Chris Anderson: You were something of a mathematical phenom. You had already taught at Harvard and MIT at a young age. And then the NSA came calling. What was that about?
Chris Anderson: Üstökösnek számítottál a matematikában. Már egészen fiatalon tanítottál a Harvardon és az MIT-n. Azután a Nemzetbiztonsági Ügynökség, az NSA hívott. Hogyan is volt ez?
Jim Simons: Well the NSA -- that's the National Security Agency -- they didn't exactly come calling. They had an operation at Princeton, where they hired mathematicians to attack secret codes and stuff like that. And I knew that existed. And they had a very good policy, because you could do half your time at your own mathematics, and at least half your time working on their stuff. And they paid a lot. So that was an irresistible pull. So, I went there.
Jim Simons: Szóval az NSA , vagyis a Nemzetbiztonsági Ügynökség — nem pontosan az történt, hogy hívtak. Volt egy részlegük Princetonban, amibe kerestek matematikusokat: titkos kódok feltörésére meg hasonlókra. Hallottam róla. Nagyon vonzó feltételeket kínáltak, mert a munkaidő felében mindenki csinálhatta a maga matematikáját, de az időnek legalább a felét az ő témájukra kellett fordítani. És sokat fizettek. Tehát csábító volt. Mentem hát.
CA: You were a code-cracker.
CA: Tehát kódfejtő lettél.
JS: I was.
JS: Igen.
CA: Until you got fired.
CA: Amíg el nem bocsájtottak.
JS: Well, I did get fired. Yes.
JS: Igen, elbocsájtottak.
CA: How come?
CA: Hogyan történt?
JS: Well, how come? I got fired because, well, the Vietnam War was on, and the boss of bosses in my organization was a big fan of the war and wrote a New York Times article, a magazine section cover story, about how we would win in Vietnam. And I didn't like that war, I thought it was stupid. And I wrote a letter to the Times, which they published, saying not everyone who works for Maxwell Taylor, if anyone remembers that name, agrees with his views. And I gave my own views ...
JS: Hogy hogyan történt? Elküldtek, mert akkor volt a vietnami háború, és a szervezet nagyfőnöke lelkes híve volt a háborúnak. Írt egy cikket a New York Timesba, címlapcikk volt a vasárnapi mellékletben arról, hogyan fogunk győzni Vietnamban. Én nem szerettem azt a háborút, hülyeségnek tartottam. Írtam egy levelet a Timesnak, amit ők le is közöltek, arról, hogy nem mindenki, aki Maxwell Taylornak dolgozik, — ha még mond ez a név valamit — ért vele egyet ebben. És kifejtettem a magam nézeteit...
CA: Oh, OK. I can see that would --
CA: Aha, látom már, ez...
JS: ... which were different from General Taylor's. But in the end, nobody said anything. But then, I was 29 years old at this time, and some kid came around and said he was a stringer from Newsweek magazine and he wanted to interview me and ask what I was doing about my views. And I told him, "I'm doing mostly mathematics now, and when the war is over, then I'll do mostly their stuff." Then I did the only intelligent thing I'd done that day -- I told my local boss that I gave that interview. And he said, "What'd you say?" And I told him what I said. And then he said, "I've got to call Taylor." He called Taylor; that took 10 minutes. I was fired five minutes after that.
JS: ... nem egyezett Taylor tábornokéval. De végül senki nem szólt semmit. Akkor — 29 éves voltam — valami srác megkeresett, azt mondta, a Newsweektől van, szeretne interjút csinálni velem, és megkérdezné tőlem, hogy mit akarok kezdeni a nézeteimmel. Mondtam neki, hogy jelenleg többnyire matematikával foglalkozom, és ha vége lesz a háborúnak, akkor leginkább nekik fogok dolgozni. Aztán az egyetlen értelmes dolgot tettem, amit aznap tehettem, megmondtam a közvetlen főnökömnek, hogy adtam ezt az interjút. Errre megkérdezte, hogy mit mondtam. Én meg elmondtam neki. Azt válaszolta, hogy fel kell hívja Taylort. Felhívta, ez 10 percig tartott. Öt percre rá ki voltam rúgva.
CA: OK.
CA: Értem.
JS: But it wasn't bad.
JS: Nem bántam.
CA: It wasn't bad, because you went on to Stony Brook and stepped up your mathematical career. You started working with this man here. Who is this?
CA: Nem bántad, mert folytattad Stony Brookban és ezzel felgyorsult a matematikai karriered. Vele kezdtél dolgozni. Ő kicsoda?
JS: Oh, [Shiing-Shen] Chern. Chern was one of the great mathematicians of the century. I had known him when I was a graduate student at Berkeley. And I had some ideas, and I brought them to him and he liked them. Together, we did this work which you can easily see up there. There it is.
