Jim Simons：散戶真正能照做的文藝復興習慣

目錄

1. 散戶能照抄 Jim Simons 和文藝復興嗎？
2. 詹姆斯·西蒙斯是誰？
3. 大獎章基金是什麼？報酬有多高？
4. 詹姆斯·西蒙斯用的是什麼策略？
5. 為什麼外人不能投資大獎章？
6. 許多小優勢在實務上是什麼意思？
7. 文藝復興的哪些部分，散戶碰不到？
8. 散戶的工作流程怎麼用小規模照做這套方法？
9. 哪些書和資料值得讀？
10. 常見問題
11. 參考文獻

散戶能照抄 Jim Simons 和文藝復興嗎？

不能，散戶抄不了 Jim Simons 的大獎章基金：訊號、速度和容量都留在文藝復興公司裡。你能照做的，是這家公司的規矩：沒通過含成本測試的想法，一律不交易。這個習慣的成本只有時間和一份書面紀錄，一台電腦就做得到。

談西蒙斯與文藝復興科技公司（Renaissance Technologies）的文章，多半只寫到他的生平和基金報酬，而這些偏偏是你用不上的部分。有用的是這家公司做事的順序：先有資料，再提假設，接著測試，最後只交易通過測試的東西。一個人、一台電腦、一份 K 棒資料的期貨散戶，一樣守得住這個順序。打個比方：文藝復興蓋了一座專門測試想法的工廠。你蓋不起那座工廠，但可以用小一點的機器跑同一條產線，市場少一點、資料慢一點都沒關係，只要每個工站都還在。

有四個習慣，不管帳戶多大都搬得過來：

1. 任何東西都先測試再交易。你再相信的規則，沒拿多年的 K 棒資料跑過，都還只是假設。測試沒過就丟掉，不用爭論，就像實驗室丟掉失敗的實驗。
2. 第一次回測就把成本算進去。手續費、交易所費用和滑價要放進第一次測試，不是最後才加。不計成本的測試會把交易頻繁的規則排到最前面，因為它們的績效曲線看起來最平滑，而成本一加，最先垮的也是它們。回測中的交易成本講怎麼設定成本，以及怎麼拿來和平均每筆損益比較。
3. 別聽故事。市場為什麼該漲該跌的說法，不算證據。文藝復興交易的型態，有些連自己都講不出道理，只要扣掉成本後測試站得住腳就做。反過來也一樣：故事講得再動聽，測試沒過，這條規則就是沒過。
4. 記下你試了幾次。測十條規則挑最好的，最佳結果有一部分是運氣。測一萬條挑最好的，除非再拿篩選時沒看過的資料驗一次，否則最佳結果大半是運氣。過度最佳化是指規則貼合了某一份資料裡的隨機雜訊，所以到新資料上就失效；試的規則越多，勝出的那條越可能是過度最佳化的產物。通縮夏普比率是依測試次數修正結果的一種做法。

第四個習慣最多散戶跳過，偏偏也是數學講得最清楚的一個：Bailey、Borwein、López de Prado 與 Zhu（2014）用簡單的算術說明，同一份資料上試的變體越多，最好的那個光靠機率就會越好看。解法不是少測，而是記得自己測了多少。

詹姆斯·西蒙斯是誰？

詹姆斯·西蒙斯（Jim Simons）是數學家，也破譯過密碼。他很晚才進入交易，用科學家而不是金融人建立了文藝復興科技公司，並讓測試過的型態決定公司交易什麼。他的職涯順序解釋了公司的文化：先有實驗室的習慣，才有市場。

進入交易之前，西蒙斯替一家國防研究機構破譯密碼，後來擔任石溪大學（Stony Brook University）數學系主任，靠著延攬優秀研究人員把系所做起來。他和陳省身合作的陳–西蒙斯理論（Chern–Simons theory）至今仍用於物理學。他在 1978 年離開學界開始交易，公司在 1982 年改名為文藝復興科技。讓公司出名的大獎章基金 1988 年開始交易。西蒙斯於 2024 年 5 月過世。

對散戶來說，值得注意的是它的用人方式。Zuckerman（2019）描述這家公司的人主要是數學家、物理學家、統計學家和電腦科學家，很多人從沒在交易檯待過。實驗室出身的人把想法當假設：講清楚、拿資料測；測試沒過，不管是誰提的、聽起來多好，這個想法就結束了。公司從科學帶進交易的是這個習慣，不是哪條公式。

