Человек, который разгадал рынок. Как математик Джим Саймонс заработал на фондовом рынке 23 млрд долларов

«Ты видел, что с золотом?» – спросил Саймонс хрипловатым голосом с акцентом, который говорил о том, что детство он провел в Бостоне.

«Да, я видел цены на золото, – ответил Берлекэмп. – И нет, нам не надо корректировать нашу торговую систему».

Джеймс не стал давить на коллегу, и закончил разговор, как обычно, вежливо. Однако Берлекэмпа раздражало такое навязчивое поведение Саймонса. Серьезный и стройный Берлекэмп с голубыми глазами, скрытыми за роговой оправой очков, работал на другом конце страны. Его офис находился в паре минутах ходьбы от кампуса Калифорнийского университета в Беркли, где он продолжал преподавать. Когда Берлекэмп обсуждал свою торговую систему с выпускниками бизнес-школы, последние иногда высмеивали его совместно разработанные с Саймонсом методы, называя их «шарлатанством».

«Давайте смотреть правде в глаза. Компьютеры не способны превзойти решения, принятые человеком», – сказал один из них преподавателю.

На что Берлекэмп ответил: «Мы превзойдем способности человека».

Интуитивно он понимал, по какой причине их подход напоминал современный аналог алхимии. Но даже он не мог полностью объяснить, почему созданная ими компьютерная модель рекомендовала проводить те или иные сделки.

Идеи Саймонса были непоняты не только в университетском городке. Золотой век традиционных методов инвестирования начался, когда Джордж Сорос, Питер Линч, Билл Гросс и другие определили главное направление развития инвестиций, финансовых рынков и международной экономики. Подразумевалось, что добиться огромной прибыли можно за счет ума, интуиции, а также старомодных экономических исследований и анализа компаний.

В отличие от своих конкурентов Саймонс не имел ни малейшего представления о том, как производить оценку денежных потоков, искать новую продукцию или прогнозировать процентные ставки.

Он перебирал информацию о ценах. Не было даже подходящего названия для такого типа торговли, который включает в себя очистку данных, сигналы и тестирование на исторических данных, – абсолютно незнакомые для большинства профессионалов Уолл-стрит термины.

В 1990 году лишь единицы пользовались электронной почтой, интернет-браузер еще не изобрели, а алгоритмы в лучшем случае были известны как набор пошаговых действий, которые позволяли компьютеру Алана Тьюринга расшифровывать закодированные сообщения нацистов во время Второй мировой войны. Идея того, что подобные формулы могут указать на верное решение или даже управлять повседневной жизнью сотен миллионов людей, а также того, что пара бывших профессоров математики сможет использовать компьютеры для победы над опытными и знаменитыми инвесторами, выглядела надуманной, если не откровенно смехотворной.

Несмотря на это, Саймонс был настроен оптимистично и не терял веры в себя. Он разглядел первые признаки успеха своей компьютерной системы, что вселяло определенную надежду. Кроме того, у Джеймса было не так много вариантов. Его некогда процветающие венчурные инвестиции не приносили дохода, и он совершенно точно не хотел возвращаться к преподавательской деятельности.

«Давайте поработаем над этой системой, – сказал он Берлекэмпу во время очередного срочного звонка. – Я уверен, что в следующем году мы заработаем 80 %».

Доходность 80 % годовых? Он действительно спятил, подумал Берлекэмп.

«Получить такую огромную прибыль почти невозможно», – ответил он Саймонсу. И добавил: «Нет необходимости так часто звонить мне, Джим».

Однако Саймонс продолжал донимать своего напарника. В итоге Берлекэмп потерял терпение и ушел из компании, что стало для Джеймса очередным ударом.

«Черт с ним, я сам запущу этот проект», – сказал Саймонс своему другу.

Примерно в то же самое время в другой части штата Нью-Йорк, в 80 км от офиса Джеймса, еще один ученый, высокий и статный мужчина средних лет, смотрел на флипчарт, пытаясь найти решение для собственных задач. Роберт Мерсер работал в растущем исследовательском центре IBM[8] в пригороде Уэстчестера, пытаясь среди прочего найти способы, при помощи которых можно было бы научить компьютеры лучше распознавать речь и переводить сказанное на иностранном языке.

Вместо того чтобы следовать традиционным методам, Мерсер решал поставленные задачи с помощью ранней версии крупномасштабного машинного обучения.

С коллегами он загружал в компьютеры необходимое количество данных для того, чтобы те автоматически выполняли те или иные действия. Однако Мерсер проработал в этой IT-корпорации уже почти два десятилетия, и до сих пор не было ясно, как далеко вместе со своей командой он может продвинуться.