جیم سایمونز : مردی که معمای بازار را حل کرد

دنیای بازارهای مالی مانند سرزمین ناشناخته‌ی جذابی است که به همان اندازه زیبایی و جذابیتش، می‌تواند خطرناک و کشنده باشد. فضای بی رحمی که هر از گاهی دست به یک پاکسازی گسترده می‌زند و بازیگرانی که توانایی سازگاری و بقا ندارند را به راحتی حذف می‌کند. شاید به همین دلیل است که وقتی یک ریاضی‌دان برجسته، از دنیای آکادمیک پا به این سرزمین می‌گذارد و نه تنها دوام می‌آورد، بلکه موفقیت‌های زیادی را هم از آن خود می‌کند، تبدیل به سوژه‌ای بسیار جذاب می‌شود.

جیمی سایمونز (James Harris Simons) همان سوژه‌ای است که هنوز هم شاید توضیح قانع‌کننده‌ای برای موفقیت بی‌مانندش وجود نداشته باشد و همانطور که خودش دوست دارد تاکید کند، شانس بسیاری آورده است. اما تاثیر او و همکارانش بر بازارهای مالی را نمی‌توان انکار کرد.

برای مرور دستاوردهای سایمونز شاید بهتر باشد که به زندگی این نابغه نگاهی بیندازیم.

در جستجوی یک مشت عدد

جاه‌طلبی و آرزوهای بزرگ همیشه در ذهن سایمونز جریان داشت. ذهن بلندپرواز او تنها با مسائل ریاضی و غرق شدن در کتاب‌های مرتبط آرام می‌گرفت و بعد از ریاضیات، بیش از هرچیز دیگری عاشق پول و قدرتی بود که پول می‌توانست به افراد بدهد. در چهارده سالگی، وقتی در جمعی اعلام کرد که قصد تحصیل در رشته ریاضیات در دانشگاه MIT را دارد، با خنده مواجه شد. جدای از اینکه MIT هدف بسیار دور دستی بود، ریاضیات هم رشته‌ای نبود که با آن بتوان کاری کرد. حداقل بیشتر افراد اینطور فکر می‌کردند.

سایمونز اما برای رسیدن به هدفش مصمم بود و در نهایت هم به آن رسید. تحصیل در رشته ریاضیات برای سایمونز که عاشق حل معما و مسائل گوناگون بود بهترین گزینه به نظر می‌رسید. روزی که در کافه نزدیک دانشگاه دو نفر از استادانش را دید که در حال کشیدن سیگار و نوشیدن قهوه در حال بحث در مورد مسائل ریاضی و توسعه نظریه‌شان هستند، مطمئن شد که این کار همان چیزی است که می‌خواهد تمام عمرش به آن بپردازد.

پس از گذراندن دوره کارشناسی در MIT او برای ادامه تحصیل، دانشگاه برکلی را انتخاب کرد تا با یکی از ریاضی‌دانان مطرح در این زمینه کار کند. ریاضی دان چینی به نام شن چرن (Shen Chern) که شهرت زیادی در دنیای ریاضیات داشت و هرچند همکاری مورد نظر سایمونز در همان سال‌ها محقق نشد اما در آینده، این دو نفر نظریه چرن-سایمون (Chern–Simons theory) را توسعه دادند که به پیشرفت مطالعات در زمینه کوانتوم و نظریه ریسمان کمک کرد.

در همین زمان سایمونز کم کم داشت به دنیای بورس و بازار سهام علاقه‌مند می‌شد و هر روز ساعت ۷:۳۰ صبح به یکی از دفاتر مریل لینچ (Merrill Lynch) می‌رفت تا بتواند معامله کند و پس از بازگشتن از آنجا به مطالعات ریاضی خود می‌پرداخت. سایمونز علاوه بر بازار سهام تصمیم گرفت که در کسب و کار یکی از دوستانش که در زمینه کف‌پوش فعالیت می‌کرد سرمایه‌گذاری کند و کم کم داشت با دنیای سرمایه‌گذاری و کسب و کار آشنا می‌شد.

در کنار همه این‌ها زمان زیادی طول نکشید تا اینکه سایمونز در دنیای ریاضیات شناخته شد و پیشنهادات مختلف برای همکاری به سمت او سرازیر شود. او که در دهه سوم زندگی‌اش تسلط بسیار خوبی به ریاضیات پیدا کرده بود حالا قرار بود از مهارت‌هایش در حل یکی بزرگ‌ترین معماهای قرن بیستم استفاده کند.

کُدشکن

مقصد بعدی جیمی سایمونز سازمان IDA (Institute of Defense Analyses)، یکی از زیرمجموعه‌های سازمان امنیت ملی آمریکا یا NSA بود. این سازمان دانشمندان و افراد خبره در زمینه ریاضیات، رمزگشایی، مدل‌سازی، علوم کامپیوتر و … را جذب و استخدام می‌کرد و هدف اصلی آن شکستن رمز پیام‌های جاسوسی و مخفیانه شوروی در خلال جنگ سرد بود.

فضای IDA با فضای سازمان‌های معمول دولتی بسیار متفاوت بود. بوروکراسی حاکم بر سازمان‌های دولتی در اینجا آنقدر معنی نداشت و افراد عجیب و غریب که در زمینه کاری خودشان نابغه بودند کنار هم جمع شده بودند و گاهی رفتارهای غیرمعمول زیادی داشتند.

سایمونز به فاصله کمی پس از پیوستن به این سازمان توانست تعدادی از کدهای معروف شوروی را که مدت‌ها بود سازمان را سردرگم کرده بود بشکند و کم کم به عنوان یکی از رمزگشایان با استعداد و خبره شناخته شد.

کار در IDA و سر و کار داشتن با تکنولوژی‌های پیشرفته و به روز باعث شد سایمونز متوجه قدرت روزافزون کامپیوترها بشود. کامپیوترهایی که هر روز تعداد مسائل بیشتری را می‌توانستند حل کنند و کاری که قبل از این روزها و ماه‌ها به طول می‌انجامید را در چند ساعت یا چند دقیقه انجام دهند.

