你好,我是王烁。
上一讲,我把风险分成四阶,一阶风险是对可能损失的预期,二阶风险指的是对预期的偏离,三阶风险是那些我们无法形成预期的风险,四阶是我们连其存在都不知道的风险。我会一阶一阶细讲。
这一讲,先讲统计思维怎样帮助我们处理一阶风险。
一阶风险就是我们日常理解的那种风险。告诉我会死在哪里,我就不去那里;投资时人太多的地方不要去;看不清楚搞不明白的时候,要先跑掉再思考;等等等等。
我们的语言库里留下了无穷无尽关于风险的格言,是无数鲜血凝结而成的教训。每个人关于风险都有朴素的认知。
从给风险定性到定量
但是,之所以说我们对风险的认知是朴素的,是因为即便对一阶风险的理解,我们都是远远不足的。我们发现风险的能力还可以,但度量风险的能力就很差。定性还凑合,定量基本不行。
大多数人在大多数时候的行为,就是在外部刺激下作本能反应,不思而应。心理学家、诺贝尔经济学奖得主卡尼曼称之为系统1,速度快,几乎不动用大脑内存和运算资源。
相比之下,思而后应的时候非常之少。所谓思,在这里不是什么深邃思考,其实就是统计思维,收集和处理数据,根据概率决策。卡尼曼称之为系统2。它慢,耗费大脑资源。我们不轻易用它。
不思而应与统计思维之间的区别,首先就是颗粒度不同。
在小朋友心智成长的关键阶段,看电影总会缠着大人问谁是好人谁是坏人。心智初开,只能分黑白、进退、对错、好坏、阴阳。易有太极,是生两仪,指的就是这阶段。大多数人在大多数事件面前,思维就永远停留在两仪这个颗粒度水平上:告诉我谁是坏人,我打他!
二分法本质上是个开关,本来有很强的演化合理性。在大草原上,羚羊要是看见树丛一动,它可没时间精细化思考树丛后有只猎豹的概率。它得马上逃跑,要不然就来不及。跑错了不过虚惊一场,不跑有可能死无葬身之地。演化给人埋下了同样的开关算法,关键时刻用来救命。
但开关算法太过粗糙,社会中越来越复杂的风险事件,它处理不了。太极生两仪,还得再往下走,两仪生四象,四象生八卦,八卦再组六十四卦。停下来,算一算,一件事的吉凶能分出64种层次。要是不停下来算,那你一辈子就是个开关。
《易经》颗粒度很精细了,但它还有个问题,它其实是64种定性分析,还不是定量分析。古人用来把握世界的模型没有统计思维的帮助,但今天我们有了,我们应该做到更好。
第一,量化风险。
量化首先就是给出数字。语言不精确,往往是各有各的理解。我曾经与父亲争执不休,他认为一百多这三个字指的是一百上下,我认为指的是一百多一点。谁也说服不了谁。
原来以为就是我们父子较劲,后来在《超预测》一书里看到,中央情报局也有类似的问题,他们曾经把预测强度分成四级:几乎不可能、有可能、很可能、基本确定。后来才发现,原来对每个情报分析师来说,这些词儿对应的概率区间都不一样,有人认为很可能是80%可能,有人认为很可能是60%可能。我才明白,原来大家都是稀里糊涂。
找默认值
第二,凡事先找默认值。
无论面对什么,要强制性地刻意地形成第一反应:这件事,这个风险的基准水平(base rate)是什么?
基准水平就是默认值,它是关于一件事一种风险己有的可靠统计数据。它是两层意义上的平均值:在人群中的平均值和在不同时间段之间的平均值。
举个例子,生病看医生,医生让你拍X光胸片或者CT胸片。你拍片还是不拍片?拍的话,拍哪种片?
