TED2015
Jim Simons: The mathematician who cracked Wall Street
Jim Simons: A matematikus a Wall Streetről
Filmed:
Readability: 4
2,981,452 views
Jim Simons matematikus és kódfejtő, aki rájött, hogy a kódok feltörésére használt matematika segítségére lehet a pénzügyi világ törvényszerűségeinek felismerésében. Visszavonulva, már túl a milliárdokon, a jövő generáció matematikatanárainak és a matematikakutatóknak a támogatásán munkálkodik. Chris Anderson (TED) arról beszélget Simonsszal, hogy miként alakult az élete a számok világában.
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.
00:12
Chris Anderson: You were something
of a mathematical phenom.
of a mathematical phenom.
0
817
2834
Chris Anderson:
Üstökösnek számítottál a matematikában.
Üstökösnek számítottál a matematikában.
00:15
You had already taught at Harvard
and MIT at a young age.
and MIT at a young age.
1
3675
3064
Már egészen fiatalon tanítottál
a Harvardon és az MIT-n.
a Harvardon és az MIT-n.
00:18
And then the NSA came calling.
2
6763
2190
Azután a Nemzetbiztonsági Ügynökség,
az NSA hívott.
az NSA hívott.
00:21
What was that about?
3
9464
1204
Hogyan is volt ez?
00:23
Jim Simons: Well the NSA --
that's the National Security Agency --
that's the National Security Agency --
4
11207
3923
Jim Simons: Szóval az NSA ,
vagyis a Nemzetbiztonsági Ügynökség —
vagyis a Nemzetbiztonsági Ügynökség —
00:27
they didn't exactly come calling.
5
15154
1969
nem pontosan az történt, hogy hívtak.
00:29
They had an operation at Princeton,
where they hired mathematicians
where they hired mathematicians
6
17465
4474
Volt egy részlegük Princetonban,
amibe kerestek matematikusokat:
amibe kerestek matematikusokat:
00:33
to attack secret codes
and stuff like that.
and stuff like that.
7
21963
2942
titkos kódok feltörésére meg hasonlókra.
00:37
And I knew that existed.
8
25294
1672
Hallottam róla.
00:39
And they had a very good policy,
9
27315
2180
Nagyon vonzó feltételeket kínáltak,
00:41
because you could do half your time
at your own mathematics,
at your own mathematics,
10
29519
3850
mert a munkaidő felében
mindenki csinálhatta a maga matematikáját,
mindenki csinálhatta a maga matematikáját,
00:45
and at least half your time
working on their stuff.
working on their stuff.
11
33393
3484
de az időnek legalább a felét
az ő témájukra kellett fordítani.
az ő témájukra kellett fordítani.
00:49
And they paid a lot.
12
37559
1474
És sokat fizettek.
00:51
So that was an irresistible pull.
13
39057
3051
Tehát csábító volt.
00:54
So, I went there.
14
42132
1912
Mentem hát.
00:56
CA: You were a code-cracker.
15
44068
1338
CA: Tehát kódfejtő lettél.
00:57
JS: I was.
16
45430
1166
JS: Igen.
CA: Amíg el nem bocsájtottak.
00:58
CA: Until you got fired.
17
46620
1157
00:59
JS: Well, I did get fired. Yes.
18
47801
1583
JS: Igen, elbocsájtottak.
01:01
CA: How come?
19
49408
1245
CA: Hogyan történt?
01:03
JS: Well, how come?
20
51280
1333
JS: Hogy hogyan történt?
01:05
I got fired because,
well, the Vietnam War was on,
well, the Vietnam War was on,
21
53611
4956
Elküldtek, mert akkor volt
a vietnami háború,
a vietnami háború,
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
és a szervezet nagyfőnöke
lelkes híve volt a háborúnak.
lelkes híve volt a háborúnak.
01:16
and wrote a New York Times article,
a magazine section cover story,
a magazine section cover story,
23
64353
4395
Írt egy cikket a New York Timesba,
címlapcikk volt a vasárnapi mellékletben
címlapcikk volt a vasárnapi mellékletben
01:20
about how we would win in Vietnam.
24
68772
1770
arról, hogyan fogunk győzni Vietnamban.
01:22
And I didn't like that war,
I thought it was stupid.
I thought it was stupid.
25
70566
3129
Én nem szerettem azt a háborút,
hülyeségnek tartottam.
hülyeségnek tartottam.
01:25
And I wrote a letter to the Times,
which they published,
which they published,
26
73719
2665
Írtam egy levelet a Timesnak,
amit ők le is közöltek,
amit ők le is közöltek,
01:28
saying not everyone
who works for Maxwell Taylor,
who works for Maxwell Taylor,
27
76408
4014
arról, hogy nem mindenki,
aki Maxwell Taylornak dolgozik,
aki Maxwell Taylornak dolgozik,
01:32
if anyone remembers that name,
agrees with his views.
agrees with his views.
28
80446
4686
— ha még mond ez a név valamit —
ért vele egyet ebben.
ért vele egyet ebben.
01:37
And I gave my own views ...
29
85553
1658
És kifejtettem a magam nézeteit...
01:39
CA: Oh, OK. I can see that would --
30
87235
2164
CA: Aha, látom már, ez...
01:41
JS: ... which were different
from General Taylor's.
from General Taylor's.
31
89423
2555
JS: ... nem egyezett Taylor tábornokéval.
01:44
But in the end, nobody said anything.
32
92002
1906
De végül senki nem szólt semmit.
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
Akkor — 29 éves voltam —
valami srác megkeresett,
valami srác megkeresett,
01:49
and said he was a stringer
from Newsweek magazine
from Newsweek magazine
34
97657
3088
azt mondta, a Newsweektől van,
szeretne interjút csinálni velem,
szeretne interjút csinálni velem,
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
és megkérdezné tőlem,
hogy mit akarok kezdeni a nézeteimmel.
hogy mit akarok kezdeni a nézeteimmel.
01:58
And I told him, "I'm doing
mostly mathematics now,
mostly mathematics now,
36
106160
3899
Mondtam neki, hogy jelenleg
többnyire matematikával foglalkozom,
többnyire matematikával foglalkozom,
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
és ha vége lesz a háborúnak,
akkor leginkább nekik fogok dolgozni.
akkor leginkább nekik fogok dolgozni.
Aztán az egyetlen értelmes dolgot tettem,
amit aznap tehettem,
amit aznap tehettem,
02:06
Then I did the only
intelligent thing I'd done that day --
intelligent thing I'd done that day --
38
114123
2825
02:08
I told my local boss
that I gave that interview.
that I gave that interview.
39
116972
4157
megmondtam a közvetlen főnökömnek,
hogy adtam ezt az interjút.
hogy adtam ezt az interjút.
Errre megkérdezte, hogy mit mondtam.
02:13
And he said, "What'd you say?"
40
121153
1459
02:14
And I told him what I said.
41
122636
1466
Én meg elmondtam neki.
02:16
And then he said,
"I've got to call Taylor."
"I've got to call Taylor."
42
124126
2315
Azt válaszolta,
hogy fel kell hívja Taylort.
hogy fel kell hívja Taylort.
02:18
He called Taylor; that took 10 minutes.
43
126465
2377
Felhívta, ez 10 percig tartott.
02:20
I was fired five minutes after that.
44
128866
2262
Öt percre rá ki voltam rúgva.
02:23
CA: OK.
45
131590
1222
CA: Értem.
02:24
JS: But it wasn't bad.
46
132836
1151
JS: Nem bántam.
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: Nem bántad,
mert folytattad Stony Brookban
mert folytattad Stony Brookban
02:28
and stepped up your mathematical career.
48
136528
3133
és ezzel felgyorsult
a matematikai karriered.
a matematikai karriered.
02:31
You started working with this man here.
49
139685
2452
Vele kezdtél dolgozni.
02:34
Who is this?
50
142161
1164
Ő kicsoda?