از طرفی مدل‌های پیچیده ریاضی که سایمونز برای حل معماها و شکستن رمزها استفاده می‌کرد می‌توانست در زمینه‌های دیگری هم مورد استفاده قرار گیرد. توسعه الگوریتم‌هایی که کارشان استخراج معنی و مفهوم از متن‌های به ظاهر بی معنی بود، تبدیل به تخصص سایمونز شده بود و او در این فکر بود که آیا این الگوریتم‌ها توانایی حل معماهای دیگر را هم دارند؟

سایمونز که سرگرمی تازه خود یا بورس را فراموش نکرده بود، با کنار هم گذاشتن اطلاعات و تجربیاتش متوجه پتانسیل بالای نوآوری در معاملات بورس شد. قدرت کامپیوترها قرار بود بازارهای مالی و معاملات سهام را دگرگون کند و مدل‌های ریاضی در کنار کامپیوترهای قدرتمندتر می‌توانستند روندهای بازار را کشف کنند و معاملات پر سود را به راحتی پیدا کنند.

او به همراه یکی از همکارانش تحقیقاتی را انجام داد و مدلی برای پیش‌بینی رفتار اوراق و سهام ارائه کرد. مدلی که پیشنهاد می‌کرد رفتار آینده یک سهام تابعی از رفتار امروز آن است و تصمیم‌گیری در این فضا مانند بازی پوکر است. همانطور که در این بازی علاوه بر کارت‌های در دست، به روحیه افراد دیگر هم باید توجه کرد، در بورس تنها با تمرکز بر ارزش یک شرکت یا کالا و … نمی‌توان ارزش سهم را پیش‌بینی کرد بلکه روحیه و واکنش‌های سرمایه‌گذاران هم بر روی ارزش هر سهم تاثیر می‌گذارد. طولی نکشید که آن‌ها تصمیم گرفتند صندوق خودشان را برای معامله اوراق تاسیس کنند اما نتوانستند سرمایه مورد نیاز خود را جذب کنند و این طرح با شکست مواجه شد. طرحی که بر خلاف شکست اولیه به هیچ وجه از ذهن سایمونز بیرون نرفت.

سایمونز در نهایت به دلیل مخالفت‌هایی که با جنگ ویتنام داشت و مصاحبه‌هایی که انجام داد، توسط IDA اخراج و وارد مرحله جدیدی از زندگی خود شد.

کار با انسان‌ها

رویای پیش‌بینی بازار بورس و کسب سود کلان سایمونز را راحت نمی‌گذاشت اما از طرفی فعالیت در دنیای وال‌استریت به نظر افراد دانشگاهی و آکادمیک خیلی بی‌ارزش‌تر از پرداختن به مسائل پیچیده ریاضی و تلاش برای پیشرفت علم بود و دید به شدت منفی در مورد پیوستن به وال‌استریت وجود داشت. همکاران سایمونز تلاش کردند او را از این کار منصرف کنند و تلاش کردند جایگاه مناسبی در دنیای آکادمیک برای او پیدا کنند.

سایمونز که علاقه چندانی به تدریس و وقت گذرانی در کمیته‌های مختلف نداشت، با پیشنهاد مدیریت دانشکده ریاضی دانشگاه استونی بروک موافقت کرد. دانشگاهی که می‌خواست جایگاه مناسبی در میان دانشگاه‌های آمریکا پیدا کند و با جذب سایمونز سعی داشت یک دانشکده ریاضی درجه یک بسازد.

تلاش سایمونز برای جذب ریاضی‌دانان درجه یک از سرتاسر آمریکا، مذاکره با آن‌ها و ارائه پیشنهادهای جذاب برای این افراد نتیجه داد و در نهایت توانست ریاضی‌دانان مطرحی مانند جیمز اکس (James Ax) را هم جذب کند. او در جایگاه مدیر دانشکده لباس‌های راحت می‌پوشید و سعی داشت فضای غیر رسمی در دانشکده وجود داشته باشد و از آنجایی که می‌دانست ریاضی‌دانان عاشق حل مسئله هستند سعی می‌کرد ساعت‌های تدریس و کارهای اضافه آن‌ها را تعدیل کند تا با خیال راحت بتوانند به تحقیقات‌شان بپردازند.

در طول چهار سال مدیریت سایمونز، دانشکده ریاضی دانشگاه استونی‌ بروک تبدیل به یک دانشکده ریاضی مطرح در سرتاسر آمریکا شد. سایمونز به افرادی نیاز داشت که بر روی مسائل تمرکز کنند و تا زمانی که به جواب نرسیده‌اند دست از تلاش بر ندارند. علاقه او به استخدام افراد با این ویژگی نتایج خوبی برای او داشت و موفقیت آمیز بود.

در همین زمان سرمایه‌گذاری سایمونز در شرکت دوستش به سود رسیده بود و پس از فروش ۵۰٪ از سهام شرکت، پول خوبی نصیب او و دوستانش شد. او به دوستانش توصیه کرد که بخشی از پولشان را توسط یکی از دوستان سایمونز به نام چارلی فریفلد (Charlie Freifeld) در بازار بورس سرمایه‌گذاری کنند. فریفیلد به تازگی مدلی برای پیش‌بینی قیمت کالاهایی مانند شکر توسعه داده بود که موفقیت‌های اولیه‌ای را کسب کرده بود. روش او که با روش‌های معمول متفاوت بود، از مدل‌های اقتصادی و ریاضی برای پیش‌بینی قیمت‌ها کمک می‌گرفت. در نهایت این سرمایه‌گذاری با موفقیت روبرو شد و اعتقاد سایمونز به اینکه می‌توان رفتار بازار را پیش‌بینی کرد و سود خوبی به دست آورد بیشتر و بیشتر شد.

سایمونز در نهایت در سال ۱۹۷۸ و پس از چهار سال از مدیریت دانشکده ریاضی استعفا داد و تصمیم گرفت که شرکت سرمایه‌گذاری خودش را تاسیس کند.