搜尋他的名字，跳出來的標題多半和錢有關。那些財富估計反映的是他幾十年來從公司績效分到的份額，跟方法無關，交易者從中學不到東西。這段生平值得知道只有一個原因：它說明這套方法來自金融圈外，所以才和一般交易檯的做法差那麼多。

大獎章基金是什麼？報酬有多高？

大獎章基金（Medallion Fund）是文藝復興科技的旗艦基金，1988 年開始交易，後來不再對外部投資人開放；它的報酬數字，只有註明來源的才值得引用。來源有兩個：Zuckerman 寫的傳記，以及 Bradford Cornell 一篇把這檔基金當成市場理論反例的工作論文。

有來源的數字如下：

• Zuckerman（2019）提到，1988 年到 2018 年間，扣費前的平均年報酬約 66%，扣費後每年約 39%。
• Cornell（2019）提到，1988 年初投入 100 美元，到 2018 年底會變成約三億九千八百七十萬美元，扣費前的年複合報酬約 63%，而且這 31 年間基金沒有一年虧損。

兩個毛報酬數字不一樣，是因為算法不同。算術平均是把每年報酬加總再除以年數；複合報酬率則是把期初金額變成期末金額的那個單一年成長率。只要各年報酬有高有低，複合報酬率一定比較低。兩個數字講的是同一段歷史。

毛報酬和淨報酬的差距就是費用。Zuckerman 提到，大獎章的費用最後高達資產的 5% 加獲利的 44%，遠高於大多數基金。基金投資人拿到手的是淨報酬，不是毛報酬。看到大獎章的報酬數字，先確認是哪一種。

Cornell 的論點是，照一般的市場理論，這些數字根本不該存在。效率市場的看法是：任何一直賺得到錢的型態都會吸引資金湧入，直到賺不到為止；而高於大盤的報酬，是承擔風險換來的。Cornell 發現大獎章對大盤和標準風險因子的曝險是負的，所以它的報酬不能解讀成風險的回報，而且沒有任何公認理論解釋得了這段紀錄。這就是他稱它為「終極反例」的原因。

反例不是目標。這些數字來自一檔不對外開放、由數百名研究人員操作、規模被公司刻意設限、跑了三十年的基金。這些條件散戶帳戶一項都沒有，所以規劃自己的帳戶時，這個數字派不上用場。把它當成它本來的樣子：證明系統化測試能找到理論說不存在的東西。接著回頭看方法，那才是搬得過來的部分。

詹姆斯·西蒙斯用的是什麼策略？

西蒙斯沒有單一策略；大獎章組合了大量短期統計型態，每一個都要先在含成本的測試中站得住腳才會交易，而且沒有一個會被人工推翻。訊號本身從未公開。外界知道的，主要來自 Zuckerman（2019），是怎麼找到並留下這些訊號的方法。

建模型的人來自數學、物理、統計和電腦科學。後來的兩位領導人 Peter Brown 和 Robert Mercer 出身 IBM 的語音辨識團隊，每天的工作就是從雜訊很多的資料裡找微弱的統計規律，再把許多規律組合成可用的預測。這段背景決定了公司的做法：價格資料雜訊很多，單一型態只能解釋一點點，價值來自大量測試候選型態，留下少數存活的。

公司有兩條規矩對散戶特別有用。第一，交易要有測試站得住腳的型態。光有一個講得通的故事不算數，而沒有故事的型態，只要測試通過照樣交易。第二，交給模型決定。Zuckerman 寫過一些時刻：部位看起來很難受，想出手干預的壓力很大，規矩是別碰模型，因為一感覺不對就被推翻的模型，已經不是當初測試過的那個模型。

資料在先、信念在後，這個工作順序就是什麼是量化交易最直接的答案：規則完整寫下來，交易前先測試，由測試結果決定。主觀交易者從一個看法出發，找支持的證據；量化交易者從一條候選規則出發，找否決它的理由。

下面這張圖畫出決定結果的兩條路。好故事但測試沒過，不交易。古怪圖形但測試通過，就交易。故事改變不了什麼，決定的是測試。

為什麼外人不能投資大獎章？

大獎章不收外部資金，是因為短期優勢的容量有限：每個型態每筆只賺一點點，更多資金灌進去就會推動價格，把優勢吃掉。Zuckerman（2019）提到，基金在 1993 年停收新的外部投資人，2005 年前退還了最後一筆外部資金，公司還把獲利發出去而不是留在基金裡滾，讓規模維持在接近固定的水準。

