媒体镜前巧弄假啼妆，黄金笼悄铸命已成舟

——————————————

安安在做头脑风暴，给自己找备选。她试图从其中找出一条，能让自己逃离这一切的路，那些列出的“备选计划”，尽管她知道它们几乎没有可能实现。

计划A：继续申请出国，努力争取那份还未到手的梦想；

计划B：如果出国失败，那就考研，报考国内的北航金融数学专业；

计划C：若连考研也无法顺利，那就考公。她至少能有一份安稳的工作。

每写下一行，她就越发感到自己已经被生活磨平的棱角。这些计划，像一道道无力的防线，一层层筑起来，结果还是那么脆弱，随时会被命运的一击打破。

“累了吧。”她自己突然低语，像是在跟另一个自己说话。

她抬头，看着那堵白色的墙壁，恍若梦境一般的清晰又空旷，仿佛整个世界都无声地注视着她的挣扎。

她在夹缝中谨小慎微。

这场生活中的游戏，不再是为了自由，而是为了活着。在所有计划里，最重要的一条，是活下去，不被命运压垮。她可以承受更多的苦，背负更多的责任，去做更多的选择，甚至是违心的选择。

她有太多的准备，却依然不够。

手机震动的时候，安安正盯着笔记本最后一页发呆。

屏幕亮起，一封新邮件跳了出来。

发件人：UC Berkeley

Haas （UCB商学院名）

MFE。

她先是愣了两秒，以为自己看错了。直到手指机械地点开邮件，视线落在第一行——

Congratulations!

？？？

心脏像被人猛地敲了一下。

她整个人僵住，呼吸都停了一拍。

下一秒，她几乎是下意识截图，发给了方晴子。

【安安：救命】

【安安：伯克利发邮件了】

消息刚发出去不到十秒，电话就响了。

“你录了？！”

方晴子的声音直接从听筒里炸出来。

安安还没反应过来。

“你是不是录了？你别装死！”

安安愣愣地说：“不是……”

“Congratulations你还说不是？！你是不是要我飞过去打你？！”

安安这才低头继续往下看邮件。

字一行一行滑过去。

邀请面试。

technical interview。

她慢慢吐出一口气。

“老方啊。”

“干嘛？！”

“只是面试。”

电话那头安静了两秒。

“……什么？”

“只是进下一轮。”

“……”

又沉默了三秒。

方晴子叹气：“你能不能别吓我。”

安安笑了一下，却有点疲惫。

“这才刚开始。”

“诶？不对啊？这么麻烦的吗？还是我看漏了？”安安皱着眉，像突然被什么记忆撞了一下。

“我不是已经录过视频了吗？”

方晴子：“什么视频？”

安安叹了口气。

“申请的时候那个 Video Essay 啊。”她脑子里忽然浮现出当时的画面。

凌晨两点，她对着电脑镜头，灯光打在脸上，桌上摊着草稿纸，反复试录。

系统弹出题目，没有准备时间，倒计时开始。

题目是：“Choose a significant technological advancement in finance or data science, and discuss its impact, positive and negative, with real-world examples. (选择一项金融或数据科学领域的重大技术进步，并结合实际案例，讨论其积极和消极影响。)”

她记得自己当时深吸了一口气，直接开始讲算法交易和机器学习模型进入金融市场之后的影响。讲高频交易如何提升市场流动性、压缩买卖价差，让普通投资者交易成本变低。又讲算法放大市场波动、闪崩事件、模型共振带来的系统性风险。

举了 2010 年 Flash Crash 的例子。又提到机器学习模型在风险预测和欺诈检测上的作用，同时也可能带来黑箱决策、过拟合和市场一致性行为的问题。

三分钟时间，说得飞快。时间结束，系统自动提交。

连重录机会都没有。

当时她录完只觉得人虚脱。

安安忍不住嘟囔一句：

“视频都录过了，怎么还有面试啊……”

方晴子忍不住笑出声:“行，你快准备，我不打扰你了。”

安安挂断电话后，又看了一遍邮件。

最后那句写着：You will be evaluated primarily on intuition and understanding rather than computation. （你的评估主要依据直觉和理解力，而不是计算能力。）

她轻轻关掉手机。

窗外天色灰白，像一张没干的纸。

还有机会！她还能争取！还有一次考试就意味着多一种生路！

看看，这老天，大起大落，多么爱折磨人的意志。

... ...

