特蕾西·阿洛韦：格雷格，非常感谢参加《Odd Lots》播客。

格雷格·詹森：谢谢邀请。

特蕾西·阿洛韦：首先，你能否简单介绍一下你在桥水公司负责的工作，以及桥水公司与其他类型基金公司的不同之处。因为我感觉桥水有些神秘。

格雷格·詹森：

好的。我、瑞·达利欧（Ray Dalio）、鲍勃·普林斯（Bob Prince）是桥水公司的联席首席投资官。我们与一个由100多位专业投资人组成的团队一起工作，专注于思考全球金融体系如何运转，并将其构建成算法以预测未来。这个流程开始于真正去观察世界、试图理解所有这些事情是怎么运行的，比如你们此前说到的经济增长和通胀这些概念，理解他们是如何影响资金在金融市场流动的，以及理解如何预测未来。我热衷于思考这类宏观观点，并研究如何将这些思考转化为可以穿越时间、跨越国别应用的规则。随着我们团队不断深入的研究，我们努力去回答：“好吧，这是我们认为的运行方式”。比如说，如果谈论滞胀的状况，我们会问：为什么会有滞胀？滞胀是如何演绎的？如何衡量滞胀是否正在发生？如果滞胀确实发生了怎么办？我们从人类的直觉和逻辑开始，但会强迫自己把大脑中的想法提炼出来，将其转化为可以应用的规则，然后进行压力测试来看它们在不同类型的环境中是否正确。这就是桥水的神奇之处。桥水拥有一群热衷于这些理解的员工，他们逐渐构建起我们所说的“不断累积的认知”并将其转化为算法，并不断思考哪些因素在发生变化以及我们可能会在哪出错。

乔·韦森塔尔：

你们是否使用一个核心框架？很明显，思考全球经济时，要考虑各种因素：通胀、能源价格、贸易失衡、国内储蓄、国内债务或国家债务。所有这些不同因素总在上下波动。桥水或你个人有没有一个核心框架来把所有这些因素放入其中？比如，你们通过什么样的视角来看待经济和金融市场？

格雷格·詹森：

是的。我先谈金融市场，然后谈经济。但我要说的是，金融市场的基本情况是，所有价格都是对未来的预期的折现。一个框架是，去理解当前市场折现的是对未来怎样的预期，并将其与我们认为的未来进行比较（这涉及到经济、市场和现金流）。正是人们对未来的看法的改变导致各大类资产的价格发生变动。后续我会稍微展开讲一下这个框架，我们要了解的是当前市场价格体现了怎样的未来现金流预期、怎样的折现，以及这些情况将如何发生变化。

我要说的第二点是，我们从买家和卖家的角度进行了大量思考，从本质上了解相对于资产的供给量来说，有多少资金被用来购买资产。在这个世界里，有许多东西需要理解，如人们为什么买东西，是什么在驱动他们这么做，资金从何而来，各类物品从何而来，是金融资产、还是以完全不同的方式生产的实物商品。这是我们常常使用的第二个视角。我们是否了解市场中的所有买家，他们的动机是什么？我们是否了解该资产是如何生产出来的，以及生产者的动机是什么？

因此，我们用了45年的时间在这两个框架下一层一层地积累认知。但我们认为，这些框架适用于所有经济体，无论是1980年代的苏联，还是当今的中国，还是处于恶性通胀的拉丁美洲，这些框架都有效。我们称之为永恒普适。输入框架的因素会变化，但基本框架没变。这是我们的起点。而就经济而言，为了了解未来现金流会发生什么。我们对驱动经济的“交易行为”进行了许多思考。它们是如何运作的？当某人购买或出售物品时，资金从何而来？我们要理解其底层机制和所有可能影响这一过程的激励因素，既包括在简单层面上的利率和货币政策，也包括税收政策等其他方面的激励因素。因此，和之前说的一样，我们一直在建立模型，试图回答一些像这样的问题：“谁是实体经济中的买家和卖家？是什么在激励他们进行买卖？生产能力如何？需求从何而来？”

