TED2015
Jim Simons: The mathematician who cracked Wall Street
Jim Simons: Una rara entrevista con el matemático que descifró Wall Street
Filmed:
Readability: 4
2,981,452 views
Jim Simons era un matemático y criptógrafo que se dio cuenta de que las complejas matemáticas utilizadas para descifrar códigos podrían ayudar a explicar los patrones en el mundo de las finanzas. Miles de millones más tarde, él trabaja para apoyar a la nueva generación de profesores de matemáticas y a académicos. Chris Anderson, curador de TED, conversa acerca de su vida fuera de lo común llena de números.
Jim Simons - Philanthropist, mathematician
After astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy. Full bio
After astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy. Full bio
Double-click the English transcript below to play the video.
Chris Anderson: Tú eras algo así como
un fenómeno matemático.
un fenómeno matemático.
00:12
Chris Anderson: You were something
of a mathematical phenom.
of a mathematical phenom.
0
817
2834
De muy joven ya impartías clases
en Harvard y en el MIT.
en Harvard y en el MIT.
00:15
You had already taught at Harvard
and MIT at a young age.
and MIT at a young age.
1
3675
3064
00:18
And then the NSA came calling.
2
6763
2190
Y luego llegó a llamarte la NSA.
00:21
What was that about?
3
9464
1204
¿Qué pasó?
Jim Simons: Bueno, la NSA,
la Agencia de Seguridad Nacional,
la Agencia de Seguridad Nacional,
00:23
Jim Simons: Well the NSA --
that's the National Security Agency --
that's the National Security Agency --
4
11207
3923
00:27
they didn't exactly come calling.
5
15154
1969
no vino precisamente a llamarme.
00:29
They had an operation at Princeton,
where they hired mathematicians
where they hired mathematicians
6
17465
4474
Tenían una operación en Princeton,
y contrataron a matemáticos
y contrataron a matemáticos
00:33
to attack secret codes
and stuff like that.
and stuff like that.
7
21963
2942
para atacar a los códigos secretos
y cosas por el estilo.
y cosas por el estilo.
00:37
And I knew that existed.
8
25294
1672
Yo sabía que existía.
00:39
And they had a very good policy,
9
27315
2180
Tenían una muy buena política,
00:41
because you could do half your time
at your own mathematics,
at your own mathematics,
10
29519
3850
porque la mitad del tiempo podía uno
trabajar en sus propias matemáticas,
trabajar en sus propias matemáticas,
00:45
and at least half your time
working on their stuff.
working on their stuff.
11
33393
3484
y la otra mitad trabajabas
para las cosas de ellos.
para las cosas de ellos.
Y pagaban muy bien.
00:49
And they paid a lot.
12
37559
1474
00:51
So that was an irresistible pull.
13
39057
3051
Así que era algo irresistible.
00:54
So, I went there.
14
42132
1912
Y fui allí.
CA: Eras un descifrador
de códigos.
de códigos.
00:56
CA: You were a code-cracker.
15
44068
1338
00:57
JS: I was.
16
45430
1166
JS: Así es.
00:58
CA: Until you got fired.
17
46620
1157
CA: Hasta que te despidieron.
00:59
JS: Well, I did get fired. Yes.
18
47801
1583
JS: Me despidieron. Sí.
01:01
CA: How come?
19
49408
1245
CA: ¿Por qué?
01:03
JS: Well, how come?
20
51280
1333
JS: Bueno, ¿por qué?
Me despidieron porque la guerra
de Vietnam estaba en marcha,
de Vietnam estaba en marcha,
01:05
I got fired because,
well, the Vietnam War was on,
well, the Vietnam War was on,
21
53611
4956
y el gran jefe en mi organización
era un súper fan de la guerra
era un súper fan de la guerra
01:10
and the boss of bosses in my organization
was a big fan of the war
was a big fan of the war
22
58591
5738
y escribió un artículo en la portada
del New York Times
del New York Times
01:16
and wrote a New York Times article,
a magazine section cover story,
a magazine section cover story,
23
64353
4395
sobre cómo íbamos
a ganar en Vietnam.
a ganar en Vietnam.
01:20
about how we would win in Vietnam.
24
68772
1770
01:22
And I didn't like that war,
I thought it was stupid.
I thought it was stupid.
25
70566
3129
Y no me gustaba aquella guerra,
pensaba que era absurda.
pensaba que era absurda.
Y escribí una carta al Times
que publicaron,
que publicaron,
01:25
And I wrote a letter to the Times,
which they published,
which they published,
26
73719
2665
01:28
saying not everyone
who works for Maxwell Taylor,
who works for Maxwell Taylor,
27
76408
4014
diciendo que no todos los que
trabajaban para Maxwell Taylor,
trabajaban para Maxwell Taylor,
01:32
if anyone remembers that name,
agrees with his views.
agrees with his views.
28
80446
4686
--si alguien se acuerda de ese nombre--,
estaban de acuerdo con él.
estaban de acuerdo con él.
Y di mi propia opinión...
01:37
And I gave my own views ...
29
85553
1658
01:39
CA: Oh, OK. I can see that would --
30
87235
2164
CA: Oh, ya veo...
01:41
JS: ... which were different
from General Taylor's.
from General Taylor's.
31
89423
2555
JS: ... que era diferente
a la del general Taylor.
a la del general Taylor.
Pero al final, nadie dijo nada.
01:44
But in the end, nobody said anything.
32
92002
1906
01:45
But then, I was 29 years old at this time,
and some kid came around
and some kid came around
33
93932
3701
Tenía 29 años entonces,
y un chico vino
y un chico vino
01:49
and said he was a stringer
from Newsweek magazine
from Newsweek magazine
34
97657
3088
y dijo que era un informante
de la revista Newsweek
de la revista Newsweek
01:52
and he wanted to interview me
and ask what I was doing about my views.
and ask what I was doing about my views.
35
100769
5367
y quería entrevistarme para preguntarme
qué hacía con respecto a mis opiniones.
qué hacía con respecto a mis opiniones.
01:58
And I told him, "I'm doing
mostly mathematics now,
mostly mathematics now,
36
106160
3899
Y le dije: "Estoy haciendo
sobre todo matemáticas
sobre todo matemáticas
02:02
and when the war is over,
then I'll do mostly their stuff."
then I'll do mostly their stuff."
37
110083
3373
y cuando termine la guerra, entonces
haré sobre todo otras cosas".
haré sobre todo otras cosas".
02:06
Then I did the only
intelligent thing I'd done that day --
intelligent thing I'd done that day --
38
114123
2825
Entonces hice lo único inteligente
en ese día.
en ese día.
02:08
I told my local boss
that I gave that interview.
that I gave that interview.
39
116972
4157
Le dije a mi jefe de departamento
que había dado esa entrevista.
que había dado esa entrevista.
02:13
And he said, "What'd you say?"
40
121153
1459
Y él preguntó: "¿Qué dijiste?".
02:14
And I told him what I said.
41
122636
1466
Y yo le expliqué lo que dije.
02:16
And then he said,
"I've got to call Taylor."
"I've got to call Taylor."
42
124126
2315
Y luego dijo:
"Tengo que llamar a Taylor".
"Tengo que llamar a Taylor".
02:18
He called Taylor; that took 10 minutes.
43
126465
2377
Llamó a Taylor, duró 10 minutos.
02:20
I was fired five minutes after that.
44
128866
2262
Me despidieron cinco minutos
después de eso.
después de eso.
02:23
CA: OK.
45
131590
1222
CA: Bien.
02:24
JS: But it wasn't bad.
46
132836
1151
JS: Pero no fue malo.
02:26
CA: It wasn't bad,
because you went on to Stony Brook
because you went on to Stony Brook
47
134011
2493
CA: No fue malo,
porque te fuiste a Stony Brook
porque te fuiste a Stony Brook
02:28
and stepped up your mathematical career.
48
136528
3133
y avanzaste en tu carrera matemática.
02:31
You started working with this man here.
49
139685
2452
Comenzaste a trabajar
con este hombre.
con este hombre.
02:34
Who is this?
50
142161
1164
¿Quién es este?
JS: Shiing-Shen Chern.
02:36
JS: Oh, [Shiing-Shen] Chern.
51
144352
1412
02:37
Chern was one of the great
mathematicians of the century.
mathematicians of the century.
52
145788
3104
Chern era uno de los grandes
matemáticos del siglo.
matemáticos del siglo.