三天后。

晚上九点，单人自习室。

安安提前十分钟坐在电脑前。

桌上只有一叠白纸，一支笔，一杯早就凉掉的水。她试着深呼吸。

吸气。

呼气。

心跳却还是很快。

她忽然想起，大一第一次上台时，她也是这种感觉。那时她以为最难的不过是课堂展示。后来才知道，人总是在不断刷新自己能承受的压力上限。

Zoom会议室里跳出提示。

对方进入。

一个三十多岁的华人abc男性，背景是办公室。

语气很平静。

“Hi, let’s start.”

没有寒暄。

时间开始走。

——

“Tell me about yourself.”

最熟悉的问题。

安安几乎不需要思考。

她讲自己的专业背景，讲实习，讲为什么转向quant方向。

讲到最后，她说：

“I want to work in a field where models meet real markets.”

对方点了点头。直接进入下一题。

“Let’s do a brain teaser.”

安安的神经瞬间绷紧。

屏幕上出现问题。典型的抽屉原理变形。交易员面试几乎必问。她低头在纸上写。数字很快铺开。思路其实不复杂，但必须迅速抓到关键。她写下第一个式子的时候，突然意识到自己手在抖。

她停了一秒，让笔稳住。

重新写。

不到两分钟，她抬头，说出结论。

对方微微点头。第二题接着来。更绕一点，但本质相同。她心里松了口气。妈妈咪呀，至少不是刁钻题。

面试进行到中段时，对面的忽然说：

“Let’s do some probability questions.”

安安心里一紧。

但下一秒就冷静下来。

这种东西，她刷过太多。

第一题很经典。

“一个立方体，从一个角走到对角，每一步随机走向相邻点，期望步数是多少？”

安安低头迅速画图，把状态分类。离终点三个维度距离不同的状态数，建立递推关系。她一边写，一边说思路。

对方没打断。最后安安给出期望方程组解法。

对方点头。

下一题，对方直接说：“Compute integral from 0 to infinity of e^(-x^2/2).”

安安笔停了一下。这题不能硬算。

她立刻说：“This is related to normal distribution pdf.”

然后讲思路：平方积分，转二维极坐标，用正态分布归一化结果。

最后得到 √(π/2)。

对方点头。

然后是 Bayes。对方抛了一个条件概率问题。安安迅速写出：posterior ∝ likelihood × prior。再展开具体条件，她流利的甚至连停顿都没有。

后面又问统计基础。

“H0, false negative, true positive, p-value, t-statistic?”

安安几乎像在讲课一样解释：原假设、I类错误、II类错误、统计量构造和显著性解释。

对方只是点头。

最后一个。

“Fibonacci 数列通项公式。”

她笔在纸上写出特征方程。

x?? = x + 1。

解出两个特征根。

再用初值解常数。

Binet formula。

说完，她才发现时间快结束。

接下来，对方话锋一转。

“Tell me about your internship project.”

这是她准备最充分的部分。她开始讲模型、数据处理流程、结果。

说到一半，对方打断她。

“Why did you choose this method?”

她愣了一下。

不是问做了什么。这是在问为什么这么做。

她迅速回忆当时决策过程。

数据特性。

计算成本。

alternative方案。

她开始解释每一个取舍。

对方继续追问：“If you had more time, would you change anything?” 安安停顿了一秒。她突然意识到，这不是技术问题。

这是思考方式。她说：“Yes. I would test robustness differently.” 对方点头。

——

接下来节奏越来越快。对方没有给她喘息的空档。

前一秒还在问实习项目的取舍，下一秒他就像把话题轻轻一折，直接切进更底层的东西——那种你背了公式也没用、必须真的“懂”的东西。

“Let’s switch gears,”他看着她，“talk to me about the normal distribution—intuitively.”

安安的笔尖停了一下。

她抬眼看着镜头，语速不快，像在把思路摆到桌面上。

“如果我只用一句话，”她说，“正态分布对我来说像是‘很多小因素叠加后的结果’。”

对方没有打断。

她继续：“当一个结果不是由某一个决定性因素主导，而是由很多独立的小扰动共同推动——比如交易执行的滑点、短时间的报价噪音、微小的需求波动——你很难预测每一个扰动，但当你把它们加起来，结果会更稳定地围绕一个均值波动。”

她顿了一秒，像是故意把话再压实一点。

“它的意义不是‘世界本来就正态’，而是——在很多工程或金融场景里，正态是一种合理的近似语言。它告诉我们：大多数时候你会在均值附近；极端偏离很少发生，但不是不可能。”

对方问：“So what does variance mean—intuitively?”