02:36
JS: Oh, [Shiing-Shen] Chern.
51
144352
1412
JS: Shiing-Shen Chern.
02:37
Chern was one of the great
mathematicians of the century.
mathematicians of the century.
52
145788
3104
Chern volt a század
nagy matematikusainak egyike.
nagy matematikusainak egyike.
02:40
I had known him when
I was a graduate student at Berkeley.
I was a graduate student at Berkeley.
53
148916
5233
Még a Berkeley-ről ismertem,
végzős koromból.
végzős koromból.
02:46
And I had some ideas,
54
154173
1871
Volt néhány ötletem,
02:48
and I brought them to him
and he liked them.
and he liked them.
55
156068
2447
elmondtam neki, és tetszettek.
02:50
Together, we did this work
which you can easily see up there.
which you can easily see up there.
56
158539
6626
Együtt csináltuk ezt a munkát,
ami jól látható itt fenn.
ami jól látható itt fenn.
02:57
There it is.
57
165189
1150
Itt van.
02:59
CA: It led to you publishing
a famous paper together.
a famous paper together.
58
167198
3606
CA: Ez elvezetett oda, hogy együtt
publikáltatok egy nevezetes cikket.
publikáltatok egy nevezetes cikket.
03:02
Can you explain at all what that work was?
59
170828
3238
El tudod egyáltalán magyarázni,
hogy mi volt ez a munka?
hogy mi volt ez a munka?
03:07
JS: No.
60
175028
1158
Nem.
03:08
(Laughter)
61
176210
2274
(Nevetés)
JS: Úgy értem, van, akinek el tudnám.
03:10
JS: I mean, I could
explain it to somebody.
explain it to somebody.
62
178966
2064
03:13
(Laughter)
63
181054
2075
(Nevetés)
CA: Szóval, mi van ezzel a magyarázattal?
03:15
CA: How about explaining this?
64
183153
1864
03:17
JS: But not many. Not many people.
65
185041
2729
JS: De nem sok embernek. Nem soknak.
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: Azt hiszem,
valami gömbhéjakról volt szó,
valami gömbhéjakról volt szó,
03:23
so let's start here.
67
191982
1862
kezdjük hát innen.
03:25
JS: Well, it did,
but I'll say about that work --
but I'll say about that work --
68
193868
3600
JS: Igen, de most arról
a munkáról fogok beszélni —
a munkáról fogok beszélni —
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
igen, azzal kapcsolatos volt,
de mielőtt rátérnénk —
de mielőtt rátérnénk —
03:32
that work was good mathematics.
70
200716
3540
az a munka jó matematika volt.
03:36
I was very happy with it; so was Chern.
71
204280
2492
Nagyon elégedett voltam vele,
akárcsak Chern.
akárcsak Chern.
03:39
It even started a little sub-field
that's now flourishing.
that's now flourishing.
72
207910
4176
Még egy új kutatási részterületet is
elindított, ami ma virágzik.
elindított, ami ma virágzik.
03:44
But, more interestingly,
it happened to apply to physics,
it happened to apply to physics,
73
212638
5294
De ami még érdekesebb,
hogy történetesen van fizikai alkalmazása,
hogy történetesen van fizikai alkalmazása,
03:49
something we knew nothing about --
at least I knew nothing about physics,
at least I knew nothing about physics,
74
217956
4295
amiről semmit nem tudtunk, én legalábbis
nem értek a fizikához, és nem hiszem,
nem értek a fizikához, és nem hiszem,
03:54
and I don't think Chern
knew a heck of a lot.
knew a heck of a lot.
75
222275
2282
hogy Chern is valami fene sokat
értett hozzá.
értett hozzá.
03:56
And about 10 years
after the paper came out,
after the paper came out,
76
224581
3963
És kb. 10 évvel a cikk megjelenése után
04:00
a guy named Ed Witten in Princeton
started applying it to string theory
started applying it to string theory
77
228568
4480
egy pasas Princetonból, Ed Witten,
alkalmazni kezdte a húrelméletben,
alkalmazni kezdte a húrelméletben,
04:05
and people in Russia started applying it
to what's called "condensed matter."
to what's called "condensed matter."
78
233072
4852
Oroszországban pedig
a kondenzált anyagokra.
a kondenzált anyagokra.
04:09
Today, those things in there
called Chern-Simons invariants
called Chern-Simons invariants
79
237948
4893
Ma ezt úgy nevezik itt,
hogy Chern-Simons invariánsok,
hogy Chern-Simons invariánsok,
04:14
have spread through a lot of physics.
80
242865
1865
és a fizika számos területén elterjedt.
04:16
And it was amazing.
81
244754
1174
Ez bámulatos volt.
04:17
We didn't know any physics.
82
245952
1365
Nem értettünk a fizikához.
04:19
It never occurred to me
that it would be applied to physics.
that it would be applied to physics.
83
247714
2854
Sosem merült fel bennem,
hogy lenne fizikai alkalmazása.
hogy lenne fizikai alkalmazása.
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
De hát a matematika már csak ilyen,
sosem tudni, mi mire lesz jó.
sosem tudni, mi mire lesz jó.
04:26
CA: This is so incredible.
85
254404
1492
CA: Ez olyan hihetetlen.
04:27
So, we've been talking about
how evolution shapes human minds
how evolution shapes human minds
86
255920
4364
Az imént arról beszélgettünk, hogy az
evolúció miként alakítja az emberi elmét,
evolúció miként alakítja az emberi elmét,
04:32
that may or may not perceive the truth.
87
260308
2508
amely képes vagy nem képes
felfogni az igazságot.
felfogni az igazságot.
04:34
Somehow, you come up
with a mathematical theory,
with a mathematical theory,
88
262840
3313
Hogy, hogy nem, előjössz
egy matematikai elmélettel,
egy matematikai elmélettel,
04:38
not knowing any physics,
89
266177
1848
anélkül, hogy értenél a fizikához,
04:40
discover two decades later
that it's being applied
that it's being applied
90
268049
2498
majd két évtizeddel később azt látod,
04:42
to profoundly describe
the actual physical world.
the actual physical world.
91
270571
3031
a valós fizikai világ lényegi leírására
használják.
használják.
04:45
How can that happen?
92
273626
1153
Hogyan lehetséges ez?
04:46
JS: God knows.
93
274803
1157
JS: Isten tudja.
04:47
(Laughter)
94
275984
2110
(Nevetés)
04:50
But there's a famous physicist
named [Eugene] Wigner,
named [Eugene] Wigner,
95
278849
3150
De egy neves fizikus, Wigner Jenő,
írt egy tanulmányt
írt egy tanulmányt
04:54
and he wrote an essay on the unreasonable
effectiveness of mathematics.
effectiveness of mathematics.
96
282023
5588
"A matematika ésszerűtlen hatékonysága
a természettudományokban" címmel.
a természettudományokban" címmel.
04:59
Somehow, this mathematics,
which is rooted in the real world
which is rooted in the real world
97
287635
3952
A matematika, amely bizonyos értelemben
a valós világból nőtt ki:
a valós világból nőtt ki:
05:03
in some sense -- we learn to count,
measure, everyone would do that --
measure, everyone would do that --
98
291611
4995
megtanulunk számolni, mérni,
ezt tud mindenki —
ezt tud mindenki —
05:08
and then it flourishes on its own.
99
296630
1830
önálló életet kezd.
05:10
But so often it comes
back to save the day.
back to save the day.
100
298976
2841
De gyakran azután visszatér,
és valamire az adja a megoldást.
és valamire az adja a megoldást.
05:14
General relativity is an example.
101
302293
2178
Példa rá az általános relativitáselmélet.
05:16
[Hermann] Minkowski had this geometry,
and Einstein realized,
and Einstein realized,
102
304495
3117
fHermann] Minkowskié volt a geometria,
és Einstein rájött,
és Einstein rájött,
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
"Ó, ez remek, erre építhetek
az általános relativitáselméletben."
az általános relativitáselméletben."