02:40
I had known him when
I was a graduate student at Berkeley.
I was a graduate student at Berkeley.
53
148916
5233
Lo había conocido siendo
estudiante en Berkeley.
estudiante en Berkeley.
02:46
And I had some ideas,
54
154173
1871
Yo tenía algunas ideas,
02:48
and I brought them to him
and he liked them.
and he liked them.
55
156068
2447
se las expuse a él y le gustaron.
02:50
Together, we did this work
which you can easily see up there.
which you can easily see up there.
56
158539
6626
Juntos, hicimos este trabajo,
que pueden ver fácilmente ahí.
que pueden ver fácilmente ahí.
02:57
There it is.
57
165189
1150
Ahí está.
CA: Eso les llevó a la publicación
de un famoso artículo juntos.
de un famoso artículo juntos.
02:59
CA: It led to you publishing
a famous paper together.
a famous paper together.
58
167198
3606
03:02
Can you explain at all what that work was?
59
170828
3238
¿Puedes explicar qué era ese trabajo?
03:07
JS: No.
60
175028
1158
JS: No.
03:08
(Laughter)
61
176210
2274
(Risas)
JS: Bueno, podría
explicárselo a alguien.
explicárselo a alguien.
03:10
JS: I mean, I could
explain it to somebody.
explain it to somebody.
62
178966
2064
03:13
(Laughter)
63
181054
2075
(Risas)
03:15
CA: How about explaining this?
64
183153
1864
CA: ¿Qué tal si lo explicas?
03:17
JS: But not many. Not many people.
65
185041
2729
JS: Pero no a muchos.
No a mucha gente.
No a mucha gente.
03:21
CA: I think you told me
it had something to do with spheres,
it had something to do with spheres,
66
189144
2814
CA: Creo que me dijiste que tenía algo
que ver con esferas,
que ver con esferas,
03:23
so let's start here.
67
191982
1862
empecemos por aquí.
03:25
JS: Well, it did,
but I'll say about that work --
but I'll say about that work --
68
193868
3600
JS: Sí, así es, pero diré de ese trabajo,
03:29
it did have something to do with that,
but before we get to that --
but before we get to that --
69
197492
3200
que sí que tenía que ver con eso,
pero antes de llegar a eso,
pero antes de llegar a eso,
03:32
that work was good mathematics.
70
200716
3540
el trabajo era buenas matemáticas.
03:36
I was very happy with it; so was Chern.
71
204280
2492
Yo estaba muy contento
y también Chern.
y también Chern.
03:39
It even started a little sub-field
that's now flourishing.
that's now flourishing.
72
207910
4176
Incluso abordó un subcampo
que ahora está floreciente.
que ahora está floreciente.
03:44
But, more interestingly,
it happened to apply to physics,
it happened to apply to physics,
73
212638
5294
Pero, lo más interesante,
es que se aplicó a la física,
es que se aplicó a la física,
03:49
something we knew nothing about --
at least I knew nothing about physics,
at least I knew nothing about physics,
74
217956
4295
algo de lo que no sabíamos nada,
al menos yo no sabía nada de física,
al menos yo no sabía nada de física,
03:54
and I don't think Chern
knew a heck of a lot.
knew a heck of a lot.
75
222275
2282
y no creo que Chern tampoco
supiera mucho.
supiera mucho.
03:56
And about 10 years
after the paper came out,
after the paper came out,
76
224581
3963
Unos 10 años después
de publicarse el artículo
de publicarse el artículo
04:00
a guy named Ed Witten in Princeton
started applying it to string theory
started applying it to string theory
77
228568
4480
Ed Witten en Princeton lo comenzó
a aplicar a la teoría de cuerdas
a aplicar a la teoría de cuerdas
04:05
and people in Russia started applying it
to what's called "condensed matter."
to what's called "condensed matter."
78
233072
4852
y la gente en Rusia lo aplicó
a lo llamado "materia condensada".
a lo llamado "materia condensada".
04:09
Today, those things in there
called Chern-Simons invariants
called Chern-Simons invariants
79
237948
4893
Hoy, esas cosas se llaman
invariantes Chern-Simons
invariantes Chern-Simons
04:14
have spread through a lot of physics.
80
242865
1865
que se ha extendido mucho
en la física.
en la física.
04:16
And it was amazing.
81
244754
1174
Y fue increíble.
04:17
We didn't know any physics.
82
245952
1365
No sabíamos de física.
04:19
It never occurred to me
that it would be applied to physics.
that it would be applied to physics.
83
247714
2854
Nunca se me ocurrió que
se aplicaría a la física.
se aplicaría a la física.
04:22
But that's the thing about mathematics --
you never know where it's going to go.
you never know where it's going to go.
84
250592
3788
Pero eso pasa con las matemáticas,
nunca se sabe dónde irán.
nunca se sabe dónde irán.
04:26
CA: This is so incredible.
85
254404
1492
CA: Esto es tan increíble.
04:27
So, we've been talking about
how evolution shapes human minds
how evolution shapes human minds
86
255920
4364
Hemos hablado de cómo la evolución
da forma a las mentes humanas
da forma a las mentes humanas
04:32
that may or may not perceive the truth.
87
260308
2508
que pueden o no percibir la verdad.
04:34
Somehow, you come up
with a mathematical theory,
with a mathematical theory,
88
262840
3313
De alguna manera,
con una teoría matemática,
con una teoría matemática,
04:38
not knowing any physics,
89
266177
1848
sin saber nada de física,
04:40
discover two decades later
that it's being applied
that it's being applied
90
268049
2498
descubres que dos décadas
después se aplica
después se aplica
04:42
to profoundly describe
the actual physical world.
the actual physical world.
91
270571
3031
para describir detalladamente
el mundo físico real.
el mundo físico real.
04:45
How can that happen?
92
273626
1153
¿Cómo es posible?
04:46
JS: God knows.
93
274803
1157
JS: Dios lo sabe.
04:47
(Laughter)
94
275984
2110
(Risas)
04:50
But there's a famous physicist
named [Eugene] Wigner,
named [Eugene] Wigner,
95
278849
3150
Pero un famoso físico,
Eugenio Wigner,
Eugenio Wigner,
04:54
and he wrote an essay on the unreasonable
effectiveness of mathematics.
effectiveness of mathematics.
96
282023
5588
escribió un ensayo sobre la eficacia
irracional de las matemáticas.
irracional de las matemáticas.
04:59
Somehow, this mathematics,
which is rooted in the real world
which is rooted in the real world
97
287635
3952
Estas matemáticas con
raíces en el mundo real
raíces en el mundo real
05:03
in some sense -- we learn to count,
measure, everyone would do that --
measure, everyone would do that --
98
291611
4995
--en cierto sentido, aprendemos a contar,
medir, lo que todo el mundo haría--,
medir, lo que todo el mundo haría--,
05:08
and then it flourishes on its own.
99
296630
1830
luego florecen por sí solas.
05:10
But so often it comes
back to save the day.
back to save the day.
100
298976
2841
Pero muy a menudo se trata
de volver a salvar los muebles.
de volver a salvar los muebles.
05:14
General relativity is an example.
101
302293
2178
La relatividad general es un ejemplo.
05:16
[Hermann] Minkowski had this geometry,
and Einstein realized,
and Einstein realized,
102
304495
3117
Hermann Minkowski tenía esa geometría,
y Einstein se dio cuenta,
y Einstein se dio cuenta,
05:19
"Hey! It's the very thing
in which I can cast general relativity."
in which I can cast general relativity."
103
307636
3847
"¡Oye! Es en lo mismo que
puedo enmarcar la relatividad general".
puedo enmarcar la relatividad general".
05:23
So, you never know. It is a mystery.
104
311507
3112
Por lo tanto, nunca se sabe.
Es un misterio.
Es un misterio.
05:27
It is a mystery.
105
315056
1217
Es un misterio.
05:28
CA: So, here's a mathematical
piece of ingenuity.
piece of ingenuity.
106
316297
3296
CA: Aquí pues hay algo de
ingenuidad matemática.
ingenuidad matemática.
05:31
Tell us about this.
107
319617
1342
Háblanos de esto.
05:32
JS: Well, that's a ball -- it's a sphere,
and it has a lattice around it --
and it has a lattice around it --
108
320983
5924
JS: Es una bola, es una esfera,
y tiene un enrejado alrededor,
y tiene un enrejado alrededor,
05:38
you know, those squares.