这是很多人会掉进去的地方。一提方差就背公式：E[(X-μ)??]。背完就没了。

安安没有往符号上走。她低头在纸上画了两个钟形曲线，一个窄，一个胖，然后抬起来，像给对方看见自己的思路。

“方差对我来说是‘不确定性的尺度’，”她说，“它不是数学上那个平方差的平均，而是现实里你要为风险付出多少心理准备和资金准备。”

她声音很稳：“比如同样的预期收益，一条曲线方差更大，代表你更频繁地看到离均值很远的结果——更大的回撤、更大的浮亏、更高的保证金压力。它影响的是你能不能活着坚持到均值回归，而不是你会不会在长期上‘正确’。”

她看着对方：“在策略层面，variance也决定你需要多少样本才能确信一个信号真的存在。方差越大，噪音越强，你就越难从数据里分辨出那一点点有效信息。”

他继续推进，语速明显快起来。

“OLS assumptions. Give me the five—then tell me what happens if they fail.”

安安把笔放到纸上，像是进入熟悉的解题状态。她没有一口气背完，而是按逻辑顺序把它们串起来，像在讲一个系统为什么能工作。

“第一，线性可加的模型设定——或者更准确地说，参数上是线性的。”她说，“这决定了我们在估计的是一组线性系数。”

“第二，随机抽样，样本之间独立同分布。”她停顿，“如果这个不成立，比如时间序列里强自相关、或者样本来自选择性抽样，那你估计的置信区间会假得像纸。”

“第三，解释变量没有完全共线性。”她笑了一下，“否则你根本没法区分某个变量的边际作用，矩阵直接不可逆。”

“第四，零条件均值：E[ε|X]=0。”她说到这点时语气明显更认真，“这其实是最关键的识别假设。违反它——比如遗漏变量、反向因果、measurement error——你的系数就不是‘偏不偏’的问题，是‘解释都没资格’。”

“第五，同方差、无自相关——严格点说是误差项条件方差恒定、且误差之间不相关。”她把句子说得很清楚，“这个不影响无偏性，但会影响效率和标准误。你会以为显著，其实不显著；或者相反。”

对方立刻追问：“Okay. Suppose heteroskedasticity. What do you do? （好的。假设存在异方差性。你会怎么做？）”

安安没有犹豫。

“最基本是robust standard errors，”她说，“如果结构性明显，还可以做加权最小二乘 WLS，权重跟误差方差相关，目标是把残差‘拉平’，恢复效率。”

对方又问：“Autocorrelation? （自相关？）”

“Newey–West 或者直接建模误差结构，”她答，“更根本的是看是不是模型设定有问题：遗漏了动态项、或者在时间序列场景下应该用ARMA/VAR框架，而不是硬套OLS。”

对方不置可否，继续往前推，像在考她思维是否能跟得上节奏。

“Loss function. For OLS, what is it? Why this form?”

这是陷阱。

很多人会说“平方损失”，然后就结束。

安安没有停在名字上。

“OLS最小化的是残差平方和，”她说，“如果我们假设误差项是独立同分布、均值为零、方差恒定，并且——更关键——误差是正态的，那么最小二乘等价于最大似然估计。平方损失不是‘随便选的’，它对应的是在正态误差下最合理的概率解释。”

她停顿，像是给对方留出一个接球的空隙。

“从几何角度看，平方损失也意味着你在做一个投影——把y投影到X所张成的列空间里。你得到的残差是正交的，这是OLS很多性质的源头：无偏性、最小方差、正交条件。”

对方终于露出一点兴趣：“So what if errors are not normal?”

“正态不是必要条件，”安安说，“只要Gauss–Markov条件成立，OLS仍然是线性无偏估计里方差最小的——BLUE。正态更多是为了做推断更方便，尤其是小样本下的t检验。大样本下靠渐近正态也可以。”

对方又抛来一句：“Then why do we sometimes prefer absolute loss?”