JS: Shiing-Shen Chern. Chern volt a század nagy matematikusainak egyike. Még a Berkeley-ről ismertem, végzős koromból. Volt néhány ötletem, elmondtam neki, és tetszettek. Együtt csináltuk ezt a munkát, ami jól látható itt fenn. Itt van.
CA: It led to you publishing a famous paper together. Can you explain at all what that work was?
CA: Ez elvezetett oda, hogy együtt publikáltatok egy nevezetes cikket. El tudod egyáltalán magyarázni, hogy mi volt ez a munka?
JS: No.
Nem.
(Laughter)
(Nevetés)
JS: I mean, I could explain it to somebody.
JS: Úgy értem, van, akinek el tudnám.
(Laughter)
(Nevetés)
CA: How about explaining this?
CA: Szóval, mi van ezzel a magyarázattal?
JS: But not many. Not many people.
JS: De nem sok embernek. Nem soknak.
CA: I think you told me it had something to do with spheres, so let's start here.
CA: Azt hiszem, valami gömbhéjakról volt szó, kezdjük hát innen.
JS: Well, it did, but I'll say about that work -- it did have something to do with that, but before we get to that -- that work was good mathematics. I was very happy with it; so was Chern. It even started a little sub-field that's now flourishing. But, more interestingly, it happened to apply to physics, something we knew nothing about -- at least I knew nothing about physics, and I don't think Chern knew a heck of a lot. And about 10 years after the paper came out, a guy named Ed Witten in Princeton started applying it to string theory and people in Russia started applying it to what's called "condensed matter." Today, those things in there called Chern-Simons invariants have spread through a lot of physics. And it was amazing. We didn't know any physics. It never occurred to me that it would be applied to physics. But that's the thing about mathematics -- you never know where it's going to go.
JS: Igen, de most arról a munkáról fogok beszélni — igen, azzal kapcsolatos volt, de mielőtt rátérnénk — az a munka jó matematika volt. Nagyon elégedett voltam vele, akárcsak Chern. Még egy új kutatási részterületet is elindított, ami ma virágzik. De ami még érdekesebb, hogy történetesen van fizikai alkalmazása, amiről semmit nem tudtunk, én legalábbis nem értek a fizikához, és nem hiszem, hogy Chern is valami fene sokat értett hozzá. És kb. 10 évvel a cikk megjelenése után egy pasas Princetonból, Ed Witten, alkalmazni kezdte a húrelméletben, Oroszországban pedig a kondenzált anyagokra. Ma ezt úgy nevezik itt, hogy Chern-Simons invariánsok, és a fizika számos területén elterjedt. Ez bámulatos volt. Nem értettünk a fizikához. Sosem merült fel bennem, hogy lenne fizikai alkalmazása. De hát a matematika már csak ilyen, sosem tudni, mi mire lesz jó.
CA: This is so incredible. So, we've been talking about how evolution shapes human minds that may or may not perceive the truth. Somehow, you come up with a mathematical theory, not knowing any physics, discover two decades later that it's being applied to profoundly describe the actual physical world. How can that happen?
CA: Ez olyan hihetetlen. Az imént arról beszélgettünk, hogy az evolúció miként alakítja az emberi elmét, amely képes vagy nem képes felfogni az igazságot. Hogy, hogy nem, előjössz egy matematikai elmélettel, anélkül, hogy értenél a fizikához, majd két évtizeddel később azt látod, a valós fizikai világ lényegi leírására használják. Hogyan lehetséges ez?
JS: God knows.
JS: Isten tudja.
(Laughter)
(Nevetés)
But there's a famous physicist named [Eugene] Wigner, and he wrote an essay on the unreasonable effectiveness of mathematics. Somehow, this mathematics, which is rooted in the real world in some sense -- we learn to count, measure, everyone would do that -- and then it flourishes on its own. But so often it comes back to save the day. General relativity is an example. [Hermann] Minkowski had this geometry, and Einstein realized, "Hey! It's the very thing in which I can cast general relativity." So, you never know. It is a mystery. It is a mystery.
De egy neves fizikus, Wigner Jenő, írt egy tanulmányt "A matematika ésszerűtlen hatékonysága a természettudományokban" címmel. A matematika, amely bizonyos értelemben a valós világból nőtt ki: megtanulunk számolni, mérni, ezt tud mindenki — önálló életet kezd. De gyakran azután visszatér, és valamire az adja a megoldást. Példa rá az általános relativitáselmélet. fHermann] Minkowskié volt a geometria, és Einstein rájött, "Ó, ez remek, erre építhetek az általános relativitáselméletben." Tehát sosem lehet tudni. Olyan titokzatos. Valóban az.
CA: So, here's a mathematical piece of ingenuity. Tell us about this.
CA: Tehát itt van valami zseniális matematikai eredmény. Beszélj nekünk erről.