109
326931
1573
sabes, esos cuadrados.
Lo que mostraré, lo observó
originalmente Leonhard Euler,
originalmente Leonhard Euler,
05:42
What I'm going to show here was
originally observed by [Leonhard] Euler,
originally observed by [Leonhard] Euler,
110
330697
4906
05:47
the great mathematician, in the 1700s.
111
335627
2254
el gran matemático, en el 1700.
05:50
And it gradually grew to be
a very important field in mathematics:
a very important field in mathematics:
112
338223
5181
Y se desarrolló en un campo muy
importante de las matemáticas:
importante de las matemáticas:
05:55
algebraic topology, geometry.
113
343428
2334
topología algebraica, geometría.
05:59
That paper up there had its roots in this.
114
347039
4364
Ese artículo de entonces tenía
sus raíces en esto.
sus raíces en esto.
06:03
So, here's this thing:
115
351427
1834
Así que, aquí está esto:
06:05
it has eight vertices,
12 edges, six faces.
12 edges, six faces.
116
353285
4452
tiene ocho vértices,
12 aristas, seis caras.
12 aristas, seis caras.
06:09
And if you look at the difference --
vertices minus edges plus faces --
vertices minus edges plus faces --
117
357761
3830
Y si nos fijamos en la diferencia,
vértices, menos aristas, más caras,
vértices, menos aristas, más caras,
06:13
you get two.
118
361615
1152
uno obtiene dos.
06:14
OK, well, two. That's a good number.
119
362791
2219
Bien, dos.
Es un buen número.
Es un buen número.
06:17
Here's a different way of doing it --
these are triangles covering --
these are triangles covering --
120
365034
4248
Esta es una manera diferente de
hacerlo, son triángulos que cubren...
hacerlo, son triángulos que cubren...
06:21
this has 12 vertices and 30 edges
121
369306
4577
esto tiene 12 vértices y 30 aristas
06:25
and 20 faces, 20 tiles.
122
373907
4195
y 20 caras o 20 azulejos.
06:30
And vertices minus edges
plus faces still equals two.
plus faces still equals two.
123
378576
4591
Y vértices menos aristas más caras
todavía es igual a dos.
todavía es igual a dos.
06:35
And in fact, you could do this
any which way --
any which way --
124
383191
2847
Y de hecho, se puede hacer
de cualquier manera,
de cualquier manera,
06:38
cover this thing with all kinds
of polygons and triangles
of polygons and triangles
125
386062
3398
aplicado a todo tipo de
polígonos y triángulos
polígonos y triángulos
06:41
and mix them up.
126
389484
1320
y mezclarlos.
06:42
And you take vertices minus edges
plus faces -- you'll get two.
plus faces -- you'll get two.
127
390828
3279
Y uno toma vértices, menos aristas,
más caras y uno siempre obtendrá dos.
más caras y uno siempre obtendrá dos.
06:46
Here's a different shape.
128
394131
1611
Aquí hay una forma diferente.
06:48
This is a torus, or the surface
of a doughnut: 16 vertices
of a doughnut: 16 vertices
129
396480
5250
Este es un toro o la superficie
de un donut: 16 vértices
de un donut: 16 vértices
06:53
covered by these rectangles,
32 edges, 16 faces.
32 edges, 16 faces.
130
401754
4244
cubierto por estos rectángulos,
32 aristas, 16 caras.
32 aristas, 16 caras.
06:58
Vertices minus edges comes out to be zero.
131
406530
2684
Los vértices menos aristas
son cero.
son cero.
07:01
It'll always come out to zero.
132
409238
1475
Siempre se obtendrá cero.
07:02
Every time you cover a torus
with squares or triangles
with squares or triangles
133
410737
4310
Cada vez que se cubre un toro
con cuadrados o triángulos
con cuadrados o triángulos
07:07
or anything like that,
you're going to get zero.
you're going to get zero.
134
415071
3935
o lo que sea, se obtiene cero.
Esto se llama
la característica de Euler.
la característica de Euler.
07:12
So, this is called
the Euler characteristic.
the Euler characteristic.
135
420514
2390
07:14
And it's what's called
a topological invariant.
a topological invariant.
136
422928
3449
Y se llama invariante topológica.
Es bastante increíble.
07:18
It's pretty amazing.
137
426849
1156
No importa cómo se haga,
siempre se obtiene la misma respuesta.
siempre se obtiene la misma respuesta.
07:20
No matter how you do it,
you're always get the same answer.
you're always get the same answer.
138
428029
2791
07:22
So that was the first sort of thrust,
from the mid-1700s,
from the mid-1700s,
139
430844
6299
Ese fue el primer empuje, desde
mediados de la década de 1700,
mediados de la década de 1700,
07:29
into a subject which is now called
algebraic topology.
algebraic topology.
140
437167
3769
un tema que ahora se conoce
como topología algebraica.
como topología algebraica.
07:32
CA: And your own work
took an idea like this and moved it
took an idea like this and moved it
141
440960
2983
CA: Y su propio trabajo tomó
una idea que se trasladó
una idea que se trasladó
07:35
into higher-dimensional theory,
142
443967
2449
en la teoría de dimensiones superiores,
objetos de dimensiones superiores,
y ¿ha encontrado nuevas invariantes?
y ¿ha encontrado nuevas invariantes?
07:38
higher-dimensional objects,
and found new invariances?
and found new invariances?
143
446440
3088
07:41
JS: Yes. Well, there were already
higher-dimensional invariants:
higher-dimensional invariants:
144
449552
4643
JS: Sí. Había invariantes ya
de dimensiones superiores.
de dimensiones superiores.
07:46
Pontryagin classes --
actually, there were Chern classes.
actually, there were Chern classes.
145
454219
4457
Clases de Pontryagin, en realidad,
tipos de Chern.
tipos de Chern.
07:50
There were a bunch
of these types of invariants.
of these types of invariants.
146
458700
3548
Había un montón de esos tipos
de invariantes.
de invariantes.
07:54
I was struggling to work on one of them
147
462272
4135
He tenido problemas
para trabajar en uno de ellos
para trabajar en uno de ellos
07:58
and model it sort of combinatorially,
148
466431
4203
y modelarlo en una especie
de combinatoria,
de combinatoria,
08:02
instead of the way it was typically done,
149
470658
3022
en lugar de la forma
cómo se realiza normalmente,
cómo se realiza normalmente,
08:05
and that led to this work
and we uncovered some new things.
and we uncovered some new things.
150
473704
4359
y que dio lugar a este trabajo
descubriendo cosas nuevas.
descubriendo cosas nuevas.
08:10
But if it wasn't for Mr. Euler --
151
478087
3501
Pero si no hubiera sido
por el Sr. Euler
por el Sr. Euler
08:13
who wrote almost 70 volumes of mathematics
152
481612
3981
que escribió casi 70 volúmenes
de matemáticas
de matemáticas
08:17
and had 13 children,
153
485617
1731
y tuvo 13 hijos,
08:19
who he apparently would dandle on his knee
while he was writing --
while he was writing --
154
487372
6442
que al parecer mecía en sus rodillas
mientras escribía,
mientras escribía,
08:25
if it wasn't for Mr. Euler, there wouldn't
perhaps be these invariants.
perhaps be these invariants.
155
493838
5774
si no hubiera sido por Euler, tal vez
no habrían resultado esas invariantes.
no habrían resultado esas invariantes.
08:32
CA: OK, so that's at least given us
a flavor of that amazing mind in there.
a flavor of that amazing mind in there.
156
500157
4097
CA: Eso por lo menos nos da
una idea de esa mente increíble.
una idea de esa mente increíble.
Hablemos de Renacimiento.
08:36
Let's talk about Renaissance.
157
504804
1543
08:38
Because you took that amazing mind
and having been a code-cracker at the NSA,
and having been a code-cracker at the NSA,
158
506371
5856
Porque tomaste esa mente increíble y
de haber sido descifrador
de códigos en la NSA,
de códigos en la NSA,
08:44
you started to become a code-cracker
in the financial industry.
in the financial industry.
159
512251
3229
te convertiste en descifrador de códigos
en la industria financiera.
en la industria financiera.
08:47
I think you probably didn't buy
efficient market theory.
efficient market theory.
160
515504
2690
Seguro que no compraste
una teoría de mercado eficiente.
una teoría de mercado eficiente.