安安几乎立刻答：“绝对损失对outliers更鲁棒，”她说，“对应的是Laplace误差的MLE。平方损失会让极端值权重变得非常大，把拟合线拉歪。绝对损失在厚尾分布下更稳，但不可微，需要用线性规划或subgradient方法。”

她说到这里，才意识到自己的语速开始加快。

安安进入了一种被拉进提醒状态的专注。时间在屏幕右下角往前跳，她每回答一个问题，就像在脑子里翻一页书，翻得太快，来不及听见纸张摩擦的声音。

对方又补了一句：“What’s the intuition behind ‘bias–variance tradeoff’?”

安安心里一沉，但没有停。

她把笔尖落在纸上，画了一个靶子：一个点集中但偏离中心，一个点分散但围着中心。

“bias是系统性偏离，”她说，“variance是结果的波动。更复杂的模型通常能把bias压低——拟合得更贴近训练数据——但variance会上去，泛化变差。你不是在追求训练集最完美，你是在追求在未来数据上还能站得住。”

她说完，才发现自己手指有点僵。

她一边回答，一边觉得时间在飞。

问题没有特别难。

但要求你真正理解，而不是死记硬背。会应用，才是硬道理，而不是照本宣科，死读书。

“Which programming language do you prefer?”

她几乎条件反射：“Depends on the task.”

Python用于快速建模。

SQL处理数据。

C++用于性能要求高的部分。

Rust在需要安全与高性能并存的地方。

对方露出一个轻微的笑：“Explain derivative and integral intuitively.”

她用速度和面积解释。对方没有追问。

然后是最后一个意料之外的问题：“Have you read any recent paper?”

她心里一紧。

幸好前阵子为了准备申请项目确实读过一篇。

她说出作者名字，核心贡献，以及对量化策略的启发。

说完时，她才发现自己掌心全是汗。

“Any questions for me?”

屏幕另一端的男人语气依旧平稳，像是在结束一场普通的工作会议，而不是决定一个人未来走向的四十分钟。

安安愣了一秒。

其实她准备了问题。课程结构、实习安排、就业去向、项目和行业的连接方式……这些问题她在纸上写过很多遍。

但真正到了这一刻，大脑却像被掏空了一样。

她强迫自己把思绪拽回来。“我想了解一下，”她开口时，声音有一点点发干，“项目毕业生主要进入哪些方向？偏交易，还是更多去做risk和data？”

对方简单讲了几句，语气客观，甚至带着一点例行公事的随意。她又问了课程强度和实习安排。

对方回答完，点了点头。

“Good questions.”

他看了一眼屏幕角落。

“Alright, we’re right at time.”

他露出一个礼貌性的微笑。

“Thank you for your time today. We’ll be in touch.”

“Thank you.”

安安也点头。

会议结束。

屏幕闪了一下，画面消失。

房间瞬间安静下来。

安安大口大口的喘气，英语加专业知识的面试，这是她第一次如此高强度的应用。

刚才那种持续四十分钟的紧绷突然被抽走，安安一时间竟然有点不适应。电脑风扇轻微的嗡鸣声重新变得清晰，窗外远处的车流声隐约传进来。

她却没有动。手还停在键盘上。

她慢慢吐出一口气，胸口一阵发闷，像憋了太久。

肩膀也跟着垮下来。她向后靠在椅背上。脊椎贴上椅背那一刻，一种迟来的疲惫顺着身体散开。

宿舍楼外的路灯亮着，橙黄色的光洒在空荡的道路上，偶尔有车经过，灯光滑过去，又迅速消失。

她盯着天花板看了一会儿。没有想象中的兴奋。也没有松口气的感觉。

Life... ... so damn fucking hard.

像一场持续太久的战斗突然停火，身体还没来得及反应。她低头。桌面上摊着一叠草稿纸。上面密密麻麻全是计算、箭头、被划掉的思路。有些地方笔压得很重，纸都被压出痕迹。她拿起最上面一张。

