جیم سایمونز؛ مردی که ریاضیات را به ماشین پولسازی والاستریت تبدیل کرد
در تاریخ مالی مدرن، کمتر نامی به اندازه جیم سایمونز با ترکیبی از نبوغ ریاضی، رازآلودگی اطلاعاتی، انقلاب رایانهای و ثروت افسانهای گره خورده است. او نه شبیه سرمایهگذاران کلاسیک والاستریت بود، نه مسیرش به معاملهگری از گزارشهای مالی شرکتها و اخبار بازار آغاز شد. سایمونز از دل ریاضیات محض، رمزگشایی جنگ سرد و مدلسازی دادههای بهظاهر بیمعنا به جایی رسید که صندوق سرمایهگذاریاش در سه دهه حدود ۱۰۵ میلیارد دلار سود ساخت و بازدهی سالانهای نزدیک به ۴۰ درصد پس از کارمزد به ثبت رساند؛ عددی که حتی در مقایسه با اسطورههایی مانند وارن بافت، جورج سوروس و استیو کوهن نیز خیرهکننده است.
داستان او فقط داستان یک معاملهگر موفق نیست. روایت تولد رویکردی است که بعدها ستون فقرات دنیای مالی الگوریتمی شد؛ رویکردی که به جای پرسیدن «چرا بازار حرکت میکند؟» میپرسید «بازار چگونه حرکت میکند و چه الگوهایی در این حرکت تکرار میشوند؟» همین تغییر پرسش، سایمونز را از استاد دانشگاهی بیقرار به بنیانگذار یکی از مرموزترین و سودآورترین ماشینهای سرمایهگذاری جهان تبدیل کرد.
کودکی در محاصره اعداد
جیم سایمونز در سال ۱۹۳۸ در خانوادهای یهودی و طبقه متوسط در بروکلاین، ماساچوست، به دنیا آمد. علاقه او به ریاضیات از همان سالهای نخست زندگی آشکار بود. وقتی هنوز کودکی سهساله بود، پدر و مادرش او را در حال تقسیم عدد ۱۰۲۴ به دو، و سپس ادامه این تقسیمهای پیاپی دیدند. او بدون آنکه نامی از مسائل کلاسیک فلسفه و ریاضی بداند، عملاً با ایدهای درگیر شده بود که به پارادوکس زنون شباهت داشت: حرکت از راه نصف کردن فاصلههای باقیمانده.
برای کودکی در آن سن، چنین درکی از عدد و تکرار شگفتانگیز بود. این فقط نشانه تیزهوشی نبود؛ نشانه ذهنی بود که از همان ابتدا جهان را به شکل ساختار، الگو و مسئله میدید. بعدها همین شیوه نگاه، از کلاسهای ریاضی تا رمزهای شوروی و از نمودارهای ارزی تا مدلهای رایانهای بازار، بارها خود را نشان داد.
پس از پایان دبیرستان، پزشک خانوادگی به او توصیه کرد وارد پزشکی شود؛ شغلی محترم و امن برای پسری باهوش. اما سایمونز مسیر دیگری در ذهن داشت. او به مؤسسه فناوری ماساچوست، MIT، رفت تا ریاضیات بخواند. شروع کار آسان نبود. در ابتدا با دشواریهایی روبهرو شد و حتی در چند آزمون عملکرد ضعیفی داشت، اما یک تابستان را صرف تسلط جدی بر مباحث پیچیده کرد و پس از آن استعداد واقعیاش شکوفا شد.
برای سایمونز، ریاضی فقط مجموعهای از فرمولها نبود. او شیفته این بود که چگونه یک فرمول میتواند به فرمولی دیگر وصل شود و در نهایت شبکهای از معنا بسازد؛ گویی قطعاتی پراکنده از جهان ناگهان در یک ساختار واحد کنار هم قرار میگیرند. او در محوطه دانشگاه گاهی روی زمین دراز میکشید، چشمانش را میبست و به معادلهای فکر میکرد. یک بار دو استاد خود را نیمهشب در کافهای دید که غرق بحث درباره مسئلهای ریاضی بودند. همان لحظه فهمید این همان زندگیای است که میخواهد: قهوه، سیگار، ریاضی و اندیشهای که ساعت نمیشناسد.