Encontraste una forma de crear
rendimientos sorprendentes
rendimientos sorprendentes
08:50
Somehow you found a way of creating
astonishing returns over two decades.
astonishing returns over two decades.
161
518218
6387
hace más de dos décadas.
La forma cómo me han explicado
lo notable
lo notable
08:56
The way it's been explained to me,
162
524629
1671
08:58
what's remarkable about what you did
wasn't just the size of the returns,
wasn't just the size of the returns,
163
526324
3499
sobre lo que hiciste no es solo
el tamaño del rendimiento,
el tamaño del rendimiento,
es que las tomaste
con sorprendentemente
con sorprendentemente
09:01
it's that you took them
with surprisingly low volatility and risk,
with surprisingly low volatility and risk,
164
529847
3883
baja volatilidad y el riesgo,
09:05
compared with other hedge funds.
165
533754
1824
en comparación con
otros fondos de inversión.
otros fondos de inversión.
09:07
So how on earth did you do this, Jim?
166
535602
1929
¿Cómo lo lograste, Jim?
09:10
JS: I did it by assembling
a wonderful group of people.
a wonderful group of people.
167
538071
4111
JS: Lo hice uniendo a
un grupo maravilloso de personas.
un grupo maravilloso de personas.
Al empezar con el comercio bursátil,
09:14
When I started doing trading, I had
gotten a little tired of mathematics.
gotten a little tired of mathematics.
168
542206
3956
estaba un poco cansado
de las matemáticas.
de las matemáticas.
09:18
I was in my late 30s,
I had a little money.
I had a little money.
169
546186
3923
Tenía 30 años,
tenía un poco de dinero.
tenía un poco de dinero.
09:22
I started trading and it went very well.
170
550133
2509
Empecé práctica bursátil
y me fue muy bien.
y me fue muy bien.
09:25
I made quite a lot of money
with pure luck.
with pure luck.
171
553063
2748
Hice mucho dinero por pura suerte.
Quiero decir,
creo que fue pura suerte.
creo que fue pura suerte.
09:27
I mean, I think it was pure luck.
172
555835
1666
09:29
It certainly wasn't mathematical modeling.
173
557525
2109
Ciertamente no fue un modelo
matemático.
matemático.
09:31
But in looking at the data,
after a while I realized:
after a while I realized:
174
559658
3831
Pero en el estudio de los datos,
tras un tiempo me di cuenta
tras un tiempo me di cuenta
09:35
it looks like there's some structure here.
175
563513
2553
de que al parece
existía cierta estructura.
existía cierta estructura.
09:38
And I hired a few mathematicians,
and we started making some models --
and we started making some models --
176
566090
3697
Y contraté unos matemáticos y
empecé a hacer algunos modelos,
empecé a hacer algunos modelos,
09:41
just the kind of thing we did back
at IDA [Institute for Defense Analyses].
at IDA [Institute for Defense Analyses].
177
569811
4265
como el tipo de cosas que hacía en el
Instituto de Análisis de Defensa.
Instituto de Análisis de Defensa.
09:46
You design an algorithm,
you test it out on a computer.
you test it out on a computer.
178
574100
2833
Uno diseña un algoritmo,
lo prueba en una computadora.
lo prueba en una computadora.
09:48
Does it work? Doesn't it work? And so on.
179
576957
2166
¿Funciona? ¿No funciona? Etc.
09:51
CA: Can we take a look at this?
180
579443
1479
CA: ¿Echamos
un vistazo a esto?
un vistazo a esto?
09:52
Because here's a typical graph
of some commodity.
of some commodity.
181
580946
4541
Aquí hay un gráfico típico
de algunos productos básicos.
de algunos productos básicos.
09:58
I look at that, and I say,
"That's just a random, up-and-down walk --
"That's just a random, up-and-down walk --
182
586487
4041
Lo miro y digo: "Eso es solo una
caminata aleatoria, arriba y abajo,
caminata aleatoria, arriba y abajo,
con una ligera tendencia al alza
en todo ese período de tiempo".
en todo ese período de tiempo".
10:02
maybe a slight upward trend
over that whole period of time."
over that whole period of time."
183
590552
2862
10:05
How on earth could you trade
looking at that,
looking at that,
184
593438
2113
¿Cómo pudiste comerciar viendo eso,
10:07
and see something that wasn't just random?
185
595575
2326
y detectar algo que no era
simplemente al azar?
simplemente al azar?
10:09
JS: In the old days -- this is
kind of a graph from the old days,
kind of a graph from the old days,
186
597925
3247
JS: Hace tiempo, este es
un gráfico de los viejos tiempos,
un gráfico de los viejos tiempos,
10:13
commodities or currencies
had a tendency to trend.
had a tendency to trend.
187
601196
4284
las materias primas o divisas
tenían una tendencia a la tendencia.
tenían una tendencia a la tendencia.
10:17
Not necessarily the very light trend
you see here, but trending in periods.
you see here, but trending in periods.
188
605504
6055
No la ligera tendencia que ves aquí,
sino tendencias en los períodos.
sino tendencias en los períodos.
10:23
And if you decided, OK,
I'm going to predict today,
I'm going to predict today,
189
611583
4056
Y si decides, hoy voy a predecir,
10:27
by the average move in the past 20 days --
190
615663
4968
con base en el promedio móvil
de los últimos 20 días,
de los últimos 20 días,
tal vez eso sea una buena predicción,
y se puede hacer algo de dinero.
y se puede hacer algo de dinero.
10:32
maybe that would be a good prediction,
and I'd make some money.
and I'd make some money.
191
620655
3107
10:35
And in fact, years ago,
such a system would work --
such a system would work --
192
623786
5608
Y, de hecho, hace años,
un sistema así funcionaba,
un sistema así funcionaba,
10:41
not beautifully, but it would work.
193
629418
2391
no muy bien,
pero funcionaba.
pero funcionaba.
10:43
You'd make money, you'd lose
money, you'd make money.
money, you'd make money.
194
631833
2509
Se hacía dinero, se perdía dinero,
se hacía dinero.
se hacía dinero.
10:46
But this is a year's worth of days,
195
634366
2198
Pero el año valía la pena
10:48
and you'd make a little money
during that period.
during that period.
196
636588
4241
y podías hacer algo de dinero
durante ese período.
durante ese período.
10:53
It's a very vestigial system.
197
641884
1958
Es un sistema muy rudimentario.
CA: ¿Así que pusiste a prueba
longitudes de tendencias en el tiempo
longitudes de tendencias en el tiempo
10:56
CA: So you would test
a bunch of lengths of trends in time
a bunch of lengths of trends in time
198
644525
3529
11:00
and see whether, for example,
199
648078
2436
para ver si, por ejemplo,
una tendencia de 10 días o de 15 era
predictiva de lo que sucedía después.
predictiva de lo que sucedía después.
11:02
a 10-day trend or a 15-day trend
was predictive of what happened next.
was predictive of what happened next.
200
650538
3481
11:06
JS: Sure, you would try all those things
and see what worked best.
and see what worked best.
201
654043
6762
JS: Claro, se podía probar todo eso
y ver qué funcionaba mejor.
y ver qué funcionaba mejor.
11:13
Trend-following would
have been great in the '60s,
have been great in the '60s,
202
661515
3350
Seguir tendencias habría sido
estupendo en los años 60,
estupendo en los años 60,
11:16
and it was sort of OK in the '70s.
203
664889
2132
y estaba bien en los años 70.
11:19
By the '80s, it wasn't.
204
667045
1873
Pero en los años 80, ya no era así.
11:20
CA: Because everyone could see that.
205
668942
2817
CA: Debido a que todo el mundo
podía detectarlo.
podía detectarlo.
11:23
So, how did you stay ahead of the pack?
206
671783
2782
Así que, ¿cómo lograste
tomar la delantera?
tomar la delantera?
11:27
JS: We stayed ahead of the pack
by finding other approaches --
by finding other approaches --
207
675046
6132
JS: Nos pusimos en la delantera
del resto buscando otros enfoques,
del resto buscando otros enfoques,
11:33
shorter-term approaches to some extent.
208
681202
2741
enfoques de corto plazo
hasta cierto punto.
hasta cierto punto.