JS: Well, that's a ball -- it's a sphere, and it has a lattice around it -- you know, those squares. What I'm going to show here was originally observed by [Leonhard] Euler, the great mathematician, in the 1700s. And it gradually grew to be a very important field in mathematics: algebraic topology, geometry. That paper up there had its roots in this. So, here's this thing: it has eight vertices, 12 edges, six faces. And if you look at the difference -- vertices minus edges plus faces -- you get two. OK, well, two. That's a good number. Here's a different way of doing it -- these are triangles covering -- this has 12 vertices and 30 edges and 20 faces, 20 tiles. And vertices minus edges plus faces still equals two. And in fact, you could do this any which way -- cover this thing with all kinds of polygons and triangles and mix them up. And you take vertices minus edges plus faces -- you'll get two. Here's a different shape. This is a torus, or the surface of a doughnut: 16 vertices covered by these rectangles, 32 edges, 16 faces. Vertices minus edges comes out to be zero. It'll always come out to zero. Every time you cover a torus with squares or triangles or anything like that, you're going to get zero. So, this is called the Euler characteristic. And it's what's called a topological invariant. It's pretty amazing. No matter how you do it, you're always get the same answer. So that was the first sort of thrust, from the mid-1700s, into a subject which is now called algebraic topology.
JS: Ez egy golyó. Egy gömbhéj, és körülveszi egy rács — ott, azok a négyzetek. Amit most mutatok, azt eredetileg [Leonhard] Euler vette észre, az 1700-as évek nagy matematikusa. Ez lassanként a matematika egyik nagyon fontos részterületévé nőtte ki magát: algebrai topológia, geometria. Ez a cikk erre vezethető vissza. Itt van ez a valami: van 8 csúcsa, 12 éle, 6 lapja . Ha nézzük ezt a különbséget: csúcsok mínusz élek plusz lapok akkor az eredmény kettő. Tehát kettő. Szép szám. Most másképp csináljuk, háromszögekkel fedjük le: van 12 csúcs, 30 él és 20 lap, 20 csempe. A csúcsok mínusz élek plusz lapok továbbra is 2 lesz. És valóban, akárhogyan is csinálhatjuk, lefedjük ezt a valamit bármilyen sokszögekkel, háromszögekkel akár vegyesen. És ha vesszük a csúcsok - élek + lapok számát, kettőt kapunk. Itt van egy másmilyen alakzat. Ez egy tórusz, vagy egy úszógumi felszíne: 16 csúcs, ezekkel a téglalapokkal lefedve: 32 él, 16 lap. Csúcsok mínusz élek plusz lapok nullára jön ki. Mindig nulla jön ki. Ha egy tóruszt bárhogyan is lefedünk téglalapokkal, háromszögekkel, vagy bármi hasonlóval, akkor nullát fogunk kapni. Ezt nevezik Euler-karakterisztikának. És ezt úgy mondják: topológiai invariáns. Igen meglepő. Mindegy, hogyan csináljuk, mindig ugyanaz lesz a válasz. Ez volt az első lökés az 1700-as évekből egy olyan terület felé, amelyet ma algebrai topológiának neveznek.
CA: And your own work took an idea like this and moved it into higher-dimensional theory, higher-dimensional objects, and found new invariances?
CA: Az volt az eredményed, hogy fogtál egy gondolatot. és áttetted magasabb dimenzióba, magasabb dimenziós objektumokra találtál új invariánsokat?
JS: Yes. Well, there were already higher-dimensional invariants: Pontryagin classes -- actually, there were Chern classes. There were a bunch of these types of invariants. I was struggling to work on one of them and model it sort of combinatorially, instead of the way it was typically done, and that led to this work and we uncovered some new things. But if it wasn't for Mr. Euler -- who wrote almost 70 volumes of mathematics and had 13 children, who he apparently would dandle on his knee while he was writing -- if it wasn't for Mr. Euler, there wouldn't perhaps be these invariants.
JS: Igen. Voltak már tulajdonképpen magasabb dimenziós invariánsok: Pontrjagin-osztályok, és itt voltak a Chern-osztályok. Volt egy csomó ilyen típusú invariáns. Sokat kínlódtam az egyikkel, hogy kombinatorikai módon modellezzem a szokásos megközelítés helyett. Ez vezetett ehhez a munkához, és felfedeztünk néhány új dolgot. De ha Euler nem lett volna, aki majdnem 70 kötetnyi matematikát írt, és 13 gyereke volt, nyilvánvalóan úgy dolgozott, hogy közben a térdén gyereket ringatott, szóval, Euler nélkül talán nem lennének ezek az invariánsok.
CA: OK, so that's at least given us a flavor of that amazing mind in there. Let's talk about Renaissance. Because you took that amazing mind and having been a code-cracker at the NSA, you started to become a code-cracker in the financial industry. I think you probably didn't buy efficient market theory. Somehow you found a way of creating astonishing returns over two decades. The way it's been explained to me, what's remarkable about what you did wasn't just the size of the returns, it's that you took them with surprisingly low volatility and risk, compared with other hedge funds. So how on earth did you do this, Jim?