از هاروارد تا بیقراری آکادمیک
سایمونز پس از موفقیتهای درخشان در MIT، دکترای خود را در دانشگاه برکلی تنها در دو سال به پایان رساند. استعداد او به اندازهای چشمگیر بود که به سرعت موقعیت تدریس در دانشگاه هاروارد را به دست آورد. در هاروارد، استادی محبوب بود؛ با سبکی غیررسمی، پرانرژی و متفاوت. ظاهرش نیز با تصویر مرسوم استاد دانشگاه فاصله داشت؛ آنقدر غیررسمی که حتی معمولاً جوراب نمیپوشید.
او در تدریس، برخلاف بسیاری از دانشگاهیان، ادعای دانستن همه چیز نداشت. گاهی در مواجهه با مسائل بسیار پیچیده، صادقانه میپذیرفت که فقط اندکی بیشتر از دانشجویانش میداند. این فروتنی، همراه با شور واقعی برای فهمیدن، کلاسهای او را زنده و انسانی میکرد.
اما سایمونز خیلی زود از تکرار زندگی دانشگاهی خسته شد. چرخه کلاسها، جلسات رسمی، معاشرتهای آکادمیک و پیشبینیپذیری روزمره برای ذهنی که به دنبال مسئلههای تازه بود، کافی نبود. او به چالشی متفاوت نیاز داشت؛ مسئلهای که هم پیچیدهتر باشد و هم او را از فضای آرام و بسته دانشگاه بیرون بکشد.
ورود به دنیای رمزگشایی جنگ سرد
در سال ۱۹۶۴، فرصتی پیش آمد که با روحیه سایمونز سازگار بود. او به مؤسسه تحلیلهای دفاعی آمریکا، IDA، پیوست؛ سازمانی نخبه و وابسته به دولت که در دوران جنگ سرد از ریاضیدانان برای شکستن رمزهای شوروی استفاده میکرد. IDA در آن زمان با مشکل جدی روبهرو بود: بیش از یک دهه بود که نتوانسته بود بهطور منظم رمزهای شوروی را بشکند. به همین دلیل، تصمیم گرفت به جای تکیه بر متخصصان سنتی رمزگشایی، از ذهنهای ریاضی بسیار خلاق کمک بگیرد.
شعار محیط کاری آنجا این بود که ایده بد هم بهتر از بیایدگی است. چنین فضایی برای سایمونز ایدهآل بود؛ جایی که میتوانست بدون ترس از غیرمتعارف بودن، مدل بسازد، الگو پیدا کند و با دادههایی کار کند که در نگاه اول بیمعنا به نظر میرسیدند.
در همین محیط بود که او آموخت چگونه از مدلهای ریاضی برای کشف نظم در میان آشوب استفاده کند. او الگوریتمی بسیار سریع برای رمزگشایی توسعه داد. کمی بعد، وقتی تحلیلگران اطلاعاتی متوجه شدند پیامی رمزگذاریشده از سوی شوروی با تنظیمی اشتباه ارسال شده است، سایمونز و همکارانش توانستند با استفاده از مدل تازه او از این خطا بهرهبرداری کنند و راهی به درون سیستم پیامرسانی طرف مقابل بیابند.
این موفقیت، سایمونز را در جامعه رمزگشایی به چهرهای برجسته تبدیل کرد. اما حتی این هم برای جاهطلبی ذهنی او کافی نبود. او مسئلههای بیشتری میخواست، رمزهای دشوارتر، و میدانی که در آن بتواند ریاضیات را به شکلی بزرگتر و اثرگذارتر به کار بگیرد.
نگاه تازه به بازار؛ وقتی قیمتها مثل کد دیده شدند
در همان سالهایی که سایمونز در IDA مشغول رمزگشایی بود، ذهنش به بازارهای مالی نیز کشیده شد. او میخواست بداند آیا میتوان همان استعداد عددی و الگویابی را برای فهم بازار سهام و ارز به کار گرفت یا نه. انگیزه مالی هم وجود داشت؛ او برخلاف بسیاری از همکاران دانشگاهیاش، آشکارا به پول علاقه داشت و میخواست ثروتمند شود.