11:37
The real thing was to gather
a tremendous amount of data --
a tremendous amount of data --
209
685107
3347
La verdad es que tuvimos que reunir
una enorme cantidad de datos,
una enorme cantidad de datos,
11:40
and we had to get it by hand
in the early days.
in the early days.
210
688478
3578
y tuvimos que hacerlo a mano
al principio.
al principio.
11:44
We went down to the Federal Reserve
and copied interest rate histories
and copied interest rate histories
211
692080
3466
Fuimos a la Reserva Federal y
copiamos registros de tipos de interés
copiamos registros de tipos de interés
11:47
and stuff like that,
because it didn't exist on computers.
because it didn't exist on computers.
212
695570
3265
y cosas así, pues no estaban
en las computadoras.
en las computadoras.
Obtuvimos
una gran cantidad de datos.
una gran cantidad de datos.
11:50
We got a lot of data.
213
698859
1643
11:52
And very smart people -- that was the key.
214
700526
4160
Y gente muy inteligente,
esa fue la clave.
esa fue la clave.
11:57
I didn't really know how to hire
people to do fundamental trading.
people to do fundamental trading.
215
705463
3776
Yo en verdad no sé cómo contratar
gente para el comercio bursátil.
gente para el comercio bursátil.
Había contratado a algunos,
algunos hicieron dinero, otros no.
algunos hicieron dinero, otros no.
12:01
I had hired a few -- some made money,
some didn't make money.
some didn't make money.
216
709749
2949
12:04
I couldn't make a business out of that.
217
712722
1880
No sabía hacer más negocios que eso.
12:06
But I did know how to hire scientists,
218
714626
2042
Pero sabía
cómo contratar científicos,
cómo contratar científicos,
12:08
because I have some taste
in that department.
in that department.
219
716692
3389
porque me gusta
ese departamento.
ese departamento.
12:12
So, that's what we did.
220
720105
1838
Entonces, eso fue lo que hicimos.
12:13
And gradually these models
got better and better,
got better and better,
221
721967
3231
Y poco a poco estos modelos
se fueron mejorando,
se fueron mejorando,
12:17
and better and better.
222
725222
1335
y mejorando.
12:18
CA: You're credited with doing
something remarkable at Renaissance,
something remarkable at Renaissance,
223
726581
3214
CA: Se les reconoce por hacer
algo notable como en Renacimiento,
algo notable como en Renacimiento,
12:21
which is building this culture,
this group of people,
this group of people,
224
729819
2601
construir esa cultura,
ese grupo de personas,
ese grupo de personas,
12:24
who weren't just hired guns
who could be lured away by money.
who could be lured away by money.
225
732444
3142
que no eran solo armas contratadas,
que no estaban por dinero.
que no estaban por dinero.
12:27
Their motivation was doing
exciting mathematics and science.
exciting mathematics and science.
226
735610
3912
Su motivación era hacer
matemáticas emocionantes y ciencia.
matemáticas emocionantes y ciencia.
12:31
JS: Well, I'd hoped that might be true.
227
739860
2399
JS: Bueno, me gustaría
que fuera cierto.
que fuera cierto.
12:34
But some of it was money.
228
742283
3580
Pero algunos se movían
por el dinero.
por el dinero.
12:37
CA: They made a lot of money.
229
745887
1393
CA: Hicieron mucho dinero.
JS: No puedo decir que
ninguno no viniera por el dinero.
ninguno no viniera por el dinero.
12:39
JS: I can't say that no one came
because of the money.
because of the money.
230
747304
2537
12:41
I think a lot of them
came because of the money.
came because of the money.
231
749865
2253
Creo que a muchos de ellos
les movía el dinero.
les movía el dinero.
12:44
But they also came
because it would be fun.
because it would be fun.
232
752142
2021
Pero también vinieron
porque era fascinante.
porque era fascinante.
12:46
CA: What role did machine learning
play in all this?
play in all this?
233
754187
2488
CA: ¿Qué papel jugó la máquina
de aprendizaje en esto?
de aprendizaje en esto?
12:48
JS: In a certain sense,
what we did was machine learning.
what we did was machine learning.
234
756699
3064
JS: En cierto modo, hicimos
una máquina de aprendizaje.
una máquina de aprendizaje.
12:52
You look at a lot of data, and you try
to simulate different predictive schemes,
to simulate different predictive schemes,
235
760879
6291
Ante una gran cantidad de datos,
se intenta simular
se intenta simular
diferentes esquemas de predicción,
hasta que es mejor y mejor.
hasta que es mejor y mejor.
12:59
until you get better and better at it.
236
767194
2182
13:01
It doesn't necessarily feed back on itself
the way we did things.
the way we did things.
237
769400
3767
No necesariamente se retroalimenta
la forma cómo lo hicimos.
la forma cómo lo hicimos.
13:05
But it worked.
238
773191
2309
Pero funcionó.
CA: ¿Estos diferentes esquemas
de predicción
de predicción
13:08
CA: So these different predictive schemes
can be really quite wild and unexpected.
can be really quite wild and unexpected.
239
776150
4059
pueden ser muy
descontrolados e inesperados?
descontrolados e inesperados?
13:12
I mean, you looked at everything, right?
240
780233
1914
Quiero decir, consideraban todo,
¿no?
¿no?
¿Observaban el tiempo, la longitud
de los vestidos, la opinión política?
de los vestidos, la opinión política?
13:14
You looked at the weather,
length of dresses, political opinion.
length of dresses, political opinion.
241
782171
3317
13:17
JS: Yes, length of dresses we didn't try.
242
785512
2837
JS: Sí, pero la longitud de los vestidos
no la consideramos.
no la consideramos.
13:20
CA: What sort of things?
243
788373
2057
CA: ¿Qué cosas, pues?
13:22
JS: Well, everything.
244
790454
1158
JS: Bueno, todo.
13:23
Everything is grist for the mill --
except hem lengths.
except hem lengths.
245
791636
3264
Todo es grano para el molino,
excepto las longitudes del dobladillo.
excepto las longitudes del dobladillo.
Tiempo, informes anuales,
13:28
Weather, annual reports,
246
796852
2300
13:31
quarterly reports, historic data itself,
volumes, you name it.
volumes, you name it.
247
799176
4732
informes trimestrales, datos históricos,
volúmenes, lo que sea.
volúmenes, lo que sea.
Lo que haya.
13:35
Whatever there is.
248
803932
1151
13:37
We take in terabytes of data a day.
249
805107
2621
Eran terabytes de datos diariamente.
13:39
And store it away and massage it
and get it ready for analysis.
and get it ready for analysis.
250
807752
4124
Y lo almacenábamos y lo preparábamos
para su análisis.
para su análisis.
13:45
You're looking for anomalies.
251
813446
1382
Uno busca anomalías.
13:46
You're looking for -- like you said,
252
814852
2953
Uno busca, como has dicho,
que la hipótesis del mercado
eficiente no es correcta.
eficiente no es correcta.
13:49
the efficient market
hypothesis is not correct.
hypothesis is not correct.
253
817829
2452
13:52
CA: But any one anomaly
might be just a random thing.
might be just a random thing.
254
820305
3467
CA: Pero cualquiera anomalía
podría ser algo al azar.
podría ser algo al azar.
13:55
So, is the secret here to just look
at multiple strange anomalies,
at multiple strange anomalies,
255
823796
3658
Por lo tanto, ¿el secreto era observar
múltiples anomalías extrañas
múltiples anomalías extrañas
13:59
and see when they align?
256
827478
1328
y ver cuando se alinean?
14:01
JS: Any one anomaly
might be a random thing;
might be a random thing;
257
829238
3213
JS: Cualquier anomalía
podría ser algo al azar;
podría ser algo al azar;
Sin embargo, si uno tiene suficientes
datos se puede predecir que no lo es.
datos se puede predecir que no lo es.
14:04
however, if you have enough data
you can tell that it's not.
you can tell that it's not.
258
832475
3039
14:07
You can see an anomaly that's persistent
for a sufficiently long time --
for a sufficiently long time --
259
835538
4950
Se puede observar una anomalía
que persiste
que persiste
durante un tiempo suficientemente largo,
14:12
the probability of it being
random is not high.
random is not high.
260
840512
4975
la probabilidad de que
no sea aleatoria es alta.
no sea aleatoria es alta.
14:17
But these things fade after a while;
anomalies can get washed out.
anomalies can get washed out.
261
845511
4858
Pero esto se desvirtúa con el tiempo;
las anomalías pueden desteñirse.
las anomalías pueden desteñirse.
