超级学霸
德邵是一个超级学霸，从斯坦福大学计算机专业的博士毕业之后，不到30岁就进入哥伦比亚大学担任教授，专门研究超大规模并行计算。此后，他进入华尔街著名投行摩根士丹利做量化交易员。两年后，他成立了自己的对冲基金公司，并进行高频交易，公司员工一度达到1300多人，并且大多拥有博士学位。在他的带领下，定量分析交易也逐步登上了投资界的顶峰。20年来，德邵管理的资产规模从初创时的2800万美元增加到300亿美元，可以说是人生赢家。
大家可能对大规模并行计算不是很了解，从概念上来说是指很多台计算机同时使用多种计算资源解决计算问题的过程。并行计算是提高计算机系统计算速度和处理能力的一种有效手段。普通计算机的运行速度比较慢，特别是普通家庭使用的微型计算机，计算能力其实并不强。但在某些领域需要使用的一些大型计算机，比如天体物理的运行、卫星云图的分析、军事导航的规划、天气预报等，这些计算量和计算速度远不是普通计算机所能解决的，需要大型计算机进行处理。现在很多计算机程序采用的是串行的方式，指令流一条一条进去，速度非常慢。通过大规模的并行计算，可以将计算机的运行速度成倍提高，而在这个研究领域，德邵取得了非常出色的成绩，是这个领域的领军人物。
然而，德邵觉得在哥伦比亚大学并没有完全实现自己的人生价值。斯坦福大学是一个顶级学府，这个白色的象牙塔看上去像世外桃源一般，其实并不然，每位老师都要去寻找研究课题，需要资金资助项目，要么向国家申请科研经费，要么找其他人士资助。学校中的许多研究以理论为主，其研究具有前沿性，但一般在5年之后才能看到效益。
凡是科学领域的基础性研究，一般很难获得大规模的资金支持。德邵也一样，虽然他在学术界名声赫赫，但和当年的西蒙斯一样，他很清贫。二人想，既然有这么好的数学模型和计算机能力，为什么不去金融市场搏一搏呢？
高频交易
就像哥德巴赫猜想被誉为数学皇冠上的明珠一样，如果说量化投资是投资领域的皇冠，那么高频交易几乎可以说是这顶皇冠上的明珠。
在金融市场上，每时每刻都有大量的投资者进行买卖，但是大多数普通投资者的交易速度比较慢。如果投资者可以在价格上涨之前买入，在价格下跌之前卖出，就会获得短线的差价收益，我们称之为短线交易。当这个交易时间差缩短到秒级以下时，一般就称为高频交易。主要的高频交易策略有以下几种。
1）流动性回扣交易策略
为了争取更多的交易订单，美国所有的证券交易所都为那些创造流动性的券商提供一定的交易费用回扣，通常为0.25美分/股。不论是买单还是卖单，只要交易成功，交易所就向该流动性的原始提供券商支付回扣，同时向利用该流动性进行交易的券商征收更高的费用。随着这种激励机制的日益普及，越来越多以专门获取交易回扣为盈利目的的交易策略便应运而生。
假设在某案例中某投资者的心理成交价格为30～30.05美元。如果交易系统中的第一个买单（如100股）配对成功，以30美元的价格成交，那么，交易系统中的第二个买单（如500股）便跳显出来。再假设该买单也配对成功，以30美元的价格成交。根据上述交易信息，专门从事流动性回扣策略的高频交易者的计算机系统就可能察觉到该投资者其他后续30美元买单的存在，于是，回扣交易商计算机采取行动，报出价格为30.01美元的买单100股。毫无疑问，那些曾以30美元的价格出售股票的券商更愿意以30.01美元的价格出售给该回扣交易商。
在交易成功之后，回扣交易商立刻调整交易方向，将刚刚以30.01美元购得的100股股票以相同价格，即30.01美元挂单卖出。由于30美元股价已不复存在，故该卖单很可能被该投资者接受。
这样一来，尽管回扣交易商在整个交易过程中没有盈利，但由于第二个主动卖单给市场提供了流动性，从而获得了交易所提供的每股0.25美分的回扣佣金。不言而喻，回扣交易商所获得的每股0.25美分的盈利是以机构投资者多付出的1美分为代价的。
2）猎物算法交易策略
在美国，超过一半的机构投资者的算法报单遵循SEC国家最佳竞价原则（National Best Bid or Offer，NBBO）。所谓NBBO，即当客户买入证券时，券商必须保证给予市场现有的最佳卖价；同样，当客户卖出证券时，券商必须保证给予市场现有的最佳买价。根据该原则，当一个报单由于价格更为优先从而在排序上超过另一个报单时，为了能够成交第二个报单，常常调整股价并与前者保持一致。事实上，一只股票的算法报单价格常常以极快的速度相互攀比追逐，从而使该股票价格呈现出由高到低、由低到高的阶段性变动趋势。这也正是在实际交易中经常看到数量有限的100股或500股小额交易常常将股价推高或拉低10美分甚至几十美分的原因。
猎物算法交易策略是在对上述股价变动历史规律进行研究的基础上设计出来的。一般来说，该策略通过制造人为的价格来诱使机构投资者提高买入价格或降低卖出价格，从而锁定交易利润。
