《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。

噪声思维导图

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。

赞(1)
未经允许不得转载:读书笔记 » 《噪声》9.预测性判断中的噪声

评论 抢沙发

评论前必须登录!