14:22
So you have to keep on top
of the business.
of the business.
262
850393
2420
Hay que mantenerse
en la cresta del negocio.
en la cresta del negocio.
14:24
CA: A lot of people look
at the hedge fund industry now
at the hedge fund industry now
263
852837
2672
CA: Mucha gente mira el sector
de fondos de cobertura
de fondos de cobertura
14:27
and are sort of ... shocked by it,
264
855533
4398
y de alguna manera, están sorprendidos
14:31
by how much wealth is created there,
265
859955
2172
por la cantidad de riqueza
que se crea allí,
que se crea allí,
14:34
and how much talent is going into it.
266
862151
2245
y cuánto talento se va a allí.
¿Tienes alguna preocupación
concerniente a la industria,
concerniente a la industria,
14:37
Do you have any worries
about that industry,
about that industry,
267
865523
4006
14:41
and perhaps the financial
industry in general?
industry in general?
268
869553
2414
y quizá al sector financiero, en general?
14:43
Kind of being on a runaway train that's --
269
871991
2704
¿Del tipo que esté fuera de control,
14:46
I don't know --
helping increase inequality?
helping increase inequality?
270
874719
4030
y que contribuya
a aumentar la desigualdad?
a aumentar la desigualdad?
14:50
How would you champion what's happening
in the hedge fund industry?
in the hedge fund industry?
271
878773
3831
¿Cómo se sostendrá lo que sucede
en el sector de fondos de cobertura?
en el sector de fondos de cobertura?
14:54
JS: I think in the last
three or four years,
three or four years,
272
882628
2608
JS: Creo que en
los últimos 3 o 4 años,
los últimos 3 o 4 años,
los fondos de cobertura
no lo han hecho especialmente bien.
no lo han hecho especialmente bien.
14:57
hedge funds have not done especially well.
273
885260
2103
14:59
We've done dandy,
274
887387
1400
Hemos hecho el dandi,
15:00
but the hedge fund industry as a whole
has not done so wonderfully.
has not done so wonderfully.
275
888811
4001
el sector de fondos en su conjunto
no lo ha hecho muy bien.
no lo ha hecho muy bien.
15:04
The stock market has been on a roll,
going up as everybody knows,
going up as everybody knows,
276
892836
4902
El mercado de valores ha estado de
buena racha, subiendo como todos saben,
buena racha, subiendo como todos saben,
15:09
and price-earnings ratios have grown.
277
897762
3445
y los ratios precio-beneficios
han crecido.
han crecido.
15:13
So an awful lot of the wealth
that's been created in the last --
that's been created in the last --
278
901231
3063
Así que una gran cantidad de
la riqueza creada en el pasado,
la riqueza creada en el pasado,
15:16
let's say, five or six years --
has not been created by hedge funds.
has not been created by hedge funds.
279
904318
3350
digamos, 5 o 6 años, no se ha creado
por los fondos de cobertura.
por los fondos de cobertura.
15:20
People would ask me,
"What's a hedge fund?"
"What's a hedge fund?"
280
908458
3221
La gente me preguntaba:
"¿Qué son fondos de cobertura?".
"¿Qué son fondos de cobertura?".
15:23
And I'd say, "One and 20."
281
911703
2260
Y yo digo: "1 y 20".
15:25
Which means -- now it's two and 20 --
282
913987
3566
Lo que significa,
--ahora es 2 y 20--,
--ahora es 2 y 20--,
15:29
it's two percent fixed fee
and 20 percent of profits.
and 20 percent of profits.
283
917577
3353
2 % de tarifa fija
y el 20 % sobre las ganancias.
y el 20 % sobre las ganancias.
Los fondos de cobertura
son seres diferentes.
son seres diferentes.
15:32
Hedge funds are all
different kinds of creatures.
different kinds of creatures.
284
920954
2352
15:35
CA: Rumor has it you charge
slightly higher fees than that.
slightly higher fees than that.
285
923330
3239
CA: Se dice que cobras honorarios
ligeramente más altos que eso.
ligeramente más altos que eso.
15:39
JS: We charged the highest fees
in the world at one time.
in the world at one time.
286
927339
3081
JS: Cobramos las tarifas más altas
en el mundo en este momento.
en el mundo en este momento.
15:42
Five and 44, that's what we charge.
287
930444
3226
5 y 44, eso es lo que cobramos.
15:45
CA: Five and 44.
288
933694
1398
CA: 5 y 44.
15:47
So five percent flat,
44 percent of upside.
44 percent of upside.
289
935116
3234
Así que 5 % tarifa plana,
y 44 % de alza.
y 44 % de alza.
Y aún así haces que tus inversores ganen
cantidades espectaculares de dinero.
cantidades espectaculares de dinero.
15:50
You still made your investors
spectacular amounts of money.
spectacular amounts of money.
290
938374
2783
JS: Sí, logramos un buen rendimiento.
15:53
JS: We made good returns, yes.
291
941181
1452
15:54
People got very mad:
"How can you charge such high fees?"
"How can you charge such high fees?"
292
942657
3000
La gente se molesta: "¿Cómo
se pueden cobrar esas tasas altas?".
se pueden cobrar esas tasas altas?".
15:57
I said, "OK, you can withdraw."
293
945681
1627
Y yo: "Bueno, pueden irse".
15:59
But "How can I get more?"
was what people were --
was what people were --
294
947332
2818
Pero, "¿Cómo puedo obtener más?",
era lo que decía la gente...
era lo que decía la gente...
16:02
(Laughter)
295
950174
1504
(Risas)
16:03
But at a certain point,
as I think I told you,
as I think I told you,
296
951702
2440
Pero en un momento dado,
como he dicho,
como he dicho,
16:06
we bought out all the investors
because there's a capacity to the fund.
because there's a capacity to the fund.
297
954166
5175
compramos todos los inversores,
por tener una capacidad para el fondo.
por tener una capacidad para el fondo.
CA: ¿Debemos preocuparnos de que
el sector de fondos de cobertura
el sector de fondos de cobertura
16:11
CA: But should we worry
about the hedge fund industry
about the hedge fund industry
298
959365
2704
16:14
attracting too much of the world's
great mathematical and other talent
great mathematical and other talent
299
962093
5438
atraiga demasiados talentos
matemáticos del mundo
matemáticos del mundo
que trabajen en eso, en vez de aplicarlo
a los otros muchos problemas del mundo?
a los otros muchos problemas del mundo?
16:19
to work on that, as opposed
to the many other problems in the world?
to the many other problems in the world?
300
967555
3238
16:22
JS: Well, it's not just mathematical.
301
970817
1929
JS: Bueno, no son solo matemáticos.
16:24
We hire astronomers and physicists
and things like that.
and things like that.
302
972770
2679
Contratamos astrónomos y físicos
y otros similares.
y otros similares.
16:27
I don't think we should worry
about it too much.
about it too much.
303
975833
2431
No creo que debamos
preocuparnos demasiado.
preocuparnos demasiado.
16:30
It's still a pretty small industry.
304
978288
3142
Es todavía un sector bastante pequeño.
16:33
And in fact, bringing science
into the investing world
into the investing world
305
981454
5997
Y, de hecho, llevar la ciencia
al mundo de la inversión
al mundo de la inversión
16:39
has improved that world.
306
987475
2159
ha mejorado ese mundo.
16:41
It's reduced volatility.
It's increased liquidity.
It's increased liquidity.
307
989658
4070
Se reduce la volatilidad.
Ha aumentado la liquidez.
Ha aumentado la liquidez.
Los diferenciales son más estrechos
porque las personas los negocian.
porque las personas los negocian.
16:45
Spreads are narrower because
people are trading that kind of stuff.
people are trading that kind of stuff.
308
993752
3189
Por eso no me preocupa que Einstein
se vaya al sector del fondo de cobertura.
se vaya al sector del fondo de cobertura.
16:48
So I'm not too worried about Einstein
going off and starting a hedge fund.
going off and starting a hedge fund.
309
996965
5076
16:54
CA: You're at a phase in your life now
where you're actually investing, though,
where you're actually investing, though,
310
1002478
4164
CA: Sin embargo, estás en una fase
de tu vida en que inviertes
de tu vida en que inviertes
16:58
at the other end of the supply chain --
311
1006666
3734
en el otro extremo
de la cadena de suministro.
de la cadena de suministro.
