World Science Hill创始人Mia王璟晗：独家专访 Two Sigma SVP卢雨博士

前文介绍

北京时间2025年11月9日凌晨2:30，World Science Hill独家专访了Two Sigma SVP、神经网络组 team lead 卢雨博士。

World Science Hill 创始人 Mia王璟晗

独家专访 Two Sigma SVP、神经网络组 team lead 卢雨博士视频截图

【本期人物专访】

卢雨

卢雨博士于2013年本科毕业于北京大学数学学院，2017年在耶鲁大学统计与数据科学系获得博士学位。博士毕业后加入 Two Sigma，从事机器学习与量化研究工作，现任 Two Sigma SVP、神经网络组team lead。

（注：Two Sigma 是一家世界顶级的量化对冲基金公司，总部位于纽约。）

Q1

您最初是如何进入量化金融领域的？在您看来，从学术研究到真实市场交易，最大的思维转变或挑战是什么？

我于2017年在耶鲁大学统计与数据科学系获得博士学位，毕业后选择加入Two Sigma担任量化研究员（Quantitative Researcher）。当初之所以决定进入这一领域，主要有两个原因。

首先，量化金融这一领域的反馈周期相对短——研究成果和交易市场的联系十分直接，这种即时的反馈机制让我感到刺激且富有挑战性。我希望能看看自己在统计学和机器学习领域所学的知识，在金融市场中究竟能发挥怎样的作用。

其次，量化金融行业的人才密度比较高，汇聚了大量优秀且思维活跃的研究者和工程师。能与这些聪明而有实力的同事共事，本身就是一种学习与成长的机会。事实也证明，在工作的过程中，我确实接触到了许多优秀的同事，从他们身上学到了很多新的理念和方法。

Q2

在Two Sigma这样高强度、数据驱动的环境中，从研究员到SVP的过程中，哪些能力或心态的转变对您最为关键？您认为“好的研究员”和“好的管理者”之间的核心差异是什么？

首先，我想澄清一点：金融领域中的“VP”与科技行业（Tech）中的“VP”并不完全对应。在很多量化公司或银行，职位层级通常是从初级研究员开始，依次为VP、高级副总裁（SVP），再往上是董事总经理（MD）。我目前处于SVP这个级别，负责带领一个研究团队。这与科技公司中负责一个大型部门的VP并不是同一个概念。

我认为，从研究员到管理者的核心区别在于关注点的转变，过去更关注个人的研究产出，而现在更关注整个团队的产出。这种转变的跨度其实相当大。作为个人研究员时，主要任务是把技术和研究本身做好；但作为团队负责人，必须思考如何激发团队成员的积极性，如何处理团队内部及跨团队的沟通与协作问题。

此外，管理者还需要承担更多规划性的工作。个人研究往往由自己的兴趣驱动，而带领团队则要求从更高的视角去思考整体方向，如何分工协作、如何协调不同成员的研究重点，并在保持多样性的同时提升整体产出。不仅需要对技术的理解，还需要对商业模式和人的理解。

Q3

近年来，人工智能与大模型（LLMs）在金融领域引起了广泛关注。您如何看待这类技术在量化研究或投资中的真正价值？

大语言模型已经展现出相当可观的实用价值，我们在工作中也频繁使用，例如代码编写、搜索，信息提取等任务，确实能够显著提高效率。当前的大模型可以被视作一位“高水平的研究助理”：当任务目标、边界条件与评价标准被清晰界定时，它对想法的实现具备很强的执行力。

与此同时，问题定义的重要性被进一步放大。现阶段的大模型在复杂目标分解、长链因果推理以及细致的统计检验上仍有距离，因此仍然需要研究员定义问题，分解问题，提供明确的指标和严格的验证流程等等。

Q4

Two Sigma以重视数据与系统化研究闻名。能否分享一个不涉及具体策略的例子，让我们理解您是如何判断一个研究想法或数据信号是否值得深入挖掘的？在评估模型有效性时，您更看重理论解释、统计显著性，还是实际可交易性？

