因为这些商业软件注重允许使用者处理包含大量数据的问题，而不是为使用者提供确保他们不会单纯拟合曲线的严谨协议。当软件允许使用者处理前所未有的大量数据时，人们就会激动不已，但它们忽视了正确地处理任务。这些软件不仅不能指导用户正确地进行数据挖掘，它们实际上把用户领向了一个允许他们得出伪造证明以支持其训练结果的错误方向。

你给20世纪80年代后的数据和2000年之后的数据同样的权重吗？

有的时候我们给最近的数据稍高些的权重，但是更早些的数据的价值仍然很惊人。我们发现的图形结构的稳定性也很让我惊讶，我本以为市场中有预测能力的图形结构会随着时间有更大的变化。

这意味着即使那些模型表现得不好也不会被剔除吗？

剔除一个模型会以巨大的退化为代价。我们不会对一个模型的短期结果做出反应，因为任何模型在当年的表现完全无法用于预测其在下一年的表现。有预测意义的是其在31年中的表现。近些年提供的那额外的3%的数据不会对模型在整个训练期间的表现产生太大影响。

你仅在期货项目下所管理的资金就高达50亿美元，容量是个问题吗？你是否需要为更大规模地管理资产做出相应的调整呢？

从早些年到现在，我们所做的一项改变是，曾经我们只在开盘时交易，而现在我们在整个交易时段都会交易，这使容量扩大了很多。另一项使容量扩大的改变是，我们的资产配置向流动性更好的市场倾斜。我们交易股指和利率的比重上升了，而非金融期货合约的比重下降了。虽然这项改变降低了我们的分散化投资，但我们很愿意这么做，因为在高流动性的市场上，我们倾向于获得更高的利润。因此除了容量的增加，资产配置向高流动性的市场倾斜也同样改善了我们的表现。

你是按照市场的相对流动性来分配仓位大小的吗？

我们从2006年开始对高流动性市场提高资产配置，而大约在六个月之前，除了标准普尔因其潜在的超大容量之外，我们把风险权重的设置完全改成基于流动性的了。

关于容量，另一个需要说明的重点是它并非静态的，在相关市场中，它在数量与波动性上会发生很大变化。我们现在的容量大概为60亿～90亿美元。但是我们总会附加说明，如果市场的平均波动率下降50%，我们的容量会下降相似的数量。

你是如何控制风险的？

风险管理的核心是衡量每个市场的风险，对每份合约采用每日以美元计价的波动幅度的指数加权移动平均法。这个风险管理标准保持我们的波动率始终不会偏离目标水平太远，即使市场趋势有大的反转也是如此。我对风险管理很满意的一点是，在2008年和2009年市场处于混乱的时候，我们的波动率也依然与我们12%的年化波动率目标很接近。

我猜测，2008年你在每个市场交易的合约数量都比你平时的要小，对吗？

当然了。当波动率增加，我们交易的合约数量大幅下降。

除了由基础产品市场波动率变化导致交易规模调整之外，你还有什么其他控制风险的手段吗？

在项目运行的整个历史过程中，采用波动率调整是非常成功的。我们的风险管理这两年做得不好是由于降低杠杆规则。最初的构想是，无论何时只要月内最大回撤达到6%，我们就减仓至75%；[6]最大回撤达到8%时，减仓至50%；最大回撤达到10%时，减仓至25%。当最大回撤降低时，也用同样的规则加仓。从2003年到2009年，降低杠杆规则对于我们的风险/收益比只有轻微的削弱作用，但这种规则能让人安然入睡，因为损失无论何时增加，我们的交易规模都会很小。然而，在2010年和2011年，降低杠杆规则让我们受到很大伤害，因为我们的模型在热火朝天地赚钱，可是我们的交易规模却很小。借用趋势跟踪的一个名词，得益于风险叠加我们两头受损。

这确实是个进退两难的事。如果你相信均值回归适用于交易系统，那么如果在一段时间里这个系统不管用，那就有超过一半的可能，在之后的一段时间里它会超常发挥。不过，如果你在最大回撤之后降低风险，那么同时意味着你会有最小的仓位。另外，通过降低最大回撤的仓位，你降低了爆仓的风险。讽刺的是，我认为两个观点都是正确的——在损失之后降低仓位会降低产生灾难性损失的可能性，但这样做是以对业绩的负面影响为代价的。

人们对于市场有些什么样的误解？

最糟糕的误解莫过于“自由市场”由什么构成。以自由市场的名义，场外市场（OTC）毫无约束地扩张是华尔街机构最大的利润中心。允许场外市场业务不受监管、不透明，无异于50个8岁的孩子一个月不受监督。场外市场经常在那些法律上看起来很“复杂”的客户（他们其实很幼稚）身上占便宜。场外市场的建立就是为了将信息不对称最大化，当然它也是一个市场错误运行的例子。市场应当是公平、透明的，就像期货和股票市场一样。