容量是指一個策略在自己的委託單開始影響所依賴的價格之前，能交易多少資金。長期持股組合的容量很大，因為分幾週慢慢買幾乎不影響市場。只持續幾小時的型態容量很小，因為整個部位要快進快出，大單一急，就得用較差的成交價付出代價。短期型態的優勢是每口幾個跳動點，幾個跳動點的價格衝擊就足以把它吃光。

所以戰績像大獎章這樣的基金，也不會來者不拒地擴大規模。資金變多，所有資金的報酬都會被拉低。公司選擇把規模留在優勢還活著的範圍內，而唯一的做法就是不讓外人進來。

同樣的邏輯放到散戶身上正好相反，而且是好消息。這檔基金抄不到，就別再找了。但這套方法最好用的地方，正是少數幾口不會留下痕跡的市場：在流動性好的股價指數期貨上做一兩口，成交價接近報價，所以假設每邊一個跳動點滑價的測試，相當接近帳戶實際拿到的成交。容量讓這檔基金關上大門，也讓這套方法在小規模下行得通。

許多小優勢在實務上是什麼意思？

許多小優勢，就是同時持有幾條彼此關聯很弱的策略，讓它們的虧損期很少撞在一起；但前提是每條策略本身都有優勢。前半句是永遠成立的算術，後半句則要靠下面這次實測才看得清楚。

優勢是一種能重複出現的價格型態，在過去大量交易中，扣掉成本後賺得比付出的多。文藝復興靠的不是一個大優勢，而是組合非常多的小優勢。散戶可以組合幾條，日常的比方是一家同時賣雨傘和太陽眼鏡的店。每種商品單獨看都有生意差的幾週，但一種賣得差的時候，另一種常常賣得好，所以整家店的總營收起伏比任何一種都小。

在交易上，衡量「一起波動」的指標是相關係數。相關係數是介於 −1 和 +1 之間的數字，表示兩組報酬序列同向變動的程度；接近 0 代表好壞時期大致各走各的，接近 +1 代表同樣的月份一起漲跌。相關性低的兩條策略可以互相平滑。ES 和 NQ 上的兩條趨勢追蹤策略通常在同樣的幾週虧損，相關性很高，組合起來幾乎平滑不了什麼，名字取得再不一樣也沒用。

實際檢查只要四個步驟和一份試算表：

1. 匯出每條存活策略在相同月份、扣除成本後的每月淨損益。
2. 每條策略一欄，每個月一列。
3. 計算每兩欄之間的相關係數（多數試算表都有 CORREL 函數）。
4. 留下兩兩相關係數最低的那一組；決定部位大小時，相關係數超過你門檻的任何一對，都當成同一條策略。

要看的是報酬的實測相關性，不是指標名稱或市場名稱。兩條做不同市場的規則，還是可能在同樣的月份一起虧。投資組合回測會一步步講組合方式和回撤檢查。

接下來講限制。下面這次回測來自 AlphaPrime（Valynox）的代管回測：一條簡單的突破規則，參數固定、沒有最佳化，套用在代管回測全部 17 個市場上，每個市場各一口，期間是 2018 年 9 月到 2026 年 10 月，並計入各市場自己的手續費和滑價。

這三個數字請照順序看。17 個市場的平均每月相關性是 0.08，接近零，所以回撤沒有撞在一起：逐一加總是 $1,110,925，但 17 個市場一起交易的回撤是 $432,206，不到加總的一半。這就是分散的算術，和雨傘店的比方完全一樣。再看損益：17 個市場只有 5 個收在零以上，17 個合計虧損 $202,057。低相關性把虧損攤到不同時間，也讓回撤變淺；但沒有把虧損變成獲利，因為多數個別賭注扣掉成本後本來就沒有優勢。

這次回測能說明的是算術：低相關性能把合併回撤壓低多少，而且這件事和策略賺不賺錢是兩回事。它說明不了的是：換一條規則、換一組設定，或少做幾個市場，會不會有優勢；它只測了一條規則、一組設定、只做多，也不代表未來。它是一般道理的一個實測例子，不是對突破策略的判決。