这就是我们正在建立的框架。然后我们不断思考正在发生的情况，以及我们要如何系统性地应对这些情况。因为我们在预测200个不同市场的状况和许多经济数据，因此我们会不断地查缺补漏，持续反馈和改进，过程中我们会持续思考“我们遗漏了什么？我们该如何解决？”例如，目前去全球化是重大事件。过去40年来我们没有实际处理过这种情况。现在必须处理这个情况；必须从与之前不同的角度来思考供应链、供应链的重建和所有相关问题。因为我们有从底层开始构建的完善流程，所以我们可以把所有时间都用在我们认为我们可能忽视的要素上，然后努力将其纳入我们的理解。

特蕾西·阿洛韦：

我确实想探讨去全球化问题，以及你们对供应链等问题的看法。但在此之前，我们想更好地理解你说的框架。我很好奇机器学习和人工智能是如何融入这个框架的。因为我能理解的是，如果我们要分析经济数据，试图找寻事物发展的迹象，或者观察市场，试图判断价格是否被低估或高估，那么机器学习技术可以在这方面发挥作用。但当你说到动机和激励，我倾向于认为这更多是一种人类情感、是驱使人们行动的因素。我不会自然地认为这适合利用建模或机器学习等技术。你能从这个方面进一步谈谈你们的策略吗？

格雷格·詹森：

好的。我非常热衷人工智能，但其类别很广，机器学习是其中一个子类别。让我从人工智能层面开始。桥水40年来一直在做的事情（桥水也是这方面最独特的试验者之一），就是所谓的传统式人工智能，或者说是一个专家系统。我们在市场上的所有举动都源自我们建立的算法。我们按照人工智能工作原理的最初想法建立了这些算法，即专家们思考发生了什么、记录下他们学到的东西、记录下他们的规则。由于我们对这一流程付出了大量投入、持续了很长时间、积累了强大的专业知识，所以我们能够在200个市场、一天24小时执行交易。从算法上看，所有这些都反映了我们所学到的东西。

那么，我们就有了一个大型人工智能流程，包括人和机器。在这个流程中，人监控机器、思考可能的问题，同时不断把这些认知通过编程写入机器。长期来看，电脑能做的事情会越来越多。过去10年机器学习技术出现了，对这一流程也有帮助。但机器只是一种工具，必须非常小心。回答你的问题，关于机器学习在哪些方面能提供帮助、哪些方面不能，至少在当前情况下，当输入机器学习模型中的数据能够代表未来的数据时，这个工具可能会非常有用。这需要大量数据，而且这些数据必须是能够代表未来的数据。可是经济和市场有趣的一点是，他们从来都不是这样运作的。即使只是机器学习的存在这件事情本身就会改变未来，因此其使得未来的数据与过去的数据不一样。在这个游戏中，参与者会受到工具的影响。它和物理不一样，不像物理那样不管你看不看它，它都不会改变。人们使用机器学习技术这件事情会带来很大的改变，例如，会使得使用“前机器学习时代”的数据的机器学习技术本身变得危险。

因此，理解这一点很重要，机器学习在很多方面可以提供帮助，比如数据清理等，但不应当认为整体上机器学习都会真正做得很好。必须格外小心，因为过去的数据与未来的数据不同，而且几乎根据定义就可以知道，所有类似机器学习的事物都会使未来不同于过去。更普遍地说，全球经济体的样本量太少了：过去100年，我们只有几个债务周期、我们一直处于全球化的世界（正如我们所说）；过去40年则是一个利率越来越低、通胀率不断下降的大周期。因此，由于这些挑战，即便是那些在某些角度对经济和我们行业非常有价值的技术，在使用时也必须非常小心。

目前，我对机器学习能够逐步取得巨大进步持乐观态度。与往常一样，我们正在研究不同方法，让机器学习技术帮助我们的研究人员以及其他工作。我认为，随着时间的推移，计算机将会越来越多地做人类可以做的事情，但是要注意，是以知识渊博的方式，而不是通过各种巧妙的优化（而机器学习可以说是当今最巧妙的优化工具）。纵观历史，优化在市场应用中失效的原因都是相同的，那就是对过去的理解。如果不能极好地理解过去发生的事情，就不能很好地通过这种方式获取数据。数据本身并不能告诉我们发生了什么，必须要去真正理解市场背后人们的动机。