هیچ‌وقت کافی نیست

در آستانه ورود به دهه پنجم زندگی، سایمونز بر دنیای ریاضیات تسلط داشت و افتخارات زیادی به دست آورده بود، بسیاری از پیام‌های سری روس‌ها را در جنگ سرد رمزگشایی کرده بود، دانشکده‌ ریاضیات تراز اولی را با موفقیت ساخته بود و حالا با اعتماد به نفس به دست آمده از موفقیت‌های پیشین، آماده بود که با چالش‌های بزرگتری دست و پنجه نرم کند.

چشم‌انداز سایمونز ساختن سیستمی کامپیوتری بود که بدون دخالت انسان و در نتیجه بدون آلوده شدن به خطاها و احساسات انسانی، بتواند در بازار بورس معامله کند. سایمونز بر خلاف تحلیل‌گران بنیادی در بازار معتقد بود که مولفه‌هایی که بر قیمت سهام تاثیر می‌گذارد بسیار بیشتر از اطلاعاتی است که در گزارش‌های سالیانه و پیش‌بینی‌های مالی وجود دارد و از طرف دیگر به ابزارها و مهارت‌هایی مسلط بود که به او کمک می‌کرد بر خلاف معامله‌گران تکنیکال، بتواند مدل‌های علمی‌تری برای پیش‌بینی بازار توسعه دهد.

سایمونز به واسطه دو دهه فعالیت در فضای آکادمیک در بالاترین سطوح، با ریاضی‌دانان برجسته‌ای آشنایی داشت که می‌توانستند او را برای رسیدن به هدفش کمک کنند و از طرفی روش‌های مورد استفاده برای رمزگشایی که در IDA توسعه داده بود را می‌توانست برای رمزگشایی بزرگتری در بازار بورس مورد استفاده قرار دهد. همچنین مدیریت یک دانشکده تراز اول در زمینه ریاضیات تجربه او برای مدیریت نیروهای با مهارت بالا که در زمینه کاری خود بسیار موفق بودند را بسیار تقویت کرد. او حالا با تسلط بر ابزارهای مورد نیاز، با شبکه گسترده خود در دنیای ریاضیات و تجربه مناسبش در زمینه مدیریت نیروهای با استعداد، برای دست و پنجه نرم کردن با یکی از بزرگترین چالش‌های زندگی‌اش آماده می‌شد.

هرچند سایمونز از موفقیت خود مطمئن بود، اما چالش پیش روی او دشوارتر از چیزی بود که تصورش را می‌کرد. چالشی که شاید گاهی پیروزی بر آن بدون معجزه و شانس غیر ممکن می‌شد. برای رسیدن به پاسخ این سوال که سایمونز چطور موفق شد، بهتر است افراد، اتفاقات و در مجموع برخی از مولفه‌های کلیدی موثر بر مسیر کسب و کار او را با هم مرور کنیم.

آغاز یک ماجراجویی بزرگ

سایمونز شرکتی با نام مونمتریکس (Monemetrics) راه اندازی کرد که ترکیب دو کلمه پول (Money) و شاخص‌ها (Metrics) بود. دو کلمه‌ای که هویت شرکت را مشخص می‌کردند. آن‌ها می‌خواستند با ابزارهای کمی و ریاضیات، معاملات پرسود را تشخیص دهند و سود مالی مناسبی را برای سهامداران خود ایجاد کنند. آن‌ها نام صندوق سرمایه‌گذاری خود را هم لایموری (Limory) گذاشتند. مدل‌ها ابتدا با حجم پول کمتر در مونمتریکس مورد آزمایش قرار می‌گرفتند و در صورتی که سودآوری مناسبی داشتند و از امتحان سربلند بیرون می‌آمدند در صندوق لایموری مورد استفاده قرار می‌گرفتند.

۱

لئونارد بام (Leonard E. Baum) اولین کسی بود که دعوت سایمونز برای پیوستن به شرکت تازه تاسیسش را پذیرفت. بام کسی بود که در IDA و همراه سایمونز مدلی را برای معاملات کوتاه مدت سهام توسعه داده بود. تخصص او تشخیص الگوهای پنهان و پیشبینی کوتاه مدت در محیط‌های دارای بی نظمی بود.

بام در ابتدا چندان به بازار بورس خوش‌بین نبود اما وقتی سایمونز از او دعوت کرد تا یک روز به او کمک کند تا سیستم جدیدی برای معامله ارز راه بیندازد متوجه شد که علاقه زیادی به این حوزه دارد. کم کم میزان حضور بام در دفتر مونمتریکس به یک بار در هفته رسید و در نهایت او تصمیم گرفت که به صورت تمام وقت روی این کار تمرکز کند.

بام مدلی را طراحی کرد که به معامله ارزهای مختلف می‌پرداخت و می‌توانست الگوهای مختلفی را تشخیص دهد و سود مناسبی را نصیب شرکت کند.

هرچند بام رفته رفته به سمت معاملات بر اساس شهود کشیده شد و به خرید و فروش سهام با هوش انسانی بیشتر علاقه‌مند شد (و همین موضوع باعث اختلاف با سایمونز و در نهایت تبدیل به یکی از دلایل جدایی‌اش شد) اما در روزهای اولیه شروع فعالیت مونمتریکس نقش موثری در راستای توسعه مدل‌های خرید و فروش اوراق و ارز داشت.‍

سایمونز برای این‌که مطمئن شود که بام دست تنها نیست شروع به مذاکره با جیمز اکس کرد. اکس که پیش از این تجربه همکاری با سایمونز را در دانشکده ریاضی استونی بروک داشت، یکی از ریاضی‌دانان برجسته‌ای بود که پیوستنش به شرکت می‌توانست بسیار تعیین کننده باشد.

۲

پیوستن جیمز اکس کمک زیادی به توسعه مدل‌های مونمتریکس کرد. او معتقد بود که الگوریتم‌های موجود نه تنها برای معامله ارزها، بلکه برای کالاها و اوراق مختلف هم کاربرد دارد. تلاش‌های اکس در نهایت منجر به دقیق‌تر شدن الگوریتم معاملات شد و با پیشنهاد او سایمونز می‌توانست فرصت‌های بیشتری برای کسب سود پیدا کند.