文藝復興的哪些部分，散戶碰不到？

數千種商品的逐筆資料、微秒級執行、撐得起數百個部位的資金，再加上一支研究團隊，這些都縮不下來，所以散戶的替代做法是：在少數幾個流動性好的股價指數期貨上，做 K 棒策略，下一根 K 棒成交，每邊假設一個跳動點滑價。下表分開列出能照做的部分，以及只能用小規模替代的部分。

文藝復興做法的要素	散戶能照做嗎	散戶的替代做法
假設檢定	能	每條規則都先回測再交易
每次測試都算成本	能	手續費和滑價在搜尋時就設定，不是事後才加
許多小優勢	能	3 到 10 條相關性低的策略，每條先單獨測試
不聽故事	能	只留下測試支持的規則
數千種商品的逐筆資料	不能	少數流動性好的期貨的 K 棒資料
微秒級執行	不能	下一根 K 棒成交，每邊一個跳動點滑價
撐得起數百個部位的資金	不能	少數市場、少數幾口
研究團隊	不能	一台電腦上跑策略生成加策略檢驗

市場怎麼選，就看這些差距。ES、NQ 或台指期這類流動性好的股價指數期貨，價差窄、委託簿深，所以「下一根 K 棒成交、一個跳動點滑價」的假設，很接近散戶委託實際拿到的結果。這些市場的 K 棒資料取得成本合理，而每根 K 棒決定一次的策略也不用跟誰拚速度。流動性差的市場和次秒級的想法，正是缺資源最吃虧的地方，這些市場和週期就排除掉。

右欄的差距，和量化交易公司與散戶在其他方面的差距是同一回事：它們贏在資料深度、延遲、資金和人力，不是對「測試」有另一套理解。兩種規模下，測試的概念完全一樣。散戶只要把左欄守好，做的就是同一類工作，只是市場少一點、資料慢一點。

團隊是最難看見的差距，因為它不是圖上的一條線。數百名研究人員代表假設源源不絕，每個都寫下來，每個都用同一標準評判。一個人沒辦法靠手工產生並評判這麼多。取代團隊的，是在固定規則空間內產生候選策略的生成器，加上用同一套書面標準檢驗每個候選策略的驗證步驟，數量和一致性因此來自軟體，不是人力。

散戶的工作流程怎麼用小規模照做這套方法？

同一個循環可以在一台電腦上照固定順序跑，從規則空間到匯出策略，任何東西進策略資料庫之前都要先通過驗證，新 K 棒進來時再用重新驗證接回循環。順序就是方法，順序一改，方法就沒了。

1. 先固定規則空間和參數範圍。看到任何結果之前，先決定可以用哪些指標、進出場條件和參數範圍。結果不好才回頭改範圍，就是手動擬合，測試次數也就不準了。
2. 產生大量候選策略。規則空間裡的每一種組合都是一個假設。候選策略來自固定的空間，試過多少從一開始就知道，不用事後回推；策略生成頁面說明可以設定的範圍。
3. 每個候選策略都跑含手續費、滑價和下一根 K 棒成交的回測。下一根 K 棒成交是指：某根 K 棒收盤時算出的訊號，在下一根 K 棒成交，這是真實委託最早能下單的時間點。手續費和滑價要算進每一次評估，這樣看到的排名已經扣過成本；相關設定列在回測頁面。
4. 用推進視窗和門檻做驗證。推進分析是一種測試：在一段資料上調校策略，把選出的設定原封不動用在下一段視窗，再往前移動、重複。門檻只設定一次，每個候選策略都套用同一組門檻，某項檢查沒過就不再跑後面的檢查；策略檢驗頁面說明這些門檻。
5. 把通過的策略存進策略資料庫。策略資料庫是可搜尋、附帶結果的已測策略庫，讓不同搜尋留下的策略日後可以並排檢視。只有通過第 4 步的策略才進得來。
6. 組合相關性最低的策略。比較存活策略的每月損益，用前面講過的四步驟相關性檢查，留下虧損月份重疊最少的那一組。
7. 匯出到交易平台。把策略原始碼匯出到你下單的平台，規則不要再動，改過的規則就不是通過測試的那一條了。目前支援的平台清單見平台匯出頁面。

每次搜尋留一份書面紀錄，因為測試次數和固定下來的設定，就是第 1 步和第 2 步確實照順序做的證據。紀錄包括：

• 所用資料的市場、K 棒週期、交易時段和日期範圍；
• 第 1 步固定的規則空間和參數範圍，照原樣記下；
• 評估過的候選策略數量；
• 第 3 步假設的每邊手續費和滑價（以跳動點計）；
• 第 4 步用的推進視窗長度和門檻；
• 存活策略數量，以及下一次重新驗證的日期。

