到底什么问题是重要的。另一个就是要知道到底做到什么程度就足够好了。”
“钻牛角尖、在一个事情上花很多时间去把它做得特别好，很多时候并不值得。因为很多时候要把一件事情做到80分可能没有那么难，但要做到100分可能会非常难。”
他举例道，“当时招我的印度的经理，他最擅长的一件事情就是发现什么东西方向特别值得做，然后他去开始努力去做，然后做到八九十分向上面证明这个项目非常有价值，然后向上面要人要资源，继续去把这个项目做到100分。他把这个团队招来把这个项目从80分到100分的同时，又去找别的项目，所以说他是一个非常擅长这样做事的人。”
“如果你追求的是去从相当于从0做到80分这个程度的话，其实很多东西都差不多。像马斯克做了 PayPal、TESLA 和 SPACE X，但我最认同他的一点，就是从最基本的原理出发。譬如他会用基本的原理去想，现在的技术为什么没有把火箭做到可以回收，然后就想办法把火箭做得可以回收。”

“如果普通人没有这么高的境界，可以简单一点，想想现在到底什么东西在赚钱，然后想想看它为什么赚钱，然后再想想看你是否可以其中做些什么令它变得更赚钱一些，或者从大潮中分到一杯羹，这对大多数人来说是更现实的一件事情。”
“实际上，我们作为从小按照做题思路长大的人来说，很多时候的思路是‘我被交给了这个任务，我把这个任务做好，这是我的工作’。尤其当你学得东西越深，就更可能有这种想法。但是这个时候你做得只是从90分到100分的那个部分。”
“我觉得我很长时间都有这种比较脱节的思维。这个思维其实在商学院里讲得非常清楚，实际上就是谈钱。一个项目到底值不值得做，很多时候可以简单的归结为到底赚不赚钱。怎么才能证明一个项目到底赚不赚钱，说实话远不如什么量子力学难，只是很多时候这类知识并不为很多人所知。”
像训练AI一样训练自己
在 Peter 看来，能力是可以通过大量数据训练获得的，就像机器学习一样。
“人和机器学习实际上都有一个共同的特点，就是如果需要学习到一个东西，需要训练数据。机器学习显然需要很多的训练数据。”
“我觉得人学其实也是一个道理，也需要很多的训练。就譬如问问题这个能力之所以难学，是因为训练数据很少，因为从小到大在学校里，我们学的都不是怎么问一个正确的问题，而是已经被交代了一个问题之后应该如何去解决它。”
Peter 认为自己和同龄人从小到大在这方面都缺乏训练。
“费曼有句名言：‘我更愿意要没有答案的问题，而不愿意要没有问题的答案’。实际工作中问出好的问题要重要得多。也许这个问题还没有答案，但是这个问题会像灯塔一样照亮你寻找答案的道路。”
“其实商学院会教很多这样的东西，如果重新来一遍的话，我可能会更早的去开始学习这些知识。其实也没有那么难，只是需要知道很多不同类型的思维，即训练数据。总的来说，你需要去开阔你的思路，需要去读很多好书，需要去接触很多有意思的人。后者尤为重要，因为要学习的并非具体的投资技巧，而是去了解各种不同类型的成功的人，到底是怎么成功的。然后可以去想想你和他们有什么类似之处、可以从哪些人身上得到对你来说最有用的东西。”
“你不要怕扔掉你原来所知道和学到的东西。要去不断尝试和学习、去认识新的人，学习新的东西，我觉得这可能是一个更基本的原则。”
偶像是极客，是力量
Peter 告诉我们他的偶像是 David Shaw。
David Shaw 是量化对冲基金 D.E. Shaw 的创始人。他本人是斯坦福大学计算机专业的博士, 30岁不到就进入哥伦比亚大学做教授，专门研究超大规模并行计算。但之后放弃了教授生涯，投身华尔街并创立了自己的对冲基金 D.E. Shaw & Co. LP，专注算法交易（可以通俗地理解为用计算机自动炒股、债和外汇），利用高速计算机网络和市场瞬间的有效性缺陷来进行高频统计套利。D.E. Shaw 所促成的量化技术革命使得量化技术已成为当今对冲基金的最大趋势，占据了该行业顶级资产的约5000亿美元。十大基金中有七只被认为是“量化基金”，包括 D.E. Shaw 本身。这只基金也被媒体誉为“某种程度上塑造了当今的华尔街”。
在赚到足够的钱后 David Shaw 成立了 D.E. Shaw Research 研究中心，负责计算生物化学研究，以帮助治愈癌症和其他疾病。研究中心开发的 Anton 超级计算机令其在蛋白质折叠及分子动力学方面取得斐然成果。
“我从以前只是单纯地去钻研技术，到后来慢慢学会和了解如何把技术和商业的思路结合起来，从而在事业上略有小成。”
“如果有一天，我能像 David Shaw 一样，赚到足够的钱去建立一个先进的研发中心，做出一些特别牛的黑科技，给社会带来一些改变，这将是我理想中最有成就的事情。” Peter 笑着总结道。
- end -
往期精选
有趣+有料
芯光猫带你解读
贴“芯”资讯
▼
继续阅读
阅读原文