46岁数学家凭AI炒股登富豪榜：一个数学博士如何用算法改写财富规则

2026年英国富豪榜上，46岁数学博士亚历克斯·格尔科凭借AI驱动的交易系统跻身前十，一年财富增长超640亿元人民币。这位被称为“数学家”的传奇人物，用400PB数据和GPU集群颠覆了传统交易模式。他的崛起背后，隐藏着数学、算法与资本市场深度融合的深层逻辑，也引发了关于AI交易时代公平与风险的深刻讨论。

一、一个数学博士如何用算法敲开富豪榜大门
2026年10月，《星期日泰晤士报》发布的英国富豪榜上，一个名字格外引人注目。

46岁的亚历克斯·格尔科，被业内称为“数学家”，以160.06亿英镑（约合人民币1417亿元）的总资产排名第八，首次跻身英国前十富豪之列。较2025年，他的财富暴涨72.61亿英镑（约合人民币643亿元），过去12个月平均每天增值1989万英镑，相当于每天净增约1.7亿元人民币。

这位46岁数学家凭AI炒股登上富豪榜的消息迅速引发全球关注。但仔细审视他的财富路径会发现，格尔科所做的事情，远不止“炒股”两个字所能概括。

他通过旗下量化做市商XTX Markets，搭建了一套以盈利为目的的AI交易系统。这套系统拥有超过400PB的全球金融市场数据，驱动着庞大的GPU集群，同时分析横跨股票、固定收益、外汇、大宗商品和加密货币等超过50000种金融工具的实时数据流。

XTX全公司仅250多名员工，却没有一名传统意义上的人工喊单交易员。日均交易额高达2500亿美元。

这意味着什么？如果把XTX比作一台机器，那么它的每一个齿轮都是算法，每一滴润滑油都是数据。传统交易大厅里此起彼伏的电话声和喊单声，在这里被GPU集群的低沉嗡鸣所取代。

二、从莫斯科到伦敦：一位数学家的非典型路径
从交换代数到量化交易
亚历克斯·格尔科，1979年生于莫斯科，在莫斯科国立大学获得数学博士学位，研究方向涵盖交换代数与同调维数。随后他还在新经济学院取得了经济学硕士学位，被Mathematics Genealogy Project正式登记为数学家。

他的学术背景与大多数华尔街交易员截然不同。没有商学院文凭，没有投行实习经历，甚至没有金融学的系统训练。他所拥有的，是数学家的思维方式：面对复杂系统时，不是靠直觉判断，而是寻找底层规律。

2004年，格尔科加入德意志银行从事股票和外汇量化交易。2009年，他转至GSA Capital主管外汇交易部门。在这段时间里，他逐渐形成了自己的核心理念：市场的价格波动背后，存在着可以被算法捕捉的微观模式。

XTX的诞生：一次对传统交易模式的彻底颠覆
2015年，格尔科创立了XTX Markets。与大多数对冲基金不同，XTX的定位是全球头部量化做市商。它不预测市场方向，而是通过提供流动性来捕捉买卖价差中的微观利润。

这套AI系统的核心能力，在于深度模式识别。举个例子：在处理外汇或股票做市时，XTX的AI系统并非只盯着单一资产的当前买卖盘，而是同时分析横跨多个资产类别的实时数据流，从中识别出极度隐秘的微观“价格模式”。

这种能力的底层逻辑并不复杂：当一个市场的微小价格变动与其他市场的信号之间存在统计学上的稳定关联时，算法就能在极短时间内完成交易决策。人类交易员可能需要几秒钟才能反应，而XTX的系统在毫秒级别就已经完成了。

XTX没有任何外部投资者，利润全部流向少数合伙人。格尔科本人持有公司75%的股份，本次榜单财富增长主要来自公司股权估值的提升。

不止是交易：一个数学家的社会回馈
格尔科的影响力远不止于金融领域。他曾多次登上英国“最大纳税人”榜单，并设立了Axiom Maths和AIMO Prize，重金投入数学教育与AI研究。2023年，他向“Friends of IHES”捐赠基金捐赠100万英镑支持数学研究。2024年，XTX Markets设立了“AI-MO奖”，悬赏1000万美元奖励首个能在国际数学奥林匹克竞赛中赢得金牌的人工智能模型。