第 2 步可以做多大，已公布的基準測試提供一個實測數據：AlphaPrime 在一張 RTX 3090 上，約 18 小時評估了約 12 億個候選策略，每次評估都計入手續費與滑價（實測日期 2026-10-05）。實際速度取決於顯示卡或處理器、資料長度和研究設定。這個數字在這裡只有一個用處：說明散戶的搜尋規模可以大到不記測試次數不行。

新資料進來時，循環回到第 4 步：已存的策略拿它們被找到時還不存在的 K 棒重新驗證，沒過的就淘汰。要做到這點，每條存下來的策略都得和它的結果、設定放在一起，這正是策略資料庫的用途。這就是「不推翻模型」那條規矩的散戶版：模型不會因為部位感覺不對就被改，而是書面標準套到新資料上判它不行，才被淘汰。

哪些書和資料值得讀？

三份資料涵蓋歷史、數字和算術，本站另有兩頁把它們變成實作流程；照這個順序讀，讀到你的搜尋紀錄開始改變就可以停了。

1. Gregory Zuckerman，《The Man Who Solved the Market》（2019）。關於西蒙斯、早期模型、從 IBM 挖來的人，以及打造大獎章的這群人，這本寫得最詳細。讀它是為了了解文化，以及部位看起來不對時也不推翻模型的規矩。書裡沒有訊號也沒有公式，說有的人其實沒讀過。
2. Bradford Cornell，《Medallion Fund: The Ultimate Counterexample?》（2019）。一篇很短的工作論文，上面引用的報酬數字就在裡面，並主張這些報酬無法解釋成承擔風險的回報。讀它是為了看數字，以及為什麼這段紀錄違背一般的市場理論。
3. Bailey、Borwein、López de Prado 與 Zhu，《Pseudo-Mathematics and Financial Charlatanism》（2014）。用簡單算術說明要試多少個策略變體，才會有一個光靠機率就看起來不錯。「記下你試了幾次」就出自這裡，這篇也會改變你留紀錄的方式。
4. Ernest Chan 談測試。想看實戰交易者在散戶規模下怎麼看同一套紀律，本站整理的Ernest Chan 量化交易摘要，從實務角度講資料窺探、成本，以及回測和實單之間的落差。
5. 一步步的流程。準備好跑前一節的循環時，建立量化交易流程這篇指南會照同樣步驟，講每一步要固定哪些設定。

常見問題

詹姆斯·西蒙斯用的是什麼策略？

沒有單一策略。文藝復興組合了大量短期統計型態，每一個都先用歷史資料測試，計入成本後仍站得住腳才交易，模型也不會被人工推翻。具體訊號從未公開，外界知道的是尋找和測試訊號的方法。

詹姆斯·西蒙斯的身價是多少？

公開的估計因來源和年份而異，反映的是他幾十年來從公司績效分到的份額，跟公司怎麼交易無關。西蒙斯於 2024 年 5 月過世。對交易者來說，這個數字沒有參考價值，有價值的是研究方法。

我能投資大獎章基金嗎？

不能。根據 Zuckerman（2019），大獎章在 1993 年停收新的外部投資人，2005 年前退還了最後一筆外部資金，現在只對公司相關人員開放。文藝復興另有對外部投資人開放的基金，但那些基金的績效不是大獎章的績效。

散戶能照抄文藝復興科技公司嗎？

散戶能照抄方法，抄不了資源。假設檢定、每次測試都算成本、許多小優勢、不聽故事，這些用一台電腦和 K 棒資料都做得到。數千種商品的逐筆資料、微秒級執行、龐大資金和研究團隊縮不下來，所以這套方法改用在少數流動性好的期貨市場上。

文藝復興用技術分析嗎？

不是看圖找型態那種。文藝復興在價格和其他資料裡找統計規律，經得起測試和成本才留下。散戶可以用同樣方式看待經典指標：當成要測試的假設，不是要相信的規則。

參考文獻

• Zuckerman, G. (2019). The Man Who Solved the Market: How Jim Simons Launched the Quant Revolution. Portfolio/Penguin.
• Cornell, B. (2019). Medallion Fund: The Ultimate Counterexample? Working paper, SSRN 3504766.
• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458–471.