她突然意识到，这几年，她几乎一直在这种状态里。

申请。

考试。

实习。

面试。

不断证明自己还没掉队。

从小到大，似乎从来没有真正停下来过。

别人眼里，她成绩好，能力强，方向清晰。

可只有她自己知道，她其实一直在逃。逃离那个看得到终点却看不到希望的人生。逃离被安排好的轨道。逃离那些看似稳定却让人窒息的选择。

窗外一阵风吹过，树影晃动。她想起刚进大学时，自己也曾天真地以为，只要努力，未来就会水到渠成。

后来才发现，世界不是按努力分配结果的。

努力只保证你不会最先被淘汰。

剩下的，要靠运气、资源、背景，还有一点点时机。

她把草稿纸重新放回桌上。

她还有很长的路要走。

手机震了一下。

方晴子的消息弹出来。

【结束了吗？】

她看了一会儿，才回复。

【结束了。】

几秒后。

【怎么样？？】

安安想了想，打字。

又删掉。

最后只发了一句：

【不知道。等结果吧。】

她放下手机。

起身走到窗前。

夜色浓得像墨水一样铺开。

远处城市的灯光星星点点，像另一个世界。

... ...

次日中午午饭后。方晴子同安安在学校里走。食堂门口人群慢慢散开，阳光斜斜落在水泥路上，空气里还带着一点饭菜的热气。远处篮球场传来零零碎碎的笑声，有人骑车经过，车铃响了一下，很快消失在林荫道尽头。

方晴子忍了一会儿，还是没忍住。

“诶。”

安安没反应。

“诶，学霸。”

安安这才回神：“嗯？”

方晴子盯着她：“你这两天神神秘秘的。”

安安笑了一下：“哪有。”

“别装。”方晴子白她一眼，“好了，说吧，Yelena都和你说什么了？你接下来有什么计划？你和Brady现在怎么搞？他是来找你还是怎么的？”

安安脚步顿了一下。

这个问题，她其实知道迟早会被问。

她低头看着脚下的影子，一时间不知道该从哪句说起。

“她……”安安慢慢开口，“算是给我上了一课吧。”

方晴子挑眉：“什么课？”

安安想了想，说：“关于这个世界到底怎么运作的。”

风吹过树叶，光影晃了一下。

安安声音不高，但很平静。

“她说，很多时候，人们并不真的恨你。”她顿了一下，“他们只是需要一个解释。”

方晴子皱眉：“解释什么？”

“解释为什么别人成功，而自己还在原地。”安安轻轻笑了一下，“所以最简单的办法，就是证明成功的人不干净。你看，我经历的那些污名化和霸凌，最后还不是不了了之？老师给我来一句，苍蝇不叮无缝的蛋。”

方晴子叹气。

安安继续：“我在想，往上爬，走入公共视角，真的好难——好敬佩那些走上台前的女性人物。”

方晴子：“你看起来快把自己憋死了。”

安安：“我没事。”

方晴子：“你这句‘没事’说得比谁都有事。来点中哲开导开导吗？”

安安：“好呀，你来。”

方晴子：“禅宗典籍《碧岩录》里有个公案。知云和尚跟石头禅师在江边散步，看见船夫推船入江，船过之处，沙滩上不少螃蟹虾螺被压死了。”

安安：“嗯。”

方晴子：“知云问：‘这是乘客之过，还是船夫之过？’”

安安：“……这问题听着就很像微博评论区。”

方晴子：“石头答得更狠：‘既非乘客之过，也非船夫之过，而是你的罪过。’”

安安：“我的罪过？”

方晴子：“知云当场大骇：‘怎会是我之罪过！我何过之有？’”

安安：“然后呢？”

方晴子：“石头说：船夫谋生，乘客渡江，虾蟹藏身，都是自然行为。罪业由心造，无心造不出罪。你偏要无中生有，拉清单、分罪过，自造是非——这不就是你的过错？”

安安：“……懂了。”

方晴子：“一千多年过去，这场景我们熟得很——网上出了事，第一件事就是拉清单，按斤两分派罪过。

甲说制度之恶，乙说人心不古，丙搬历史成因，丁嚷个人责任。

热闹得很。可看久了像什么？像一群小孩在沙滩上抢贝壳，争的不是贝壳，是‘我最明白’。”

安安：“还有那顶‘道德优越’的帽子。”

方晴子：“历史上专做‘分派罪过’生意的也不少。修史的老先生，清议的名士，还有现在的评论家——一副放大镜照别人，一副滤镜美化自己。”

安安：“同一句话，自己人叫仗义执言，对方叫别有用心。”

方晴子：“练久了，看世界像哈哈镜，万物都是歪的，只有自己站得最正。所以石头那句‘是你的罪过’，不是骂人，是点化。船推蟹死，本来是一串偶然凑出来的无奈。偏偏你那一问，就像往清水里滴了墨，硬生生造出个‘罪案现场’。”

