到1968年，他的累计回报率几乎高达5000%，远远超过了同时代的其他基金管理者。在1965年之前的5年里，他的收益率325%，远远超过当时最热门的共同基金225%的收益率。（数据来源：《富可敌国》）琼斯是如何做到的呢？在一份招股说明书中，他用一个例子解释了赚钱的逻辑：假设有10万美元的资金用来投资，且近期内对市场持乐观态度。
那么，琼斯的投资策略是这样的：1、借入10万美元，一共有20万美元；2、用其中的13万美元，买入好公司的股票；用剩余的7万美元卖空不好公司的股票；3、这样一来，净持有股票仅为6万美元。未来，如果股市平均上涨20%，因为选择了好公司的股票，所持有的股票可能可以获得30%的上涨。而做空部分，因为选择的是差公司的股票，可能只上涨了10%，从而减少了做空的损失。
整个组合的盈利是 13万*30% -7万*10% = 3.2万美元。而万一未来股市平均下跌20%，因为选择了好公司，所持有的股票下跌幅度可能只有10%，而做空部分因为是差公司，下跌会更剧烈可能有30%的跌幅。这样一来，整个组合反而有盈利：7万*30%-13万*10% = 8000美元也就是说，不管是市场上涨还是下跌，琼斯的投资组合都能做到盈利。
这是对冲基金最早也是最基础的盈利模式。经过之后长时间的改进和创新，现在的对冲基金，有了更多的投资策略，包括：1、宏观策略。 通过对宏观经济和金融环境分析的基础上，直接对股市、债券、外汇、大宗商品进行操作，主要做方向性的交易。先对原生资产的走势做出判断，然后通过一些流动性好的衍生产品，比如期货进行操作。
比较少做对冲套利。典型的宏观策略基金是索罗斯的量子基金。2、统计套利。统计套利最核心的是交易模型，根据输入的市场参数，由模型计算出来应该买什么卖什么。爱德华.索普是第一个实现统计套利策略的人，也建立了第一个成功的量化交易对冲基金。在对冲基金的风云录上，留下了非常多的故事：至今仍是全球最大规模的对冲基金桥水，曾与索罗斯量子基金平分秋色的老虎基金，曾风靡一时的美国长期资本管理公司。
人工智能在金融领域有哪些应用场景和作用？
据「AI 应用前沿」长期的行业观察，人工智能在金融领域的应用场景和作用 如下：智能信贷信贷是银行业的典型业务场景。其中，审批效率有限是传统金融信贷服务中长期存在的痛点。随着大众金融消费观念的逐步变化，小额高频的信贷服务需求正逐步成为一大趋势。而随着人工智能技术与金融科技的发展，信贷服务也逐渐向着高效的运作模式转变。
如移大数据征信、基于机器学习技术开发信用风险量化模型、通过拍照、视频、移动终端数据同步等手段核实客户信息等智能技术的应用都在提升信贷服务的效率和效果。智能反洗钱随着经济全球化的发展与技术的迭代更新，洗钱犯罪同样“与时俱进”，随着新技术与场景变的更加隐蔽，且成本与风险日益降低。犯罪网络化、专业化、国际化的趋势愈发明显，而洗钱犯罪的模式也愈发复杂。
在此趋势下，机器学习模型、专家系统等人工智能技术对反洗钱工作带来了新的进展，尤其在“知晓客户（Know Your Customer)”方面能够避免重复劳动，加速审核流程，并加强交易监控的工作效率。自动化理赔保险服务的理赔流程效率缓慢是行业中长期存在的痛点，概因理赔所牵扯到的文件审阅和审核步骤繁多，效率低下。
人工智能在保险赔付中的各项场景已存在大量应用。计算机视觉、语音识别等技术能够在理赔过程中加速身份认证、定损等工作。而自然语言处理技术能够自动化扫描并读取文件内容，大幅提高理赔，审查等工作中的数据审核效率。保险定制化由于传统保险模式存在信息不对称的现象会导致逆向选择与道德风险，在用户需求难以满足的同时制约了保险公司的盈利水平。
基于人工智能技术对数据的多维度利用，保险公司能够结合人的生活习惯、年龄、健康记录，投保经历等信息挖掘投保人的偏好和需求，并设计具有针对性的产品与保险方案，从而提供个性化的服务。保险反欺诈保险理赔案件中往往涉及大量信息，如查看信息、保单信息、出现信息等等。传统保险赔付流程对人的经验知识依赖较高，容易被惯性思维所误导，无法做到对案件中所有信息进行有效分析。
