《噪声》9.预测性判断中的噪声

《噪声》的读书笔记和读后感。

我们来看第三部分：预测性判断。

判断与模型，简单的模型普遍优于人类判断

群体进行决策时，通常是智商最低的人成为标准

当一个群体进行决策的时候，通常并不是智商最高的那个人说的算，而是智商最低的那个人成为标准，我们听到过一个词，叫做无知者无畏，越是无知的人，越喜欢大声表达自己的观点。然后搞得好像这个观点，就是代表群体的意见一样，最后那些有不同观点的人，也不敢发声。最后反而默认了错误的观点。这就是一种社会压力，导致了不同群体之间产生的噪声

• 比如我们现在经常遇到的民粹主义，就是这个东西，在网上天天喷话题的那些人，左右了网友们的群体决策。

互相商量的群体决策，会产生更多噪声

作者说，互相商量的群体决策，可能结果更糟糕，会有更多的噪声产生

• 这点其实我们并不陌生，很多会议就是如此，天南地北说了很多，最后也没有什么结果。反而不如每个人分别发言效率更高
• 麦肯锡决策法中，就提到过，高效开会的方法，就是在进入会议室讨论之前，每个人，要提交一份自己的观点文字。也就是说要带着观点来开会，而不能在开会中，再产生观点。否则那样会效率很低。另外， 领导们在开会的时候一定要注意，那些率先开口发言的人，对于群体最后的判断影响巨大，我们务必要防范这些噪声，但也可以反过来利用这些噪声，当你需要某些结果的时候，就可以让一些与你观点相近的人，率先开口

专业人士预测结果最差

对于预测的结果，作者比较了机器，专业人士，和简单规则下的预测，结论是，专业人士最差。之所以有这样的结果，就是因为在预测中，专业人士遇到了更多地噪声

• 这其实不难理解，比如对于股市行情的预测，专业机构其实并不比个别投资者更准确。

预判

其实所谓预判，就是根据过往相关性的判断

• 比如一个人个子高，大概率他的脚也比较大，这二者的相关性是0.6，说白了还是概率。那么就有很多事情，会影响你的这个判断，比如他已经判断对了3次行情，那么你就倾向于认为，他下一次还能猜对。但这其实完全没有什么根据
• 这种事其实就发生在我们身边，比如你买基金的时候，是不是都爱找最近几年业绩好的基金经理去买，但其实他的这个业绩表现，很有可能就是赶上了行情。并不是能力有多高。有些基金经理更是这样，前面5-6年都很低迷，但最近突然业绩暴涨。如果让机器来判断的话，他肯定是相关性并不高的，但人来判断，你可能就会感觉，他水平很高
• 这其实就是峰终定律，最后这个时间点，如果刚好又是最好体验的话，他会让你的感觉非常好

判断都会有效度错觉

大部分人对于判断，都会有一种效度错觉，也就是你对自己的判断品质的满意感，会形成一种错觉，因为之前的信息我们基本都清楚，但是对于之后的信息，则没有那么大的把握

• 就好比我们讲K线的那些人，大家有没有发现，他们都是用过去的行情，给你讲技术分析，然后你问题当下是什么情况，他就会支支吾吾。这就是因为，过去的东西，不足以预测未来。往前讲人人都是诸葛亮，往后讲，大部分人都是猪一样
• 人类在做出判断的时候，总会被各种噪声干扰，所以其实人类判断决策的准确率，远比简单模型差的多。有科学家就说，你的判断模型，击败了你
• 这其实在投资中，策略比判断重要的多，所谓策略，就是一整套的判断模型，这个东西是已经跑通了的，拥有更大胜率的东西，而你的判断则具有很大的不确定性，有可能只是因为今天喝了点酒，你就激进很多。完全脱离了原来固有的价值体系，比如本来应该定投到年化20%止盈的，结果你没有止盈，而是一直拿着，想赚更多地钱，最后做了一波行情的过山车。这种事情，在资本市场上经常发生

所以在做投资之前，把所有的策略都写下来，也就是为什么买，什么时候买，为什么卖，什么时候卖，写下来的东西才是策略，你照着执行就可以了，如果你不写下来，那么等行情发展到那时候，你变卦的概率几乎是99%。也就是说，你明明制定了一个很好的策略，但是却因为执行不力而亏了大钱。