اما نگاه او به بازار با نگاه سرمایهگذاران سنتی فرق داشت. روش رایج، بررسی سود شرکتها، اخبار اقتصادی، کیفیت مدیریت، شرایط سیاسی و اطلاعات بنیادی بود. سایمونز، برعکس، بازار را مانند یک سیستم انتزاعی ریاضی میدید؛ سیستمی که میتوان از درون خود دادههایش به الگو رسید، بدون آنکه لزوماً علت بیرونی هر حرکت را دانست.
او مدلی را تصور کرد که به جای تحلیل خبرها و روایتها، فقط به حرکت قیمتها و خود دادهها نگاه میکرد. در این نگاه، بازار حالتهای پنهانی داشت؛ وضعیتهایی که میشد از طریق رفتار قیمتها تشخیص داد. اهمیت کار در این نبود که چرا بازار وارد یک حالت شده است، بلکه در این بود که بتوان آن حالت را تشخیص داد و بر اساس آن تصمیم گرفت.
این ایده در زمان خود انقلابی بود. سالها پیش از آنکه یادگیری ماشین و مدلهای پیشبینی در صنایع مختلف رواج پیدا کنند، سایمونز عملاً در حال حرکت به سوی همان منطق بود: استخراج الگو از داده، ساخت مدل، و تصمیمگیری بر اساس احتمالات نه روایتها.
اخراج، بازگشت به دانشگاه و تولد وسوسه والاستریت
در سال ۱۹۶۸، سایمونز به دلیل مخالفت آشکار با جنگ ویتنام از IDA اخراج شد. او در ۳۰ سالگی بار دیگر به دانشگاه بازگشت؛ این بار به دانشگاه استونی بروک در نیویورک. موقعیت دانشگاهیاش مهم بود، اما ذهن او دیگر به آرامش کامل آکادمیک بازنمیگشت. والاستریت از نظر جغرافیایی چندان دور نبود و از نظر فکری نیز برای او به یک میدان تازه تبدیل شده بود.
سایمونز ده سال دیگر در استونی بروک تدریس کرد، اما در ۴۰ سالگی تصمیم گرفت دانشگاه را ترک کند و نخستین صندوق سرمایهگذاری خود را راهاندازی کند؛ صندوقی به نام Monemetrics. هدف او روشن بود: کشف الگوهای پنهان بازار با استفاده از قدرت ریاضیات.
یکی از نخستین تصمیمهای مهم او دعوت از دوست قدیمیاش در IDA، لئونارد باوم، بود. باوم نیز نابغهای ریاضی بود و بهویژه به خاطر الگوریتم معروف باوم-ولچ شناخته میشد؛ الگوریتمی که بعدها در حوزههایی مانند تشخیص گفتار و موتورهای جستوجو اهمیت فراوان یافت. منطق این الگوریتم بر تخمین احتمالات از روی زنجیرهای از رویدادها استوار بود. حتی بدون شناخت کامل قوانین یک بازی، میتوانست از روی الگوهای رخدادها حدس بزند بعداً چه اتفاقی محتملتر است.
برای سایمونز و باوم، این دقیقاً همان چیزی بود که بازارهای مالی نیاز داشتند. بازار پر از حرکتهایی بود که علتشان همیشه آشکار نبود، اما شاید الگوهایشان قابل اندازهگیری بود.
نخستین پیروزیها؛ الگوریتمی که پوند را خرید
در سال ۱۹۷۹، پیش از عصر معاملات دیجیتال، جمعآوری داده کاری دشوار و فیزیکی بود. سایمونز و باوم دیوارهای دفتر کوچک خود در لانگآیلند را با نمودارها و کاغذهای فراوان پوشانده بودند. آنها ابتدا مدل خود را در بازار ارز به کار گرفتند و خیلی زود پول زیادی به دست آوردند.