假设在某案例中某投资者遵循NBBO并且心理成交价格为30～30.05美元。像上例中的流动性回扣交易商一样，猎物算法交易商用非常相似的程序和技术来寻找其他投资者潜在的连续算法订单。在计算机确认价格为30美元的算法报单存在后，猎物算法交易程序立即发起攻击，报出价格为30.01美元的买单，从而迫使该投资者迅速将后续买单价格调高至30.01美元；然后猎物算法交易商进一步将价格推高至30.02美元，诱使该投资者继续追逐。
以此类推，猎物算法交易商在瞬间将价格推至该投资者所能接受的价格上限30.05美元，并在此价格将股票卖给该投资者。猎物算法交易商知道30.05美元的人为价格一般难以维持，从而在价格降低时进行补仓，赚取利润。
3）自动做市商策略
众所周知，做市商的主要功能是为交易中心提供交易流动性。与普通做市商一样，自动做市商高频交易者通过向市场提供买卖订单来提高流动性。不同的是，他们通常与投资者进行反向操作。自动做市商高频交易者的高速计算机系统具有通过发出超级快速订单来发现其他投资者投资意向的能力。例如，在以极快速度发出一个买单或卖单后，如果没有被迅速成交，则该订单将被马上取消；如果成交，则系统即可捕捉到大量潜在、隐藏订单存在的信息。
假设在某案例中某投资者向其算法交易系统发出价格在30.01～30.03美元之间的系列买单，外界无人知道。为了发现潜在订单的存在，自动做市商高频交易者的高速计算机系统开始以30.05美元的价格发出一个100股的卖单。由于价格高于投资者价格上限，因此没能引起任何反应，于是该卖单被迅速撤销。计算机系统又以30.04美元的价格再次探试，结果还是没能引起任何反应，于是该卖单也被迅速撤销。计算机系统再以30.03美元的价格继续探试，结果交易成功。基于此，计算机系统意识到一定数量的价格上限为30.03美元的隐藏买单的存在。于是，运算功能强大的该计算机系统随即发出30.01美元的买单，并利用其技术优势赶在机构投资者之前进行成交，然后再以30.03美元的价格反卖给机构投资者。
除德邵之外，华尔街还有大量的高频交易商，他们利用高速的计算机系统，在瞬息万变的交易市场中赚取了不菲的利润。
征服计算化学
对于曾经在哥伦比亚大学任教的德邵教授而言，在金融市场上拼杀并不仅仅是为了赚钱，他一直认为自己是一个科学家，而不仅仅是一个交易员、投资者。在登上个人财富的顶峰之后，他决定回归科学研究领域，这位低调而神秘的科学家兼对冲基金经理于2001年宣布再次投身科学研究。
事实上，程序化交易也不是那么有趣的。将强大的盈利系统开发出来后，每天系统都在不知疲倦地交易，机器不觉得无聊，但是人类会觉得无所事事。德邵并不老，作为50多岁就位列世界500富的顶尖计算机专家，他依然年轻力壮。由于整天无事可做、精神空虚，于是这位比有钱人懂科学、比科学家有钱的计算机专家决定回到学校，从事他的老本行。但这一次德邵着眼的领域和以前不太一样，他选择了一个新的领域——计算化学。
计算机的发展的确给人类社会带来了翻天覆地的变化，现在也逐步向很多科研领域进发。计算机的开发和应用与人类科学的发展息息相关，笔者研究的人工智能领域在近几十年里发展得也相当不错，我们常用的语音识别、语音合成、语音输入软件，包括一些机器人技术，都属于计算机和人类交互的应用领域。计算机除能研究应用科学外，还能研究文科。几年前，谷歌运用其强大的数据库和识别系统做了一个计算历史学库，把所有的历史文献全部输入数据库，用计算机分析其中的关系，发现了很多历史上的未解之谜，这要比历史学家在成千上万的史料中查找一些蛛丝马迹效率高得多。
同样的情况也发生在化学研究领域。很多化学研究员一直在实验室中用试管、烧杯做实验，虽然精度、条件有所提高，但效率依旧不高，因为当时计算化学用于实际问题中的计算精度并不高。德邵觉得这样做研究效率实在太低，于是决定在这个领域进行大刀阔斧的改革，开发强大的化学计算机解决这个问题。他建立了团队，计划开发专门用于计算化学的超级计算机，取名为Anton。
大约在2004年，德邵研究中心（D.E.Shaw Research）正式成立，很快做出了第一台Anton。Anton比传统计算机强大太多，比一般的超级计算机要快10000倍，比最好的超级计算机要快1000倍，超级计算机和Anton相比完全不在一个数量级。
在计算化学方面，Anton采用模拟分子运行。如果用传统计算机模拟需要1个月，但用Anton这台超级计算机，只要1秒钟就可以计算模拟，这简直是天壤之别。俗话说“工欲善其事，必先利其器”，正是这个道理。
神器在手，天下我有！有了这个神器，德邵团队开始在Science和Nature两大顶级期刊上陆续发表文章，一举成为计算化学领域的领头羊，这就是一颗极客的心。