اکس به توسعه سیستمی پرداخت که بدون نیاز به دخالت انسان بتواند داده‌های بازار را جمع‌آوری و بررسی کند و موقعیت‌های سودآور را پیشنهاد دهد. برای اینکه دقت این سیستم بیشتر شود نیاز به داده‌های گذشته بازار وجود داشت تا این سیستم بتواند با بررسی الگوهای تکرارشونده در گذشته، این الگوها را در آینده هم تشخیص دهد.

آن‌ها به دنبال یافتن روندهای تکرار شونده در بازار بودند و به طور مثال سوالاتی از این دست می‌پرسیدند : اگر قیمت یک سهم در دو روز متوالی افزایش پیدا کند، چقدر احتمال دارد که در روز سوم هم این روند افزایشی ادامه پیدا کند؟ اگر قیمت نقره کاهش پیدا کند، چه تاثیری بر قیمت طلا خواهد داشت؟ …

آن‌ها شروع به جمع آوری تاریخچه قیمت‌ها و تغییرات آن کردند و حتی داده‌هایی با فرمت‌های ناخوانا و ناقص و داده‌های غیرالکترونیکی را هم جمع آوری کردند. این داده‌ها از طرفی به دقیق‌تر شدن سیستم و از طرف دیگر به توسعه مدل‌های جدید برای معاملات در بازار کمک می‌کرد. سیستمی‌ که در نهایت طراحی شد هرچند با رویای سایمونز فاصله زیادی داشت اما تا جای ممکن فرایندها را اتوماتیک می‌کرد.

این سیستم پس از بررسی قیمت‌ها یک سبد پیشنهادی برای معامله ارائه می‌کرد که به صورت روبرو بود : ۰٫۲ ۰٫۳ ۰٫۵ که به طور مثال به این معنی بود که ۲۰ درصد پول را در طلا، ۳۰ درصد آن را در نقره و ۵۰ درصد آن را در مس سرمایه‌گذاری کنید. پس از ارائه این پیشنهاد، یکی از اعضای تیم با یک کارگزاری تماس می‌گرفت تا معامله را انجام دهد.

از همان زمان بود که سایمونز با اولین نمونه‌های هوش مصنوعی و یادگیری ماشین روبرو می‌شد. در یک بازه زمانی سیستم شروع به خرید تعداد زیادی سیب‌زمینی کرد و برای تیم دلیل این پیشنهادها مشخص نبود. با اینکه کدهای این سیستم کاملا قابل درک بود اما تغییرات آن در طول زمان و با توجه به داده‌های ورودی، فهم خروجی آن را سخت می‌کرد.

سیستمی که اکس طراحی کرد برای بهبود نیاز به داده‌های بهتر و بیشتری داشت و نیاز بود که داده‌ها به صورت تخصصی‌تر جمع‌آوری شود. پیوستن سندر استراس (Sandor Straus) کمک کرد تا این کار به بهترین شکل پیش برود. او نه تنها داده‌های مربوط به قیمت‌های شروع و پایان کار بازار در هر روز را جمع آوری کرد، بلکه تغییرات قیمتی در هر روز را هم جمع‌آوری کرد. کاری که از او خواسته نشده بود اما او انجامش می‌داد به امید اینکه در آینده کامپیوترهای شرکت به قدری قدرتمند شوند که بتوانند این داده‌ها را هم پردازش کنند. او همچنین از منابع متعدد برای صحت‌سنجی داده‌ها استفاده کرد و در مواردی که داده‌ای وجود نداشت با مدل‌سازی، داده‌های ناموجود را حدس زد.

داده‌هایی که استراس جمع‌آوری و پاک‌سازی کرد تبدیل به یکی از مزیت‌های کلیدی صندوق شد و باعث شد که در آینده مدل‌های آن‌ها با استفاده از این داده‌ها به دقت بالایی برسند.

۳

در سال ۱۹۸۲ شرکت به رنسانس (Renaissance Technologies Corporation) تغییر نام داد و سایمونز هم علاوه بر معاملات، شروع به سرمایه‌گذاری در شرکت‌های فعال در حوزه‌های مختلف از جمله توسعه الگوریتم‌های معاملاتی کرد. در سال ۱۹۸۴ و با تلاطم‌ بازار، شرکت رنسانس پول زیادی را از دست داد و همین موضوع تبدیل به ریشه‌ای برای اختلاف سایمونز و بام شد که در نهایت به جدایی بام انجامید. زیان‌ها به قدری بود که سایمونز حتی به گزینه توقف فعالیت‌ها فکر می‌کرد اما به هر دلیلی از این موضوع صرف نظر کرد. به فاصله کمی صندوق سرمایه‌گذاری هم تعطیل شد و به جای آن صندوق مدالیون (Medallion) تاسیس شد.

جیمز اکس هم در همین زمان تصمیم گرفت به کالیفرنیا برود و بخش معاملات شرکت را به آن‌جا ببرد. او بخشی از گروه را با خود به آنجا برد و شرکت اکسکام (Axcom) را تاسیس کرد که سایمونز هم در آن سرمایه‌گذاری کرده بود. البته این موضوع آنقدرها هم به طول نینجامید تا اینکه اختلافات سایمونز و اکس هم بالا گرفت تا در نهایت در سال ۱۹۸۹، الوین برلکمپ (Elwyn Berlekamp) یکی از ریاضی‌دانانی که به پیشنهاد سایمونز به شرکت پیوسته بود، سهام اکس را خریداری کرد و اکس هم از شرکت جدا شد.

برلکمپ دو پیشنهاد عمده برای بهبود معاملات داشت. یکی از پیشنهادات او این بود که الگوریتم‌هایی که سودآوری آن‌ها در طول زمان ثابت می‌شود و عملکرد بهتری دارند، باید مبلغ بیشتری برای سرمایه‌گذاری دریافت کنند و حجم معاملات آن‌ها افزایش داده شود. پیشنهاد دوم او هم این بود که فرکانس معاملات باید بسیار بیشتر شود.