یکی از روایتهای مشهور این دوره به پوند بریتانیا مربوط است. سایمونز و باوم در ساحل بودند که باوم متوجه شد الگوریتم سیگنال میدهد پوند بهزودی رشد خواهد کرد. آنها با همان لباس ساحلی به دفتر بازگشتند و حجم زیادی پوند خریدند. اندکی بعد، همانطور که مدل پیشبینی کرده بود، پوند به سرعت بالا رفت.
نکته مهم این بود که هیچکدام از آنها تحلیل خاصی درباره سیاست بریتانیا، اقتصاد کلان یا علت احتمالی رشد پوند نداشتند. آنها حتی دقیقاً نمیدانستند چرا پوند باید بالا برود. فقط سیگنال الگوریتم را دنبال کرده بودند. همین نگاه، هسته فلسفه سایمونز را نشان میداد: در بازار، گاهی دانستن «چه چیزی محتمل است» از دانستن «چرا رخ میدهد» سودآورتر است.
در چند سال نخست، Monemetrics دهها میلیون دلار رشد کرد. موفقیت اولیه، سایمونز را به این نتیجه رساند که باید تیمی از ریاضیدانان برجسته دور خود جمع کند و پروژه را جدیتر پیش ببرد.
شکستهایی که صندوق را تا مرز فروپاشی برد
موفقیت اولیه پایدار نماند. الگوریتمها در خرید داراییهای ارزان خوب عمل میکردند، اما در فروش بهموقع ضعف داشتند. یکی از نمونههای مهم به بازار طلا مربوط بود. صندوق طلا خرید و قیمت تا ۸۶۵ دلار در هر اونس بالا رفت، اما الگوریتم به سرعت و به اندازه کافی سیگنال فروش نداد. کمی بعد، قیمت طلا به حدود ۵۰۰ دلار سقوط کرد و زیانهای سنگینی ایجاد شد.
این ضعف تکرار شد و صندوق به مرحلهای رسید که هر روز میلیونها دلار از دست میداد. Monemetrics در آستانه فروپاشی قرار گرفت. سایمونز برای ادامه مسیر به سرمایه تازه نیاز داشت و توانست از میان دوستان هوشمند و ثروتمند خود سرمایهگذاران جدیدی پیدا کند. این پول به او زمان خرید، اما مشکل اصلی همچنان باقی بود: مدلها باید دقیقتر، سریعتر و سازگارتر با بازارهای پویا میشدند.
Renaissance Technologies؛ تولد یک ماشین ریاضی
اوایل دهه ۱۹۸۰، رایانهها هنوز در مراحل اولیه توسعه گسترده بودند و بیشتر مدیران سرمایهگذاری همچنان بر روشهای سنتی، اخبار کسبوکار و تحلیل بنیادی تکیه داشتند. سایمونز مسیر دیگری را انتخاب کرد. او باور داشت رایانهها میتوانند داده را بهتر از انسان پردازش کنند، زیرا هم دقت بالاتری دارند و هم گرفتار احساسات نمیشوند.
در همین دوره، Monemetrics به Renaissance Technologies تغییر نام داد؛ نامی که بعدها به یکی از افسانهایترین نامهای دنیای سرمایهگذاری کمی تبدیل شد. سایمونز شروع به جمعآوری حجم عظیمی از دادههای تاریخی کرد. او کتابها و آمارهای قدیمی از بانک جهانی، دادههای بورسهای کالا، سوابق قیمت ارز و اطلاعاتی حتی مربوط به پیش از جنگ جهانی دوم را تهیه کرد. هدف این بود که رایانهها بتوانند حرکتهای گذشته بازار را بررسی کنند و الگوهایی بیابند که شاید در زمان حال نیز کاربرد داشته باشند.
اما بازارهای زمان حال بهطور فزایندهای نوسانی و پیچیده بودند. دادههای تاریخی شباهتهایی کلی نشان میدادند، اما استخراج الگوهای واقعاً قابل استفاده از گذشته کار آسانی نبود. بنابراین تمرکز باید به سمت پایش سریع زمان حال میرفت. سایمونز و همکارانش رایانههای گرانقیمت، ظرفیتهای ذخیرهسازی عظیم و ارتباطات سریع با دادههای بازار خریدند؛ امکاناتی که در آن زمان برای اغلب صندوقهای پوشش ریسک دسترسپذیر نبود.