公众在交易时犯的最糟糕的错误是什么？

过度交易和听信传闻。

赔钱会让你感情上有负担吗？你是如何处理的？

会的，业绩表现不好的时候日子过得非常艰难。我的处理方式就是，非常努力地专注于改善交易系统。

请总结一下你赖以为生的交易规则，好吗？

看看别人不做什么。调整仓位的大小，把固定的波动率作为总体风险的目标。小心交易成本。

有什么结束语吗？

当我十几岁的时候，我父亲的洞察力很强，他潜移默化地教会我要客观地评价自己的进步。这堂课，比任何东西都重要，对我的成功更是至关重要。

贾弗雷·伍德里夫的观点为他长期的成功所证实，他提供了关于交易系统四点想法。

1.可以找到既非趋势跟踪又非均值回归的系统，并且其表现比常用的方法更好。（通过比较贾弗雷·伍德里夫的风险/收益比和整个市场中程序化交易员的风险/收益比来判断。）

2.可以运用数据挖掘技术在海量数据中找到有用的模型，并且不会掉入过度优化的陷阱。（严重警告：绝大多数人试着这么做会误用这个方法，以致最后找到的模型只适用于过去，而不能用于真实的交易。）

3.古老的价格数据（如，30年之久）可以与最近的数据一样有效。

4.真实交易时，在很多市场有效的系统比只在某个市场有效的系统要管用得多。记住：开发能广泛运用的系统，而不是针对某个特殊市场的系统。

贾弗雷·伍德里夫风险管理的核心技术（调整仓位以改变整体波动的率）适用于大部分交易员，对于那些不使用系统交易方法的交易员也适用。当市场变得不稳定的时候，贾弗雷·伍德里夫会降低交易合约的数量。对于每个市场的合约价值，贾弗雷·伍德里夫将平均以美元计价幅度作为标准来调整投资组合仓位。用这种方法，贾弗雷·伍德里夫始终保持他的投资组合波动率在目标水平附近，在过去20年波动率非常大的情况下都是如此。

贾弗雷·伍德里夫研发了一种适合他性格的交易方法，我所见过的其他成功的交易员也是如此。他内心十分希望开发出一种与其他所有人都不同的交易方法，这就是他所做的。他在很早的时候就能意识到一种交易方法是否适合自己。为手动日内交易的市场建立了一套实时报价系统之后，他仅用了三天就放弃了这个项目，他很快就意识到：这不是我，这个不适合我。

[1]管理费用按照所管理的资产规模收取。激励费用按照超过一个高水平标准（上一期收取激励费用时的最高净资产价值）的百分比收取。几乎所有商品交易顾问和对冲基金经理都同时收取两种费用；伍德里夫收取超常规的激励费用，但不收取管理费用。

[2]实际的复合收益比这要低，因为伍德里夫取出了一部分钱支付房租和斯玛的薪水。

[3]贾弗雷·伍德里夫是本书第一个被采访的人，这也是我最后写完的一章。大约一年多之后，我把整章发给贾弗雷·伍德里夫以便校对。他发了一封邮件回来并自嘲道：“你能想象吗，把这章读完之后我又得了重感冒，现在我脑子晕得厉害！”

[4]数据挖掘是指用计算机分析海量数据，以发现数据规则的过程。虽然数据挖掘技术可以发现数据的某种特征，而这样的特征人们是很难凭借经验或假设发现的，但这也可能会导致发现一些毫无意义的规则，类似于运气的偶然发生概率，或者分析产品的缺陷。当研究非常庞大的历史价格数据组合时，会很容易发现许多规则，而这种规则在过去是偶然发生的，不具有任何预测价值。对价格数据使用数据挖掘就会有这样的情况，这就是为什么在提到交易系统时数据挖掘总带有贬义色彩。

[5]在开发交易系统时，为了避免后置偏好，可获得的过去数据被分成用于系统开发的看得到的数据（也就是“样本内”）和用于系统测试的看不到的数据（也就是“样本外”），任何从样本内数据中得到的结果都被忽视了，因为它们是后置偏好的。虽然区分数据并保留看不到的数据用于测试是避免产生误导结果的必要条件，但是根据伍德里夫的解释，这并不是充分条件。

[6]在2011年，QIM改变了其在表现糟糕时用以减少杠杆的精确计算方法，但新的公式在概念和实践上都与原来的很相似。因此把其杠杆减少看成一个过程更容易些。

多重策略交易者