اختر منطقتك 
حالة الطقس 
Feng JI هو مؤسس ورئيس الرئيس التنفيذي لشركة Baiont ، وهو صندوق كمي أفضل أداء في الصين يستخدم الذكاء الاصطناعي لتطوير استراتيجيات التداول.
يجادل بأن التداول الكمي هو في الأساس مهمة علمية الكمبيوتر ويتوقع أن مديري الصناديق الكميين الذين فشلوا في احتضان الذكاء الاصطناعي لن يستمر ثلاث سنوات أخرى.
في هذه المحادثة مع مراسلة تقنية آسيا في فاينانشال تايمز زيان وو ، يتحدث جي عن كيفية تعطيل فريقه من علماء الكمبيوتر الشباب الذين ليس لديهم خلفية مالية في قطاع التداول الكمي في الصين ولديه طموح للذهاب إلى العالمية. يقول إن التداول الكمي يجذب أفضل مواهب الذكاء الاصطناعي ويقدم أرضًا خصبة للشركات الناشئة ، مثل Deepseek.
Zijing Wu: لا يزال التداول الكمي جديدًا نسبيًا في الصين مقارنة بالولايات المتحدة وأوروبا. هل يمكنك وصف المشهد الحالي في الصين؟
فنغ جي: بدأت الموجة الأولى من التداول الكمي هنا مع بعض التجار الصينيين الموهوبين جدًا من وول ستريت. حوالي عام 2013 ، تم تغيير اللوائح للسماح بالتداول الكمي ، وتم تقديم المزيد من أدوات التحوط في السوق الصينية ، والتي أنشأت أرضية خصبة لهذا الجيل الأول من التجار الصينيين. لقد حققوا بشكل جيد للغاية ويظلون قادة من أكبر الأموال اليوم.
نحن الجيل الثاني ومختلف جدا. نأتي من “خارج الدائرة” مع خلفية تمويل صفرية. نعتقد أن التداول الكمي هو نفس العديد من المهام الأخرى لاستخراج البيانات وتحليلها. لا يوجد شيء مميز حول هذا الموضوع. نحن نعتبرها مهمة منظمة العفو الدولية الخالصة ، لذلك يتكون فريقنا من علماء الكمبيوتر والمهندسين فقط.
ZW: كيف يمكنك تطبيق الذكاء الاصطناعي في التداول الكمي ، وما الفرق بين ما تفعله مقابل تداول الكمية في المدرسة القديمة؟
FJ: أحرزت تقنية الذكاء الاصطناعي تقدماً كبيراً في السنوات العشر الماضية ، خاصة في نمذجة بيانات السلاسل الزمنية. سواء أكانت طرازات لغة أو الوسائط المتعددة ، فإن الأمر كله يتعلق بشكل أساسي بنمذجة بيانات السلاسل الزمنية. على سبيل المثال ، المهمة الأساسية لـ ChatGPT هي التنبؤ بالكلمة التالية. إنه نفس الشيء مع التداول الكمي. بدلاً من التنبؤ بالكلمة التالية ، نتوقع ارتفاع وانخفاض الأسعار في الفاصل الزمني التالي.
من شأن الصندوق الكمي التقليدي تقسيم فريقه إلى العديد من الوظائف التي تركز على مراحل مختلفة من خط الأنابيب ، وخاصة العوامل ، وتوليد الإشارات ، والنمذجة والاستراتيجية. هذه الوظائف مستقلة ومعزولة إلى حد ما عن بعضها البعض.
نرى كل هذه المراحل بشكل أساسي مثل نفس مهمة تعلم الآلة ونتعامل معها بشكل كلي مع نفس نموذج الأساس. هذا له تأثير بعيد المدى على العمليات. يبدو الأمر كما كان قبل ChatGPT ، وكان لدى شركات معالجة اللغة أيضًا أقسام الفريق التي ركزت على فصل الكلمات أو العلامات والتحليل وما إلى ذلك. يمكن الآن ChatGPT القيام به في نفس الوقت مع نفس النموذج.
ZW: لماذا نهجك الشامل أفضل من التقسيم التقليدي للعمل؟
FJ: بادئ ذي بدء ، يمكنك التنبؤ والتخطيط لترقيات النظام على أساس التعلم الآلي. مثل عندما أطلقت Chatgpt طراز الجيل الأول ، لديك بشكل أساسي فكرة عن شكل الجيل الثاني والمدة التي سيستغرقها الوصول إلى هناك. القدرة على الترقية بشكل مستمر بطريقة منهجية هي مفتاح مدير صناديق كمية.