آنها سیل دادههای زنده بازار را با مدلهای پیشبینی باوم ترکیب کردند و سپس ریاضیدانی دیگر، جیمز اکس، به تیم اضافه شد. اکس به بهبود الگوریتم کمک کرد تا برای سریهای زمانی بسیار پویا، مانند بازارهای نوسانی دهه ۱۹۸۰، مناسبتر شود. بازدهیها بهتر شد و با قدرتمندتر شدن رایانهها، ظرفیت مدلها برای جذب و تحلیل دادههای تازه نیز افزایش یافت.
مدالیون؛ صندوقی که افسانه شد
همکاری سایمونز و اکس به راهاندازی صندوقی تازه در دل Renaissance Technologies انجامید: Medallion. این صندوق بهزودی به سودآورترین بخش رنسانس تبدیل شد. راز مدالیون نه در یک فرمول ساده، بلکه در ترکیب استعدادهای استثنایی، دادههای انبوه، سرعت پردازش، مدلسازی احتمالاتی، آزمون مداوم و حذف احساسات از تصمیمگیری بود.
با رشد رنسانس و جذب سرمایهگذاران پیچیدهتر، سایمونز بهدنبال بهترین ذهنها رفت، نه صرفاً افراد خوب. او ریاضیدانان، دانشمندان رایانه، فیزیکدانان و متخصصانی را جذب کرد که بسیاری از آنها تجربه سنتی در والاستریت نداشتند. این خود یک انقلاب فرهنگی بود. در جهانی که معاملهگران اغلب بر غریزه، تماسهای خبری و تجربه بازار تکیه میکردند، سایمونز آزمایشگاهی از دانشمندان ساخت که بازار را همچون مسئلهای آماری و محاسباتی بررسی میکردند.
یکی از چهرههای کلیدی که به رنسانس پیوست، رابرت مرسر بود؛ مهندس برجسته IBM که در پیشرفتهای مهم تشخیص گفتار نقش داشت. مرسر برنامهنویسی درخشان، ذهنی شفاف و جاهطلبی مالی فراوان داشت. در رنسانس، توانایی او در یافتن خطاها و ضعفهای سیستم به رشد عملکرد صندوق کمک کرد. در دهه ۱۹۹۰، رنسانس تقریباً توقفناپذیر بود و گفته میشد میانگین بازدهی سالانه آن حدود ۶۰ درصد بوده است، بدون آنکه سالی زیانده ثبت کند.
وقتی ثروت، سیاست را وارد معادله کرد
همکاریها در رنسانس همیشه صرفاً فنی باقی نماند. رابطه سایمونز و مرسر بعدها به دلیل اختلافات سیاسی تیره شد. مرسر، که در نگاه اول فردی آرام و کمحرف با طنزی خشک به نظر میرسید، باورهای سیاسی عمیقی داشت و از ثروتی که در رنسانس به دست آورد برای حمایت از جنبشها و رسانههای راستگرا استفاده کرد. او بعدها از حامیان مالی مهم جریانهایی شد که به پیروزی دونالد ترامپ در انتخابات ریاستجمهوری ۲۰۱۶ کمک کردند.
این موضوع برای سایمونز، که سالها به دموکراتها کمک مالی کرده بود و از هیلاری کلینتون حمایت میکرد، بسیار ناخوشایند بود. ثروت، تفاوتهای پنهان را آشکار کرد. سایمونز و مرسر هر دو عاشق بازار و پولسازی بودند، اما وقتی ثروت آنها به قدرت سیاسی تبدیل شد، شکافهای ایدئولوژیک عمیقتر دیده شد. در نهایت، مرسر از جایگاه خود در رنسانس کنار رفت.
این بخش از داستان سایمونز نشان میدهد که موفقیت مالی در مقیاس بسیار بزرگ، فقط مسئله عدد و بازده نیست. ثروت عظیم میتواند به نفوذ اجتماعی و سیاسی تبدیل شود و حتی در محیطهای بهظاهر علمی و دادهمحور نیز تنشهای ارزشی ایجاد کند.