17:02
you're actually boosting
mathematics across America.
mathematics across America.
312
1010424
4104
Estás impulsando
las matemáticas en todo EE. UU.
las matemáticas en todo EE. UU.
17:06
This is your wife, Marilyn.
313
1014552
1865
Esta es tu esposa, Marilyn.
17:08
You're working on
philanthropic issues together.
philanthropic issues together.
314
1016441
4756
Están trabajando
en temas filantrópicos juntos.
en temas filantrópicos juntos.
17:13
Tell me about that.
315
1021221
1163
Háblame de eso.
17:14
JS: Well, Marilyn started --
316
1022408
3649
JS: Bueno, Marilyn comenzó,
--ahí está allí, mi bella esposa--
17:18
there she is up there,
my beautiful wife --
my beautiful wife --
317
1026081
3447
empezó la fundación hace 20 años.
17:21
she started the foundation
about 20 years ago.
about 20 years ago.
318
1029552
2972
Creo que en 1994.
17:24
I think '94.
319
1032548
1151
17:25
I claim it was '93, she says it was '94,
320
1033723
2095
Yo digo que en el 93,
ella dice que fue en el 94,
ella dice que fue en el 94,
17:27
but it was one of those two years.
321
1035842
2571
pero fue uno de esos dos años.
17:30
(Laughter)
322
1038437
2135
(Risas)
Empezamos la fundación, como
una forma apropiada de hacer beneficencia.
una forma apropiada de hacer beneficencia.
17:32
We started the foundation,
just as a convenient way to give charity.
just as a convenient way to give charity.
323
1040596
6719
Ella llevaba la contabilidad y eso.
17:40
She kept the books, and so on.
324
1048346
2507
No teníamos una visión en ese momento,
pero poco a poco surgió una visión
pero poco a poco surgió una visión
17:42
We did not have a vision at that time,
but gradually a vision emerged --
but gradually a vision emerged --
325
1050877
6714
17:49
which was to focus on math and science,
to focus on basic research.
to focus on basic research.
326
1057615
5504
que era centrarnos
en matemáticas y ciencias,
en matemáticas y ciencias,
centrarnos en la investigación básica.
17:55
And that's what we've done.
327
1063569
2772
Y eso es lo que hemos hecho.
17:58
Six years ago or so, I left Renaissance
and went to work at the foundation.
and went to work at the foundation.
328
1066365
6355
Hace 6 años me fui de Renacimiento
a trabajar en la fundación.
a trabajar en la fundación.
Así que eso es lo que hacemos.
18:04
So that's what we do.
329
1072744
1571
18:06
CA: And so Math for America
is basically investing
is basically investing
330
1074339
2909
CA: Y así Math for America
básicamente invierte
básicamente invierte
18:09
in math teachers around the country,
331
1077272
2638
en profesores de matemáticas
de todo el país,
de todo el país,
18:11
giving them some extra income,
giving them support and coaching.
giving them support and coaching.
332
1079934
3802
dándoles un ingreso extra,
dándoles apoyo y coaching.
dándoles apoyo y coaching.
18:15
And really trying
to make that more effective
to make that more effective
333
1083760
3051
Y realmente tratando de hacer
lo que es más eficaz
lo que es más eficaz
y hacer una convocatoria a la que
los profesores puede aspirar.
los profesores puede aspirar.
18:18
and make that a calling
to which teachers can aspire.
to which teachers can aspire.
334
1086835
2601
18:21
JS: Yeah -- instead of beating up
the bad teachers,
the bad teachers,
335
1089460
4790
JS: Sí, en vez de desalentar
a los malos profesores,
a los malos profesores,
18:26
which has created morale problems
all through the educational community,
all through the educational community,
336
1094274
4853
que ha creado problemas morales
en la comunidad educativa,
en la comunidad educativa,
18:31
in particular in math and science,
337
1099151
2441
especialmente
en matemáticas y ciencias,
en matemáticas y ciencias,
18:33
we focus on celebrating the good ones
and giving them status.
and giving them status.
338
1101616
6130
nos centramos en alentar
a los buenos y en darles un estatus.
a los buenos y en darles un estatus.
18:39
Yeah, we give them extra money,
15,000 dollars a year.
15,000 dollars a year.
339
1107770
2931
Sí, les damos dinero extra,
15 000 dólares al año.
15 000 dólares al año.
18:42
We have 800 math and science teachers
in New York City in public schools today,
in New York City in public schools today,
340
1110725
4467
Tenemos 800 profesores de
matemáticas y ciencias en Nueva York
matemáticas y ciencias en Nueva York
en las escuelas públicas hoy,
como parte de un núcleo.
como parte de un núcleo.
18:47
as part of a core.
341
1115216
1814
18:49
There's a great morale among them.
342
1117054
3686
Hay una gran moral entre ellos.
18:52
They're staying in the field.
343
1120764
2506
Se quedan en el tema.
El año que viene, serán 1000 y
serán el 10 % de los profesores
serán el 10 % de los profesores
18:55
Next year, it'll be 1,000
and that'll be 10 percent
and that'll be 10 percent
344
1123294
2895
18:58
of the math and science teachers
in New York [City] public schools.
in New York [City] public schools.
345
1126213
3544
de matemáticas y ciencias
de las escuelas públicas en Nueva York.
de las escuelas públicas en Nueva York.
19:01
(Applause)
346
1129781
5905
(Aplausos)
19:07
CA: Jim, here's another project
that you've supported philanthropically:
that you've supported philanthropically:
347
1135710
3410
CA: Jim, hay otro proyecto filantrópico
que has apoyado:
que has apoyado:
19:11
Research into origins of life, I guess.
348
1139144
2397
la investigación sobre
los orígenes de la vida.
los orígenes de la vida.
19:13
What are we looking at here?
349
1141565
1447
¿Qué vemos aquí?
19:15
JS: Well, I'll save that for a second.
350
1143536
1882
JS: Bueno, espera un segundo,
19:17
And then I'll tell you
what you're looking at.
what you're looking at.
351
1145442
2162
y te diré lo que están viendo.
19:19
Origins of life is a fascinating question.
352
1147628
3056
Los orígenes de la vida es
algo fascinante.
algo fascinante.
19:22
How did we get here?
353
1150708
1533
¿Cómo llegamos aquí?
19:25
Well, there are two questions:
354
1153170
1771
Bueno, hay dos preguntas:
19:26
One is, what is the route
from geology to biology --
from geology to biology --
355
1154965
5868
Una de ellas, ¿cuál es la ruta
desde la geología a la biología?
desde la geología a la biología?
19:32
how did we get here?
356
1160857
1381
¿Cómo llegamos aquí?
19:34
And the other question is,
what did we start with?
what did we start with?
357
1162262
2364
Y la otra, ¿con qué empezamos?
19:36
What material, if any,
did we have to work with on this route?
did we have to work with on this route?
358
1164650
3102
¿Con qué material, qué tenemos
que trabajar en esta ruta?
que trabajar en esta ruta?
19:39
Those are two very,
very interesting questions.
very interesting questions.
359
1167776
3061
Son dos preguntas muy,
muy interesantes.
muy interesantes.
19:43
The first question is a tortuous path
from geology up to RNA
from geology up to RNA
360
1171773
5834
La primera pregunta es un camino
tortuoso desde la geología hasta el ARN,
tortuoso desde la geología hasta el ARN,
19:49
or something like that --
how did that all work?
how did that all work?
361
1177631
2258
¿cómo se llegó ahí?
19:51
And the other,
what do we have to work with?
what do we have to work with?
362
1179913
2388
Y la otra, ¿con qué tenemos
que trabajar?
que trabajar?
19:54
Well, more than we think.
363
1182325
1771
Bueno, con más
de lo que pensamos.
de lo que pensamos.
19:56
So what's pictured there
is a star in formation.
is a star in formation.
364
1184120
4843
Así lo de la foto es
una estrella en formación.
una estrella en formación.
20:01
Now, every year in our Milky Way,
which has 100 billion stars,
which has 100 billion stars,
365
1189836
3425
Cada año en nuestra Vía Láctea,
que tiene 100 mil millones de estrellas,
que tiene 100 mil millones de estrellas,
20:05
about two new stars are created.
366
1193285
2495
se crean dos nuevas estrellas.
20:07
Don't ask me how, but they're created.
367
1195804
2470
No me preguntes cómo,
pero se crean.
pero se crean.