绝大多数人都在定性的意义上知道,射线扫瞄对身体有害,但不能为有害的程度定量。相当多的人在定性的意义上知道CT扫瞄对身体的伤害比X光大,但具体大多少也无法定量。如果你要把医疗决策拿在自己的手中,你得知道下面这些基准数据:
每次X光胸片给身体造成3.7个毫拉德(MRADs)的辐射量,每次CT胸片造成780个毫拉德的辐射量。毫拉德是辐射计量单位,数值越高,人体所受辐射量越大,致癌率越高。
具体是多高呢?人体每受100个毫拉德的辐射,一生中得白血病的概率上升1/10000000、肺癌的可能性上升1/6000000、淋巴癌的概率上升1/20000000。
这组数据是在各个时间段和各个人群中的平均值,它表达了医疗射线致病风险的基准水平,构成了我们在自己面临这类风险时的预期,是我们应该从之出发的默认值。决策时再加入自己的个体因素。
这里有两个要点:
第一,X光、CT的辐射风险平均而言很小,跟它提升诊断准确性的好处相比,承受这点风险几乎总是合算的;
第二,哪怕风险概率急剧上升时,你也不必马上就惊恐。CT胸片的辐射量是X光胸片的200倍,其致癌风险大约也上升了200倍,但这并不意味着拍CT胸片很危险。极小概率风险显著上升后仍然很小,讲增长率不讲基数等于耍流氓。
根据风险的基准水平确定你对风险的预期,这个决策的质量取决于统计数据的质量。
我刚才讲的这些医疗检查辐射风险的数据来自手边一本英文书Risk: A Practical Guide for Deciding What’s Really Safe and What’s Really Dangerous in the World Around You,两位作者David Ropeik和George Gray分别出身哈佛大学风险分析中心和哈佛大学公共健康学院,系统收集了美国人在日常生活里、常见环境中以及医疗决策时的,48大类主要常见风险的基准数据。
人生在世并非事事不可知,有许多已经有可靠数据定量分析。越多数量的人越多重复的行为,其风险基准就越稳定;社会越稳定成熟,其搜集统计的风险基准数据就越完备,也越易被公众获得。美国是全世界的典范,中国在这方面很偏科:消费行为大数据全球领先,其他数据差距太大。
问你个问题,哪种意外事件最危险,造成最多死亡的事件?在书里翻到答案时,我是很意外的。
摔倒。
以美国为例,全体人口当中,因摔倒致死的比例是十万分之六,稳居所有事故死亡率之首,平均一年有一万多美国人死于摔倒,远超中毒、溺水、火灾、枪击。
摔死很惨,没摔死也很惨:每年平均每三个美国老人中就有一个摔伤。老人摔伤骨折难以恢复,往往从此不能摆脱轮椅和护理,生活空间和质量就此塌缩。
我之所以用美国数据,是因为我没有中国数据。目测在中国这些数据只高不低。没有风险基准数据的统计和发布,间接导致社会普遍忽视这一风险,进一步导致几无相应防范安排。请问你家中有无老人?洗手间有没有安装防滑倒装置?房间里有没有实现无障碍通行?家里尚且如此,公共场合更从何说起!