05:23
So, you never know. It is a mystery.
104
311507
3112
Tehát sosem lehet tudni.
Olyan titokzatos.
Olyan titokzatos.
05:27
It is a mystery.
105
315056
1217
Valóban az.
05:28
CA: So, here's a mathematical
piece of ingenuity.
piece of ingenuity.
106
316297
3296
CA: Tehát itt van valami zseniális
matematikai eredmény.
matematikai eredmény.
05:31
Tell us about this.
107
319617
1342
Beszélj nekünk erről.
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: Ez egy golyó. Egy gömbhéj,
és körülveszi egy rács —
és körülveszi egy rács —
05:38
you know, those squares.
109
326931
1573
ott, azok a négyzetek.
Amit most mutatok, azt eredetileg
[Leonhard] Euler vette észre,
[Leonhard] Euler vette észre,
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
az 1700-as évek nagy matematikusa.
05:50
And it gradually grew to be
a very important field in mathematics:
a very important field in mathematics:
112
338223
5181
Ez lassanként a matematika egyik nagyon
fontos részterületévé nőtte ki magát:
fontos részterületévé nőtte ki magát:
05:55
algebraic topology, geometry.
113
343428
2334
algebrai topológia, geometria.
05:59
That paper up there had its roots in this.
114
347039
4364
Ez a cikk erre vezethető vissza.
06:03
So, here's this thing:
115
351427
1834
Itt van ez a valami:
06:05
it has eight vertices,
12 edges, six faces.
12 edges, six faces.
116
353285
4452
van 8 csúcsa, 12 éle, 6 lapja .
06:09
And if you look at the difference --
vertices minus edges plus faces --
vertices minus edges plus faces --
117
357761
3830
Ha nézzük ezt a különbséget:
csúcsok mínusz élek plusz lapok
csúcsok mínusz élek plusz lapok
06:13
you get two.
118
361615
1152
akkor az eredmény kettő.
06:14
OK, well, two. That's a good number.
119
362791
2219
Tehát kettő. Szép szám.
06:17
Here's a different way of doing it --
these are triangles covering --
these are triangles covering --
120
365034
4248
Most másképp csináljuk,
háromszögekkel fedjük le:
háromszögekkel fedjük le:
06:21
this has 12 vertices and 30 edges
121
369306
4577
van 12 csúcs, 30 él
06:25
and 20 faces, 20 tiles.
122
373907
4195
és 20 lap, 20 csempe.
06:30
And vertices minus edges
plus faces still equals two.
plus faces still equals two.
123
378576
4591
A csúcsok mínusz élek plusz lapok
továbbra is 2 lesz.
továbbra is 2 lesz.
06:35
And in fact, you could do this
any which way --
any which way --
124
383191
2847
És valóban, akárhogyan is csinálhatjuk,
06:38
cover this thing with all kinds
of polygons and triangles
of polygons and triangles
125
386062
3398
lefedjük ezt a valamit bármilyen
sokszögekkel, háromszögekkel
sokszögekkel, háromszögekkel
06:41
and mix them up.
126
389484
1320
akár vegyesen.
06:42
And you take vertices minus edges
plus faces -- you'll get two.
plus faces -- you'll get two.
127
390828
3279
És ha vesszük a csúcsok - élek + lapok
számát, kettőt kapunk.
számát, kettőt kapunk.
06:46
Here's a different shape.
128
394131
1611
Itt van egy másmilyen alakzat.
06:48
This is a torus, or the surface
of a doughnut: 16 vertices
of a doughnut: 16 vertices
129
396480
5250
Ez egy tórusz, vagy egy úszógumi
felszíne: 16 csúcs,
felszíne: 16 csúcs,
06:53
covered by these rectangles,
32 edges, 16 faces.
32 edges, 16 faces.
130
401754
4244
ezekkel a téglalapokkal lefedve:
32 él, 16 lap.
32 él, 16 lap.
06:58
Vertices minus edges comes out to be zero.
131
406530
2684
Csúcsok mínusz élek plusz lapok
nullára jön ki.
nullára jön ki.
07:01
It'll always come out to zero.
132
409238
1475
Mindig nulla jön ki.
07:02
Every time you cover a torus
with squares or triangles
with squares or triangles
133
410737
4310
Ha egy tóruszt bárhogyan is
lefedünk téglalapokkal, háromszögekkel,
lefedünk téglalapokkal, háromszögekkel,
07:07
or anything like that,
you're going to get zero.
you're going to get zero.
134
415071
3935
vagy bármi hasonlóval,
akkor nullát fogunk kapni.
akkor nullát fogunk kapni.
07:12
So, this is called
the Euler characteristic.
the Euler characteristic.
135
420514
2390
Ezt nevezik Euler-karakterisztikának.
07:14
And it's what's called
a topological invariant.
a topological invariant.
136
422928
3449
És ezt úgy mondják: topológiai invariáns.
07:18
It's pretty amazing.
137
426849
1156
Igen meglepő.
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
Mindegy, hogyan csináljuk,
mindig ugyanaz lesz a válasz.
mindig ugyanaz lesz a válasz.
07:22
So that was the first sort of thrust,
from the mid-1700s,
from the mid-1700s,
139
430844
6299
Ez volt az első lökés az 1700-as évekből
07:29
into a subject which is now called
algebraic topology.
algebraic topology.
140
437167
3769
egy olyan terület felé,
amelyet ma algebrai topológiának neveznek.
amelyet ma algebrai topológiának neveznek.
CA: Az volt az eredményed,
hogy fogtál egy gondolatot.
hogy fogtál egy gondolatot.
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
07:35
into higher-dimensional theory,
142
443967
2449
és áttetted magasabb dimenzióba,
07:38
higher-dimensional objects,
and found new invariances?
and found new invariances?
143
446440
3088
magasabb dimenziós objektumokra
találtál új invariánsokat?
találtál új invariánsokat?
07:41
JS: Yes. Well, there were already
higher-dimensional invariants:
higher-dimensional invariants:
144
449552
4643
JS: Igen. Voltak már tulajdonképpen
magasabb dimenziós invariánsok:
magasabb dimenziós invariánsok:
07:46
Pontryagin classes --
actually, there were Chern classes.
actually, there were Chern classes.
145
454219
4457
Pontrjagin-osztályok,
és itt voltak a Chern-osztályok.
és itt voltak a Chern-osztályok.
07:50
There were a bunch
of these types of invariants.
of these types of invariants.
146
458700
3548
Volt egy csomó ilyen típusú invariáns.
07:54
I was struggling to work on one of them
147
462272
4135
Sokat kínlódtam az egyikkel,
07:58
and model it sort of combinatorially,
148
466431
4203
hogy kombinatorikai módon modellezzem
08:02
instead of the way it was typically done,
149
470658
3022
a szokásos megközelítés helyett.
08:05
and that led to this work
and we uncovered some new things.
and we uncovered some new things.
150
473704
4359
Ez vezetett ehhez a munkához,
és felfedeztünk néhány új dolgot.
és felfedeztünk néhány új dolgot.
08:10
But if it wasn't for Mr. Euler --
151
478087
3501
De ha Euler nem lett volna,
08:13
who wrote almost 70 volumes of mathematics
152
481612
3981
aki majdnem 70 kötetnyi matematikát írt,
08:17
and had 13 children,
153
485617
1731
és 13 gyereke volt,
08:19
who he apparently would dandle on his knee
while he was writing --
while he was writing --
154
487372
6442
nyilvánvalóan úgy dolgozott,
hogy közben a térdén gyereket ringatott,
hogy közben a térdén gyereket ringatott,
08:25
if it wasn't for Mr. Euler, there wouldn't
perhaps be these invariants.
perhaps be these invariants.
155
493838
5774
szóval, Euler nélkül
talán nem lennének ezek az invariánsok.
talán nem lennének ezek az invariánsok.
