《怪异市场的（暂定）理论》

摘要

• Andrew Walker 的暂定论点是，传统投资策略正日益被竞争殆尽，小投资者的超额收益机会因此转向几乎没有历史先例的“怪异”情形。 pod shop 能更快处理信用卡数据，并以更高杠杆放大优势；量化模型可以系统筛选估值因子；机器学习则能大规模执行规则或趋势跟踪策略。他的结论是：“如果你想跑赢市场、创造 Alpha、与众不同，就得做些怪事。”

• 非凡的市场回报，使金融在 Walker 看来足以竞逐“世界上竞争最激烈的游戏”。 他最常用的比较对象是竞技魔方：冠军成绩从1982年的23秒降至2003年的20秒，到2023年已逼近5秒；2019年，最快选手用脚在17秒内完成还原。如果3.65万美元的总奖金就能推动这样的进步，那么金融业——文中提到，Buffett 即便捐出巨额财富后净资产仍达1500亿美元——理应持续穷尽所有可发现的优势。

• 在竞争最成熟的层级，赢家策略往往会被尚未适应的参与者视为不理性。 Walker 从 Fosbury Flop 和橄榄球四档进攻分析，讲到 AI 国际象棋和扑克：他引用的描述称，机器下出的棋步有时看起来“简直是错的”；一名前半职业牌手告诉他，AI 向100美元底池下注500美元，可能像“一个醉醺醺的叔叔”在乱扔筹码。对投资者而言，一个看起来陌生的流程未必有误，也可能只是因为这场游戏的最优策略已经改变。

• 高度优化的系统在超出已知条件时仍可能十分脆弱，这正是“怪异”有价值的原因。 Walker 回忆，棋手会故意走出看似糟糕的开局，把电脑带出“开局库”；StarCraft AI 则“除非出现哪怕轻微的意外，否则就是世界上最好的玩家”。因此，他认为基本面投资者需要意外和肥尾事件，而不只是把同一套历史数据策略执行得更好。

• 按 Walker 的框架，最有力的案例把不在历史数据中的催化剂，与仍需判断力的基本面分析结合起来。 4年前，AI 带动的电力需求尚无法从历史数据中读出，但识别出电力是 AI 的约束，便可能赚取巨额财富；分拆交易同样会带来被动抛售、有限的独立历史、新管理团队，以及有时会对 pod shop 构成约束的流动性问题。这些领域的“未来”还没有被清晰建模。

• Walker 将 WBD 和异常的管理层激励视为可能的样本，但也直言怀疑证据是否足够扎实。 他持有 Warner Bros. Discovery 多头仓位，并把这场罕见竞购战视为 N-of-one 事件：Ellisons 亲自为股权交易担保，并表示报价并非最佳且最终报价，Netflix、Trump administration 和 Warner Bros. 董事会也都卷入其中。但一些可重复观察的8-K信号——例如管理层把未来5年的全部股权薪酬提前放在当年领取——可能已经被充分挖掘，既带来机会，也带来风险。他坦言，难以找到案例可能意味着“证据并不支持这个说法”。他把这套理论作为一份粗稿拿出来征求反馈，因为它是其投资方法和2026年度研究工作的核心。

精读

1. Alpha 向标准框架无法归类的情形迁移

• Walker 的理论从一句不加修饰的前提开始：“股市是世界上竞争最激烈的游戏。”随着资本、技术和专业化程度不断叠加，传统策略正越来越被那些能以更快速度、更系统化方式和更高杠杆执行它们的机构竞争殆尽。

• 信用卡数据套利归 pod shop；简单的深度价值筛选归量化模型；一般规则和趋势跟踪则越来越由机器学习接管。如果底层策略每季度只有2%的优势，pod shop 可以加杠杆将其放大到8%，未加杠杆的小投资者却很难为同样的研究投入找到经济合理性。

• Walker 提出的出路是“怪异”：寻找没有有用先例的 N-of-one 情形。他最喜欢的历史样本是 Twitter：世界首富一时兴起决定收购，随后试图退出交易并声称存在 MAE，这属于上市公司历史上大约仅有5起 MAE 案例之一。他提到的其他案例，要么是全球金融危机导致银行倒闭，要么是单家公司遭遇如陨石撞击般的打击，而不是世界首富因为价格问题临阵退缩。