CA: Legalább kaptunk itt valami ízelítőt erről a csodálatos elméről. Beszéljünk a Renaissance Technologiesről. Mert hogy azzal az okos fejeddel, amivel a NSA-nál a kódot törted, a pénzügyi ágazatban kezdtél kódfejtéssel foglalkozni. Gondolom, nem pénzért vetted a hatékony piacok elméletét. Valahogy rájöttél, miként lehet két évtized alatt bámulatos hozamokat elérni. Nekem úgy mondták, nemcsak a hozam mértéke volt figyelemre méltó, hanem, hogy meglepően alacsony árfolyam-ingadozással s kockázattal tetted más fedezeti alapokhoz képest. Hogy a csudában csináltad ezt, Jim?
JS: I did it by assembling a wonderful group of people. When I started doing trading, I had gotten a little tired of mathematics. I was in my late 30s, I had a little money. I started trading and it went very well. I made quite a lot of money with pure luck. I mean, I think it was pure luck. It certainly wasn't mathematical modeling. But in looking at the data, after a while I realized: it looks like there's some structure here. And I hired a few mathematicians, and we started making some models -- just the kind of thing we did back at IDA [Institute for Defense Analyses]. You design an algorithm, you test it out on a computer. Does it work? Doesn't it work? And so on.
JS: Összeszedtem egy csodálatos csapatot. Amikor elkezdtem kereskedni, már egy kicsit elegem volt a matematikából. Harmincas éveim végén jártam, volt egy kis pénzem. Elkezdtem kereskedni, és nagyon jól ment. Elég sok pénzt kerestem puszta szerencsével. Azt hiszem, csak a szerencsének köszönhetem. Nem volt szó matematikai modellről, az biztos. De ahogyan áttekintettem az adatokat, egy idő után rájöttem, olyannak tűnnek, mint amiben van valami rendszer. Felvettem néhány matematikust, és kezdtünk gyártani néhány modellt, olyasmiket, mint amilyeneket IDA-nál [a Védelmi Kutatóintézetben] csináltunk. Algoritmus tervezése, tesztelése számítógépen. Működik? Nem működik? És így tovább.
CA: Can we take a look at this? Because here's a typical graph of some commodity. I look at that, and I say, "That's just a random, up-and-down walk -- maybe a slight upward trend over that whole period of time." How on earth could you trade looking at that, and see something that wasn't just random?
CA: Vethetünk egy pillantást rá? Mert hogy ez itt egy tipikus grafikon valami árucikkre vonatkozóan. Ha én erre ránézek, azt mondanám, "ez egy véletlen ingadozás fel-le, talán egy enyhe növekedő trenddel a vizsgált időszak alatt" Hogy tudnál kereskedni ez alapján, s meglátni benne valamit, ami nem puszta véletlen?
JS: In the old days -- this is kind of a graph from the old days, commodities or currencies had a tendency to trend. Not necessarily the very light trend you see here, but trending in periods. And if you decided, OK, I'm going to predict today, by the average move in the past 20 days -- maybe that would be a good prediction, and I'd make some money. And in fact, years ago, such a system would work -- not beautifully, but it would work. You'd make money, you'd lose money, you'd make money. But this is a year's worth of days, and you'd make a little money during that period. It's a very vestigial system.
JS: A régi időkben — ez egy grafikon a régi időkből —, az árucikkeknek, valutáknak volt valami trendjük, amelyet követtek. Nem okvetlen valami nyilvánvaló trend, mint itt, de valami időszakos trend. És ha eldöntöttük, hogy az elmúlt 20 nap átlagos mozgása alapján előrejelzést készítünk, akkor lehetséges, hogy az jó előjelzés lett, és keresünk rajta. Néhány éve tényleg ilyen rendszerek működtek. Nem nagyon jól, de működtek. Hol nyertünk, hol vesztettünk, újra nyertünk... De az év napokból áll, és ezen időszak alatt is lehetne keresni. Ez egy nagyon lebutított rendszer.
CA: So you would test a bunch of lengths of trends in time and see whether, for example, a 10-day trend or a 15-day trend was predictive of what happened next.
CA: Szóval egy csomó különféle hosszúságú trendet tesztelnél, és azt néznéd, hogy vajon pl. a 10 napos vagy a 15 napos trend jelezte-e jobban, ami azután történt.
JS: Sure, you would try all those things and see what worked best. Trend-following would have been great in the '60s, and it was sort of OK in the '70s. By the '80s, it wasn't.
JS: Mindezeket kipróbálhatnánk, és megnézhetnénk, melyik működik a legjobban. A trendkövetés a 60-as években volt nagy dobás, és a 70-es években nagyjából rendben volt. A 80-as évekre már nem.
CA: Because everyone could see that. So, how did you stay ahead of the pack?