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: Legalább kaptunk itt valami ízelítőt
erről a csodálatos elméről.
erről a csodálatos elméről.
Beszéljünk
a Renaissance Technologiesről.
a Renaissance Technologiesről.
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
Mert hogy azzal az okos fejeddel,
amivel a NSA-nál a kódot törted,
amivel a NSA-nál a kódot törted,
08:44
you started to become a code-cracker
in the financial industry.
in the financial industry.
159
512251
3229
a pénzügyi ágazatban kezdtél
kódfejtéssel foglalkozni.
kódfejtéssel foglalkozni.
08:47
I think you probably didn't buy
efficient market theory.
efficient market theory.
160
515504
2690
Gondolom, nem pénzért vetted
a hatékony piacok elméletét.
a hatékony piacok elméletét.
08:50
Somehow you found a way of creating
astonishing returns over two decades.
astonishing returns over two decades.
161
518218
6387
Valahogy rájöttél, miként lehet két
évtized alatt bámulatos hozamokat elérni.
évtized alatt bámulatos hozamokat elérni.
08:56
The way it's been explained to me,
162
524629
1671
Nekem úgy mondták,
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
nemcsak a hozam mértéke volt
figyelemre méltó,
figyelemre méltó,
09:01
it's that you took them
with surprisingly low volatility and risk,
with surprisingly low volatility and risk,
164
529847
3883
hanem, hogy meglepően alacsony
árfolyam-ingadozással s kockázattal tetted
árfolyam-ingadozással s kockázattal tetted
09:05
compared with other hedge funds.
165
533754
1824
más fedezeti alapokhoz képest.
09:07
So how on earth did you do this, Jim?
166
535602
1929
Hogy a csudában csináltad ezt, Jim?
09:10
JS: I did it by assembling
a wonderful group of people.
a wonderful group of people.
167
538071
4111
JS: Összeszedtem egy csodálatos csapatot.
09:14
When I started doing trading, I had
gotten a little tired of mathematics.
gotten a little tired of mathematics.
168
542206
3956
Amikor elkezdtem kereskedni, már
egy kicsit elegem volt a matematikából.
egy kicsit elegem volt a matematikából.
09:18
I was in my late 30s,
I had a little money.
I had a little money.
169
546186
3923
Harmincas éveim végén jártam,
volt egy kis pénzem.
volt egy kis pénzem.
09:22
I started trading and it went very well.
170
550133
2509
Elkezdtem kereskedni, és nagyon jól ment.
09:25
I made quite a lot of money
with pure luck.
with pure luck.
171
553063
2748
Elég sok pénzt kerestem
puszta szerencsével.
puszta szerencsével.
Azt hiszem, csak
a szerencsének köszönhetem.
a szerencsének köszönhetem.
09:27
I mean, I think it was pure luck.
172
555835
1666
09:29
It certainly wasn't mathematical modeling.
173
557525
2109
Nem volt szó matematikai
modellről, az biztos.
modellről, az biztos.
09:31
But in looking at the data,
after a while I realized:
after a while I realized:
174
559658
3831
De ahogyan áttekintettem az adatokat,
egy idő után rájöttem,
egy idő után rájöttem,
09:35
it looks like there's some structure here.
175
563513
2553
olyannak tűnnek,
mint amiben van valami rendszer.
mint amiben van valami rendszer.
09:38
And I hired a few mathematicians,
and we started making some models --
and we started making some models --
176
566090
3697
Felvettem néhány matematikust,
és kezdtünk gyártani néhány modellt,
és kezdtünk gyártani néhány modellt,
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
olyasmiket, mint amilyeneket IDA-nál
[a Védelmi Kutatóintézetben] csináltunk.
[a Védelmi Kutatóintézetben] csináltunk.
09:46
You design an algorithm,
you test it out on a computer.
you test it out on a computer.
178
574100
2833
Algoritmus tervezése,
tesztelése számítógépen.
tesztelése számítógépen.
09:48
Does it work? Doesn't it work? And so on.
179
576957
2166
Működik? Nem működik? És így tovább.
CA: Vethetünk egy pillantást rá?
09:51
CA: Can we take a look at this?
180
579443
1479
09:52
Because here's a typical graph
of some commodity.
of some commodity.
181
580946
4541
Mert hogy ez itt egy tipikus grafikon
valami árucikkre vonatkozóan.
valami árucikkre vonatkozóan.
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
Ha én erre ránézek, azt mondanám,
"ez egy véletlen ingadozás fel-le,
"ez egy véletlen ingadozás fel-le,
10:02
maybe a slight upward trend
over that whole period of time."
over that whole period of time."
183
590552
2862
talán egy enyhe növekedő trenddel
a vizsgált időszak alatt"
a vizsgált időszak alatt"
10:05
How on earth could you trade
looking at that,
looking at that,
184
593438
2113
Hogy tudnál kereskedni ez alapján,
10:07
and see something that wasn't just random?
185
595575
2326
s meglátni benne valamit,
ami nem puszta véletlen?
ami nem puszta véletlen?
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: A régi időkben
— ez egy grafikon a régi időkből —,
— ez egy grafikon a régi időkből —,
10:13
commodities or currencies
had a tendency to trend.
had a tendency to trend.
187
601196
4284
az árucikkeknek, valutáknak volt
valami trendjük, amelyet követtek.
valami trendjük, amelyet követtek.
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
Nem okvetlen valami nyilvánvaló trend,
mint itt, de valami időszakos trend.
mint itt, de valami időszakos trend.
10:23
And if you decided, OK,
I'm going to predict today,
I'm going to predict today,
189
611583
4056
És ha eldöntöttük, hogy az elmúlt 20 nap
átlagos mozgása alapján
átlagos mozgása alapján
10:27
by the average move in the past 20 days --
190
615663
4968
előrejelzést készítünk, akkor lehetséges,
10:32
maybe that would be a good prediction,
and I'd make some money.
and I'd make some money.
191
620655
3107
hogy az jó előjelzés lett,
és keresünk rajta.
és keresünk rajta.
10:35
And in fact, years ago,
such a system would work --
such a system would work --
192
623786
5608
Néhány éve tényleg
ilyen rendszerek működtek.
ilyen rendszerek működtek.
10:41
not beautifully, but it would work.
193
629418
2391
Nem nagyon jól, de működtek.
10:43
You'd make money, you'd lose
money, you'd make money.
money, you'd make money.
194
631833
2509
Hol nyertünk, hol vesztettünk,
újra nyertünk...
újra nyertünk...
10:46
But this is a year's worth of days,
195
634366
2198
De az év napokból áll,
10:48
and you'd make a little money
during that period.
during that period.
196
636588
4241
és ezen időszak alatt is lehetne keresni.
Ez egy nagyon lebutított rendszer.
10:53
It's a very vestigial system.
197
641884
1958
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
CA: Szóval egy csomó különféle hosszúságú
trendet tesztelnél,
trendet tesztelnél,
11:00
and see whether, for example,
199
648078
2436
és azt néznéd, hogy vajon pl.
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
a 10 napos vagy a 15 napos trend
jelezte-e jobban, ami azután történt.
jelezte-e jobban, ami azután történt.
11:06
JS: Sure, you would try all those things
and see what worked best.
and see what worked best.
201
654043
6762
JS: Mindezeket kipróbálhatnánk, és
megnézhetnénk, melyik működik a legjobban.
megnézhetnénk, melyik működik a legjobban.
11:13
Trend-following would
have been great in the '60s,
have been great in the '60s,
202
661515
3350
A trendkövetés a 60-as években
volt nagy dobás,
volt nagy dobás,
11:16
and it was sort of OK in the '70s.
203
664889
2132
és a 70-es években nagyjából rendben volt.
11:19
By the '80s, it wasn't.
204
667045
1873
A 80-as évekre már nem.
11:20
CA: Because everyone could see that.
205
668942
2817
CA: Mert mindenki láthatta.
11:23
So, how did you stay ahead of the pack?