به عقیده برلکمپ زمانی که تعداد معاملات پایین بود، ریسک هر معامله بالا می‌رفت. کافی بود دو معامله بسیار زیان‌ده انجام شود تا بقای شرکت با تهدید روبرو شود. اما زمانی که تعداد معاملات بیشتر می‌شد، توزیع احتمال به حالت ایده‌آل نزدیک‌تر می‌شد و کافی بود که سیستم در ۵۱ درصد معاملات درست حدس بزند.

این موضوع در احتمال هم بسیار کاربرد دارد. احتمال شیر یا خط آمدن یک سکه در حالت ایده‌آل ۵۰ درصد است. اما زمانی که شما ۲ بار سکه بیندازید ممکن است هر دو بار شیر بیاید. اما زمانی که تعداد پرتاب سکه‌های خود را بیشتر و بیشتر می‌کنید تعداد شیرها و خط‌ها تقریبا با هم برابر می‌شوند. این همان موضوعی بود که برلکمپ بر روی آن تاکید داشت.

با تلاش‌های برلکمپ و تخصیص بودجه بیشتر به الگوریتم‌های موفق و بالا بردن فرکانس معاملات، رنسانس پیشرفت قابل توجهی را تجربه کرد و در عرض یک سال میانگین زمان نگه‌داری سهم‌ها در رنسانس از ۵/۱ هفته به ۵/۱ روز رسید.

برلکمپ هم اما در نهایت بیش از دو سال در رنسانس دوام نیاورد و به دلیل تلاطم بازار در اواخر دهه هشتاد و اختلاف با سایمونز این شرکت را ترک کرد.

اما تغییرات و فرصت‌های بسیار بزرگی در انتظار رنسانس بود. فرصت‌هایی که هیچ یک از اعضای آن تصورش را هم نمی‌کردند.

۴

یکی از مهم‌ترین اتفاقاتی که در اواخر دهه هشتاد میلادی در وال‌استریت افتاد، شکل گیری تیم توسعه الگوریتم‌های معاملاتی در مورگان استنلی (Morgan Stanley) بود. تیمی که البته به دلایل مختلف آنقدرها پایدار نبود و در نهایت از بین رفت. روش‌های سبدگردانی و شناسایی سهام‌های پرسود و استفاده از روش نوسان‌گیری آماری (Statistical Arbitrage) که به طور مختصر Stat Arb خوانده می‌شد در این تیم به خوبی توسعه داده شد و با از هم پاشیدن آن، این دانش شکل گرفته در وال استریت پخش شد و شرکت‌های زیادی از آن استفاده کردند.

یکی از افرادی که از آن تیم بیرون آمد رابرت فرای (Robert J Frey) بود که با حمایت سایمونز تصمیم گرفت شرکت خود را تاسیس کند. شرکتی که ابتدا کپلر (Kepler) نام داشت و بعدها به نُوا (Nova) تغییر نام داد و در نهایت به صندوق مدالیون رنسانس پیوست.

مهم‌ترین استراتژی معاملاتی که رابرت فرای بر روی آن کار می‌کرد نوسان‌گیری آماری بود. بر اساس این استراتژی تعداد زیادی معامله همزمان بر روی سهم‌هایی که همبستگی خاصی با روند کلی بازار سهام نداشتند انجام می‌شد و سعی در این بود که از ناهمخوانی‌ها و موارد خاص و دیگر رفتارهای بازار برای سودآوری استفاده شود.

به طور مثال یکی از روش‌ها این بود که نرم افزار شرکت، سهم‌ها را بر اساس سود و زیان در هفته‌های گذشته رتبه‌بندی می‌کرد. سپس ۱۰٪ پایینی سهم‌های زیان‌ده را به امید سودآوری می‌خرید و ۱۰٪ سهم‌های سودده را با روش فروش استقراضی می‌فروخت. پیش‌فرض مهم این استراتژی این بود که بازار در مقابل خبرهای خوب یا بد واکنشی بیشتر از حد نیاز نشان می‌دهد و به همین دلیل سود‌ده‌ترین موقعیت‌ها و زیان‌ده‌ترین موقعیت‌ها پایدار نیستند.

بازار سهام بسیار پیچیده‌تر از بورس کالا و ارز است و به طور مثال فاکتورهایی که بر هر شرکت تاثیر می‌گذارند متفاوت هستند. شاید تغییرات جوی، قیمت سوخت، نرخ بهره و … بر قیمت سهام شرکت‌های خطوط هوایی تاثیرگذار باشند اما فاکتورهای بیشتری بر شرکت‌های خرده فروشی مانند والمارت تاثیر داشته باشند یا وزن هرکدام از این فاکتورها در هر شرکت متفاوت باشد.

فرای این داده‌ها را با استراتژی Stat Arb ترکیب کرد و روش جدیدی برای تشخیص سهام‌های خوب به دست آورد. به عنوان مثال اگر قیمت سهام یک شرکت با یک دسته متغیر خاص همبستگی خوبی در گذشته داشت و به تازگی قیمت سهام این شرکت بیشتر یا کمتر از میزانی که متغیرها پیش‌بینی می‌کردند رشد کرده بود، موقعیت خوبی برای خرید یا فروش استقراضی به حساب می‌آمد.

یا اگر سهام دو شرکت مانند اپل و استارباکس هر دو ۱۰٪ رشد می‌کردند و در گذشته اپل بازدهی بهتری از استارباکس نشان داده بود، این به معنی آن بود که یا استارباکس بیش از حد رشد کرده و یا اپل باید بیشتر از این رشد کند. پس الگوریتم پیشنهاد می‌داد که سهام اپل خریده شود و سهام استارباکس به صورت استقراضی به فروش برود.