完备统计常见风险的基准数据,并让公众易于获得,这件事上中国的差距实在太大了。所以我推荐你找这本书来看,当作家庭风险百科全书备查,里面提到的大多数风险都可参照。凡事不决查一查,立竿见影改善决策质量。
不同取舍偏好
第三,对风险的取舍是你自己的事。
上一讲中讲到《黑天鹅》作者塔勒布的操作,虽然预期市场会跌,但还是要买入。因为预期跌幅有限,如果市场反过来不跌反涨,则预期涨幅较大,这样统算下来买入的预期收益是正的。他的逻辑就是要高度重视损益较大的小概率事件,特别是超大损益的超小概率事件。这也是《黑天鹅》这本书的精髓所在。
伯乐做法则与他相反。伯乐是中国历史上相马第一人。他收徒弟,不喜欢的徒弟就教他相千里马,喜欢的徒弟就教他相驽马,就是普通马。为什么呢?因为千里马不常有,专相千里马的一年也上不了一次工,相驽马的就天天有活干。跟塔勒布相比,伯乐更重视把握大概率事件,哪怕单次收益小。
高损益小概率事件和低损益大概率事件,你重视哪一个?你的气质偏塔勒布还是偏伯乐?其实都可以。他们都是统计思维大师,你跟随哪条道路都可以。记住风险既不是概率也不是后果而是其乘积,你的选择就谈不上犯错,只是气质的取舍。
要形成对风险基准的合理态度,最难的还是承认自己绝大多数时候并不特殊。
大多数人在大多数事情上,都默认自己在平均水平以上。这认知偏差之所以会发生,是因为这世界上没有一个人是平均的。而每个人对自己的特殊性过于熟悉,所以对自认高于平均总有自认很合理的解释,同时每个人对他人的特殊性既陌生也不关心。结果是不懂得在大多数事情上,大多数人的特殊性相互抵消。
换句话说,重视风险基准水平,是外部思维,从整体看;困于自己的特殊性,则是内部思维,只看到自己的那点千千结。
摆脱内部思维对所有人都很难,可惜只有天才和幸运儿才无须摆脱内部思维,绝大多数人必须强制性地压抑内部思维,要将基准水平当作决策起点,而不要把自己的特殊性当起点。
本讲小结
这一讲,我给你讲了面对一阶风险时如何利用统计思维决策:
第一,要精细化思维的颗粒度,形成对风险的量化预期。
第二,风险预期的默认值是基准水平,也就是靠谱的统计数据,它是人群中的平均值和跨时间段的平均值。
第三,节制内部思维,不要困于自己的特殊性;要刻意启用外部思维:除非有足够相反证据,要求自己在大多数事情上从基准出发作判断。
思考题
塔勒布关注高损益小概率事件,伯乐看重低损益大概率事件,你重视哪一个呢?
欢迎在留言区跟我交流。
下一讲,我来跟你讲二阶风险。
我是王烁,我们下一讲见。
划重点
面对一阶风险,运用统计思维: 1. 要精细化思维的颗粒度,形成对风险的量化预期。 2. 风险预期的默认值是基准水平,它是人群中的平均值和跨时间段的平均值。 3. 节制内部思维,不要困于自己的特殊性;要刻意启用外部思维:除非有足够相反证据,要求自己在大多数事情上从基准出发作判断。
网友评论
塔勒布关注高损益小概率事件,而伯乐看重低损益大概率事件,这两种选择并不矛盾。
塔勒布的思想属于彩票思维,他是用一个较小的成本,来获得一个得到巨大收益的机会。如果这个机会没有出现他就认了,反正损失也不大。
而伯乐的思想属于长线思维,虽然短期的收益率不高,但是长期下来积累的总量比较可观,其实伯乐的出发点不只是低风险,他也很看重收益。
因此,塔勒布和伯乐的区别不只是风险偏好,还在于他们分析问题的时间维度不一样。塔勒布权衡的是短期,甚至只是一次交易的收益,而伯乐权衡的是长期收益。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
现在的我更看重伯乐看重的低损益高概率事件,这是血的教训教会我的。
中学时,因为一次竞赛拿了名次,保送了重点高中,结果从此迷恋上了高损益的低概率事件,学习虽然没有一落千里,但也从此自满骄傲,纯吃老本考了个二本,居然还是211,居然又经历了与985合校,拿到了985名校毕业证
一系列的低概率事件都碰上了,然后就在工作中不断的碰壁,而且荒废了近十年的时间,没有好好学习过任何一本书,没有仔细打磨过任何一门技能!后来居然还异想天开的裸辞创业,结果闲赋两年在家啃老,到现在创业勉强看到成功曙光
我是再也不敢想什么高损益低概率事件了,步步为营,小步勤挪,快速迭代才是王道!
