前 Point72 专有研究负责人、Carbon Arc 创始人 Kirk McKeown 与 Odds on Open 围绕对冲基金超额收益的演化机制展开探讨，解析多经理平台如何拆解打席胜率与仓位规模，以及在算法模型同质化背景下非共识调研与数据小数化的落地边界。
嘉宾：Kirk McKeown（Carbon Arc 创始人兼 CEO，前 Point72 专有研究负责人、Glenview Capital 初级研究主管）
主持人：Ethan Kho
从 1999 年在 Tudor 风险投资部门通过冷电拜访企业高管，到加入 Glenview 协助 Larry Robbins 搭建自营初级研究体系，再到在 Point72 担任专有研究负责人长达八年半，Kirk McKeown 完整经历了买方研究数个周期的变迁。在多经理平台尚未占据主导的年代，单一大仓位基金依靠分析师个人的人脉深耕与财务模型便能构建壁垒；然而随着算法工具普及与平台型基金崛起，市场信息获取的利差被迅速抹平，仅凭公开财报和后验刷卡数据推演行情的传统做法，越来越难以在严苛的实盘考核中立足。
这期访谈主要讨论买方机构的超额收益如何随市场结构演进，以及非共识研究如何通过标准化的组织流程转化为可衡量的胜率。随着多经理平台成为主流，传统依靠少数明星经理凭个股主观直觉下重注的模式逐渐退潮，平台化运作将投研拆解为高频打席与严格的击球率考核。中台研究不再是简单的股票推介，其价值完全取决于能否提升投资组合的判断胜率；同时，面对公开数据与建模工具的普遍同质化，真正的竞争优势正在向跨产业链的先导信号排查、穷举演化路径的决策树剪枝，以及按需计费的微小颗粒度数据基建转移。
核心观点
- 超额收益随时在市场中迁徙。 1999 年前后，公募与对冲基金普遍能靠几个行业分析师精细拆解报表、盯紧核心公司来赚取可观利差。随着另类数据被全行业买断、开源模型抹平代码门槛，原有模式的利差迅速收窄。当下真正的阿尔法不再来自人人皆知的公开宏观共识，而取决于谁能在微弱的产业拐点刚刚露出苗头时，就通过成熟的组织机制完成开仓。
- 中台研究只对判断胜率负责。 投资经理的考核锚定在打席数、命中率和仓位规模上，中台研究的立身之本是协助前端把命中率提上去。为此必须实行研究与组合盈亏的物理隔离，单纯依据基本面事实是否如期兑现来复盘调研，绝不能把股票短期的随机涨跌当成验证逻辑的凭据。
- 样本规模是草根调研的核心防线。 季度末找专家网络临时打三四通电话，很容易被个别受访者的主观立场带偏。只有把产业链跟踪做成常态化的月度工程，持续积累几十通上下游访谈并结合现场走访，才能在统计意义上过滤噪音，赶在卖方研报刊发前捕捉到代工厂反常调配产能这类先导逆转信号。
- 决策树剪枝先于具体事件推演。 等到突发事件摊牌再去翻找数据往往已经错失交易时机。成熟的投研框架会预先把千差万别的公司归入不到十种商业原型，穷举出所有可能的演化分支。现实中出现的任何政策或经营变动，只是用来迅速排除错误路径的判别线索。
- 实体数据采购正在经历小数化。 华尔街五十年量化史表明，把按分数报价的纸质撮合改造成毫厘级小数化交易后，摩擦成本的降低直接带来了成交规模的爆发。实体企业当下动辄花费数十万美元打包采购笨重年费数据集，与轻量化算法的调用方式严重冲突，未来数据要素必然会像水电原油一样转向按实际消耗计费的微小颗粒度交付。
三代对冲基金的演进：从单点深耕到平台化高频打席
超额收益从来不是静态资产，它在不同市场阶段的表现形式大相径庭。千禧年初期的超额收益、金融危机前夕的超额收益与当下的超额收益所依赖的驱动力完全不同；它有时取决于获取专有信息的速度，有时依赖特定人脉的独占性，有时则完全取决于组织将零散线索转化为实盘交易的流水线效率。
