策略：纯机器学习的统计套利
公司只做一件事——全球股票的中短周期统计套利，信号完全由机器学习模型从历史数据中学得。它明确拒绝「先有经济假说、再验证」的传统量化路径，认为人工先验会引入偏差并限制模型能发现的模式。
美股市场 · 主要玩家
The Voleon Group
总部在伯克利、由统计学与机器学习博士创立的对冲基金，是极少数从第一天起就<strong>只用机器学习</strong>做统计套利、且明确拒绝人工判断的机构。
$23.4B
AUM
近年公开报道口径
+13.6%
2024 回报
媒体报道 · 费后
2007
成立年份
Berkeley, California
~200
员工数
研究员博士占比极高
A
COMPANY HISTORY
公司发展过程
按时间顺序梳理成立、规模变化、产品线扩张与关键事件。
- 2007
成立于伯克利
Michael Kharitonov 与 Jon McAuliffe 在加州伯克利创立 Voleon。两人均有统计与机器学习的学术背景，公司刻意远离纽约与芝加哥，靠近伯克利与斯坦福的学术生态招人。
- 2008–2012
早期的机器学习纯粹主义
在业内普遍认为机器学习「过拟合、不可解释、不适合金融」的年代，公司坚持完全由算法从数据中学习信号，不允许研究员基于经济直觉手工设定规则。早期规模很小，业绩波动明显。
- 2013–2018
机构资金进入
随着深度学习在其他领域取得突破，机构投资者对「纯 ML 基金」的接受度提高，Voleon 的 AUM 快速上升，成为伯克利与湾区统计/ML 博士的重要去向之一。
- 2019–2024
规模站上 $200 亿以上
AUM 升至约 $234 亿（含杠杆的监管口径在不同年份更高），并在 2024 年录得约 +13.6% 的回报。公司仍保持相对小的员工规模与单一策略线。
B
FOUNDING TEAM
核心创始团队
创始人与核心投研负责人的背景、履历，以及各自在机构中的角色。
Michael Kharitonov
联合创始人兼 CEO
UC Berkeley 计算机科学博士，此前在网络与分布式系统领域创业。负责公司的整体战略与工程体系。
Jon McAuliffe
联合创始人兼 CIO
UC Berkeley 统计学博士，曾任宾夕法尼亚大学沃顿商学院统计学助理教授，在变分推断等机器学习方法上有学术论文积累。负责研究方法论。
C
BUSINESS & PRODUCTS
业务、产品与主要特色
策略与产品线、技术与投研体系、组织模式，以及使其区别于同业的地方。
组织：小而深的研究团队
员工规模远小于同等 AUM 的同行，研究员几乎全部是统计、机器学习、计算机科学博士。没有基本面团队、没有宏观、没有做市业务——单一策略线是它区别于多策略平台的根本特征。
地理选择：伯克利而非纽约
总部设在伯克利而非华尔街，是有意为之：目标人才池是学术界与硅谷，而非投行交易台。这也让它在与 Google Brain / DeepMind 系人才的竞争中处于地理优势。
容量与风险
单一策略意味着容量天花板明确——统计套利的规模上限受制于市场流动性与交易成本。公司据报道对新资金采取选择性开放。纯 ML 路线的另一风险是模型不可解释：当策略失效时，难以判断是市场结构变化还是过拟合。
主要特色
- 极少数从创立起就纯用机器学习、拒绝人工设定规则的基金
- 单一策略线：全球股票中短周期统计套利
- 总部设在伯克利，人才池对标学术界与硅谷而非投行
- 两位创始人分别为 Berkeley CS 博士与 Berkeley 统计学博士
- 员工规模远小于同等 AUM 的多策略平台
D
KEY FIGURES
关键数据
公开可查的关键指标汇总。口径与时点差异较大，请配合下方说明阅读。
| 指标 | 数值 | 出处 |
|---|---|---|
| AUM | 约 $23.4B | — |
| 2024 回报 | 约 +13.6% | — |
| 成立年份 | 2007 | — |
| 总部 | Berkeley, California | — |
E
NOTES
说明与来源
本页 12 项数据中，0 项附有可点击的一手来源； 其余 12 项标注为「未核实」，表示未能检索到可公开引用的出处。
本页为公开资料的结构化整理，不构成投资建议。机构规模与业绩多为非强制披露信息， 口径与时点差异较大，引用前请核实一手来源。