CA: Mert mindenki láthatta. Szóval, hogy sikerült a vetélytársak előtt maradnotok?
JS: We stayed ahead of the pack by finding other approaches -- shorter-term approaches to some extent. The real thing was to gather a tremendous amount of data -- and we had to get it by hand in the early days. We went down to the Federal Reserve and copied interest rate histories and stuff like that, because it didn't exist on computers. We got a lot of data. And very smart people -- that was the key. I didn't really know how to hire people to do fundamental trading. I had hired a few -- some made money, some didn't make money. I couldn't make a business out of that. But I did know how to hire scientists, because I have some taste in that department. So, that's what we did. And gradually these models got better and better, and better and better.
JS: Úgy, hogy más megközelítéseket találtunk, rövidebb időszakú megközelítéseket bizonyos mértékig. Az volt a lényeg, hogy iszonyatos mennyiségű adatot gyűjtöttünk, és eleinte mindennek magunk kellett utánajárjunk. Lementünk a FED-hez, és lemásoltuk, miként alakultak a kamatlábak, és más hasonlók, mert nem voltak még meg számítógépen. Megszereztünk egy csomó adatot. És hát a nagyon okos emberek — ez volt a kulcs. Nem igazán tudtam, hogyan vegyünk fel kereskedőket alaptevékenységekre. Felvettem egy csomót, néhányan hoztak nyereséget, mások nem. Ebből nem tudtam üzletet csinálni. Azt tudtam, hogyan kell tudósokat felvenni, mert volt már némi tapasztalatom e téren. Ezt tettük hát. És ezek a modellek fokozatosan javultak, egyre jobbak lettek.
CA: You're credited with doing something remarkable at Renaissance, which is building this culture, this group of people, who weren't just hired guns who could be lured away by money. Their motivation was doing exciting mathematics and science.
CA: Attól vagy hiteles, hogy tettél valami figyelemre méltót a Renaissance-nál: felépítetted ezt a kultúrát, ezekkel az emberekkel, akik nem egyszerű zsoldosok, akiket pénzzel el lehetne csalogatni. Őket a matematika és a tudomány izgatta.
JS: Well, I'd hoped that might be true. But some of it was money.
JS: Szeretném remélni, hogy talán így van. De ebben a pénznek is része volt.
CA: They made a lot of money.
CA: Sok pénzt kerestek.
JS: I can't say that no one came because of the money. I think a lot of them came because of the money. But they also came because it would be fun.
JS: Nem állítanám, hogy senki sem a pénz miatt jött. Azt hiszem, sokan amiatt jöttek. De jöttek kedvtelésből is.
CA: What role did machine learning play in all this?
CA: Mi volt a szerepe a gépi tanulásnak?
JS: In a certain sense, what we did was machine learning. You look at a lot of data, and you try to simulate different predictive schemes, until you get better and better at it. It doesn't necessarily feed back on itself the way we did things. But it worked.
JS: Bizonyos értelemben gépi tanulás volt, amit csináltunk. Ránézünk egy csomó adatra, és próbálunk különböző előrejelzési sémákat szimulálni, amíg csak jobban és jobban nem megy. Ez önmagában nem okvetlen ad visszajelzést, hogy jól csináltuk-e. De működött.
CA: So these different predictive schemes can be really quite wild and unexpected. I mean, you looked at everything, right? You looked at the weather, length of dresses, political opinion.
CA: Tehát ezek az előjelzési sémák lehettek egészen vadak és meglepőek. Úgy értem, mindent számításba vettetek, igaz? Az időjárást, a ruhák hosszát, a poltikai véleményt.
JS: Yes, length of dresses we didn't try.
JS: Igen, csak a ruhák hosszát nem próbáltuk.
CA: What sort of things?
CA: Akkor miféle dolgokat?
JS: Well, everything. Everything is grist for the mill -- except hem lengths. Weather, annual reports, quarterly reports, historic data itself, volumes, you name it. Whatever there is. We take in terabytes of data a day. And store it away and massage it and get it ready for analysis. You're looking for anomalies. You're looking for -- like you said, the efficient market hypothesis is not correct.
JS: Lényegében mindent. Bármit, ami jól jöhet, kivéve a felhajtások hosszát, Időjárást, éves jelentéseket, negyedéves jelentéseket; a múltbéli adatok önmagukban több kötetet kitesznek, amit csak el lehet képzelni. Ami csak létezik. Terabyte-nyi adatot kezelünk naponta. Tároljuk, egy kicsit átgyúrjuk, előkészítjük az elemzésre. Anomáliákat keresünk. Keresünk — ahogyan mondtad —, a hatékony piacok elmélete nem megfelelő.
CA: But any one anomaly might be just a random thing. So, is the secret here to just look at multiple strange anomalies, and see when they align?
CA: De bármelyik anomália önmagában akár véletlen is lehet. Tehát az lenne a titok, többes anomáliákat keresni, és lesni, mikor illenek össze?