میراث مالی؛ فراتر از والاستریت
سایمونز را گاه با خاندان مدیچی مقایسه میکنند؛ خانواده بانکدار قدرتمندی که در ایتالیا و اروپا بر سیاست، هنر و قدرت اثر گذاشتند. این مقایسه از آن جهت معنادار است که سایمونز نیز فقط یک معاملهگر نبود. او هم در مالیه، هم در علم، هم در سیاست و هم در امور خیریه اثری گسترده گذاشت.
از نظر عملکرد مالی، جایگاه او تقریباً بیرقیب است. رنسانس، و بهویژه صندوق مدالیون، سودی ساخت که در تاریخ مالی مدرن کمنظیر است. از سال ۱۹۸۸ تا ۲۰۱۸، سود کل حدود ۱۰۵ میلیارد دلار عنوان شده است. بازدهی سالانه صندوق پیش از کارمزد حدود ۶۶ درصد و پس از کارمزد حدود ۳۹ درصد گزارش شده؛ اعدادی که حتی برای حرفهایترین سرمایهگذاران جهان حیرتآور است.
اما اهمیت سایمونز فقط در رقم سود نیست. او رویکرد کمی و الگوریتمی را از حاشیه به مرکز دنیای مالی آورد. امروز، بخش بزرگی از بازارهای جهانی با داده، مدل، سرعت و الگوریتم اداره میشود. تیمهای ورزشی، شرکتهای فناوری، مؤسسات مالی و حتی نهادهای سیاسی از تحلیل داده و مدلهای پیشبینی برای تصمیمگیری استفاده میکنند. سایمونز از نخستین کسانی بود که نشان داد اگر داده کافی، مدل مناسب و تیمی از ذهنهای فوقالعاده وجود داشته باشد، حتی آشوب بازار هم میتواند تا حدی قابل محاسبه شود.
سرمایهای که به علم و آموزش بازگشت
میراث سایمونز به بازار محدود نماند. او بنیاد Simons Foundation را برای حمایت از علم، آموزش و سلامت پایهگذاری کرد. همچنین طرح Math for America را راهاندازی کرد تا آموزش ریاضی تقویت شود و معلمان ریاضی جایگاه و پشتیبانی بهتری پیدا کنند. کمکهای مالی او به دانشگاه استونی بروک نیز قابل توجه بود؛ دانشگاهی که پس از اخراج از IDA به آن بازگشته بود و سالها در آن فعالیت علمی داشت.
در اینجا چرخه زندگی او معنایی خاص پیدا میکند. کودکی که با چشمان بسته به اعداد فکر میکرد، استاد دانشگاهی که از تکرار خسته شد، رمزگشایی که در دل جنگ سرد الگو یافت، و سرمایهگذاری که بازار را به مسئلهای محاسباتی تبدیل کرد، در نهایت بخشی از ثروت خود را دوباره به علم و آموزش بازگرداند.
نتیجهگیری؛ ذهنی که به جای روایت، الگو دید
داستان جیم سایمونز داستان پیروزی یک اصل ساده اما قدرتمند است: جهان پر از دادههایی است که در نگاه اول بینظم به نظر میرسند، اما شاید در عمق خود الگوهایی تکرارشونده داشته باشند. سایمونز این اصل را ابتدا در ریاضی، سپس در رمزگشایی و سرانجام در بازارهای مالی به کار گرفت.
او برخلاف سرمایهگذاران سنتی، به دنبال توضیحهای زیبا و روایتهای قانعکننده نبود. او میخواست بداند دادهها چه میگویند. این تغییر نگاه، او را به بزرگترین معاملهگر تاریخ مالی مدرن تبدیل کرد و مسیر والاستریت را برای همیشه تغییر داد. سایمونز نشان داد که در عصری که دادهها هر روز بیشتر و پیچیدهتر میشوند، قدرت واقعی نه در حدسهای پرشور، بلکه در توانایی ساختن مدلهایی است که بیصدا، بیاحساس و پیوسته از دل آشوب، احتمال بیرون میکشند.
منبع: The VIX Guy
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.