206
671783
2782
Szóval, hogy sikerült
a vetélytársak előtt maradnotok?
a vetélytársak előtt maradnotok?
11:27
JS: We stayed ahead of the pack
by finding other approaches --
by finding other approaches --
207
675046
6132
JS: Úgy, hogy más megközelítéseket
találtunk,
találtunk,
11:33
shorter-term approaches to some extent.
208
681202
2741
rövidebb időszakú megközelítéseket
bizonyos mértékig.
bizonyos mértékig.
11:37
The real thing was to gather
a tremendous amount of data --
a tremendous amount of data --
209
685107
3347
Az volt a lényeg, hogy iszonyatos
mennyiségű adatot gyűjtöttünk,
mennyiségű adatot gyűjtöttünk,
11:40
and we had to get it by hand
in the early days.
in the early days.
210
688478
3578
és eleinte mindennek
magunk kellett utánajárjunk.
magunk kellett utánajárjunk.
11:44
We went down to the Federal Reserve
and copied interest rate histories
and copied interest rate histories
211
692080
3466
Lementünk a FED-hez, és lemásoltuk,
miként alakultak a kamatlábak,
miként alakultak a kamatlábak,
11:47
and stuff like that,
because it didn't exist on computers.
because it didn't exist on computers.
212
695570
3265
és más hasonlók, mert nem voltak
még meg számítógépen.
még meg számítógépen.
11:50
We got a lot of data.
213
698859
1643
Megszereztünk egy csomó adatot.
11:52
And very smart people -- that was the key.
214
700526
4160
És hát a nagyon okos emberek
— ez volt a kulcs.
— ez volt a kulcs.
11:57
I didn't really know how to hire
people to do fundamental trading.
people to do fundamental trading.
215
705463
3776
Nem igazán tudtam, hogyan vegyünk fel
kereskedőket alaptevékenységekre.
kereskedőket alaptevékenységekre.
12:01
I had hired a few -- some made money,
some didn't make money.
some didn't make money.
216
709749
2949
Felvettem egy csomót,
néhányan hoztak nyereséget, mások nem.
néhányan hoztak nyereséget, mások nem.
12:04
I couldn't make a business out of that.
217
712722
1880
Ebből nem tudtam üzletet csinálni.
12:06
But I did know how to hire scientists,
218
714626
2042
Azt tudtam,
hogyan kell tudósokat felvenni,
hogyan kell tudósokat felvenni,
12:08
because I have some taste
in that department.
in that department.
219
716692
3389
mert volt már némi tapasztalatom e téren.
12:12
So, that's what we did.
220
720105
1838
Ezt tettük hát.
12:13
And gradually these models
got better and better,
got better and better,
221
721967
3231
És ezek a modellek fokozatosan javultak,
12:17
and better and better.
222
725222
1335
egyre jobbak lettek.
CA: Attól vagy hiteles, hogy tettél valami
figyelemre méltót a Renaissance-nál:
figyelemre méltót a Renaissance-nál:
12:18
CA: You're credited with doing
something remarkable at Renaissance,
something remarkable at Renaissance,
223
726581
3214
12:21
which is building this culture,
this group of people,
this group of people,
224
729819
2601
felépítetted ezt a kultúrát,
ezekkel az emberekkel,
ezekkel az emberekkel,
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
akik nem egyszerű zsoldosok,
akiket pénzzel el lehetne csalogatni.
akiket pénzzel el lehetne csalogatni.
12:27
Their motivation was doing
exciting mathematics and science.
exciting mathematics and science.
226
735610
3912
Őket a matematika és a tudomány izgatta.
12:31
JS: Well, I'd hoped that might be true.
227
739860
2399
JS: Szeretném remélni, hogy talán így van.
12:34
But some of it was money.
228
742283
3580
De ebben a pénznek is része volt.
12:37
CA: They made a lot of money.
229
745887
1393
CA: Sok pénzt kerestek.
12:39
JS: I can't say that no one came
because of the money.
because of the money.
230
747304
2537
JS: Nem állítanám,
hogy senki sem a pénz miatt jött.
hogy senki sem a pénz miatt jött.
12:41
I think a lot of them
came because of the money.
came because of the money.
231
749865
2253
Azt hiszem, sokan amiatt jöttek.
De jöttek kedvtelésből is.
12:44
But they also came
because it would be fun.
because it would be fun.
232
752142
2021
CA: Mi volt a szerepe a gépi tanulásnak?
12:46
CA: What role did machine learning
play in all this?
play in all this?
233
754187
2488
12:48
JS: In a certain sense,
what we did was machine learning.
what we did was machine learning.
234
756699
3064
JS: Bizonyos értelemben
gépi tanulás volt, amit csináltunk.
gépi tanulás volt, amit csináltunk.
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
Ránézünk egy csomó adatra, és próbálunk
különböző előrejelzési sémákat szimulálni,
különböző előrejelzési sémákat szimulálni,
12:59
until you get better and better at it.
236
767194
2182
amíg csak jobban és jobban
nem megy.
nem megy.
13:01
It doesn't necessarily feed back on itself
the way we did things.
the way we did things.
237
769400
3767
Ez önmagában nem okvetlen ad
visszajelzést, hogy jól csináltuk-e.
visszajelzést, hogy jól csináltuk-e.
13:05
But it worked.
238
773191
2309
De működött.
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
CA: Tehát ezek az előjelzési sémák
lehettek egészen vadak és meglepőek.
lehettek egészen vadak és meglepőek.
Úgy értem, mindent
számításba vettetek, igaz?
számításba vettetek, igaz?
13:12
I mean, you looked at everything, right?
240
780233
1914
13:14
You looked at the weather,
length of dresses, political opinion.
length of dresses, political opinion.
241
782171
3317
Az időjárást, a ruhák hosszát,
a poltikai véleményt.
a poltikai véleményt.
13:17
JS: Yes, length of dresses we didn't try.
242
785512
2837
JS: Igen, csak a ruhák hosszát
nem próbáltuk.
nem próbáltuk.
13:20
CA: What sort of things?
243
788373
2057
CA: Akkor miféle dolgokat?
13:22
JS: Well, everything.
244
790454
1158
JS: Lényegében mindent.
13:23
Everything is grist for the mill --
except hem lengths.
except hem lengths.
245
791636
3264
Bármit, ami jól jöhet,
kivéve a felhajtások hosszát,
kivéve a felhajtások hosszát,
Időjárást, éves jelentéseket,
negyedéves jelentéseket;
negyedéves jelentéseket;
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
a múltbéli adatok önmagukban több kötetet
kitesznek, amit csak el lehet képzelni.
kitesznek, amit csak el lehet képzelni.
13:35
Whatever there is.
248
803932
1151
Ami csak létezik.
13:37
We take in terabytes of data a day.
249
805107
2621
Terabyte-nyi adatot kezelünk
naponta.
naponta.
13:39
And store it away and massage it
and get it ready for analysis.
and get it ready for analysis.
250
807752
4124
Tároljuk, egy kicsit átgyúrjuk,
előkészítjük az elemzésre.
előkészítjük az elemzésre.
13:45
You're looking for anomalies.
251
813446
1382
Anomáliákat keresünk.
13:46
You're looking for -- like you said,
252
814852
2953
Keresünk — ahogyan mondtad —,
13:49
the efficient market
hypothesis is not correct.
hypothesis is not correct.
253
817829
2452
a hatékony piacok elmélete nem megfelelő.
13:52
CA: But any one anomaly
might be just a random thing.
might be just a random thing.
254
820305
3467
CA: De bármelyik anomália önmagában
akár véletlen is lehet.
akár véletlen is lehet.
13:55
So, is the secret here to just look
at multiple strange anomalies,
at multiple strange anomalies,
255
823796
3658
Tehát az lenne a titok,
többes anomáliákat keresni,
többes anomáliákat keresni,
13:59
and see when they align?