这些举动透露出一个信息：格尔科并不把自己仅仅定义为交易员。他更像是一个用数学工具解决现实问题的学者，只不过这次，他解决的问题是“如何在金融市场中持续提取Alpha”。

三、三代数学家的量化传奇：从西蒙斯到格尔科
要理解46岁数学家凭AI炒股登富豪榜这一现象的深层含义，需要将其放入一个更宏大的历史脉络中。格尔科并非孤例，在他之前，已经有两位数学家在这条路上留下了深刻的印记。

詹姆斯·西蒙斯：量化投资的奠基者
詹姆斯·西蒙斯（1938—2024），23岁获得数学博士学位，曾在麻省理工和哈佛教书，30岁成为纽约州立大学石溪分校数学学院院长，1976年斩获几何领域最高奖项维布伦奖。他与杨振宁合作，帮助建立了现代物理的基石——杨-米尔斯理论。

1978年，40岁的西蒙斯离开学术界，迈入投资领域。他的想法很简单：资本市场背后一定存在某种可以量化的规律。

1982年，西蒙斯创立文艺复兴科技公司。1988年，大奖章基金正式问世。从1988年到2019年，大奖章基金取得了平均每年66%的费前年化收益率，在收取5%管理费和44%业绩提成后，费后年化收益率仍高达39%。同期，巴菲特的年化复合收益率约为20%。

更令人惊叹的是，大奖章基金在30多年的运行中几乎没有亏损年份。2008年金融危机期间，该基金回报率超过80%；2020年新冠疫情期间，回报率高达76%。

西蒙斯的独特之处在于，他建立了一套完整的“科学化投资”体系。文艺复兴科技的大部分员工都是数学、物理学、统计学领域的顶尖科学家，公司有一个著名的原则：从不雇用商学院毕业生，也不招华尔街人士。这种“反常规”的用人策略，恰恰是西蒙斯成功的关键。

梁文锋：中国量化的先行者
在大洋彼岸的中国，同样有一位数学家型创业者走着相似的道路。梁文锋，1985年出生于广东湛江，浙江大学电子信息工程专业毕业。2008年，他仅以8万元人民币本金起步，投身量化交易，凭借自行开发的量化交易系统，实现了每年超过100%的复合回报率。

2015年，梁文锋创立幻方量化。2016年推出第一个AI模型，实现量化策略的AI化转型。2019年管理规模突破百亿元，2021年突破千亿大关。

梁文锋的灵感直接来自西蒙斯。他曾为西蒙斯传记《征服市场的人》中文版撰写序言，其中写道：“每当在工作中遇到困难的时候，我会想起西蒙斯的话：‘一定有办法对价格建模’”。

与西蒙斯一样，梁文锋也选择了从量化交易向更广阔的AI领域延伸。2023年，幻方量化成立大模型公司DeepSeek，进军通用人工智能领域。梁文锋的个人财富也从量化领域扩展到AI领域，2026年其身家达到360亿美元（约合人民币2440亿元），成为全球纯AI大模型领域身价最高的创业者。

三代数学家的横向对比
为了更清晰地展现三位数学家型创业者的异同，以下从多个维度进行横向对比：

对比维度 詹姆斯·西蒙斯 亚历克斯·格尔科 梁文锋
出生年份 1938年 1979年 1985年
数学背景 几何学博士，维布伦奖得主 数学博士，交换代数方向 电子信息工程硕士
创立公司 文艺复兴科技（1982年） XTX Markets（2015年） 幻方量化（2015年）/DeepSeek（2023年）
核心技术 统计套利、短期交易模型 AI做市、深度模式识别 AI量化策略、大语言模型
旗舰产品表现 费后年化39%（1988-2019） 日均交易额2500亿美元 近五年年化114.35%
员工规模 约300人 250余人 幻方约数百人，DeepSeek约270人
财富规模 去世时约250亿美元 160.06亿英镑 360亿美元（约2440亿人民币）
核心特征 模型先生，拒绝商学院 数学家型交易员，AI做市先驱 量化印钞机+AI理想主义者
从这张表中可以清晰地看到一条技术演进的脉络：西蒙斯时代的核心竞争力是“用数学模型替代人的判断”，格尔科时代的核心竞争力是“用AI系统实现全自动化做市”，而梁文锋则在量化交易的基础上进一步向通用AI领域延伸。