判断的时候，应该用尽量简单的模型

所以，我们做判断的时候，应该用尽量简单的模型，简单的公式，越简单越好。越是复杂的模型，你受到的噪声干扰也就越多。最后的准确性也就越差

• 比如在计算内在价值的时候，简单的市盈率法，市销率法，市净率法通常是最有效的，而那些复杂的现金流贴现模型，通常都错的离谱，甚至完全不具备参考价值。一般用DCF模型，就是看看最差情况，会怎么样，至于预测他的具体价值，基本上是没什么作用的。

作者的论述很复杂，但结论很简单，就是要尽量的消除你预判模型当中的噪声，简单的东西才会高效，越复杂的东西，可能效率就越差。其实这就是投资中的大道至简，当你做了很多年之后，你就会明白这句话真是真理，投资非常简单，就是便宜的时候买，尽量分散，然后一直拿着别动，特别高的时候，别贪心。就这么点事

• 所以我们的模型，就是判断市场到底是高还是低，风格到底是价值还是成长，有了清晰结论了，我们就调一调，如果没有清晰结论，我们就倾向于保持原来的持仓不要动。

复杂的东西，损害了我们的准确性

为什么我们会以为复杂的东西更有效呢，实际他们又损害了我们的准确性，主要是两方面，

1. 是大家发明的许多规则其实并不正确

2. 是即便复杂规则在原则上有效，他也不可避免的仅适用于能被观察到的情况，也就是说，有些事情可能并不可靠，而你却觉得他很可靠。

• 比如投资基金，数据证明绝大多数基金经理，其实是跑不赢市场的，而我们的感觉却完全不一样，每天看着基金排行榜，你总觉得好像战胜市场并不困难。投资指数，省心省力，还很省钱，但是绝大多数人，却并不心甘情愿，他们觉得这个太简单了，不能显示出自己的英明神武，但那些很复杂的模型，跑下来之后，其实并不比指数更加优秀。有人做了很多的模型测算，有时候简单一两个条件的东西，反而胜率最高，当条件复杂了之后，只存在于理论上的机会，而实际中，可能并不一定好用。

无噪声的规则

简单模型能胜出是因为条件少

简单模型的测算，之所以最后能够胜出，就是因为条件越少，噪声也就越少。比如市盈率，就是价格比上每股盈利，不用去假设任何东西，而那些复杂的DCF模型，就不可以。必须要假设 未来的盈利，还要预估自由现金流，贴现率也是假设出来的，众多的假设当中，其实就充满了主观因素，这些因素就是噪声。会让你的预测结果，差之毫厘，谬以千里。

复杂的东西，如何消除噪声

那么复杂的东西，我们该怎么消除噪声呢？作者说，这可能要借助一些机器的力量，比如最近很火的概念，叫做机器自学习，这个东西可以在预测方面表现的很出色，一个原因就是，他能够发现，人类无法想象的各种断腿的情况。什么意思，什么是断腿的情况？下面我们来介绍下。

机器学习

机器自学习，可以比人类的预测，准确性更高，主要是他能够发现很多断腿的情况，比如大家都在分析今天晚上人们去看电影的可能性，如果你知道了，某些人，刚刚摔断了腿，那么你会怎么推测？道理很简单，你之前的预测就全面被推翻了，不管这个人有多爱看电影，电影对他的吸引力有多大，只要知道他摔断腿了，他都不可能去看电影了，所谓断腿的情况，就是推翻原有预测模型的情况。

预测方面，机器做的要比人更加出色的原因

在这一方面，机器做的要比人更加出色

• 第一是因为他们可以获取更海量的数据，去分析之间的相关性
• 第二，他的判断也更果断。不会像人一样，婆婆妈妈犹犹豫豫。比如我们给机器设定，最高点回落5-10%，就是趋势走坏，应该止盈离场，机器通过自学习，会发现，有可能8%这个数据会更好，胜算更大，投资者损失最低，所以他会果断在8%的止盈位上砍仓。而人的判断很可能会做不到，总觉得这次是不是会不一样，要不要再多看两个点。所以人工智能，并不是什么魔法，机器也并不比我们高级，他就是一套识别模式，所谓他的学习能力，其实就是发现相关性，和计算大概率。他可能会花一定的时间，去理解这个模型，但是一旦他确定了模型，就会惨无人道的执行。而人类的计算能力本身就十分有限，也不可能惨无人道的执行，所以在结果上，二者就出现了较大的偏差。