الميزة الثانية هي فعالية التكلفة. بدلاً من توظيف 50 شخصًا للعثور على عوامل ، نستخدم 100 وحدات معالجة الرسومات وشخص واحد يكتب الخوارزمية لإيجاد العوامل. والنتيجة أفضل وأسرع بكثير. الأمر نفسه ينطبق على جميع المراحل.
ZW: ما هو حجم فريقك وكم هي أصولك قيد الإدارة؟
FJ: ندير حاليًا ما يقرب من RMB7bn (970 مليون دولار) وفريقنا لديه حوالي 30 شخصًا فقط. يقوم ثلثي الأبحاث أثناء التركيز على العمل التشغيلي. يدور بحثنا بشكل أساسي في تحسين الخوارزمية ونموذج الأساس الخاص بنا.
ZW: هل يراك الصناعة مزعجة؟
FJ: عندما بدأنا في القيام بذلك لأول مرة ، قبل حوالي أربع سنوات ، اعتقد الكثير من الناس أنه كان مستحيلًا. كيف يمكن لمجموعة من علماء الكمبيوتر فهم الأعمال والأسواق؟ الحقيقة هي – نحن لا نحتاج إلى ذلك. في الواقع لم يفعل أي منا أي تداول قبل هذا. نرى هذا بمثابة مهمة تعلم آلي خالصة وتكون قابلة للتنفيذ تمامًا.
الآن قلة قليلة من الناس يشككون فينا بعد الآن. بدلاً من ذلك ، يسألنا الجميع بشكل محموم كيف يمكنهم استخدام الذكاء الاصطناعي بشكل أفضل.
لذا فإن توقعاتي هو أنه في غضون ثلاث سنوات ، سيتم القضاء على مديري الكمية الذين لا يكملون تحول الذكاء الاصطناعي من قبل السوق. نظرًا لأن المساحة تزداد قدرة أكبر على المنافسة ، وسيصبح التعلم الآلي أداة أساسية. لا يوجد سبب لعدم تبنيه.
ZW: هل تبني نموذجك الخاص من نقطة الصفر وهل يمكنك أن تعطينا فكرة عن كيفية عمله في التداول؟
FJ: نعم لقد بنينا كل شيء بأنفسنا. لأن بيانات السوق والسلوك مختلفان تمامًا عن بيانات اللغة ، على سبيل المثال. ما نتعامل معه هو أكثر تعقيدًا ونحتاج إلى بناء نماذج متخصصة لذلك.
عادةً ما نركز على التداول على المدى القصير ، من دقائق إلى ساعات. هذا هو ما هو أفضل في الذكاء الاصطناعى. إنه مثل التنبؤ بالطقس. إذا كان عليك التنبؤ بالطقس في شهر واحد ، فلن يكون دقيقًا للغاية ، ولكن إذا توقعت في خمس دقائق ، فإن الدقة مرتفعة للغاية ، لأنه يمكنك التقاط العديد من الإشارات. يمكن التنبؤ بالإشارات قصيرة الأجل نسبيًا وقد قمنا بتحليل بيانات كافية لجعل تنبؤات الجودة.
سنقوم بتقييم التنبؤ بشكل شامل للإشارات المختلفة من دقائق إلى ساعات في الوقت الفعلي. ثم حدد درجة شاملة من هذه التنبؤات ، وبناءً على مثل هذه الدرجات ، نقوم ببناء مجموعة ديناميكية من الصفقات.
ZW: هل هذا يعني أنك لا تهتم بالأساسيات على الإطلاق؟
FJ: في الأساس نعم. العوامل الأساسية وعوامل البيانات البديلة تتغير القليل جدًا خلال اليوم. نعتمد بشكل أساسي على بيانات التداول. إن جوهر تقلب الأسعار على المدى القصير مدفوع بالبيانات التداول.
ZW: لماذا قررت أنت وفريقك ، من خلفية التعلم الآلي ، الدخول في التداول الكمي بدلاً من الشركات الناشئة الأكثر شعبية التي تركز على نماذج اللغة الكبيرة على سبيل المثال؟
FJ: بعد التخرج مع الدكتوراه في التعلم الآلي ، قضيت حوالي عام في النظر في اتجاهات مختلفة يمكن أن يكون للتعلم الآلي ومنظمة العفو الدولية تأثير مزعج حقًا ، بدلاً من ترقية بسيطة للأدوات الحالية.