回过头想想，1999 年前后 Tudor 面对的公开市场竞争对手远少于今天。在互联网浪潮初期的繁荣里，分析师凭借扎实的会计功底自下而上搭建现金流折现模型，紧跟手头几家核心公司，就能在科技与医疗板块建立稳固壁垒，依靠单点研究深度获取宽阔的套利利差。
随后在 Glenview 的实践则代表了集中型长周期基金的典型路径。在 Larry Robbins 主导的体系下，投资是一场属于重炮手的博弈，也就是棒球术语里的 Slugging。这类基金每年的开仓决策非常克制，下注频率低但单笔仓位极重，要求分析师用 Excel 细致拆解三张表，将企业损益表中的每一项单位成本与运营驱动因素剥离得一清二楚，并与管理层保持长期深度的业务互动。
然而当进入 Point72 这样的多经理平台时，规则转向了纯粹比拼击球率的 Hit Rate 模式。旗下数十乃至上百个独立投资单元每天都在产生密集的高频打席；面对如此庞大的打席规模，维持优势的根本手段不再是押注某位明星基金经理的直觉，而是依靠一套高度严谨、透明且可复现的工业化组织流程。
在这类平台生态中，核心胜负手体现为对边际变化的极致捕捉。大多数普通投资者往往在企业经营逻辑发生大幅偏离、甚至财报暴雷后才后知后觉；而在头部多经理基金，真正的护城河在于当产业链供需和商业叙事仅仅偏转了一度的时候，系统就已经能够敏锐捕捉到这种微小的异动。
隔离盈亏与研究：中台职能如何为投资经理提供增量
对于不直接承担交易盈亏的中台研究部门来说，最关键的职业自律是认清自己的生态位。在没有独立账户净值的前提下，中台研究想要证明自身价值，唯一的标尺就是看自己能否为前台投资经理创造可验证的增量支持。
评估投资经理能力的底层指标高度清晰，主要是打席次数、打席胜率以及单笔仓位规模三个变量。中台研究产出的所有内容，如果不能在其中至少一个维度上实现确定性的指标提升，就失去了存在的实际价值。在实践中，将精力集中在提升胜率上往往是最见成效的切入点，因为胜率是一个可以在事后被清晰度量和统计回溯的客观指标。比如通过供应链调研提前预警某款核心硬件出货放缓，随后现实世界中的出货量确实不及预期，这就构成了明确的研究得分。
但在组织架构上，必须推行严格的政教分离原则，将研究职能与前端投资盈亏彻底切开。
坚持用股价短期涨跌来评价研究质量的做法，极易引发认知失真。如果一项研究判断在事实层面完全准确，比如提前测算出零售新品铺货节奏远落后于预期，但该股当天却因宏观流动性宽松或空头回补被推高，这绝不意味着研究本身出现偏差。研究员不能根据股票价格的短期随机波动领提成，正如不能用非理性的股价上涨来为错误的产业逻辑背书；研究部门唯一需要严苛考核的，是对产业事实判断的准确率本身。
学徒期的钝感与复利：为什么自动化工具无法替代体力劳动
随着各类自动化插件在金融工程领域的普及，初级分析师的工作形态被迅速改变，以往需要花费数小时搭建的财务模型如今几十秒即可生成。然而这种表面上的效率提升，往往掩盖了专业能力退化的隐患。
工具可以迅速填满表格，却无法替代研究员经历逐行拆解年报、核对管理层讨论与分析细节的钝感训练。这种手工推演和逐字校对的过程看似消耗了低效体力，本质上却是在大脑中建立对商业因果律的肌肉记忆；跳过基础学徒期训练的分析师，往往很难真正感知数字背后真实的产业摩擦。
经验的积累遵循着纯粹的复利法则。在长达十四年的职业生涯中，Kirk McKeown 保持着每周日工作六小时的习惯，一年累计出额外的三百个工作小时；按照每周五十小时的工时折算，这相当于每年比同行多出六个工作周。在知识密集型的研究行业，早期积累的产业脉络会直接缩短理解后续新技术所需的周期，大幅压缩在复杂局面下得出核心结论的耗时。即使天资过人的顶级职业运动员，依然会在清晨六点准时走进训练馆；单凭未经验证的智商无法形成持久优势，用捷径回避基础苦工往往会在职业中后期带来难以挽回的认知空心化。