三位数学家的共同特征是：他们都不依赖传统的金融分析框架，而是用数学和计算的方法去理解市场。他们的成功，本质上不是金融的成功，而是数学和计算机科学的成功。

四、拆解XTX的AI交易系统：技术壁垒在哪里
数据：新的石油
XTX的AI交易系统拥有超过400PB的全球金融市场数据。400PB是什么概念？大约相当于4000万GB，如果把这些数据存入普通硬盘，需要超过10万块1TB硬盘才能装下。

但数据的价值不在于量大，而在于质量和维度。XTX同时分析超过50000种金融工具的实时数据流，涵盖股票、固定收益、外汇、大宗商品和加密货币等多个资产类别。这种跨资产类别的数据整合能力，使得模型能够识别出单一市场内无法发现的交叉信号。

这就好比一个侦探，如果只看一个案发现场的线索，能推断出的信息有限；但如果同时掌握多个关联现场的数据，就能发现隐藏的规律。

算力：算法的基础设施
XTX驱动着庞大的GPU集群来运行其AI交易模型。GPU集群的算力投入是AI量化交易的“入场券”——没有足够的算力，再好的算法也无法在毫秒级的竞争中获得优势。

在中国市场，梁文锋早在2019年就投资2亿元自主研发深度学习训练平台“萤火一号”，2021年又投入10亿建设“萤火二号”。当时全国手握一万枚GPU的企业仅有6家：阿里、字节、腾讯、百度、商汤和幻方。

算力竞争的本质，是资本和人才的竞争。XTX的23位核心量化分析师和开发者，2025年分享了8.33亿英镑的利润，平均每人3600万英镑。这种分配力度，确保了对顶尖人才的吸引力。

算法：从线性模型到深度学习
与传统量化机构依赖简单的线性模型或历史统计不同，XTX将算力集中于深度的模式识别。这种技术路线选择的背后，是对市场本质的深刻理解。

传统量化模型假设市场关系是线性的、稳定的，但在现实中，金融市场的价格关系往往是高度非线性的、时变的。深度学习模型的优势在于，它能够自动从海量数据中学习复杂的非线性关系，而不需要人为指定规则。

但这同时也带来了新的挑战：模型的可解释性下降。当一个深度学习模型做出交易决策时，很难清楚地解释它为什么这么做。这就是所谓的“算法黑箱”问题。

做市：与炒股的微妙区别
格尔科的财富来源主要不是“炒股”，而是“做市”。这是两个容易被混淆但本质不同的概念。

炒股的本质是预测价格方向，低买高卖。做市的本质是为市场提供流动性，从买卖价差中获取利润。做市商不关心价格涨还是跌，它关心的是交易量——交易越活跃，做市商获取价差的机会就越多。

XTX日均交易额2500亿美元，如果平均价差是万分之一，那么日收入就在2500万美元左右。当然，实际价差会因资产类别、市场条件等因素而有很大差异，但量级上的逻辑是成立的。

这种模式的优势在于：它不依赖于对市场方向的判断，因此在牛市和熊市中都能稳定运行。这也是XTX能够持续增长的核心原因。

五、AI量化交易的行业全景
全球市场规模
据恒州诚思调研统计，2025年全球AI量化交易平台市场规模约104.8亿元，预计到2032年将接近262.1亿元，年复合增长率为14.1%。而AI在交易中的整体市场规模则更大，2025年约为245.3亿美元，预计2026年将达到278.5亿美元，年复合增长率为13.6%。

这些数字反映出一个清晰的趋势：AI正在从“辅助工具”变成“核心引擎”。在量化交易领域，AI不再是可选项，而是必选项。

中国市场的量化格局
在中国市场，量化交易的发展同样迅猛。2025年，国内45家有业绩展示的百亿量化私募全部实现盈利，平均收益率达到37.6%。同期，沪指年度涨幅超过18%。