كان العامل الثاني الذي فكرت فيه في ذلك الوقت هو ما إذا كان بإمكانه إحضار تدفق نقدي جيد. أدركت في ذلك الوقت أن معظم منظمة العفو الدولية يونيكورن لا تجني المال. قد يفعلون أشياء قيمة ولكن من الصعب الحفاظ عليها. بالنسبة للكثيرين منهم أيضًا ، يعتمد نجاحهم بشكل كبير على قدرة المبيعات ، وليس التكنولوجيا لأن هناك تمايزًا محدودًا في تقنيتهم الأساسية. شعرت بأنني طالب الذي يذاكر كثيرا ، لست مهتمًا بأي شيء مدفوع بشدة بالمبيعات.
ثم وجدت التداول الكمي ، الذي يحدد جميع الصناديق. إنها صناعة يمكننا أن نعيدها في كل مكان مع الذكاء الاصطناعي. إنه ليس مجرد نموذج خطي تقليدي ، ولكن مع إمكانية إنشاء شبكة عصبية أو غابة عشوائية. إنه تحد أنا متحمس. وهو مضطرب. إنه مثل تصميم مصنع جديد للسيارات الكهربائية ، مما يعطل تمامًا تصنيع السيارات القديمة.
الشيء الجيد الآخر في التداول الكمي هو أنه يمكن التحقق منه بسهولة. تكتشف ذلك على الفور إذا كنت على الطريق الصحيح أم لا عن طريق القيام بأكثر من ألف تداول في يوم واحد.
كما أنها تقود التكنولوجيا البحتة. يقود معظم الشركات الكمية أشخاصًا لديهم خلفية تقنية. لأنه لا يمكنك إدارة فريق من المهووسين والعباقرة إذا كنت لا تفهم التكنولوجيا بنفسك.
ZW: أي نوع من المهووسين والعباقيات نتحدث عنها هنا؟
FJ: جاء فريقنا ، بمن فيهم أنا ، من خلفية منافسة علوم الكمبيوتر. من بين 30 شخصًا لدينا 13 من أصحاب الميداليات الذهبية. من المحتمل أن تكون “كثافة” الميدالية الذهبية لفريقنا أعلى من أي عملاق تقني هناك. التداول الكمي هو صناعة حيث ترى أعلى نسبة من العباقرة. إنه نفس الشيء في الولايات المتحدة. أعتقد أن أفضل مواهب التعلم الآلي هي 80 في المائة في وول ستريت و 20 في المائة في وادي السيليكون.
ZW: هل هذا هو السبب في أن Deepseek خرج من الطلاق العالي ، أحد أكبر الصناديق الكمية في الصين؟
FJ: بالفعل. لم أتفاجأ على الإطلاق عن ذلك. () المساهمات الرئيسية في LLM (That) التي تم تقديمها هي تقليل التكاليف الهندسية وتحسين كفاءة الاتصال بين وحدات معالجة الرسومات. ويأتي ذلك بشكل طبيعي إلى كمية المتداولين ، لأن كيفية تحديد الوقت الذي نقوم فيه بالوقت في النانوستانية إلى microseconds ، في حين أن شركات الإنترنت التقليدية لديها نطاق زمني من الثواني ، أو ميلي ثانية في أحسن الأحوال.
على سبيل المثال ، يريد منصة التكنولوجيا الكبيرة التي تضم مليار مستخدم عبر الإنترنت في نفس الوقت التأكد من عدم وجود تأخر ورد فعل بشري يتراوح بين 50 إلى 150 ميلي ثانية. لا بأس إذا كان لديك تأخير 10 مللي ثانية. ولكن في Quants تداول مللي ثانية واحدة إلى الأبد.
تداول Quants هو أيضًا حيث لديك تدفقات نقدية صحية للغاية لجذب أفضل المواهب. قبل عشر سنوات ، اجتذبت أذكى الأشخاص من الرياضيات والفيزياء ، لأنهم يمكنهم نقل مهاراتهم التحليلية للبيانات إلى التمويل. ولكن اليوم يتم الاستيلاء عليه تدريجيا من قبل علماء الكمبيوتر. نظرًا لأننا لا نحتاج حتى إلى نقل المهارات – التعلم الآلي هو نفسه في تصميم أفضل أداة لتحليل البيانات. لا يهم ما إذا كانت بيانات من المالية أو أي مجال آخر.
يعني كسب الكثير من المال أيضًا أن يتمتع الفريق بالرفاهية لتفرع لأشياء يهتمون بها أكثر. أسمي هذا التكنولوجيا غير المباشرة.
عندما يكون لديك كمية كبيرة من العباقرة وموارد واسعة ، فإنهم قادرون على تدوير بعض التقنيات غير ذات الصلة القائمة على مهارات أساسية مماثلة.