安安：“问责欲，先起，罪就生了。”

方晴子：“禅宗讲当下觉悟，不是教你麻木，是教你先看清再动念。见蟹死而起悲悯，是人情；见蟹死而急着问责，就是造作。像站岸上分析落水责任的人，最耽误救人。

互联网时代，人人都成了江边的知云和尚。每条新闻底下全是分派罪过的聪明人，键盘冒火星，但慈悲和清醒先被挤没了。争到最后，船夫的苦、乘客的急、螃蟹的无辜，全成了弹药。

罪业本由心造，无心造不出罪来。那在沙滩上被争论的螃蟹若有知，大约会说：“诸位停停罢。我生时没想过成谁的考题，死了也不愿做你们的罪证。潮来潮去，本自然事，何必劳各位费这许多口舌呢？”

倒是我们这些聪明人，忙着给无常世事写判决书，写得太投入，忘了自己原也是案中人—— 告我们的，正是那颗永不安分、总要找个对错来安放的是非心。”方晴子叹气。

安安跟着叹气。

“所以啊，安安，大步走，不要管旁人说什么。你的枷锁已经很重了，你应该甩掉一切不必要的烦恼。” 方晴子转头看着她，说到。

安安听到“甩掉一切不必要的烦恼”时陷入沉思。

方晴子：“佛不是让你认命，是让你别把别人的恶意当成你的作业。”

安安：“……嗯。”

方晴子：“你现在要做的不是赢得所有人的认可，是活着走到下一步。”

安安：“走到能真正谈条件的位置。”

方晴子：“对。等你坐上桌，再回头看这些‘分派罪过’的热闹——你会发现它们一点都不神圣。”

安安：“只是噪音。”

方晴子：“只是噪音。”

方晴子：“那我再问你一个实际点的问题。”

安安：“你说。”

方晴子：“你为什么一定要去美国？”

安安：“因为世界的上限在那里。”

方晴子：“姐们，具体点，别给我学霸式抽象回答。”

安安：“你把量化交易想成一台机器。它不是‘天才在电脑前灵光一闪’那种浪漫故事，它更像工厂流水线：数据进来——模型做决策——系统下单——市场成交——回到数据里验证和迭代。要让这条流水线一直跑，最关键的不是你有没有一个聪明点子，而是：这台机器能不能在一个足够大的市场里持续运转，还不被市场本身噎死。”

方晴子：“噎死？”

安安：“对，噎死。外行常误会：觉得策略只要对，钱就会无限放大。现实不是。量化策略最容易死在一个词上：容量。”

方晴子：“容量是什么？”

安安：“就是你这套策略，最多能塞进去多少钱，还能保持同样的收益率。市场像一条河。你拿小桶舀水没问题；你开一艘巨轮进小河，河道立刻堵死，水流变形，你连船都开不动。”

方晴子：“所以市场越大越好。”

安安：“对。市场越大，水越深，船越大也开得动。美国最大的优势，就是它的‘河’全球最深、最宽、分支最多。”

方晴子：“怎么深？”

安安：“深在三个东西：流动性、参与者、品种体系。我一条条解释给你听。”

安安：“第一，流动性。外行可以理解成：你想买或卖的时候，市场能不能立刻给你对手盘，价格还不会被你自己推歪。流动性高，就像你去大超市买矿泉水，你买一箱、十箱，价格都差不多；流动性低像小卖部，你一下买走半店库存，老板立刻涨价。”

方晴子：“你一买就涨，叫你推歪价格。”

安安：“对。量化策略不是只下‘一笔单’，是日复一日、规模化地下很多笔。你越大，越容易把价格推走，交易成本就变高，收益就被磨没。美国市场流动性高，意味着你可以做更大规模，还能保持比较稳定的成本结构。”

方晴子：“第二，参与者？”

安安：“参与者多，意味着市场更‘厚’：机构、散户、做市商、基金、养老金、保险、对冲基金……他们在不同时间、不同动机下交易。有人长期配置，有人短期投机，有人对冲风险。动机越多，市场越不容易被某一类人主导，交易机会也更持续。”

方晴子：“第三，品种体系？”

安安：“这是美国最恐怖的地方：衍生品体系。”

方晴子：“衍生品是什么？”