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
我更重视塔勒布的关注高损益小概率事件。首先对可能损失的预期通过寻找基础概率做数字管理,为寻找那些可能在过去损失中得到的未来损失模型,尽力收集具有完整性,统一性,相关性和系统性的数据,虽然成功概率小一点,但损失有限而收益的波动幅度上不封顶,可以在自己能力范围内,能够计算相对靠谱的概率权(期望值),而且需要在多个点撒网式投入,通过舍得舍小搏大!
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
塔勒布关注高损益小概率事件,伯乐看重低损益大概率事件,我们该如何看待?
这个问题不仅要从个人偏高思考,更应该结合自己的职业特点和能力进行选择。
首先,伯乐本人不止是后者,而是全都要的类型,他既可以相千里马,也可以相驽马。只是相千里马的技艺需要极高的天赋,对天赋不够的众弟子,选择低损益大概率事件成了老师的偏爱,其中有老师的良苦用心。
反观塔勒布的做法,其职业的特殊性就拦住了绝大多数人。老爷子的职业是交易员,总是在金融市场冲浪,对我们而言几十年一次的小概率事件,人家可能一天经历好几回,而塔勒布本人有足够的能力、资源、时间去研究它们,并从中获利。所谓的高损益小概率事件,其实数量相当可观。
我的职业特点和个人偏好都属于相驽马,关注前者实在为难自己且受益太低,更喜欢关注后者,笨人下慢功夫嘛。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
很多时候我们明明在谈同一件事情,但是却总在鸡同鸭讲,谁也没办法理解对方到底是个什么意思,现在我找到了一部分原因,那就是大家都是定性不定量的泛泛而谈,自以为对方和自己的定性标准是一样的,殊不知只有定量之后你才会发现,差得简直就是一个世界。
当然,也许还有其他的原因,比如因果关系不对,双方都把对方的因看成果,果看成因。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
哈哈我会选高损益小概率事件,风险看见,收益不封顶,这买卖可以干,我一直是这么做的,18年贸易摩擦,我选择机进场A股,这次疫情我还会入场,下限看得见,上限看不到,我倒是很喜欢这种,我比较看好中国经济未来,我虽然这次也恐慌但是我还是相信武汉会赢,中国会赢!
其实平时做生意我倒是很喜欢,细水长流式的低损益大概率事件,原因很简单啊,我是普通人,不敢有妄念,把自己该做的做好。
投资与做生意我选择截然相反的策略,其实本质上我都属于保守主义,我一直在赌我们中国能赢。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
我个人比较偏向伯乐低损益大概率事件,从某种程度上说,我不太能承受太大的风险,也比较保守。天上掉馅饼这种概率太低了。记得有次我买了一个基金,之后不停的跌,每天看那个基金都是一种煎熬。到了赎回日,我就赶紧赎回了。虽然赔的不多,但依然是心结。此后我再也不买基金。无论谁跟我推荐。????????????
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
我觉得,要看每一件独立的事件之间是否相互影响,我会有不同的偏好
1. 单次博弈之间互相不影响的多次博弈,我选择高损益低概率事件,前提是期望值必须>0
先说塔勒布,通过计算期望值,例如一次10元的赌博(或者说投资)亏损的可能性是75%,亏损的损失是10元,收益的可能性是25%,收益是100,期望值是-10*75%+100*25%=17.5>0,所以就单次博弈来说,期望值>0
如果你和我说,有1000次这样的博弈,赌不赌?