但更值得注意的是量化交易在市场中的占比。量化资金占A股流通市值仅3%，却贡献了30%至40%的日交易额。在小盘股中，这个比例超过50%。

这意味着，量化交易已经成为中国资本市场不可忽视的力量。它用3%的“本金”搅动了近一半的交易量——这不是杠杆，而是算法驱动的瞬时叠加。

头部机构的AI转型
中国头部量化私募正在加速AI化转型。鸣石基金创始人袁宇预判，2026年中国量化行业将迎来三重新格局：一是AI与量化的融合将从“渗透”走向“重塑”，深度学习、强化学习将成为资产配置的核心引擎；二是头部化趋势加速；三是量化将更聚焦长期价值发现。

这一判断与全球趋势一致。越来越多的量化私募将转型为“AI原生科技企业”，AI技术的持续迭代正在推动量化投资从“数据驱动”走向“认知驱动”。

六、狂热背后的冷思考：AI炒股的三重风险
算法同质化：当所有人用同一套逻辑
AI量化交易面临的最系统性风险，是算法同质化。

国际货币基金组织等机构曾发布安全风险提示认为，如果大量用户使用相似AI模型、提示词和数据源，可能引发交易趋同、放大市场波动。当多个模型使用相似数据、相似训练方法与相似风险控制规则时，在市场压力上升时，可能同步减仓、撤单或追逐同一方向交易，造成流动性快速蒸发。

2024年，中国量化基金因策略高度趋同触发了严重踩踏，引发监管和舆论的广泛关注。市场平稳期（无论是上行、震荡、下行），量化投资表现都很好，但一旦市场风格突然切换，量化短期就跟不上，甚至逆市亏损。

这是一个结构性矛盾：AI模型的训练需要大量历史数据，而历史数据中的规律可能在未来失效。当所有模型都基于相似的历史规律做出决策时，一旦市场出现历史中从未出现过的情况，所有模型可能同时失效。

模型幻觉与不可解释性
深度学习模型的“黑箱”特性带来了另一个风险：模型幻觉。当中证协研究报告指出智能投顾面临“模型幻觉”问题时，其核心担忧是：深度学习模型的决策过程不透明，若产生“幻觉”虚构不存在因果关系，将对投资者产生严重误导。

在传统量化模型中，如果模型亏损了，分析师可以追溯原因：“因为因子X的权重设置过高，在市场条件Y下产生了错误信号。”但在深度学习模型中，即使知道模型做出了错误决策，也很难精确地定位问题所在。

监管的追赶
全球监管机构正在努力追赶AI交易的发展速度。2026年以来，中国监管重心转向突出公平性，通过规范主机托管、交易单元管理等方式削弱量化速度优势，要求券商取消单一客户独立交易网关。上交所清理了量化机构的专属交易通道，证监会主席吴清明确表示将“深化细化高频量化监管”。

英国央行副行长Sarah Breeden也警告，金融监管机构应对自主AI智能体引发市场崩盘风险的时间已所剩无几，并正在探讨设立“紧急停止开关”。

美联储理事巴尔则指出，利用AI的交易算法实现收益最大化，有可能导致串谋和市场操纵，还有可能在市场上引发价格显著变动等对整个金融系统的风险。

监管的核心挑战在于：如何在鼓励技术创新和防范系统性风险之间找到平衡。过度监管可能扼杀创新，监管不足则可能埋下金融危机的种子。

七、AI交易的未来演进方向
从“效率工具”到“认知架构”
当前AI在量化投资中的应用，主要停留在“效率工具”层面：利用AI处理文本、提取因子、优化参数。但领先机构正在探索更深层的应用——构建基于大模型的“认知架构”，赋予系统类人的记忆与推理能力。

未来五到十年，如果AI在多模态数据处理、非结构化商业信息理解上实现突破，量化投资将打通价格数据与上市公司真实经营、实体经济脉搏的连接，行业研究深度将实现系统性跃升。

人机协同：而非全自动
一个值得注意的趋势是：行业领先者的共识正在从“全自动AI交易”转向“人机协同”。华泰柏瑞陈景德认为，下一代AI在量化投资中的突破，大概率不会是一个“预测一切”的终极算法，而是一个能将人类顶尖投资智慧、逻辑思辨能力与机器超强计算力、自动化能力无缝融合的增强系统。