لقد حدث عدة مرات في التاريخ. على سبيل المثال ، أنشأ مؤسس (صندوق التحوط) مؤسس De Shaw مركز أبحاث علمي كبير لاستخدام أجهزة الكمبيوتر الفائقة التي تم تطويرها ذاتيًا للكيمياء. لا علاقة له بتداول Quants ولكن تطبيق مهارات أساسية مماثلة.
ZW: تمامًا مثل Deepseek ، فريقك هو كل شيء من خلفية تعليمية صينية. كيف تقارن المواهب الشابة في الصين والولايات المتحدة؟
FJ: هناك فجوة قليلة جدًا هذه الأيام. نحن نتنافس على نفس المستوى بشكل أساسي. والصين لديها مجموعة أكبر من هذه المواهب بفضل نظامنا التعليمي مع التركيز الأقوى على العلوم والتكنولوجيا. نحن أقوياء بشكل خاص في القدرة الهندسية والابتكار الخوارزمية.
في العقد الماضي ، يمكن للشباب الأذكياء من كل مكان في العالم التواصل مع بعضهم البعض ويتعلمون مع بعضهم البعض على منصات AI مفتوحة المصدر. وقد أعطى هذا جيلنا من المبرمجين الصينيين فرصة رائعة للحاق بالتكنولوجيا الرائدة في العالم في هذا المجال.
الشيء الآخر في هذا الجيل الشاب من المواهب في الصين ، على عكس والديهم ، نشأوا في معظم عائلات الطبقة الوسطى حيث لم يكن عليهم فعل أشياء لم يعجبهم من أجل كسب لقمة العيش.
معظم فريقنا في العشرينات من العمر. أبلغ من العمر 37 عامًا وأقدمها إلى حد بعيد. أولويتهم الأولى هي الاستمتاع. لذا ، بدلاً من الذهاب إلى شركات التكنولوجيا الكبيرة حيث من المحتمل أن يتعين عليهم التعامل مع السياسة بطريقة أو بأخرى ، فإنهم يفضلون الوصول إلى فريق أصغر موجه نحو البحث مثلنا ، حيث يعملون مع زملاء أذكياء مماثل ومدير يتحدث لغتهم.
إن كبرت في بيئة رائعة يعني أيضًا أن هذا الجيل من المواهب الشابة الصينية أكثر مثالية من آبائهم. ترى المزيد يذهب إلى البحث بدلاً من التمويل للحصول على أموال سريعة. نريد بالفعل أن نفعل شيئًا لتغيير العالم.
ZW: ما هو جدول العمل اليومي لفريقك؟
FJ: إنه في الأساس مثل معهد الأبحاث. لا يوجد قواعد اللباس – السراويل القصيرة والنعال هي الأكثر شيوعا. نصل قبل فتح الأسواق ، وبدء البرمجة ومناقشة عملنا معًا ، ونراجع الأداء قبل إغلاق السوق. قم بإجراء بضع تجارب أخرى ، وقراءة ومناقشة بعض الأوراق ، والعودة إلى المنزل. الفرق بيننا وبين معهد الأبحاث هو أن لدينا موارد أفضل. نحن نبني قوة الحوسبة الخاصة بنا. كلما زادت حسابك ، كلما حصلت على النتائج بشكل أسرع وأكثر كفاءة. إنه أمر مهم للغاية.
ZW: ما هو الهدف النهائي لك وفريقك؟
FJ: في منتصف المدة نريد بناء عالم قيادي من أصل AI Native Quants من الصين. نحن نتاجر بشكل أساسي في الأسواق الصينية الآن ونحن نتطلع إلى التوسع في الأسواق الخارجية الرئيسية. عندما يتحدث الناس عن أموال Quants ، يفكرون جميعًا في شركات وول ستريت توب ، ولم يعرف القليلون عن الأموال الصينية. في حين أن الجيل الأول من صناديق Quants الصينية استخدم المنهجية المستفادة من وول ستريت ، يمكننا التمييز بشكل أفضل من خلال كوننا أصليين في وقت مبكر بما فيه الكفاية. لدينا فرصة للتنافس مع القادة العالميين.
على المدى الطويل نود بناء شركة حوسبة. هناك العديد من المجالات المحتملة التي نشعر بها ، حيث يمكننا أن نتفوق على تقنيتنا. LLM ليس بالضرورة أفضل استخدام من الذكاء الاصطناعي.
تم تحرير هذا النص للإيجاز والوضوح.