JS: Any one anomaly might be a random thing; however, if you have enough data you can tell that it's not. You can see an anomaly that's persistent for a sufficiently long time -- the probability of it being random is not high. But these things fade after a while; anomalies can get washed out. So you have to keep on top of the business.
JS: Bármelyik anomália lehet véletlen, de ha elég sok adatunk van, akkor meg tudjuk mondani, hogy ez most nem az. Tekinthetünk egy tartós anomáliát, nem nagyon valószínű, hogy az véletlen lenne. De ezek a dolgok idővel elhalványulnak, az anomáliák eltűnhetnek. Valahogy mindig uralni kell az üzletet.
CA: A lot of people look at the hedge fund industry now and are sort of ... shocked by it, by how much wealth is created there, and how much talent is going into it. Do you have any worries about that industry, and perhaps the financial industry in general? Kind of being on a runaway train that's -- I don't know -- helping increase inequality? How would you champion what's happening in the hedge fund industry?
CA: Sokan úgy tekintenek ma a fedezeti alap ágazatra, és szinte sokkolja őket, hogy mennyi gazdagság származik belőle, és hogy mennyi tehetséget szippant fel. Vannak fenntartásaid az ágazattal kapcsolatban, és esetleg magával a pénzügyi ágazattal általában? Mintha egy elszabadult vonaton ülnénk — nem is tudom —, hogy csak növeli az egyenlőtlenségeket? Hogyan tudnád megvédeni, ami a fedezeti alap ágazatban történik?
JS: I think in the last three or four years, hedge funds have not done especially well. We've done dandy, but the hedge fund industry as a whole has not done so wonderfully. The stock market has been on a roll, going up as everybody knows, and price-earnings ratios have grown. So an awful lot of the wealth that's been created in the last -- let's say, five or six years -- has not been created by hedge funds. People would ask me, "What's a hedge fund?" And I'd say, "One and 20." Which means -- now it's two and 20 -- it's two percent fixed fee and 20 percent of profits. Hedge funds are all different kinds of creatures.
JS: Úgy gondolom, az elmúlt három-négy évben a fedezeti alapok nem teljesítettek jól. Mi jól csináltuk, de a fedezeti alap ágazat összességében nem működik valami jól. A részvénypiacnak jó időszaka volt, felfelé ment, ahogyan közismert; az árfolyam/nyereség mutatók emelkedtek. Tehát, mondjuk, az elmúlt 5-6 éven át keletkezett temérdek gazdagság nem a fedezeti alapból származott. Megkérdezhetik tőlem, hogy mi is az a fedezeti alap? Erre azt mondanám, "egy és húsz." Ami azt jelenti — most kettő és húsz —, hogy két százalék fix díj, és 20 százalék profit. Minden fedezeti alap más.
CA: Rumor has it you charge slightly higher fees than that.
CA: Azt beszélik, hogy te ennél valamivel magasabb díjat szabsz meg.
JS: We charged the highest fees in the world at one time. Five and 44, that's what we charge.
JS: Egyidőben mi alkalmaztuk a legmagasabb díjat a világon. Öt és 44, ezt alkalmaztuk.
CA: Five and 44. So five percent flat, 44 percent of upside. You still made your investors spectacular amounts of money.
CA: Öt és 44. Szóval öt százalék alapdíj és a nyereség 44 százaléka. Még mindig igen szemrevaló összeget hoztatok a befektetőinknek.
JS: We made good returns, yes. People got very mad: "How can you charge such high fees?" I said, "OK, you can withdraw." But "How can I get more?" was what people were --
JS: Igen, jó hozamokat érünk el. Az emberek őrjöngtek: "Hogyan szabhatnak ilyen magas díjakat?" Azt mondtam: "Visszavonhatja." De "Hogyan kaphatok többet?" — ez volt a szempontjuk.
(Laughter)
(Nevetés)
But at a certain point, as I think I told you, we bought out all the investors because there's a capacity to the fund.
Egy bizonyos ponton, ahogy azt szerintem mondtam már, kivásároltuk az összes befektetőt, mert ez ad szabad kezet az alapnak.
CA: But should we worry about the hedge fund industry attracting too much of the world's great mathematical and other talent to work on that, as opposed to the many other problems in the world?
CA: Kell-e félnünk attól, hogy a fedezeti alap ágazat túl sok matematikust és más tehetséget szipkáz el a világ egyéb problémái elől?
JS: Well, it's not just mathematical. We hire astronomers and physicists and things like that. I don't think we should worry about it too much. It's still a pretty small industry. And in fact, bringing science into the investing world has improved that world. It's reduced volatility. It's increased liquidity. Spreads are narrower because people are trading that kind of stuff. So I'm not too worried about Einstein going off and starting a hedge fund.