256
827478
1328
és lesni, mikor illenek össze?
14:01
JS: Any one anomaly
might be a random thing;
might be a random thing;
257
829238
3213
JS: Bármelyik anomália lehet véletlen,
de ha elég sok adatunk van,
de ha elég sok adatunk van,
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
akkor meg tudjuk mondani,
hogy ez most nem az.
hogy ez most nem az.
14:07
You can see an anomaly that's persistent
for a sufficiently long time --
for a sufficiently long time --
259
835538
4950
Tekinthetünk egy tartós anomáliát,
14:12
the probability of it being
random is not high.
random is not high.
260
840512
4975
nem nagyon valószínű,
hogy az véletlen lenne.
hogy az véletlen lenne.
14:17
But these things fade after a while;
anomalies can get washed out.
anomalies can get washed out.
261
845511
4858
De ezek a dolgok idővel elhalványulnak,
az anomáliák eltűnhetnek.
az anomáliák eltűnhetnek.
14:22
So you have to keep on top
of the business.
of the business.
262
850393
2420
Valahogy mindig uralni kell az üzletet.
14:24
CA: A lot of people look
at the hedge fund industry now
at the hedge fund industry now
263
852837
2672
CA: Sokan úgy tekintenek ma
a fedezeti alap ágazatra,
a fedezeti alap ágazatra,
14:27
and are sort of ... shocked by it,
264
855533
4398
és szinte sokkolja őket,
14:31
by how much wealth is created there,
265
859955
2172
hogy mennyi gazdagság származik belőle,
14:34
and how much talent is going into it.
266
862151
2245
és hogy mennyi tehetséget szippant fel.
14:37
Do you have any worries
about that industry,
about that industry,
267
865523
4006
Vannak fenntartásaid
az ágazattal kapcsolatban,
az ágazattal kapcsolatban,
14:41
and perhaps the financial
industry in general?
industry in general?
268
869553
2414
és esetleg magával
a pénzügyi ágazattal általában?
a pénzügyi ágazattal általában?
14:43
Kind of being on a runaway train that's --
269
871991
2704
Mintha egy elszabadult vonaton ülnénk —
14:46
I don't know --
helping increase inequality?
helping increase inequality?
270
874719
4030
nem is tudom —,
hogy csak növeli az egyenlőtlenségeket?
hogy csak növeli az egyenlőtlenségeket?
14:50
How would you champion what's happening
in the hedge fund industry?
in the hedge fund industry?
271
878773
3831
Hogyan tudnád megvédeni,
ami a fedezeti alap ágazatban történik?
ami a fedezeti alap ágazatban történik?
14:54
JS: I think in the last
three or four years,
three or four years,
272
882628
2608
JS: Úgy gondolom,
az elmúlt három-négy évben
az elmúlt három-négy évben
14:57
hedge funds have not done especially well.
273
885260
2103
a fedezeti alapok nem teljesítettek jól.
14:59
We've done dandy,
274
887387
1400
Mi jól csináltuk,
15:00
but the hedge fund industry as a whole
has not done so wonderfully.
has not done so wonderfully.
275
888811
4001
de a fedezeti alap ágazat összességében
nem működik valami jól.
nem működik valami jól.
15:04
The stock market has been on a roll,
going up as everybody knows,
going up as everybody knows,
276
892836
4902
A részvénypiacnak jó időszaka volt,
felfelé ment, ahogyan közismert;
felfelé ment, ahogyan közismert;
15:09
and price-earnings ratios have grown.
277
897762
3445
az árfolyam/nyereség mutatók emelkedtek.
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
Tehát, mondjuk,
az elmúlt 5-6 éven át keletkezett
az elmúlt 5-6 éven át keletkezett
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
temérdek gazdagság nem
a fedezeti alapból származott.
a fedezeti alapból származott.
15:20
People would ask me,
"What's a hedge fund?"
"What's a hedge fund?"
280
908458
3221
Megkérdezhetik tőlem,
hogy mi is az a fedezeti alap?
hogy mi is az a fedezeti alap?
15:23
And I'd say, "One and 20."
281
911703
2260
Erre azt mondanám, "egy és húsz."
15:25
Which means -- now it's two and 20 --
282
913987
3566
Ami azt jelenti — most kettő és húsz —,
15:29
it's two percent fixed fee
and 20 percent of profits.
and 20 percent of profits.
283
917577
3353
hogy két százalék fix díj,
és 20 százalék profit.
és 20 százalék profit.
15:32
Hedge funds are all
different kinds of creatures.
different kinds of creatures.
284
920954
2352
Minden fedezeti alap más.
15:35
CA: Rumor has it you charge
slightly higher fees than that.
slightly higher fees than that.
285
923330
3239
CA: Azt beszélik, hogy te ennél
valamivel magasabb díjat szabsz meg.
valamivel magasabb díjat szabsz meg.
15:39
JS: We charged the highest fees
in the world at one time.
in the world at one time.
286
927339
3081
JS: Egyidőben mi alkalmaztuk
a legmagasabb díjat a világon.
a legmagasabb díjat a világon.
15:42
Five and 44, that's what we charge.
287
930444
3226
Öt és 44, ezt alkalmaztuk.
15:45
CA: Five and 44.
288
933694
1398
CA: Öt és 44.
15:47
So five percent flat,
44 percent of upside.
44 percent of upside.
289
935116
3234
Szóval öt százalék alapdíj
és a nyereség 44 százaléka.
és a nyereség 44 százaléka.
Még mindig igen szemrevaló összeget
hoztatok a befektetőinknek.
hoztatok a befektetőinknek.
15:50
You still made your investors
spectacular amounts of money.
spectacular amounts of money.
290
938374
2783
JS: Igen, jó hozamokat érünk el.
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
Az emberek őrjöngtek: "Hogyan
szabhatnak ilyen magas díjakat?"
szabhatnak ilyen magas díjakat?"
15:57
I said, "OK, you can withdraw."
293
945681
1627
Azt mondtam: "Visszavonhatja."
15:59
But "How can I get more?"
was what people were --
was what people were --
294
947332
2818
De "Hogyan kaphatok többet?"
— ez volt a szempontjuk.
— ez volt a szempontjuk.
16:02
(Laughter)
295
950174
1504
(Nevetés)
16:03
But at a certain point,
as I think I told you,
as I think I told you,
296
951702
2440
Egy bizonyos ponton,
ahogy azt szerintem mondtam már,
ahogy azt szerintem mondtam már,
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
kivásároltuk az összes befektetőt,
mert ez ad szabad kezet az alapnak.
mert ez ad szabad kezet az alapnak.
16:11
CA: But should we worry
about the hedge fund industry
about the hedge fund industry
298
959365
2704
CA: Kell-e félnünk attól,
hogy a fedezeti alap ágazat
hogy a fedezeti alap ágazat
16:14
attracting too much of the world's
great mathematical and other talent
great mathematical and other talent
299
962093
5438
túl sok matematikust
és más tehetséget szipkáz el
és más tehetséget szipkáz el
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
a világ egyéb problémái elől?
16:22
JS: Well, it's not just mathematical.
301
970817
1929
JS: Nem csupán matematikáról van itt szó.
16:24
We hire astronomers and physicists
and things like that.
and things like that.
302
972770
2679
Alkalmazunk csillagászokat,
fizikusokat és hasonlókat is.
fizikusokat és hasonlókat is.
16:27
I don't think we should worry
about it too much.
about it too much.
303
975833
2431
Nem hiszem, hogy nagyon kéne félnünk tőle,
16:30
It's still a pretty small industry.
304
978288
3142
ez még mindig elég kis terület.
16:33
And in fact, bringing science
into the investing world
into the investing world
305
981454
5997
Azzal, hogy tudományt vittünk
a befektetői világba,
a befektetői világba,
16:39
has improved that world.
306
987475
2159
ténylegesen fejlődött ez a világ.
16:41
It's reduced volatility.
It's increased liquidity.