در واقع استراتژی Stat Arb به آن‌ها کمک می‌کرد که به جای خرید یا فروش یک سهام، یک دسته یا گروه از سهام‌ها را بررسی و معامله کنند.

۵

یکی دیگر از اتفاقات مهم در شرکت رنسانس در اوایل دهه نود ورود هنری لافر (Henry Laufer) بود که در راستای توسعه الگوریتم‌های معاملات کالا و ارز و اوراق بسیار موثر بود. لافر پیشنهاد داد که به جای استفاده از الگوریتم‌های مختلف برای هر محصول مالی، یک سیستم یکپارچه و جامع برای تمامی معاملات این دسته طراحی شود. خوبی این سیستم این بود که نگهداری و توسعه آن بسیار منظم‌تر و ساده‌تر می‌شد و علاوه بر این اگر می‌خواستند استراتژی جدیدی را به آن اضافه کنند این کار راحت‌تر از قبل امکان‌پذیر بود چون با یک سیستم سر و کار داشتند و نه چند سیستم متفاوت.

پیشنهاد مهم دیگر او این بود که هر روز را به بازه‌های زمانی مشخص تقسیم کنند. اگر تقسیم‌بندی درست صورت می‌گرفت باعث می‌شد که روندها را بهتر تشخیص دهند. به همین منظور آزمایش‌های زیادی انجام گرفت و گروه در نهایت تصمیم گرفت که هر روز را به بازه‌های پنج‌دقیقه‌ای تقسیم کند. به این ترتیب هر روز به ۲۸۸ ستون مجزا تقسیم می‌شد و به طور مثال می‌توانستند تشخیص دهند که هر روز در ستون ۱۲۲ معاملات افزایش پیدا می‌کند و منجر به افزایش قیمت‌ها می‌شود.

از اقدامات مهم دیگر لافر هم این بود که معاملات ماشینی رنسانس را طوری هدایت کرد تا کم‌ترین تاثیر را بر قیمت‌های بازار بگذارد. صندوق مدالیون حالا بزرگ شده بود و در هر معامله گاهی تا چند میلیون دلار سرمایه‌گذاری می‌کرد و این موضوع باعث می‌شد که با هر خرید و فروش،‌ قیمت سهم‌ها هم بالا یا پایین برود و بر سودآوری صندوق تاثیر بگذارد. اقدام مهم لافر این بود که به طور مثال معاملات با فرکانس و حجم بالا را به ساعات شلوغ روز موکول کرد تا کم‌ترین تاثیر بر قیمت گذاشته شود.

سیستمی که لافر طراحی کرد باعث شد که سودآوری مدالیون بسیار بیشتر شود و در سال ۱۹۹۴ که بسیاری از شرکت‌ها ضرر کردند و نرخ بهره‌ها چندین بار توسط فدرال رزرو افزایش پیدا کرد، مدالیون ۷۱ درصد سودآوری داشت.

مشکل اساسی سایمونز حالا این بود که هرچقدر هم معاملات ارز، کالا و اوراق با بازدهی بیشتری انجام شود، اندازه بازار کوچکی دارد و رشد رنسانس محدود می‌ماند. سایمونز تنها راه برای رشد مدالیون را طراحی یک سیستم مناسب برای معامله سهام شرکت‌ها می‌دانست. کاری که رابرت فرای در حال انجام آن بود اما هنوز مسیر درازی پیش روی آن قرار داشت.

۶

مدل‌های رابرت فرای در تئوری بسیار خوب بودند، اما در عمل سودآوری بسیار کم‌تری داشتند و مدت‌ها بود که ذهن او را درگیر کرده بودند. با اینکه سال‌ها سرمایه و انرژی برای طراحی این سیستم صرف شده بود اما هنوز نتایج قابل قبولی نگرفته بودند.

در همین زمان رنسانس در حال جذب برخی از مهندسان شرکت IBM بود که دو نفر به نام‌های رابرت مرسر (Robert Mercer) و پیتر براون (Peter Brown) وارد رنسانس شدند. آن‌ها در IBM بر روی سیستم‌های تبدیل صوت به متن و ترجمه متون کار کرده بودند. مدت زمان زیادی نگذشت که آن‌ها متوجه شدند سیستم‌های تبدیل صوت به متن شباهت‌های بسیار زیادی به سیستم‌های تشخیص موقعیت‌های سودآور در بازار سهام دارد.

مرسر و براون که متخصصان علوم کامپیوتر بودند، همان چیزی بودند که رنسانس به آن‌ها نیاز داشت. آن‌ها توانستند با تجربه و دانش خود از IBM مشکل الگوریتم‌های معاملاتی رابرت فرای را حل کنند و آن را بهبود ببخشند. یکی از مشکلاتی که در سیستم رابرت فرای وجود داشت این بود که بسیاری از پیشنهادهایی که می‌داد در عمل وجود خارجی نداشت. به عنوان مثال گاهی این سیستم پیشنهاد فروش استقراضی یک سهم را می‌داد در حالی که فروش استقراضی آن امکان پذیر نبود یا گاهی پیشنهاد خرید یک سهم را می‌داد که این پیشنهاد با خطا روبرو می‌شد. اما سیستمی که فرای طراحی کرده بود از اشتباهات خود برای بهبود خودش استفاده نمی‌کرد و یا به درستی نمی‌توانست این کار را انجام دهد.

مرسر و براون توانستند سیستم را بازنویسی کنند و نتیجه نیم میلیون خط کد نوشته شد که به صورت هوشمند می‌توانست اشتباهاتش را برطرف کند. سیستم جدید در مقایسه با سیستمی که فرای طراحی کرده بود و چند ده هزار خط کد داشت بسیار کامل‌تر و تمیز‌تر بود و این به این دلیل بود که مرسر و براون در IBM تجربه توسعه سیستم‌های بزرگ را به دست آورده بودند و این موضوع تبدیل به مزیتی بزرگ برای رنسانس شد.