JS: Nem csupán matematikáról van itt szó. Alkalmazunk csillagászokat, fizikusokat és hasonlókat is. Nem hiszem, hogy nagyon kéne félnünk tőle, ez még mindig elég kis terület. Azzal, hogy tudományt vittünk a befektetői világba, ténylegesen fejlődött ez a világ. Csökkent az árfolyam-ingadozás. Nőtt a likviditás. Kisebb a szórás, mert az emberek ilyesmikkel kereskednek. Nem nagyon félek attól, hogy egy Einstein fedezeti alappal kezdene el foglalkozni.
CA: You're at a phase in your life now where you're actually investing, though, at the other end of the supply chain -- you're actually boosting mathematics across America. This is your wife, Marilyn. You're working on philanthropic issues together. Tell me about that.
CA: Most életednek egy olyan szakaszában vagy, hogy befektetéseid egy egészen más célt szolgálnak: éppen azon vagy, hogy fellendítsd a matematikát Amerika-szerte. Ő Marilyn, a feleséged. Ti most együtt jótékonykodtok. Beszélj most erről.
JS: Well, Marilyn started -- there she is up there, my beautiful wife -- she started the foundation about 20 years ago. I think '94. I claim it was '93, she says it was '94, but it was one of those two years.
JS: Marilyn kezdte el — ő az itt fenn, az én gyönyörű feleségem — ő kezdte az alapítványt, nagyjából 20 éve. Azt hiszem, 1994-ben. Szerintem 1993-ban, ő azt mondja, 1994-ben, valamelyik a kettő közül.
(Laughter)
(Nevetés)
We started the foundation, just as a convenient way to give charity. She kept the books, and so on. We did not have a vision at that time, but gradually a vision emerged -- which was to focus on math and science, to focus on basic research. And that's what we've done. Six years ago or so, I left Renaissance and went to work at the foundation. So that's what we do.
Úgy indítottuk be, hogy ez egy kényelmes módja a jótékonykodásnak. Ő foglalkozik a könyveléssel, stb. Akkoriban nem volt konkrét elképzelésünk, de lassanként kialakult —, a matematikára, a fizikára, az alapkutatásokra összpontosítunk. Ezt is tettük. Úgy hat éve otthagytam a Renaissance-t, és elmentem dolgozni az alapítványhoz. Tehát ezt csináljuk.
CA: And so Math for America is basically investing in math teachers around the country, giving them some extra income, giving them support and coaching. And really trying to make that more effective and make that a calling to which teachers can aspire.
CA: A "Math for America" alapvetően az ország matematikatanáraiba fektet be azzal, hogy plusz jövedelemhez juttatja, támogatja és továbbképzi őket. Igyekszik ezt tényleg hatékonyan tenni, hogy ez olyan hivatás legyen, ami vonzza a tanárokat.
JS: Yeah -- instead of beating up the bad teachers, which has created morale problems all through the educational community, in particular in math and science, we focus on celebrating the good ones and giving them status. Yeah, we give them extra money, 15,000 dollars a year. We have 800 math and science teachers in New York City in public schools today, as part of a core. There's a great morale among them. They're staying in the field. Next year, it'll be 1,000 and that'll be 10 percent of the math and science teachers in New York [City] public schools.
JS: Igen, ahelyett, hogy a rossz tanárokat csepülnénk, ami rontja a hangulatot az egész oktatói társadalomban, különösen matematikában és fizikában. arra összpontosítunk, hogy kiemeljük a jókat, és megbecsüljük őket. Plusz pénzt adunk nekik, évi 15 000 dollárt. 800 matematika- és fizikatanárunk van New York városban, állami iskolákból, ők adják a gerinc egy részét. Náluk jó a munkaszellem. Maradnak a pályán. A következő évben ezren lesznek, ez 10%-a New York állami iskoláiban tanító matematika- és fizikatanároknak.
(Applause)
(Taps)
CA: Jim, here's another project that you've supported philanthropically: Research into origins of life, I guess. What are we looking at here? JS: Well, I'll save that for a second. And then I'll tell you what you're looking at. Origins of life is a fascinating question. How did we get here? Well, there are two questions: One is, what is the route from geology to biology -- how did we get here? And the other question is, what did we start with? What material, if any, did we have to work with on this route? Those are two very, very interesting questions. The first question is a tortuous path from geology up to RNA or something like that -- how did that all work? And the other, what do we have to work with? Well, more than we think. So what's pictured there is a star in formation. Now, every year in our Milky Way, which has 100 billion stars, about two new stars are created. Don't ask me how, but they're created. And it takes them about a million years to settle out. So, in steady state, there are about two million stars in formation at any time. That one is somewhere along this settling-down period. And there's all this crap sort of circling around it, dust and stuff. And it'll form probably a solar system, or whatever it forms. But here's the thing -- in this dust that surrounds a forming star have been found, now, significant organic molecules. Molecules not just like methane, but formaldehyde and cyanide -- things that are the building blocks -- the seeds, if you will -- of life. So, that may be typical. And it may be typical that planets around the universe start off with some of these basic building blocks. Now does that mean there's going to be life all around? Maybe. But it's a question of how tortuous this path is from those frail beginnings, those seeds, all the way to life. And most of those seeds will fall on fallow planets.