草根调研的工业化：用样本密度刺穿专家网络假象
当专家网络成为买方标配后，传统的草根调研也迅速走向了同质化。许多分析师习惯在财报季来临前夕密集约访三四位专家并草率撰写纪要，但仅仅依赖个位数的样本量，极易被受访者的个人立场误导，进而把局部的偶发波动误判为整体趋势。
打破平庸局面的关键在于将定性调研推向工业级的规模化运作。与其在季度末临时拼凑几通电话，不如建立每月二十通电话的高频追踪机制，单季度累计六十通以上的样本量；当样本密度达到普通同行的十余倍时，个别访谈对象的主观噪音就会在统计层面被自然过滤，产业链真实的景气度轮廓才会浮现出来。
除了电话沟通，调研人员还需要深入现场建立物理感知，走访晶圆代工厂、矿山、商超、酒馆与农田，像拆解割草机一样摸清实体商业的机械构造，以便在发动机出现微弱杂音时迅速锁定异响来源。
这种直觉最大的价值在于提前捕捉先导信号。绝大多数另类数据本质上只是后验或现状测算工具，记录的往往是已经发生的交易流水；真正的超额收益潜藏在主流数据打印出来之前的细微异常中。例如在 2009 年金融海啸期间，台积电罕见地主动致电一家小型连接器厂商询问是否需要认购产能，这种过去三年从未出现的异常举动，先于公开新闻证明了下游核心大客户正在大面积砍单。提前掌握这一先导信号的研究员，便能在行业共识形成之前抢先占据防守反击的主动权。
因子抽象与决策树剪枝：将万物归入有限商业原型的扩展法
分析师横向扩展能力受限的症结，通常在于将每家跟踪的企业视为孤立的个案。如果从底层机制切入，纷繁复杂的商业世界其实可以被抽象为不到十种基础商业原型，只要商业模型相同，其成本结构演变、库存周转规律以及资本开支节奏就高度相似。
台积电与美国钢铁在终端产品形态上差异巨大，但在商业模型本质上都属于高度依赖产线利用率来摊薄巨额设备折旧的高固定成本制造业；医院与远洋游轮在运营本质上都是依靠特定物理空间容量驱动的定时履约商业，病床与客房一旦空置，时间价值便永久灭失，两者在处理边际收益和动态定价时遵循着完全相同的优化逻辑。
面对市场突发异动，临时在海量数据中寻找因果往往滞后于盘面反应。更有效的方法是在事件发生前预先穷举完整的决策树分支。当所有可能演化的结局路径已被提前框定，外部环境传来的任何政策变动或经营异动，就直接充当了排除错误分支的剪枝依据。
以大型工程机械跟踪为例，2008 年北京奥运会前夕，部分分析师单纯观察到卡特彼勒对华出货量暴增，便草率推断中国基建进入新一轮长期景气周期；但真实的驱动机制在于华北港口因赛事面临长达数周的行政性临时封控，各类工程承包商为了保障工期而集中透支采购。如果分析框架中预置了港口政策对库存前置的扰动分支，面对短期出货暴增的数据就不会盲目追高，反而能准确识别出随后需求断崖式下跌的时间节点。
实体商业的小数化：华尔街量化史在通用经济中的重演
观察过去半个世纪华尔街交易制度的变迁，能够为理解当下数据要素的商业化路径提供最直接的历史参照。
在 1973 年 BS 定价模型问世前，证券交易完全依赖场内人工喊价与纸质凭证。纽交所大厅里的股票报价采用二分之一、八分之一美元这类粗糙的分数进制，单笔大宗交易占据市场半壁江山，中介抽取的佣金极为高昂。随后几十年里，自动化撮合系统逐步接管交易，报价制度全面走向美分与毫厘级别的小数化，大宗交易份额暴跌至不足百分之七，撮合延迟被压缩至微秒级。如今全市场超过九成的成交量，都是算法在机器之间以极低摩擦完成的碎股交易。