۷

با پیشرفت صندوق مدالیون و شرکت رنسانس، بانک‌ها و موسسات مختلف برای پیشنهاد محصولات جذاب به سمت آن‌ها آمدند. یکی از مهم‌ترین محصولاتی که توسط دویچه بنک (Deutsche Bank) و بارکلیز (Barclays) به رنسانس معرفی شد چیزی به نام Basket Options بود. به طور خلاصه این محصول به صندوق مدالیون این امکان را می‌داد که به ازای هر یک دلار، حدود ۵/۱۲ دلار معامله کند که یک اهرم بسیار قوی در اختیار صندوق قرار می‌داد. در واقع مدالیون می‌توانست سهام‌های پیشنهادی خود را خرید و فروش کند اما در واقع مالک اصلی سهام، بانک بود و مدالیون بدون اینکه مالک سهم‌ها باشد می‌توانست سود بسیار زیادی به دست بیاورد. از طرف دیگر در صورتی که پیشنهاد‌های مدالیون ضررده می‌شد، بسیار کم‌تر از ضرر واقعی زیان می‌کرد چون مالک سهم‌ها نبود و در واقع ریسک خود را به بانک منتقل می‌کرد.

تمام موارد گفته شده باعث شد که صندوق مدالیون و شرکت رنسانس به یکی از سودآورترین شرکت‌های سرمایه‌گذاری در تاریخ بازار سرمایه تبدیل شود. مواردی که اگر هیچ کدام از آن‌ها اتفاق نمی‌افتاد ممکن بود رنسانس به این جایگاه نرسد.

در نهایت سایمونز تصمیم گرفت که برای جلوگیری از بزرگ شدن بیش از اندازه صندوق مدالیون و کاهش سودآوری آن، مدالیون تنها برای کارکنان و اعضای آن سرمایه‌گذاری کند و تمام سرمایه‌گذاری‌های خارج از شرکت را لغو کردند. پس از آن رنسانس صندوق‌های دیگری برای معاملات بلندمدت معرفی کرد تا سرمایه‌گذاران بیرون از شرکت هم بتوانند در آن صندوق‌ها سرمایه‌گذاری کنند که تمام آن‌ها با موفقیت‌های چشم‌گیری روبرو شدند.

اما در کنار این اتفاقات مهم، فرهنگ سازمانی و ذهنیت گروهی رنسانس هم به شکلی است که می‌توان گفت تاثیر مهمی در جایگاه امروز آن داشته است.

به روش رنسانس

رنسانس بر خلاف بسیاری از شرکت‌های سرمایه‌گذاری دیگر در وال‌استریت علاقه‌ای به استخدام اقتصاد‌دان‌ها و افراد فعال در وال‌استریت نداشت. به نظر آن‌ها می‌توان نیروهای با استعداد بسیار بهتر را در جای دیگری پیدا کرد. آن‌ها بیشتر به استخدام ریاضی‌دانان (که توانایی کار با فرمول‌های پیچیده ریاضی و مدل‌سازی را دارند)، دانشمندان علوم کامپیوتر (که توانایی طراحی و توسعه سیستم‌های بزرگ را دارند)، اخترشناسان (که توانایی کار با داده‌های بزرگ را دارند) و … می‌پردازند و مهم‌ترین نکته در استخدام این است که متقاضیان باید دستاوردی برای ارائه داشته باشند.

این موضوع از دو جهت برای رنسانس بسیار با اهمیت است. نکته اول این است که افرادی با استخدام افراد متفاوت و با پیش‌زمینه‌های متنوع، امکان رسیدن به ایده‌های جدید و راه‌های بهینه‌تر برای سازمان بیشتر می‌شود. نکته دوم هم این است که افرادی که از فضای آکادمیک و خارج از وال‌استریت به رنسانس می‌آیند نه با دنیای وال‌استریت آشنایی چندانی دارند و نه انتظارات مالی آنچنانی دارند، بلکه به دنبال حل مسئله هستند و رنسانس جایی است که این فرصت را به بهترین شکل در اختیار آن‌ها قرار می‌دهد. این موضوع باعث می‌شود که نرخ خروج نیروها و رفتن نیروهای کلیدی به شرکت‌های رقیب بسیار کم‌تر شود و تا جایی که می‌شود از درز اطلاعات مهم رنسانس جلوگیری شود.

علاوه بر این رنسانس حقوق و مزایای بسیار زیادی برای کارکنان خودش در نظر گرفته و از جمله آن‌ها می‌توان به امکان سرمایه‌گذاری در صندوق افسانه‌ای مدالیون اشاره کرد. استخدام در رنسانس به معنی ثروتمند شدن است و در چند دهه گذشته این شرکت توانسته بسیاری از کارکنان خود را به ثروت‌های کلانی برساند.

یکی از مهم‌ترین مولفه‌های کار در رنسانس فرهنگ تعامل و همکاری است. این چیزی است که سایمونز بسیار بر آن تاکید دارد و به احتمال زیاد متاثر از فضای کاری IDA است. از نظر سایمونز ایده‌های خوب از به اشتراک‌گذاری و تعامل با دیگر افراد به دست می‌آید و به همین دلیل اکثر کارکنان می‌توانند به راحتی به مدیران خود و دیگر محققان شرکت مراجعه کنند و از آن‌ها کمک بخواهند یا ایده‌شان را با آن‌ها به اشتراک بگذارند.

از طرف دیگر فرهنگ باز سازمانی رنسانس از کارکنان می‌خواهد که در جلسات در مورد دستاوردهای خود صحبت کنند و کارهایی که انجام داده‌اند را با دیگران به اشتراک بگذارند. این موضوع باعث به وجود آمدن یک فشار متعادل در تمام کارکنان می‌شود تا حتما چیزی برای ارائه داشته باشند و تلاش خودشان را بکنند.

موارد گفته شده بخش مهمی از فرهنگ سازمانی رنسانس بود که به احتمال زیاد در مسیر موفقیت این سازمان نقش موثری داشته است. اما یکی دیگر از نکات جالب در رنسانس نحوه برخورد آن‌ها با مسائل است.