2. 金融业的激励机制会把普通优势竞争殆尽

• Walker 用体育成绩的量化进步说明持续竞争的结果。2007年，平均快速球速度达到95英里/小时的投手只有11名；到2025年，这一数字已达到300名。不到20年间，曾经代表精英水平的球速就变得稀松平常。

• 魔方提供了更鲜明的类比。冠军成绩从1982年的23秒提升到2003年的20秒；随着正式比赛组织起来、竞争强度上升，到2023年已逼近5秒。

• 结论几乎荒诞：2019年，也就是脚解魔方组别的最后一年，最快选手用脚在17秒内完成还原，速度超过了2003年冠军用手完成的成绩。全部冠军奖金池只有3.65万美元，其中最高级别的3×3项目奖金为5000美元。

• 金融提供的回报规模大得多，竞争历史也长达数百年：从传闻中用于比同行更快获取滑铁卢战况的 Rothschild 赛鸽网络，到 Reuters——这个名字来自一位用鸽子弥补电报网络空缺的人——再到机构为争夺毫秒乃至微秒级优势投入数亿美元。Walker 的挑战是：在这样的激励下，“每一条优势都会被找出来并拿下”。

3. 成熟的游戏会奖励起初看似疯狂的策略

• Fosbury Flop 是 Walker 最清晰的实体案例。1968年，Dick Fosbury 采用背对横杆的方式夺得奥运金牌之前，如果让一名顶级跳高运动员这样起跳，听起来会荒谬至极；此后，这个曾经疯狂的动作却成为主流技术。

• 策略演化也是同一逻辑。过去，橄榄球队会避免四档进攻，因为失败可能让教练丢掉工作；如今，数据分析往往支持在40码线附近进行4档4码进攻，或在3码线处4档冲击达阵。Walker 还引用《Moneyball》的例子：球队雇用一名并不真正擅长击球、却能大量保送的一垒手，说明上垒率比打击率更重要。

• AI 将这一模式推进了一步。Walker 引用一位观察者对 AI 国际象棋的描述：AI 下出的棋步让人类和以人类棋谱训练的机器都感到反直觉，有时“简直是错的”，整盘棋看起来像“来自另一个维度的国际象棋”。扑克系统下注过量的频率也远高于历史上的人类牌手。一名前半职业牌手告诉 Walker，如果不知道来源，人们可能会把 AI 误认为“一个醉醺醺的叔叔”，在毫无章法地乱扔筹码。

4. 意外是小投资者剩下的战场

• Walker 回顾 Deep Blue 与 Garry Kasparov 的案例称，Kasparov 会故意走出看似疯狂的开局，把 AI 带出“开局库”，牺牲局部最优，换取陌生局面。

• StarCraft AI 在受控条件下也暴露出同样的局限。它可以在特定地图和设定下击败顶尖职业选手，但条件一变，优势就会瓦解：“除非出现哪怕轻微的意外，否则 AI 就是世界上最好的玩家。”

• AI 相关的电力需求展示了一个可以交易的肥尾事件。4年前，历史数据无法揭示即将到来的负荷，很多时候甚至连未来需求本身也不可见；真正有价值的判断是，AI 的大规模部署“将会消耗海量电力”。

• 分拆交易提供了一个更具结构性的版本：投资者不想持有的股份会带来被动抛售，独立运营后的历史数据稀少，新管理层可能带来 AI 不具备的人类判断。Walker 承认 pod shop 也可以参与，但流动性约束可能为规模更小的基本面投资者留下机会。

5. 这套理论作为框架最强，作为市场地图仍未完成

• Walker 将 WBD 视为当前的 N-of-one，并披露自己持有多头仓位。可供参考的竞购战先例寥寥无几，而这一案例同时包含 Ellisons 亲自为股权交易担保、表示报价并非最佳且最终报价、Netflix、Trump administration、Warner Bros. 董事会，以及大量“软性考量”。

• 他并不确定如何把这套框架转化为可重复的机会集合。异常的8-K薪酬变动——例如管理层把未来5年的全部股权薪酬作为奖励在当年一次性领取——可能很有意思，但 AI 最终也可能学会识别这种模式。Walker 认为其中既有机会，也有风险。

• Walker 说，前2/3的内容——概览、理论和体育类比——都非常好，但在把框架转化为具体市场案例时陷入了写作瓶颈。他把这份粗稿公开出来，想在围绕它构建2026年度研究工作之前征集案例和反驳；难以找到案例，可能意味着他需要更好的例子，也可能意味着“证据并不支持这个说法”。