CA: Jim, van itt egy másik projekt is, amit önzetlenül támogatsz: Ugye, ez az élet eredetének kutatása. Mit kutatunk? JS: Várj egy percet. Azután elmondom, hogy mit kutatunk. Az élet eredete nagyon érdekes kérdés. Hogyan jutottunk el idáig? Pontosabban, két kérdés van: Az egyik: milyen út vezet a geológiától a biológiáig, és hogyan jutottunk el ide? A másik pedig: mivel kezdődött? Milyen anyagot — ha volt —, kellett használnunk ezen az úton? Mindkettő nagyon érdekes kérdés. Az első kérdés egy körülményes folyamat az ásványoktól valami RNS-féléig, "Hogyan is működött?" A másik, hogy milyen anyag kellett ehhez? Több ez mint gondolnánk. Ez a kép itt egy csillag születéséről készült. Minden évben a Tejútrendszerünkben, amely 100 milliárd csillagból áll, átlagosan 2 új csillag keletkezik. Ne kérdezd, hogyan, de keletkezik. Millió év, amíg egy ilyen folyamat lezárul. Így egyensúlyi állapotban egyszerre kb. kétmillió csillag van születőben. Ez itt valahol a folyamat közben van. És itt vannak ezek a kis izék, amelyek körülötte keringenek, por és törmelék. Ebből valószínűleg egy naprendszer keletkezik majd vagy akármi. De van itt egy dolog: a keletkező csillagot körülvevő porban találtak szervesnek mondható molekulákat. Nem csupán olyanokat, mint a metán, hanem mint a formaldehid vagy a cianid, olyanokat, amelyek építőelemek, csírák, mondhatjuk, hogy az élet csírái. Ez jellemző lehet. És jellemző lehet az is, hogy a bolygók szerte az univerzumban néhány ilyen építőelemmel kezdik létüket. Ez vajon azt jelenti, hogy mindenütt kialakul az élet? Lehetséges, De ez attól függ, mennyire körülményes az út azoktól a törékeny kezdetektől, a csíráktól, magáig az életig. A csírák legtöbbje terméketlen bolygóra hull.
CA: So for you, personally, finding an answer to this question of where we came from, of how did this thing happen, that is something you would love to see.
CA: Szóval, te személy szerint választ szeretnél a kérdésre, hogy honnan jöttünk, és hogyan történt mindez.
JS: Would love to see. And like to know -- if that path is tortuous enough, and so improbable, that no matter what you start with, we could be a singularity. But on the other hand, given all this organic dust that's floating around, we could have lots of friends out there. It'd be great to know.
JS: Igen, szeretném látni a választ. És tetszik a gondolat, hogy ha az út körülményes és bizonytalan is, nem számít, hogyan indultunk, egyediek lehetünk. Másrészt, ha egyszer van ez a szerves hulladék, ami áramlik mindenütt, lehet egy csomó barátunk a Földön kívül. Óriási lenne, ha tudnánk.
CA: Jim, a couple of years ago, I got the chance to speak with Elon Musk, and I asked him the secret of his success, and he said taking physics seriously was it. Listening to you, what I hear you saying is taking math seriously, that has infused your whole life. It's made you an absolute fortune, and now it's allowing you to invest in the futures of thousands and thousands of kids across America and elsewhere. Could it be that science actually works? That math actually works?
CA: Jim, néhány éve alkalmam volt beszélgetni Elon Muskkal, és megkérdeztem, hogy mi a titka a sikerének. Azt válaszolta, hogy komolyan vette a fizikát. Most azt hallom tőled, komolyan kell venni a matematikát, ez hatja át egész életed. Ez tett téged abszolut nyertessé, ettől van módod befektetni gyerekek ezreinek és ezreinek jövőjébe Amerika-szerte és másutt is. Lehet, hogy a tudomány tényleg hatásos? Tényleg működik a matematika?
JS: Well, math certainly works. Math certainly works. But this has been fun. Working with Marilyn and giving it away has been very enjoyable.
JS: A matematika mindenképp. De ez számomra öröm volt. Marilynnel dolgozni és pénzt osztogatni nagyon élvezetes volt.
CA: I just find it -- it's an inspirational thought to me, that by taking knowledge seriously, so much more can come from it. So thank you for your amazing life, and for coming here to TED.
CA: Azt látom, lelkesítő számomra a gondolat, hogy ha komolyan vesszük a tudást, abból sok minden más is kisülhet. Köszönet az érdekes élettörténetért, és hogy eljöttél a TED-be.
Thank you.
Köszönöm.
Jim Simons!
Jim Simons!
(Applause)
(Taps)