我当然赌,根据大数定律,样本数量越多,则其算术平均值就有越高的概率接近期望值
所以如果来个1000次赌博,一定回归期望值>0,我稳稳的获益,我肯定选择高损益小概率事件
2. 前一次的事件对后一次事件有所影响的多次博弈,我选择低损益高概率事件
在伯乐的例子中,相普通马的机会比较多,伯乐的弟子干活的机会也比较多,虽然相中普通马的收益不高,但是每次都能相中,这位弟子的名声逐渐积累,形成正向增强回路,以后就有越来越多的人找他相普通马,他的名声和收益都会逐渐增加
相反的,专相千里马的弟子,由于并没有机会展示自己的才华,导致社会上并没有人知道他有这样的能力,越少人关注,他越不出名越没活干,形成了逆向增强回路,未来碰到千里马的机会就更少了
所以,如果独立的每一次事件,对下一次的事件有所影响的情况下,我会选择低损益高概率事件
推广到工作生活中,就我个人而言,我宁愿做一个每一件小事都能做到靠谱的人(低损益,但是高概率),这样我可以累积自己的好名声(靠谱的人),这可以为我带来未来的收益
生活中可能会有另一种人,平时默默无闻,不显山不露水,碰到危机关头,他可能凭借一己之力,力挽狂然,这固然精彩,但是能有多少情况会遇到危机关头呢
如果从公司的角度,作为一个公司领导者,我会为公司配置99%的员工具备相普通马的能力,但是会留下1%的能相千里马的员工,万一发现千里马呢?
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
这要看你的资金规模大小,资金规模较大时,塔勒布也会采用哑铃策略,而哑铃策略其实涵盖了所谓伯乐模式,而资金规模小时,应当更关注高损益小概率事件,正如安德烈科斯托拉尼告诉我们的:你很有钱就拿出小部分来投机,你小富即安别投机,你很穷又想发财就一定得投机是的交易或投资是有容量的,而时间是有限的
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
讲增长率不讲基数等于耍流氓,抛开计量谈毒性等于耍流氓。
我们不仅需要知道相对值,还要知道绝对值。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
统计学严格来讲是一门独立的科学,它是关于收集、分析、解释、陈述数据的科学。统计学的数学基础是概率论,在分析和解释数据时,要大量地使用概率论和其它数学工具,同时它也是概率论最大的用武之地。统计学研究的目的,通常是从大量数据寻找规律性,不同因素之间的相关性,以及可能存在的因果关系;在找到相应的规律之后,我们就可以利用它来建立数学模型,预估未来的发展和变化。
近年来,由于数据量的剧增,很多企业都在主动运用大数据,但是大数据谈了也有将近十年的时间,也有很多企业确实是在用,并非所有使用大数据的企业都在受益。这里面最主要的原因是使用方法不对。今天使用大数据,主要是为了寻找一些变量之间的关联性,从而达到准确预测的目的;但是在实际问题中,找准相关联的变量这件事本身却并不容易,这就需要运用统计学的方法来建立模型、找到其中的相关性因素。所以,仅仅拥有数据是不够的,我们还需要按照统计学的方法设计实验、进行统计和验证、得到最终结论、使用研究结果;只有这样,才能让大数据真正发挥作用,让更多人从中受益。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
在现实世界中,运用统计思维和统计学的工具,可以对大多数一阶风险做出准确定价的,也就能够做出对冲。比如,金融市场上的风险定价,也是基于统计思维,对那些可预测的一阶风险做出定价。不过,真实的情况却是,相对于收益,风险看不见、摸不着,是很难被量化的。这不仅仅是针对我们普通人,事实上,很多顶级的专业机构和学者,也会在这方面吃亏。典型的例子,就是长期资本管理公司破产的故事。这家公司成立于1994年,创始人是华尔街一代枭雄约翰.梅利韦瑟(John Meriwether),他在成立这个基金的时候,作了一个野心非常大的决定,就是要把风险这个难以捉摸的东西测量出来,然后在最合理和安全的范围内投资,这样一定稳赚不亏。