低端的人工智能，就是你建好了模型，让机器去跑，这应该都不算是智能，顶多算是量化，而真的人工智能，是机器在运转的过程之中，不断地收集数据，然后不断地建立市场的相关性。把最大的胜率计算出来，按照最大胜率的策略，进行交易。

机器学习的应用

机器自学习，现在已经应用于各个方面

• 比如作者举了一个例子，说人力资源用算法写招聘软件，让机器算法挑出来的简历，录取可能性高了14%
• 这其实是非常有可能的，就跟我们在投资中的基本面量化一样，机器可以迅速识别市场中有用的因子，然后迅速把4000多只股票都翻一遍，把这些因子都给找出来，按照归因排序。按照胜率，确定他的仓位大小。这一切都可以交给程序去完成
• 未来医院可能也会引入大量的人工智能，机器根据化验结果，自己学习，分辨病症，准确性肯定会超过医生。会让误诊的概率大幅降低。也可以极大的提升医院的运行效率，以后医院可能只负责做检查，基本就可以不需要门诊了
• 有人说算法就不会犯错吗？当然不是，算法也会犯错，甚至一些人类的偶然间的行为，还会误导算法，但是两害相权取其轻，如果算法的错误率，明显低于人类，那么算法就是一种重大的进步

哪里有预测，哪里就有客观无知

客观无知

人类最大的一个弱点就是习惯于相信直觉，而且很多人，都对直觉深信不疑，甚至颇为满意，比如市场一跌，你就想逃跑，这就是直觉。因为几万年来，我们进化的结果就是这样，一旦遇到危险事件，逃跑和回避是我们的本能。还有就是，通常我们的过度自信，会形成明显的认知偏差。这些都会导致预测的时候，出现大量的噪声，哪里有预测，哪里就有客观无知，客观无知比你想象的要严重的多。

专家预测

之前我们就讲了，对于未知的世界，专家的预测概率也并不比普通人更高，而且长期预测，毫无意义，这不光是在股市上，各行各业都一样，比如天气预报的专家，预测下个月的天气，失败概率同样很高，跟瞎蒙也差不了多少，房产专家预测一个地方的发展状况，也没啥太多的根据。顶多就是把规划给你念一遍，但规划和发展是完全两回事。体育专家更是如此，那些足球评论员，一个中500万的都没有。预测未来的时候，越是自信，可能于是偏差过大。极度自信本身就是一种噪声。所以这跟我们之前所说的一致性预期，刚好吻合，当市场投资者，全都言之凿凿认为股市要上1万点的时候，可能最后的结果就刚好相反了。

作者的观点是，模型的决策能力，要比个人判断略胜一筹，但是我们却很不适应通过模型来做决策。通常我们都会显得对自己的决策能力很有信心，但实际上，结果并不好。

事情虽无法预测，但可以被理解

因果思维

但是我们的感知可能并不是这样，我们通常会有一个后见之明的误区，也就是说，总觉得自己当时是预测对了的，但是站在当时，你可能看的并不清晰，而一旦当这些事情发生之后，那些不确定消失了，你的不确定记忆也随之消失了。我们经常觉得两个事情，有因果联系，但其实并非如此，他们之间往往只存在相关性，而不存在因果性。啥意思，因果联系是确定的，而相关性联系是不确定的，比如因为你吃了一碗饭，所以就不饿了。这就是因果联系，只要吃饭就不会再挨饿。相关性联系是，只要家里做饭了，你就不饿了。通常情况是这样的， 饿了你肯定就去吃饭了嘛，所以二者相关性很高，但是没有必然联系，也可能就是做饭了，但你没吃，所以还是很饿。我们如果把相关性联系，当成了因果性联系，那么就会犯错。因果性思维，就是自以为了解了其中的因果性，所以就大胆的去进行推断，因为央行加息，所以股市会跌。但其实这二者也是相关性联系，并不是因果，所以最后的结果是，央行加息，股市不跌反涨的情况也很多。还有我们生活中的例子，多读书和取得成功之间，其实也是相关性联系，不是因果联系，不是说因为你读书了，所以你成功了。只是多读书的人，成功的概率比较高一些而已。