大多数的研究构想法仍然是以人的直觉为起点，辅以学术论文或实际数据结果作为支撑。这一点在金融领域尤为关键。金融市场的突出难点在于信噪比较低、噪音占比高，评估并不如通用科技任务那样直接可靠。回测中看到某一方案优于另一方案，并不必然代表其真实有效；噪音、样本依赖与设定选择都可能导致误判。

因此，早期的研究直觉与问题设定比较重要。在后续实验验证中，因为金融数据中的低信噪比，研究过程的严谨性和研究结果的稳健性非常重要。

至于理论解释、统计显著性与可交易性，后面两者更重要。理论解释属于锦上添花，如果有比较好的金融或者数学理论会让实证结果更有说服力，但不是必须的。就像现在的大语言模型一样，实际数据上的表现更有说服力。

Q5

如果从过去二十年的角度来看，您认为量化投资策略的核心理念和技术路径经历了哪些重要的演化？哪些变化最深刻地影响了行业格局？您认为下一个十年的量化竞争焦点将会是什么？

回顾过去二十年，我认为促成量化行业繁荣的首要因素，是系统化的收集数据。早期的关键一步是“电子化”：在交易所从经纪人线下交易转向电子交易之后（如纳斯达克的电子化系统），市场数据开始以结构化形式持续产生并可被利用。

在此基础之上，行业演进主要体现在三个方面。第一，方法论升级——机器学习等技术被引入并不断迭代，模型的表达能力和预测性能显著提升。

第二，数据的多样性——除传统基本面数据外，机构开始系统性地获取与管理“另类数据”，将更广泛的信息纳入研究框架。

第三，基础设施完善——许多头部量化机构在高频交易平台或者研究平台的流程化上形成了可持续的竞争优势。

未来十年，创新的地方可能落在两条主线上：其一，如何更高效的把大语言模型与通用人工智能融入研究与交易全流程，包括数据清理、策略生成、信号交易等等；

其二，如何收集更全面、更高质量和更差异化的数据去预测价格变动。当然，这背后是人才的竞争，如何更好的吸引和选择人才可能是最重要的。

Q6

随着自动化和机器学习的发展，算法似乎在逐步接管许多原本由人完成的决策环节。您如何看待未来十年中“人”的角色？人类研究员在算法主导的系统中，还能发挥哪些独特价值？

我更倾向于认为，人工智能将“解放人类”而非“替代人类”。这与计算器或者是计算机的出现颇为相似：在没有计算机的年代，人们必须将大量时间投入到机械性算术中。

而计算工具的普及，使人类得以将精力转向更具创造性与判断性的任务。如今，计算机与大模型同样能够从可程序化、可替代的环节中释放人力，使我们去做“更有杠杆”的事情。

在人机分工上，人类的独特价值主要体现在两点。其一是“问题定义”。当前的大模型在处理“定义明确”的问题上表现突出，但“如何定义问题、如何提出正确问题”仍然是人的核心能力，也是最难被替代的环节。

其二是“决策制定”。大模型可以提供多样化选项与强大的工具箱，但并不会替代最终决策。哪些信息可信、哪个方案可行、如何在约束与风险之间权衡，仍需要人来判断。

Q7

很多年轻人对量化金融充满向往，但也觉得门槛高、竞争激烈。您会给想进入这一领域，尤其是想在AI与金融交叉方向发展的学生哪些建议呢？

在量化领域做的好的人一般知识结构和能力都相对广泛，比如数学、编程、数据科学，金融直觉等等。创造性也很重要。二级金融市场是一个博弈的市场，因此，评价标准并非“你做得好”即可，而在于“你是否比他人做得更好”。

关于 AI 的应用，若能在早期熟悉并善用相关工具，往往能获得一定优势。每当有新工具出现，率先上手通常能够提升个人生产力。

但最终，这仍离不开大量尝试。并非因为有了 AI 就可以不再投入努力；恰恰相反，需要做大量研究与探索，才能让这些工具发挥更大的作用。

嘉宾：卢雨

主持：Mia王璟晗

作者：Mia王璟晗