3Blue1Brown 与 Jane Street 谈交易、机器学习和文化

3Blue1Brown 的 Grant Sanderson 询问 Jane Street 的参与者，公司文化是什么样的，实际上又在做什么。一位参与者说，讨论的目标是寻找真相，而不是证明谁更聪明：遇到新信息时，人们期待自己的观点有所改变。

开会时，参与者有时会先分享自己的初始观点，再听其他人发言，并在讨论后比较各自的看法。讨论往往让大家的观点更加接近。众人开玩笑说，他们养成了贝叶斯式的对话习惯，还会使用“这并非不合理”之类常见的 Jane Street 表达。

另一位参与者说，大家有身处同一家公司的感觉：人们会走到其他团队那里交流想法，而不是总要通过经理安排。Sanderson 问，这种方式如何扩大规模而不陷入混乱。回答是，较长、涉及多人的项目需要组织时，经理和项目负责人会提供结构；非正式交流则保持相对灵活。

大家以实时算力拍卖为例。研究人员衡量自己的任务相对于其他工作的价值，然后竞价使用共享集群。一位参与者说，这套制度鼓励共同承担责任：同事可能发现一个任务出错并帮忙暂停，或者讨论另一个任务的利用率为什么很低。

开放也可能带来意外后果。一位研究人员曾在笔记本中运行没有参数的命令，结果修改了集群中所有任务的出价。大家说问题已经修复，并以此说明，公司会围绕当前需求构建系统，等实际经验暴露问题后再调整。

Sanderson 希望得到一种对 Jane Street 的解释，既不止于模糊的量化金融描述，也不涉及专有细节。一位参与者称做市是核心业务，并将其比作股票的杂货店：公司提供交易渠道，并且必须给出客户认为公平的价格。

ETF 可以让投资者接触外国市场的公司；根据底层股票为 ETF 定价，就是公司业务的一个例子。另一位参与者延伸了杂货店的类比：预测万圣节对南瓜的需求是一个预测问题，流动性提供者同样需要预判需求并管理库存。

参与者说，人们可能误解 Jane Street 机器学习工作的规模和新颖程度。金融问题噪声较大，直接拿一个现成模型放到 GPU 上运行通常行不通。他们描述了对基础问题的研究，而不只是应用现有模型。

一位参与者说，公司近年来在机器学习方面取得显著成果，感觉目前还处于 S 曲线的起点。在这位讲者看来，机器学习已是公司系统化交易的最大单一驱动力。另一位参与者说，从银行或其他交易公司加入的人，可能会惊讶于这里的环境与科技界或学术界有多相似。

职位名称也可能产生误导。一位参与者说，称为交易员的岗位在许多方面主要是研究工作，公司业务的系统化程度也比外界可能想象的更高。大家还开玩笑说，同事之间并不总是知道彼此的正式职位名称。

参与者描述了一系列岗位：有些开发者紧贴交易工作，另一些则为开发者构建工具，包括代码审查和发布基础设施，或管理 PB 级市场数据的系统。交易员和研究员的工作同样有所重叠，从关注当天的证券与交易系统，到开展周期更长的模型训练和研究工具开发。

2005 年加入公司的 Craig 回忆说，当时记录数据并在计算集群上训练线性模型，已经让人觉得很先进。有些交易系统真的运行在 Excel 中，人们有时不需要复杂统计就能看出两种证券的价格不一致。

他说，如今大量建模工作都涉及机器学习，包括神经网络和梯度提升树。技术大约每五年就会发生显著变化，而公司文化仍让人感到熟悉，许多早期员工也留了下来。

被问及人们为何留下时，一位参与者强调，同事也是真正的朋友，彼此关心对方的成功。这种支持让困难工作和进入新领域不那么孤单。另一位参与者说，留下是不断重新评估学习、乐趣、交流和自主权的结果；随着时间推移，学习的速度甚至加快了。

Nitya 说，她原本以为自己会成为数学家，但家人和朋友鼓励她尝试一份教数学之外的工作。她很喜欢在 Jane Street 的实习，第二年夏天再次回来，之后全职加入。几年后，她暂时离开攻读博士，随后返回；她说这种具体经历并不常见，但公司能够适应个人情况。

Nitya 回忆，面试问题涉及概率和一般问题解决能力。现场面试包含各种游戏，而不是她预期的高等数学。回头看她觉得很有趣，但当时压力很大；尤其是最后一场面试进行到一半时，招聘人员催她赶飞机。尽管她担心自己表现不好，最终结果还是积极的。

被问到招聘方式有何变化时，一位参与者说，主要策略仍然是寻找聪明、勤奋、通情达理、适应能力强且喜欢学习的人。机器学习技能是加分项，但面试官寻找的是通用能力，用陌生谜题作为讨论材料，而不是依赖某门课程的知识。

大家指出，如果员工会长期留下，花时间教他们一个新领域就更有意义。但仅通过几场一小时的面试评估一个人未来的工作能力很困难。寻找适应能力强的通才，有助于公司应对技术需求的变化，但并不能消除预测的困难。

Alok 说，他在学习数学和计算机科学期间申请了 2018 年夏季研究实习。他喜欢这两个领域，但原本认为未来工作主要会用到计算机科学，数学可能只是额外收获。他认为机器学习和金融是两个可能同时用到它们的领域。

实习期间，Alok 发现这项工作比他预想的更像其他地方的数据科学。大学课程中的抽象概念在分析模型时有具体用途，这让他既惊讶又高兴。

Alok 举例说，他在统计课上学习过 M 估计量以及更广泛的稳健估计量。看似抽象的渐近理论，在处理格式异常的数据时竟然很有用。实习期间，他尝试把这些理论应用到一个具体的建模问题中。

Craig 解释说，自己的经历并不寻常。他原本打算攻读博士，在 OCaml 邮件列表中看到一个招聘信息，便发去了自己练习写的简历。经过一次电话面试后，他去了纽约，喜欢上在那里见到的人，并于 2005 年接受了这份工作。

Craig 曾用 OCaml 做个人项目，比如绘制分形和制作黑白棋机器人。他说这些是有趣的实验，而不是严肃的专业项目。Sanderson 接着问大家平时做什么消遣。

Alok 说，他偶尔会在一间小会议室举办非正式的数学和物理讲座。最近的一次讨论从统计力学和配分函数出发，谈到它们与费曼图的密切关系，最后聊到了“图的指数”这一有趣想法。Sanderson 开玩笑说这听起来像一期 3Blue1Brown 视频，并感谢大家帮助他了解公司的工作和文化。