It's increased liquidity.
307
989658
4070
Csökkent az árfolyam-ingadozás.
Nőtt a likviditás.
Nőtt a likviditás.
16:45
Spreads are narrower because
people are trading that kind of stuff.
people are trading that kind of stuff.
308
993752
3189
Kisebb a szórás,
mert az emberek ilyesmikkel kereskednek.
mert az emberek ilyesmikkel kereskednek.
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
Nem nagyon félek attól, hogy egy Einstein
fedezeti alappal kezdene el foglalkozni.
fedezeti alappal kezdene el foglalkozni.
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: Most életednek egy olyan
szakaszában vagy, hogy befektetéseid
szakaszában vagy, hogy befektetéseid
16:58
at the other end of the supply chain --
311
1006666
3734
egy egészen más célt szolgálnak:
17:02
you're actually boosting
mathematics across America.
mathematics across America.
312
1010424
4104
éppen azon vagy, hogy fellendítsd
a matematikát Amerika-szerte.
a matematikát Amerika-szerte.
17:06
This is your wife, Marilyn.
313
1014552
1865
Ő Marilyn, a feleséged.
17:08
You're working on
philanthropic issues together.
philanthropic issues together.
314
1016441
4756
Ti most együtt jótékonykodtok.
17:13
Tell me about that.
315
1021221
1163
Beszélj most erről.
17:14
JS: Well, Marilyn started --
316
1022408
3649
JS: Marilyn kezdte el —
17:18
there she is up there,
my beautiful wife --
my beautiful wife --
317
1026081
3447
ő az itt fenn, az én gyönyörű feleségem —
17:21
she started the foundation
about 20 years ago.
about 20 years ago.
318
1029552
2972
ő kezdte az alapítványt, nagyjából 20 éve.
17:24
I think '94.
319
1032548
1151
Azt hiszem, 1994-ben.
17:25
I claim it was '93, she says it was '94,
320
1033723
2095
Szerintem 1993-ban,
ő azt mondja, 1994-ben,
ő azt mondja, 1994-ben,
17:27
but it was one of those two years.
321
1035842
2571
valamelyik a kettő közül.
17:30
(Laughter)
322
1038437
2135
(Nevetés)
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
Úgy indítottuk be, hogy ez
egy kényelmes módja a jótékonykodásnak.
egy kényelmes módja a jótékonykodásnak.
17:40
She kept the books, and so on.
324
1048346
2507
Ő foglalkozik a könyveléssel, stb.
17:42
We did not have a vision at that time,
but gradually a vision emerged --
but gradually a vision emerged --
325
1050877
6714
Akkoriban nem volt konkrét elképzelésünk,
de lassanként kialakult —,
de lassanként kialakult —,
17:49
which was to focus on math and science,
to focus on basic research.
to focus on basic research.
326
1057615
5504
a matematikára, a fizikára,
az alapkutatásokra összpontosítunk.
az alapkutatásokra összpontosítunk.
17:55
And that's what we've done.
327
1063569
2772
Ezt is tettük.
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
Úgy hat éve otthagytam a Renaissance-t,
és elmentem dolgozni az alapítványhoz.
és elmentem dolgozni az alapítványhoz.
18:04
So that's what we do.
329
1072744
1571
Tehát ezt csináljuk.
18:06
CA: And so Math for America
is basically investing
is basically investing
330
1074339
2909
CA: A "Math for America" alapvetően
18:09
in math teachers around the country,
331
1077272
2638
az ország matematikatanáraiba
fektet be azzal,
fektet be azzal,
18:11
giving them some extra income,
giving them support and coaching.
giving them support and coaching.
332
1079934
3802
hogy plusz jövedelemhez juttatja,
támogatja és továbbképzi őket.
támogatja és továbbképzi őket.
18:15
And really trying
to make that more effective
to make that more effective
333
1083760
3051
Igyekszik ezt tényleg hatékonyan tenni,
18:18
and make that a calling
to which teachers can aspire.
to which teachers can aspire.
334
1086835
2601
hogy ez olyan hivatás legyen,
ami vonzza a tanárokat.
ami vonzza a tanárokat.
18:21
JS: Yeah -- instead of beating up
the bad teachers,
the bad teachers,
335
1089460
4790
JS: Igen, ahelyett,
hogy a rossz tanárokat csepülnénk,
hogy a rossz tanárokat csepülnénk,
18:26
which has created morale problems
all through the educational community,
all through the educational community,
336
1094274
4853
ami rontja a hangulatot
az egész oktatói társadalomban,
az egész oktatói társadalomban,
18:31
in particular in math and science,
337
1099151
2441
különösen matematikában és fizikában.
18:33
we focus on celebrating the good ones
and giving them status.
and giving them status.
338
1101616
6130
arra összpontosítunk, hogy kiemeljük
a jókat, és megbecsüljük őket.
a jókat, és megbecsüljük őket.
18:39
Yeah, we give them extra money,
15,000 dollars a year.
15,000 dollars a year.
339
1107770
2931
Plusz pénzt adunk nekik,
évi 15 000 dollárt.
évi 15 000 dollárt.
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
800 matematika- és fizikatanárunk van
New York városban, állami iskolákból,
New York városban, állami iskolákból,
18:47
as part of a core.
341
1115216
1814
ők adják a gerinc egy részét.
18:49
There's a great morale among them.
342
1117054
3686
Náluk jó a munkaszellem.
18:52
They're staying in the field.
343
1120764
2506
Maradnak a pályán.
18:55
Next year, it'll be 1,000
and that'll be 10 percent
and that'll be 10 percent
344
1123294
2895
A következő évben ezren lesznek,
ez 10%-a New York állami iskoláiban
tanító matematika- és fizikatanároknak.
tanító matematika- és fizikatanároknak.
18:58
of the math and science teachers
in New York [City] public schools.
in New York [City] public schools.
345
1126213
3544
19:01
(Applause)
346
1129781
5905
(Taps)
19:07
CA: Jim, here's another project
that you've supported philanthropically:
that you've supported philanthropically:
347
1135710
3410
CA: Jim, van itt egy másik projekt is,
amit önzetlenül támogatsz:
amit önzetlenül támogatsz:
19:11
Research into origins of life, I guess.
348
1139144
2397
Ugye, ez az élet eredetének kutatása.
19:13
What are we looking at here?
349
1141565
1447
Mit kutatunk?
19:15
JS: Well, I'll save that for a second.
350
1143536
1882
JS: Várj egy percet.
19:17
And then I'll tell you
what you're looking at.
what you're looking at.
351
1145442
2162
Azután elmondom, hogy mit kutatunk.
19:19
Origins of life is a fascinating question.
352
1147628
3056
Az élet eredete nagyon érdekes kérdés.
19:22
How did we get here?
353
1150708
1533
Hogyan jutottunk el idáig?
Pontosabban, két kérdés van:
19:25
Well, there are two questions:
354
1153170
1771
19:26
One is, what is the route
from geology to biology --
from geology to biology --
355
1154965
5868
Az egyik: milyen út vezet
a geológiától a biológiáig,
a geológiától a biológiáig,
19:32
how did we get here?
356
1160857
1381
és hogyan jutottunk el ide?
19:34
And the other question is,
what did we start with?
what did we start with?
357
1162262
2364
A másik pedig: mivel kezdődött?
Milyen anyagot — ha volt —,
kellett használnunk ezen az úton?
kellett használnunk ezen az úton?
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
19:39
Those are two very,
very interesting questions.
very interesting questions.
359
1167776
3061
Mindkettő nagyon érdekes kérdés.
19:43
The first question is a tortuous path
from geology up to RNA
from geology up to RNA
360
1171773
5834
Az első kérdés egy körülményes folyamat
az ásványoktól valami RNS-féléig,
az ásványoktól valami RNS-féléig,
19:49
or something like that --
how did that all work?
how did that all work?
361
1177631
2258
"Hogyan is működött?"