这个判断包含着一个重要的洞察：AI的优势在于处理海量数据和识别微观模式，但人类在理解宏观环境、判断政策走向、把握市场情绪等方面仍有不可替代的优势。最成功的量化机构，很可能是把顶尖AI基建与自身数据资产、组合管理及风控体系深度绑定、坚持“人机协同”的机构。

中国量化的全球化竞争
中国量化机构正在从本土市场走向全球竞争。具备技术沉淀的机构将引领行业走向全球竞争，让中国策略闪耀国际舞台。

这一趋势与格尔科的故事形成了有趣的呼应。格尔科从莫斯科到伦敦，用数学和算法在全球市场中找到了自己的位置。中国的数学家型创业者们，同样有可能在全球量化舞台上占据一席之地。

八、对普通投资者的启示
46岁数学家凭AI炒股登富豪榜的故事，对普通投资者有什么启示？

首先需要明确的是：格尔科的成功路径几乎无法被个人投资者复制。他所拥有的400PB数据、GPU集群、250人专业团队和全球做市牌照，构成了极高的行业壁垒。

但这并不意味着普通投资者无法从这一趋势中获益。AI量化交易的兴起正在改变市场的底层结构，理解这种改变本身就是一种重要的认知升级。

第一，市场正在变得更加“算法化”。当你看到一只股票突然出现异常波动时，背后的推手可能不是某个大户，而是一套AI模型在捕捉微观价格模式。理解这一点，有助于投资者避免被短期波动所迷惑。

第二，个人投资者与AI系统竞争高频交易是徒劳的，但在中长期投资中，人的判断力仍有价值。AI擅长的是毫秒级的模式识别，而人类擅长的是对企业基本面的深度理解和长期趋势的判断。

第三，AI量化交易的发展正在改变市场的风险特征。算法趋同可能放大市场波动，这意味着极端行情出现的频率和幅度可能增加。投资者需要对自己的风险承受能力有更清醒的认识。

常见问题解答
Q1：46岁数学家凭AI炒股登富豪榜，他到底是怎么做到的？

格尔科的财富来源并非传统意义上的“炒股”，而是通过其创立的XTX Markets进行AI驱动的量化做市。他的系统利用超过400PB的金融市场数据，同时分析50000多种金融工具的实时数据流，从买卖价差中持续获取利润。全公司仅250多人，日均交易额高达2500亿美元。

Q2：AI炒股和传统量化交易有什么区别？

传统量化交易依赖线性模型和历史统计规律，而AI量化交易利用深度学习技术进行非线性模式识别，能够从海量多维度数据中自动学习复杂关系。AI系统还能实现全自动化交易，XTX就没有一名传统意义上的人工交易员。

Q3：AI量化交易的主要风险是什么？

核心风险包括三点：一是算法同质化导致交易趋同，可能放大市场波动；二是深度学习模型的“黑箱”特性带来不可解释性，模型幻觉可能产生错误决策；三是监管滞后于技术发展，系统性风险防范机制尚不完善。

Q4：中国有类似的数学家型量化投资者吗？

有。梁文锋是典型代表。他2008年以8万元本金起步投身量化交易，2015年创立幻方量化，2016年推出AI模型实现策略AI化。2023年成立DeepSeek进军通用人工智能领域，目前身家约360亿美元，是全球纯AI大模型领域身价最高的创业者。他的灵感直接来源于西蒙斯。

Q5：普通投资者能用AI工具辅助投资吗？

目前券商面向高净值个人开放的AI自动执行工具确实存在，如华泰证券的“AI涨乐”、同花顺的“同策HiAlpha”等。但需要高度警惕市面上大量宣称“AI炒股神器”的软件和博主，它们多数存在虚假宣传，甚至有非法荐股的风险。今年江苏证监局已发布风险提示，提醒投资者警惕利用“AI选股”“量化交易”等概念包装的非法金融活动。

Q6：AI量化交易会取代人类交易员吗？

短期内不会完全取代，但会深刻改变交易员的工作方式。行业趋势是人机协同，AI负责数据处理和微观模式识别，人类负责宏观判断和风险管理。下一代AI在量化投资中的突破，大概率是增强系统而非全自动系统。