مدل ذهنی رنسانس

یکی از تفاوت‌های کلیدی رنسانس با دیگر شرکت‌های رقیب، نحوه نگاه آن‌ها به مسائل است. نقل قول معروفی از جیم سایمونز وجود دارد که می‌گوید:

من نمی‌دانم چرا سیارات به دور خورشید می‌چرخند. اما به این معنی نیست که نمی‌توانم موقعیت آن‌ها را پیش‌بینی کنم.

نحوه تشخیص الگوهای سودآور در رنسانس به این صورت است که الگوریتم‌ها با بررسی داده‌های گذشته، روندها و الگوهای تکرارشونده را تشخیص می‌دهند. سپس این الگوها با تخصیص بودجه‌ای مشخص در بازار مورد آزمایش قرار می‌گیرند تا تکرارپذیری آن‌ها تایید شود. اما بر خلاف بسیاری از شرکت‌های سرمایه‌گذاری، لزومی ندارد که توجیه دقیقی برای دلیل وجود این الگوها وجود داشته باشد.

به عنوان مثال اگر در گذشته، قیمت طلا با یک خبر خاص بالا رفته باشد و این موضوع باز هم تکرار شود و همبستگی میان آن‌ها مقدار قابل قبولی باشد، رنسانس سعی می‌کند از این اطلاعات به دست آمده استفاده کند. اما کارکنان هم تلاش می‌کنند که توضیح قانع‌کننده‌ای برای وجود این رابطه همبستگی پیدا کنند.

البته طبق گفته کارکنان این سازمان، این به معنی آن نیست که هر دو متغیری که با هم همبستگی داشته باشند مورد استفاده قرار می‌گیرند. بلکه این دو متغیر باید حداقل به صورت منطقی ارتباطی داشته باشند یا احتمال وجود ارتباط بین آن‌ها هم باشد. به طور مثال ممکن است میزان فروش فیلم‌های نیکلاس کیج با تغییرات سهام بوئینگ همبستگی خوبی داشته باشد اما مشخص است که این دو موضوع هیچ ربطی به هم ندارند.

این روش برخورد با داده‌ها باعث می‌شود که رنسانس تنها به دنبال سیگنال‌های واضح در بازار نرود و موقعیت‌هایی که از نظر دیگران مناسب نیستند اما در واقع سودآوری خوبی دارند را تشخیص بدهند.

 

پایان

امروز رنسانس پس از ۴۲ سال فعالیت، دنیای معاملات الگوریتمی را دگرگون کرده و تبدیل به یکی از سودآورترین شرکت‌های سرمایه‌گذاری تاریخ شده است. این موفقیت‌ها باعث شده که شرکت‌های بسیار زیادی به این حوزه روی بیاورند و آن را به حوزه‌ای به شدت رقابتی تبدیل کنند.

طبق گفته یکی از کارمندان رنسانس، الگوریتم‌ها و امکانات موجود در تکنولوژی یادگیری ماشین کار را بسیار ساده‌تر از گذشته کرده و امروز می‌توان مدل‌های بسیار پیچیده را به راحتی تست کرد و حالت‌های مختلف را مورد بررسی قرار داد. امروز دیگر مهم‌ترین مزیت رقابتی در بازار، داده‌هایی است که هر شرکت به آن دسترسی دارد. دیگر تنها بررسی اخبار و گزارش‌های سالیانه شرکت‌ها کافی نیست. رنسانس پیش‌بینی‌های مالی، تعداد تکرار نام شرکت‌ها در اخبار، نظر متخصصان در مورد سهام‌های مختلف، بودجه تحقیق و توسعه شرکت‌ها و … را هم مورد بررسی قرار می‌دهد و این تمام ماجرا نیست.

ما در عصری هستیم که بسیاری از شرکت‌ها ماهواره‌های تخصصی دارند که مسیر کشتی‌های نفت‌کش را رصد می‌کنند و بسیاری از متغیرهای دیگر را در لحظه دنبال می‌کنند تا به کوچکترین تغییراتی واکنش نشان دهند.

هرچند سایمونز در پی ساختن سیستمی بود که بدون هیچ دخالتی از سوی انسان به معاملات بپردازد، اما در شرایط بحرانی مانند سال ۲۰۰۸ سایمونز نشان داده که آنقدرها هم نمی‌توان به سیستم‌ها اعتماد کرد و بقای سازمان را مهم‌تر از هرچیزی می‌داند.

کارکنان رنسانس بارها و بارها از سایمونز شنیده‌اند که «بیش از حد به مدل‌ها اعتماد نکنید.»

تمام نکاتی که گفته شد تنها بخشی از مولفه‌های موفقیت جیمی سایمونز و رنسانس بود و بهتر است که حرف خود سایمونز را فراموش نکنیم که عقیده دارد بسیار خوش شانس بوده‌اند و هنوز هم توضیح قانع‌کننده‌ای برای موفقیت چشم‌گیر خود ندارد.

سایمونز امروز هشتاد و دو سال سن دارد و بخشی از وقت خود را برای توسعه و سرمایه‌گذاری همگانی کردن علوم پایه مانند ریاضی و فیزیک و همچنین یافتن درمانی برای بیماری اوتیسم می‌گذارند. این مقاله داستان مردی است که عاشق حل معماهای بزرگ و از نظر دیگران حل نشدنی است.


این مطلب آخرین فصل از کتاب «جعبه‌ابزار: مدل‌های ذهنی برای زندگی، جهان و همه چیز» بود که حاصل جمع آوری پست‌های #مدل_ذهنی است و برای حمایت از تولید محتوای این وبلاگ می‌توانید آن را خریداری کنید.

خرید کتاب

منبع: کتاب The Man Who Solved the Market

1 دیدگاه On جیم سایمونز : مردی که معمای بازار را حل کرد

جوابی بنویسید:

آدرس ایمیل شما به صورت عمومی منتشر نخواهد شد.

خبرنامه وبلاگ

برای با خبر شدن از انتشار پست‌های جدید و برنامه‌های آینده وبلاگ، در خبرنامه عضو شوید.

عضویت شما با موفقیت انجام شد.