20:10
And it takes them about a million
years to settle out.
years to settle out.
368
1198298
3080
Y les toma
un millón de años estabilizarse.
un millón de años estabilizarse.
20:14
So, in steady state,
369
1202132
2176
Así que, en estado estacionario,
20:16
there are about two million stars
in formation at any time.
in formation at any time.
370
1204332
3848
hay cerca de dos millones de estrellas
en formación siempre.
en formación siempre.
20:20
That one is somewhere
along this settling-down period.
along this settling-down period.
371
1208204
3458
Una está en algún estado
de este proceso de decantación.
de este proceso de decantación.
20:24
And there's all this crap
sort of circling around it,
sort of circling around it,
372
1212067
2936
Y hay toda esta basura circulando
alrededor de ella,
alrededor de ella,
20:27
dust and stuff.
373
1215027
1498
polvo y otras cosas.
20:29
And it'll form probably a solar system,
or whatever it forms.
or whatever it forms.
374
1217479
3023
Y que formará, probablemente,
un sistema solar, o lo que sea.
un sistema solar, o lo que sea.
20:32
But here's the thing --
375
1220526
2176
Pero aquí está la cuestión,
20:34
in this dust that surrounds a forming star
376
1222726
6348
en este polvo que rodea
a una estrella en formación
a una estrella en formación
20:41
have been found, now,
significant organic molecules.
significant organic molecules.
377
1229098
6035
se han encontrado,
moléculas orgánicas significativas.
moléculas orgánicas significativas.
20:47
Molecules not just like methane,
but formaldehyde and cyanide --
but formaldehyde and cyanide --
378
1235958
6139
Moléculas no solo como el metano,
sino formaldehído y cianuro,
sino formaldehído y cianuro,
20:54
things that are the building blocks --
the seeds, if you will -- of life.
the seeds, if you will -- of life.
379
1242121
6517
que son bloques de construcción,
semillas, si se quiere, de la vida.
semillas, si se quiere, de la vida.
21:01
So, that may be typical.
380
1249136
2692
Bueno, puede ser típico.
21:04
And it may be typical
that planets around the universe
that planets around the universe
381
1252395
6934
Y puede ser típico que los planetas
alrededor del universo
alrededor del universo
21:11
start off with some of these
basic building blocks.
basic building blocks.
382
1259353
3612
empiecen con algunos de estos bloques
de construcción básicos.
de construcción básicos.
21:15
Now does that mean
there's going to be life all around?
there's going to be life all around?
383
1263830
2715
¿Significa eso que existirá
la vida por todos lados?
la vida por todos lados?
21:18
Maybe.
384
1266569
1364
Puede ser.
21:19
But it's a question
of how tortuous this path is
of how tortuous this path is
385
1267957
4127
Pero esto es una muestra de
lo es tortuoso que este camino
lo es tortuoso que este camino
21:24
from those frail beginnings,
those seeds, all the way to life.
those seeds, all the way to life.
386
1272108
4394
desde aquellos inicios frágiles,
esas semillas, todo el camino a la vida.
esas semillas, todo el camino a la vida.
21:28
And most of those seeds
will fall on fallow planets.
will fall on fallow planets.
387
1276526
5192
Y la mayoría de esas semillas caerán
en planetas de barbecho.
en planetas de barbecho.
21:33
CA: So for you, personally,
388
1281742
1409
CA: ¿Para ti, personalmente,
21:35
finding an answer to this question
of where we came from,
of where we came from,
389
1283175
2722
encontrar una respuesta a
esta pregunta de dónde venimos,
esta pregunta de dónde venimos,
21:37
of how did this thing happen,
that is something you would love to see.
that is something you would love to see.
390
1285921
3658
de cómo sucedió, es algo
que te encantaría descubrir?
que te encantaría descubrir?
21:41
JS: Would love to see.
391
1289603
1786
JS: Sí, me encantaría verlo.
21:43
And like to know --
392
1291413
1490
Y gustaría saber
21:44
if that path is tortuous enough,
and so improbable,
and so improbable,
393
1292927
5170
si ese camino es muy tortuoso,
y tan improbable,
y tan improbable,
21:50
that no matter what you start with,
we could be a singularity.
we could be a singularity.
394
1298121
4754
que no importa cómo empezar,
podríamos ser una singularidad.
podríamos ser una singularidad.
21:55
But on the other hand,
395
1303336
1152
Pero por otro lado,
21:56
given all this organic dust
that's floating around,
that's floating around,
396
1304512
3478
debido a este polvo orgánico
flotando alrededor,
flotando alrededor,
22:00
we could have lots of friends out there.
397
1308014
3791
podríamos tener
muchos amigos allí.
muchos amigos allí.
22:04
It'd be great to know.
398
1312947
1161
Sería bueno saberlo.
22:06
CA: Jim, a couple of years ago,
I got the chance to speak with Elon Musk,
I got the chance to speak with Elon Musk,
399
1314132
3480
CA: Jim, hace unos años, tuve
la oportunidad de hablar con Elon Musk,
la oportunidad de hablar con Elon Musk,
22:09
and I asked him the secret of his success,
400
1317636
2837
y le pregunté el secreto de su éxito,
22:12
and he said taking
physics seriously was it.
physics seriously was it.
401
1320497
3691
y dijo tomarme la física
en serio fue todo.
en serio fue todo.
22:16
Listening to you, what I hear you saying
is taking math seriously,
is taking math seriously,
402
1324696
4003
Escucharte decir que tomar
en serio las matemáticas,
en serio las matemáticas,
22:20
that has infused your whole life.
403
1328723
3003
ha impulsado toda tu vida.
22:24
It's made you an absolute fortune,
and now it's allowing you to invest
and now it's allowing you to invest
404
1332123
4563
Has hecho una fortuna,
y ahora sé que te permite invertir
y ahora sé que te permite invertir
22:28
in the futures of thousands and thousands
of kids across America and elsewhere.
of kids across America and elsewhere.
405
1336710
4496
en el futuro de miles y miles de niños
en todo EE. UU. y en otros lugares.
en todo EE. UU. y en otros lugares.
22:33
Could it be that science actually works?
406
1341567
2858
¿Podría ser que la ciencia
realmente funciona?
realmente funciona?
22:36
That math actually works?
407
1344449
2772
¿Que las matemáticas
realmente funcionan?
realmente funcionan?
22:39
JS: Well, math certainly works.
Math certainly works.
Math certainly works.
408
1347245
4372
JS: Las matemáticas sí funcionan.
Las matemáticas ciertamente funcionan.
Las matemáticas ciertamente funcionan.
22:43
But this has been fun.
409
1351641
1198
Y esto ha sido divertido.
22:44
Working with Marilyn and giving it away
has been very enjoyable.
has been very enjoyable.
410
1352863
4946
Trabajar con Marilyn y donar
ha sido muy bueno,
ha sido muy bueno,
22:49
CA: I just find it --
it's an inspirational thought to me,
it's an inspirational thought to me,
411
1357833
2936
CA: Acabo de encontrar
un pensamiento inspirador para mí,
un pensamiento inspirador para mí,
22:52
that by taking knowledge seriously,
so much more can come from it.
so much more can come from it.
412
1360793
4007
que al tomar en serio el conocimiento,
se puede obtener mucho más de él.
se puede obtener mucho más de él.
22:56
So thank you for your amazing life,
and for coming here to TED.
and for coming here to TED.
413
1364824
3018
Así que gracias por tu vida increíble,
y por venir aquí a TED.
y por venir aquí a TED.
22:59
Thank you.
414
1367866
751
Gracias.
23:00
Jim Simons!
415
1368651
1101
¡Jim Simons!
23:01
(Applause)
416
1369806
4380
(Aplausos)
ABOUT THE SPEAKER
Jim Simons - Philanthropist, mathematicianAfter astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy.
Why you should listen
As a mathematician who cracked codes for the National Security Agency on the side, Jim Simons had already revolutionized geometry -- and incidentally laid the foundation for string theory -- when he began to get restless. Along with a few hand-picked colleagues he started the investment firm that went on to become Renaissance, a hedge fund working with hitherto untapped algorithms, and became a billionaire in the process.
Now retired as Renaissance’s CEO, Simons devotes his time to mathematics and philanthropy. The Simons Foundation has committed more than a billion dollars to math and science education and to autism research.
Jim Simons | Speaker | TED.com