安安打开手机，比划着解释：“衍生品就是把‘买卖资产’这件事，拆成各种可组合的合约。你不只是买股票，你可以用期权赌波动、用期货做对冲、用利率互换管理利率风险、用ETF做快速配置。它像金融世界的乐高积木：积木越多，你能搭出来的结构越复杂，机会也越多。”

方晴子：“那美国积木最多？”

安安：“对。美国的股票市场大，期权市场更大——尤其是期权的活跃度、做市机制、清算体系、交易规则的成熟程度，都是全球顶级。对量化来说，这意味着不只是‘做一个方向预测’，而是可以做：波动率、跨品种套利、期权定价偏差、流动性供需、微观结构……机会的维度直接从二维变成三维。”

方晴子：“听起来像，题库更大？”

安安：“差不多。你可以理解成：国内可能是一套高考卷子，美国是奥数+物理竞赛+编程赛混合赛，而且赛场很大，题也多，选手也多。对学霸来说——越大的赛场越公平，因为它靠的是体系化能力，不是靠人情和小圈子。”

方晴子：“那你之前说‘一千万放大到几亿’，怎么理解？”

安安：“我举个简化例子。假设你有个策略，在一个市场里每天能稳定抓到一点点价差，假设净收益率是固定的。你想放大规模——你就得下更大的单。但在小市场，你单子一大就把价格推走，成本上升，你赚的那点价差被吃光，甚至反亏。这就是容量瓶颈。”

方晴子：“所以小市场容不下大资金。”

安安：“对。美国市场因为流动性更深，衍生品更丰富，参与者更多，你可以把同样的策略放在更大的资金上运行，仍然不至于把市场‘踩塌’。结果就是：同样的智力产出，在更大的市场能转化成更大的经济产出。这就是所谓‘上限’。”

方晴子：“上限不是你能不能做出来，是市场允不允许你做大。”

哦豁，细思恐极哦。

安安没有解释国与国之间市场制度的差异，而是继续量化市场的发展上限：“完全正确。很多人以为量化最难的是‘想出模型’，其实对顶级团队来说，真正难的是把模型变成可交易、可扩张、可持续的‘产线’，而美国是最适合搭产线的地方。”

方晴子走着走着，又想起刚才的话，忍不住侧头看她。

“等等，你刚刚说美国市场容量大，我大概懂，但我还是有个问题。”

安安笑了一下：“你今天问题很多嘛，也算让我体验一把军师了。”

“废话，我又不是你们金融圈的。”方晴子说，“为什么全世界金融都要看美国？新闻里一说加息降息，全球市场一起抖。凭什么是它？”

安安想了想，没急着回答。

她们沿着湖边慢慢走，风吹过来，把树叶吹得哗哗响。

“你先想象一个场景，”安安说，“如果全世界是一条商业街，美国是街中央最大的那家商场。”

方晴子：“嗯。”

安安：“所有大品牌都在里面开旗舰店，最有钱的客人也在那里消费，新品发布也在那里。你要做生意，绕不开它。”

方晴子：“因为钱在那里？”

“钱在那里。”安安点头，“而且不仅是钱，是规则、信用和结算体系都在那里。”

她顿了一下。

“你知道美元为什么这么重要吗？”

方晴子摇头。

“因为世界贸易很多是用美元结算的。”安安说，“石油、粮食、大宗商品，很多国家之间的交易都用美元计价。你要买能源、买原材料，就要用美元。”

“所以大家都得持有美元？”

“对。”安安说，“国家要储备美元，公司要用美元结算，基金也用美元投资。结果就是——全球资金自然流向美国市场。”

她想了想，又补了一句：“你可以理解为，美元像全球金融系统的‘操作系统’。只要世界还在用这个系统，美国市场就天然站在中心。”

方晴子若有所思。

方晴子走了两步，又忍不住追问。

“那美元怎么就变成全世界的‘操作系统’了？总不能一开始大家就默认用美元吧？”

安安笑了一下。

“当然不是。一开始世界金融中心在欧洲。”

方晴子：“英国？”

安安点头。“二战之前，世界贸易主要用英镑结算，伦敦是全球金融中心。英国当时像现在的美国——殖民地遍布全球，贸易、航运、保险、银行，全都绕着伦敦转。”

方晴子：“那后来怎么换人了？”

安安踢了一下路边的小石子。