当前位置：首页 > news >正文

量化不确定性的庖丁解牛

news 2026/7/8 1:00:09

它的本质是：承认世界不是确定性的函数y=f(x)y=f(x)y=f(x)，而是一个随机过程。我们无法预知单一事件的结果，但可以通过历史数据、贝叶斯更新和统计模型，描绘出结果发生的概率分布 (Probability Distribution)。通过计算期望值 (Expected Value)、方差 (Variance/Risk)和置信区间 (Confidence Interval)，我们将“未知的恐惧”转化为“已知的风险成本”，从而在信息不完备的情况下，找到最优的行动策略。

如果把人生决策比作** poker (德州扑克)**：

确定性思维：试图看清底牌。如果看不到，就不敢下注。这在现实中是不可能的。
量化不确定性：
- 读牌：根据公共牌和对手行为，估算自己获胜的概率（如 60%）。
- 算赔率：计算底池赔率 (Pot Odds)。如果赢的收益足够大，即使胜率只有 40%，这也是一个+EV (正期望值)的决定。
- 资金管理：根据胜率波动（方差），决定下注大小，避免破产 (Risk of Ruin)。
- 核心逻辑：不追求每次都对，但追求长期来看，决策系统的期望值为正。

一、概率思维：从“是非”到“分布”

1. 破除二元对立

误区：“这件事能成吗？”（Yes/No）
真相：这件事成的概率是多少？失败的概率是多少？最坏情况是什么？
转换：
- 旧思维：“我要不要跳槽？” -> 纠结、焦虑。
- 新思维：“跳槽成功的概率是 70%，失败的概率是 30%。成功的收益是 +50k，失败的损失是 -10k。”

2. 概率分布模型

不同的不确定性符合不同的分布：

正态分布 (Normal Distribution)：身高、考试成绩。大部分集中在均值附近。
- 应用：评估日常工作的绩效波动。
幂律分布 (Power Law)：财富、影响力、初创公司回报。少数头部占据绝大多数资源。
- 应用：副业探索、投资。必须接受大多数尝试会失败，但一旦成功回报巨大。
泊松分布 (Poisson Distribution)：单位时间内事件发生的次数（如网站访问量、Bug 出现频率）。
- 应用：系统容量规划、服务器运维。

💡 核心洞察：别问“会不会发生”，要问“发生的可能性有多大，以及后果有多严重”。

二、期望值计算：决策的北极星

1. 期望值公式 (Expected Value, EV)

EV=∑i=1nPi×Vi EV = \sum_{i=1}^{n} P_i \times V_iEV=i=1∑nPi×Vi

PiP_iPi：第iii种结果发生的概率。
ViV_iVi：第iii种结果的价值（收益或损失）。

2. 实战案例：是否学习一门新技术（如 Go 语言）？

情景 A：学会并涨薪
- 概率P1=0.4P_1 = 0.4P1=0.4(基于市场需求和个人能力评估)
- 价值V1=+20,000V_1 = +20,000V1=+20,000(年薪资涨幅)
情景 B：学会但没涨薪（技能储备）
- 概率P2=0.4P_2 = 0.4P2=0.4
- 价值V2=+5,000V_2 = +5,000V2=+5,000(未来机会增加，心理安全感)
情景 C：学了但放弃/没用
- 概率P3=0.2P_3 = 0.2P3=0.2
- 价值V3=−2,000V_3 = -2,000V3=−2,000(时间成本、学费)
计算 EV：
EV=(0.4×20,000)+(0.4×5,000)+(0.2×−2,000) EV = (0.4 \times 20,000) + (0.4 \times 5,000) + (0.2 \times -2,000)EV=(0.4×20,000)+(0.4×5,000)+(0.2×−2,000)
EV=8,000+2,000−400=9,600 EV = 8,000 + 2,000 - 400 = 9,600EV=8,000+2,000−400=9,600
决策：EV>0EV > 0EV>0，且远高于成本，值得做。即使最终没涨薪（情景 B 或 C），从决策质量上看，这依然是一个正确的决定。

3. 非对称性 (Asymmetry)

有限损失，无限收益：如写开源代码、建立个人品牌。
- 损失：时间（有限）。
- 收益：知名度、工作机会、被动收入（理论上无限）。
- 策略：大量参与此类高不对称性的活动。

三、风险度量：不仅看收益，更要看波动

1. 方差与标准差 (Variance & Standard Deviation)

定义：衡量结果的离散程度。
意义：两个方案 EV 相同，但方差不同。
- 方案 A：100% 获得 100 元。
- 方案 B：50% 获得 200 元，50% 获得 0 元。
- 选择：如果你急需 100 元救命，选 A（低风险）；如果你在积累财富，选 B（高风险高回报）。
应用：根据你的风险承受能力 (Risk Tolerance)选择策略。失业期应降低方差（求稳），成长期可适当提高方差（求突破）。

2. 最大回撤 (Max Drawdown) 与破产风险 (Risk of Ruin)

原则：永远不要承担可能导致“出局”的风险。
凯利判据 (Kelly Criterion)：用于确定最佳下注比例，以最大化长期增长率并避免破产。
f∗=bp−qb f^* = \frac{bp - q}{b}f∗=bbp−q
- f∗f^*f∗：下注比例。
- bbb：赔率。
- ppp：胜率。
- qqq：败率 (1−p1-p1−p)。
启示：即使胜率很高，如果全仓押注，一次黑天鹅事件就会让你归零。保留冗余 (Slack) 是生存的关键。

3. 置信区间 (Confidence Interval)

概念：我们不预测单一值，而是预测一个范围。
- “我下个月能赚 10k” -> 错误。
- “我有 90% 的把握，下个月收入在 8k-12k 之间” -> 正确。
应用：做财务计划时，使用保守估计（下限）而非乐观估计（均值）。

四、贝叶斯更新：动态修正概率

世界是动态的，概率不是固定的。

1. 贝叶斯定理

P(H∣E)=P(E∣H)⋅P(H)P(E) P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}P(H∣E)=P(E)P(E∣H)⋅P(H)

P(H)P(H)P(H)：先验概率 (Prior)。基于过往经验的主观判断。
EEE：新证据 (Evidence)。新发生的事实。
P(H∣E)P(H|E)P(H∣E)：后验概率 (Posterior)。结合新证据后更新的信念。

2. 实战流程

初始判断：我认为转行做 AI 产品经理的成功率是 30% (P(H)P(H)P(H))。
新证据 1：我报了一个班，发现很难学懂 (E1E_1E1)。
- 更新：成功率下调至 20%。
新证据 2：但我认识了一位行业内导师，他愿意内推 (E2E_2E2)。
- 更新：成功率上调至 40%。
行动：根据最新的 40% 成功率，重新计算 EV，决定是否继续投入。

3. 强观点，弱持有

心态：要有明确的先验概率（敢于下注），但要随时准备被新证据打脸（快速修正）。
避免：确认偏误 (Confirmation Bias) —— 只寻找支持自己观点的证据。

🚀 总结：原子化“量化不确定性”全景图

维度	感性直觉	量化思维
世界观	deterministic (注定/随机)	Probabilistic (概率分布)
决策依据	感觉、运气、他人意见	期望值 (EV)、赔率
风险观	害怕损失、回避风险	管理方差、避免破产
更新机制	固执己见、事后诸葛亮	贝叶斯更新、动态修正
目标	每次都对	长期正期望
隐喻	算命先生	精算师