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。