19:51
And the other,
what do we have to work with?
what do we have to work with?
362
1179913
2388
A másik, hogy milyen anyag kellett ehhez?
19:54
Well, more than we think.
363
1182325
1771
Több ez mint gondolnánk.
19:56
So what's pictured there
is a star in formation.
is a star in formation.
364
1184120
4843
Ez a kép itt
egy csillag születéséről készült.
egy csillag születéséről készült.
20:01
Now, every year in our Milky Way,
which has 100 billion stars,
which has 100 billion stars,
365
1189836
3425
Minden évben a Tejútrendszerünkben,
amely 100 milliárd csillagból áll,
amely 100 milliárd csillagból áll,
20:05
about two new stars are created.
366
1193285
2495
átlagosan 2 új csillag keletkezik.
20:07
Don't ask me how, but they're created.
367
1195804
2470
Ne kérdezd, hogyan, de keletkezik.
20:10
And it takes them about a million
years to settle out.
years to settle out.
368
1198298
3080
Millió év, amíg
egy ilyen folyamat lezárul.
egy ilyen folyamat lezárul.
20:14
So, in steady state,
369
1202132
2176
Így egyensúlyi állapotban egyszerre
20:16
there are about two million stars
in formation at any time.
in formation at any time.
370
1204332
3848
kb. kétmillió csillag van születőben.
20:20
That one is somewhere
along this settling-down period.
along this settling-down period.
371
1208204
3458
Ez itt valahol a folyamat közben van.
20:24
And there's all this crap
sort of circling around it,
sort of circling around it,
372
1212067
2936
És itt vannak ezek a kis izék,
amelyek körülötte keringenek,
amelyek körülötte keringenek,
20:27
dust and stuff.
373
1215027
1498
por és törmelék.
Ebből valószínűleg egy naprendszer
keletkezik majd vagy akármi.
keletkezik majd vagy akármi.
20:29
And it'll form probably a solar system,
or whatever it forms.
or whatever it forms.
374
1217479
3023
20:32
But here's the thing --
375
1220526
2176
De van itt egy dolog:
20:34
in this dust that surrounds a forming star
376
1222726
6348
a keletkező csillagot körülvevő porban
20:41
have been found, now,
significant organic molecules.
significant organic molecules.
377
1229098
6035
találtak szervesnek mondható molekulákat.
20:47
Molecules not just like methane,
but formaldehyde and cyanide --
but formaldehyde and cyanide --
378
1235958
6139
Nem csupán olyanokat, mint a metán,
hanem mint a formaldehid vagy a cianid,
hanem mint a formaldehid vagy a cianid,
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
olyanokat, amelyek építőelemek,
csírák, mondhatjuk, hogy az élet csírái.
csírák, mondhatjuk, hogy az élet csírái.
21:01
So, that may be typical.
380
1249136
2692
Ez jellemző lehet.
21:04
And it may be typical
that planets around the universe
that planets around the universe
381
1252395
6934
És jellemző lehet az is,
hogy a bolygók szerte az univerzumban
hogy a bolygók szerte az univerzumban
21:11
start off with some of these
basic building blocks.
basic building blocks.
382
1259353
3612
néhány ilyen építőelemmel kezdik létüket.
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
Ez vajon azt jelenti,
hogy mindenütt kialakul az élet?
hogy mindenütt kialakul az élet?
21:18
Maybe.
384
1266569
1364
Lehetséges,
21:19
But it's a question
of how tortuous this path is
of how tortuous this path is
385
1267957
4127
De ez attól függ,
mennyire körülményes az út
mennyire körülményes az út
21:24
from those frail beginnings,
those seeds, all the way to life.
those seeds, all the way to life.
386
1272108
4394
azoktól a törékeny kezdetektől,
a csíráktól, magáig az életig.
a csíráktól, magáig az életig.
21:28
And most of those seeds
will fall on fallow planets.
will fall on fallow planets.
387
1276526
5192
A csírák legtöbbje
terméketlen bolygóra hull.
terméketlen bolygóra hull.
CA: Szóval, te személy szerint
21:33
CA: So for you, personally,
388
1281742
1409
21:35
finding an answer to this question
of where we came from,
of where we came from,
389
1283175
2722
választ szeretnél a kérdésre,
hogy honnan jöttünk,
hogy honnan jöttünk,
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
és hogyan történt mindez.
21:41
JS: Would love to see.
391
1289603
1786
JS: Igen, szeretném látni a választ.
21:43
And like to know --
392
1291413
1490
És tetszik a gondolat,
21:44
if that path is tortuous enough,
and so improbable,
and so improbable,
393
1292927
5170
hogy ha az út körülményes
és bizonytalan is,
és bizonytalan is,
21:50
that no matter what you start with,
we could be a singularity.
we could be a singularity.
394
1298121
4754
nem számít, hogyan indultunk,
egyediek lehetünk.
egyediek lehetünk.
21:55
But on the other hand,
395
1303336
1152
Másrészt,
21:56
given all this organic dust
that's floating around,
that's floating around,
396
1304512
3478
ha egyszer van ez a szerves hulladék,
ami áramlik mindenütt,
ami áramlik mindenütt,
22:00
we could have lots of friends out there.
397
1308014
3791
lehet egy csomó barátunk a Földön kívül.
Óriási lenne, ha tudnánk.
22:04
It'd be great to know.
398
1312947
1161
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, néhány éve alkalmam
volt beszélgetni Elon Muskkal,
volt beszélgetni Elon Muskkal,
22:09
and I asked him the secret of his success,
400
1317636
2837
és megkérdeztem,
hogy mi a titka a sikerének.
hogy mi a titka a sikerének.
22:12
and he said taking
physics seriously was it.
physics seriously was it.
401
1320497
3691
Azt válaszolta,
hogy komolyan vette a fizikát.
hogy komolyan vette a fizikát.
22:16
Listening to you, what I hear you saying
is taking math seriously,
is taking math seriously,
402
1324696
4003
Most azt hallom tőled,
komolyan kell venni a matematikát,
komolyan kell venni a matematikát,
22:20
that has infused your whole life.
403
1328723
3003
ez hatja át egész életed.
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
Ez tett téged abszolut nyertessé,
ettől van módod befektetni
ettől van módod befektetni
22:28
in the futures of thousands and thousands
of kids across America and elsewhere.
of kids across America and elsewhere.
405
1336710
4496
gyerekek ezreinek és ezreinek jövőjébe
Amerika-szerte és másutt is.
Amerika-szerte és másutt is.
22:33
Could it be that science actually works?
406
1341567
2858
Lehet, hogy a tudomány tényleg hatásos?
22:36
That math actually works?
407
1344449
2772
Tényleg működik a matematika?
22:39
JS: Well, math certainly works.
Math certainly works.
Math certainly works.
408
1347245
4372
JS: A matematika mindenképp.
22:43
But this has been fun.
409
1351641
1198
De ez számomra öröm volt.
22:44
Working with Marilyn and giving it away
has been very enjoyable.
has been very enjoyable.
410
1352863
4946
Marilynnel dolgozni és pénzt osztogatni
nagyon élvezetes volt.
nagyon élvezetes volt.
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: Azt látom,
lelkesítő számomra a gondolat,
lelkesítő számomra a gondolat,
22:52
that by taking knowledge seriously,
so much more can come from it.
so much more can come from it.
412
1360793
4007
hogy ha komolyan vesszük a tudást,
abból sok minden más is kisülhet.
abból sok minden más is kisülhet.
22:56
So thank you for your amazing life,
and for coming here to TED.
and for coming here to TED.
413
1364824
3018
Köszönet az érdekes élettörténetért,
és hogy eljöttél a TED-be.
és hogy eljöttél a TED-be.
22:59
Thank you.
414
1367866
751
Köszönöm.
23:00
Jim Simons!
415
1368651
1101
Jim Simons!
23:01
(Applause)
416
1369806
4380
(Taps)
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