这种从大块买断向微小颗粒度演进的历程，正开始在实体经济的数据流通中重现。
当下企业在业务流程中引入算法模型时，数据采购依然沿袭着早年的笨拙模式：数据供应商通常要求买方签订动辄数十万美元的年度协议，打包交付结构笨重、包含大量无关字段的庞大数据集，采购审批与法务博弈周期冗长。这类打包交付方式，与现代模型轻量化、按需调用的实际运行机制存在严重脱节。
把数据当成公用事业来定价，是降低算法决策摩擦的必然要求。大模型本身会随着开源和竞争逐步成为标准件，决定企业决策质量的根本瓶颈转移到了输入数据的组织方式上。就像大宗商品交易中原油按桶交割、电网按千瓦时计费，数据要素也需要被拆解成按兆字节或具体请求计费的标准单元。企业不用再为整套冗余数据库垫付沉没成本，模型调用多少就结算多少，数据市场的供给方也能通过碎片化消耗获得持续收益。
买方机构向实体企业输出商业决策模型
过去几十年，技术扩散的方向几乎总是从西海岸硅谷流向东海岸华尔街。但在实体商业的因果推演上，这种单向输送正在发生变化。
构建一个有效的产业预测模型，关键不仅是算法架构，更在于对行业运行规律的长期理解。在零售供应链、医疗临床管线或重工业周期等具体领域，最敏锐的专家往往不在科技大厂，而是长年在这个赛道里博弈的对冲基金分析师。买方研究员为了在二级市场持续给资产定价，需要逐季穿透同业公司的财务附注，追踪渠道库存、产能利用率与价格战烈度。这种在实盘亏损压力下淬炼出的因果判断，直接弥补了通用算法开发者缺乏实体经验的短板。
许多跨行业的商业规律在买方视角下展现出清晰的同构特征。例如流媒体音乐在热门专辑发布后的播放量衰减走势，与页岩油压裂井的产油量衰减曲线具有高度一致的数学形态；音乐平台要想平抑播放量的衰减斜率，需要采取的联动推广手段，其本质逻辑与油井维护如出一辙。这种跨领域的规律认知，只有在每天需要处理多行业资产定价的环境中才能被自然提炼出来。
深耕医疗投资的 Deerfield 已经迈出了这一步，其设立的专属人工智能实验室开始将药品临床管线与研发预测模型直接输出给大型医院网络。相比严重依赖外部融资、面临现金流压力的通用人工智能初创公司，顶级对冲基金拥有极其充沛的自由现金流造血能力，同时坐拥深厚的产业历史特征库。未来几年，头部买方机构跨出纯粹的二级市场投资圈层，成立专门机构向实体企业提供高阶商业推演工具，将成为一个极具确定性的行业趋势。
职业生涯的阿尔法：像职业运动员一样管理认知输入
在算法工具迅速抹平初级建模门槛的环境下，从业者建立个人竞争壁垒的关键，在于将大脑与精力的管理提升至职业竞技水准。一流的职业运动员从不依靠情绪波动完成比赛，而是依赖固定的体能训练、作息节律、正念冥想与每日复盘清单来稳定发挥；把底层的日常生活节奏锚定在严谨的秩序中，外部瞬息万变的市场波动在视野里才会真正放慢节拍。
这种职业训练往往伴随着对自我定位的长期重构。Kirk McKeown 最初被安排组建初级研究团队时内心充满抵触，渴望像聚光灯下的明星四分卫一样执掌资金；直到读完迈克尔·刘易斯关于美式橄榄球防守战术的著作，他才意识到球场上薪酬最高、责任最重的往往是死守四分卫视野盲区的左截锋。当四分卫全力观察前场防线时，身后的致命撞击全靠左截锋独自抵挡。
在日复一日的单调调研中，必须找到超越单纯金钱激励的长期支点。从每天打十四通电话濒临精力竭尽，到意识到自己的目标是重构买方机构消费投研信息的方式，再到创办 Carbon Arc 搭建按需结算的数据基础设施，唯有将具体的战术动作置于更大的业务演进框架中，才能在长周期的枯燥磨砺中抵御职业倦怠，沉淀出真正无法被算法替代的专业底气。
发表于 14 小时前
|
查看: 1|
回复: 0