梅利韦瑟知道想要做到这件事,一定要网罗世界上最聪明的脑袋,所以他找来了两位金融学泰斗级的人物罗伯特.默顿和梅隆.肖尔斯,这两个人不但是诺贝尔经济学奖的获得者,更是现代金融学的奠基人;除了这两位,团队里还有美联储前副主席,许多顶级学府的教授、博士,等等。这种靠量化风险进行套利的投资策略一开始相当不错,长期资本前10个月里就赚了20%;1995年赚了43%;1996年的回报是41%;而且更关键的是,他们不但业绩好,基金波动也很小,当时他们亏损最高的一个月也只亏了2.9%。但是,在1998年8月17日,俄罗斯公开宣布卢布贬值,与此同时还宣布了另外一件所有人都无法想象的事情:暂停国债市场交易,并且不再支付国债利息。换句话说就是欠的钱不打算还了。当时的长期资本有大量卢布和美元互换的产品,而且为了放大回报,还有几十倍的杠杆;消息一出基金立刻暴跌,仅仅一个礼拜之后,长期资本从最成功的对冲基金走到了破产边缘。据长期资本那些顶级专家的测算,这种事情的发生,在统计学上叫做六到七个西格玛之外的事件也就是这种事想要发生,整个宇宙的寿命都不够用,但它就是这么实实在在地发生了。由此可见,量化风险这件事,本身就是存在很大风险的。
对于我们大多数普通人来说,风险竟然是如此不可捉摸,我们就不要去运用复杂的统计学工具去计算风险,而是直接去衡量风险发生后会带来的后果。比如说,在投资上,我们就应该少去想到底会不会亏钱、会亏多少钱,而是去考虑如果亏损真实发生了,我们该怎么办。举个例子,我们现在想去购买指数基金、或者股票型基金,根据过往的资本市场历史数据,金融资产在短期内腰斩的事情是非常普遍的。那么,我们就应该考虑,如果买入之后,它真的下跌50%,可能是什么情况导致的?如果真的下跌50%,我们应该怎么办?也许我们需要及时止损,也许跌了一半之后我们应该再多买一点儿,这都是应对方式。但只有我们能搞清楚这两个问题,才算是真正衡量了风险的结果。所以,对于可预见的一阶风险,我们要避免侥幸心理,在事前就做好最坏结果的打算,这才能算得上是对风险合理的量化措施。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
当今社会的波动频率和幅度都远远大于古代。在宏观上应该用塔勒布的思维,关注大损益的事件,但通过概率广撒网进行投资(投入),抓住一次就可能实现财富和社会层级的跃迁。在微观上应该学伯乐,在选定的领域内精耕细作,遵循规律,持续按照概率进行一致性的操作,通过累积量变实现质变。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
面对一阶风险,最好是想办法把它量化,量化风险的一个好办法就是找到默认值或者说基础比率,有统计数据那就直接用好了,没有统计数据我们就要想点办法,比如用相关的数据来代替我们需要的数据。
最重要的就是承认自己不特殊。万老师讲《决断》这本书时提到了这样一个故事,丹尼尔·卡尼曼曾经召集一群人编写一本教材,编写过程中他们讨论这本书多长时间能写完,大家都认为在一年半到两年半之间能完成。卡尼曼就问了下别人编写类似的教材多久能完成,据小组中的一个人说40%放弃了,60%的人用了7到10年才写完。开始小组中的人都不屑一顾,认为这个时间太长了,最后他们用了8年才编完教材。
我们不是要否认自己的特殊性,我相信每个人都是特殊的,但是大多数时候我们的特殊和我们想做的事之间没有什么关系,所以对于那些普遍的风险来说承认自己不特殊,参考默认值行事就好了。当然有些时候我们会强烈感觉到自己在这件事上的特殊性,那么认真分析一下是不是真的特殊,如果确实是特殊的,那么恭喜你,按照你的特殊性去行事吧,这是一种幸运。
~~~~~~~~~~~~~~~~~~~~~
~~~~~~~~~~~~~~~~~~~~~~~
我重视低损益大概率事件,我自觉是一个普通人,对于风险比较厌恶。一个人的精力是有限的,在这有限的精力中,我觉得投入在回报相对明确的事情上更靠谱。例如通过学习让自己的知识储备多元化,多花一点时间在家庭上。这些都需要做长期的投资,且回报比较缓慢,表面上看不能立竿见影,短期收益很低,但从上期来看,滴水穿石、积沙成塔往往是回报最高的,这也是时间的力量嘛。
发表评论 取消回复