旁路观察
真正危 险的，不是冒 险，而是不知道在冒 什么险
内容来源 | 本文摘编自 中信出版集团书籍 《自然之善：疗愈、解压、免疫修复与身心滋养的科学真相》 【美】纳特 · 西尔弗 著 李晓霞 译 责编 | 贾宁 第 9936 篇深度好文： 7080 字 | 18 分钟阅读 如果一项投资的期望值为正，但你在获得预期收益之前 就已经亏光了 全部资金，该怎么办？
这是一个投资者熟悉、却很 少真正讨论的问题 。收益率、胜率和赔率都可以计算，但真正进 入市场之后，还会 多出一个变量：你能不能在结果出现之前一直 留在牌桌上？纳特 · 西尔弗因作品《信号与噪声》而为中国 读者熟知。他曾创 办 FiveThirtyEight，以精 准预测美国大选结 果而闻名。
在 2008 年他正确预测 49 个州的结 果，而 201 2 年更是成功 预测全部 50 个州。在新作 《不冒险就是最 大的风险》里，纳特不再只讨论 " 如何预测 "。他 开始讨论一个更 深入的问题：当 未来无法被准确 预测时，我们究 竟应该如何下注 ？一、从《信号 与噪声》到《不 冒险 就是最大 的风险》 【洪 灝】：纳特，很 高兴有机会与你 对话。
我想很多中国人认识你，是从美国 总统选举开始的。我几年前读过你的第一本书《信号与噪声》，那本书主要讨论如何使用统计方法预测现实生活中 的结果和事件；而你的新书《不冒险就是最大 的风险》更多是在讨论，这种统计方法如何解决现实中的问题，还有投资等领域的问题。
【纳特 · 西尔弗 】：《不冒险 就是最大的风险》作 为我第一本书 的延续，试图加入一点 " 人性 " 的因素。以管理和 评估风险为生 ，同时真正做出预测，是一件很不寻常的事情，因为你可能要 为自己的预测负责。当这个领域是 动态的、世界不断变化，而且你判断错了就会付 出代价时，这 和普通的人生选择完 全不同。
《信号与噪声》讨论预测本身，《不冒险就是最大的风 险》则开始讨 论预测与行动之间的距离。对于投资者来说，预测只是决策链条的一部分。真正困 难的从来不只 是判断，而是判断错误之后，你要付出什么代价。二、为什么预测选举， 比预测 市场容易？【洪灝】：在你最后几次总统大选预测中，大多数州都预测得很准确，部分摇摆州却 出现了一些偏 差。
但即便如 此，你依然是市场 上最接近最终结果的预测者。我很好奇，你在 处理摇摆州时，与 其他州有什么不同？为什么摇摆州特别难预测 ？【纳特 · 西 尔弗】：有几点。首先，美国政治的两极分化 非常严重。50 个州中，大概有 43 到 44 个州，在 当时实际上已经可 以相当准确地判断谁会获胜。
其次是政治高度区域化。如果你根据人们的种族、收入和教育水平等因素进行判断，很多州的结果其实并不难预测。真正困难的是摇摆州。我们的模型有一个别人没有充分处理的问题：不同州的结果并不是相互独立的。这很重要。它并不像我们进行 50 次相互独立的彩票抽奖或者抛硬币实验，而更像是只抛了一次硬币，而这个结果会同时影响多个摇摆州。
所以，有些 年份你可能几乎预测对了所有州；但另一些年份，你可能同时在多个州出现偏差 。这意味着模型的校准误差本身也 具有相关性 。我们的模型试图明确 计算这种相 关性，从而得到更好的概率预测。【洪灝】：这和你预测世界杯有点类似吗？【纳特 · 西尔弗】：某种程度上 是的。
世界杯是非常好的预测对象。一次 世界杯有 1 04 场比赛，而且五周之内就会结束。你可以不断得到反馈，并检验自己的预测 。但总统大选 不同。每四年才举行一次。我们的模型认为特朗普有 30% 的概率获胜，而市 场给出的概率 只有 15%，最终特朗普真的获胜，那么从预测的角度来看，这其实是一次非常 好的判断。
因为你的判断相对于市场而言具有正的期望价值。但人们往往看不到 这种长期视角 。【洪灝】：这也是市场比体育和选举更难预测的地方。体育有明确的规则，而且 规则不会经常 改变；选举也有非常稳定的制度框架。我们知道美国有 50 个州，知道选举什 么时候举行，也知道大部分基本规则。
但市场更加开放。市场中的均衡状态 非常复杂，因为每个人不仅在预测未来，还在 预测其他人在做什 么。很多算法策略都曾经在某个时期表现得非 常出色，随后却发 生惨烈的崩盘。30% 的概率，不等于 "; 不会 发生 ";。一次判断的价值，不能 只看结果是否发生 ，还要看你相对于市场有没有优势。
三、"; 村里人 " 与 " 河里人 "： 谁应该承担风险？【洪灝】：我觉得你新书有一个很有意思的划分：你把人分成 " 村里人 " 和 " 河里人 "。我不确定自己的理解是否完全准确，但你看起来并不像典型的 " 河里人 "。他们愿意承担风险、计算风险；而 "; 村里人 " 更加机构化，也更加厌恶风险。
传统机构投 资者可能承 担的风险较少，但他们又是市场不 可或缺的参与者。因为当有人想买入资产时，总要有人愿意卖出。如果排除 " 村里人 " ;，市场的 风险定价可能会发生巨大变化。没 有这些厌恶风险的参与者，市场甚至可能越来越难以交易。所以，我想听听你如 何看待这两类市场参与者。
【纳特 · 西尔弗】：我 认为，大多数 参与市场交易 的人其实都喜欢交易 。有些机构客 户会非常保守，但市 场上的大多数 人，在某种程 度上都属于 " 河里 人 &quo t;。如果你在玩扑 克或者其他博 弈游戏，你真 正需要最大化 的目标并不总是明确 的。从长期来 看，最大化期望值的 策略往往需要 承担一定风险 ，而这种风险 对于一个人的一生来 说，可能反而 是不理性的。
最典型的问题就是破产风险。如果一切归零，你就失去了继续参与游戏的能力。这也是为什么财富增加以后，会出现边际收益递减。假设我今天损失银行账户里 90% 的资产，那么这种损失会远远超过获得相应收益所能带来的好处。即使未来还有机会把收益再放大十倍，也无法弥补这种风险。
美国人有时候会觉 得富足是理所当然的，因为美国长期以来都是 一个富裕国家。但 如果一个人已经拥有大量财富，那么更加保守 的决策未必是不理 性的。尤其当他已经处在一个可能遭受巨大损 失的位置时。最大 的问题是破产风险。如果一场下注会让你失去 继续参与游戏的能 力，那么再高的期望值，也不值得。
四、" ; 期望值为正 "， 为什么还是 可能输光？【洪 灝】：我知道你 如何看待博弈。你会根据期望值 下注，并从概率 的角度看待一场 游戏。换句话说 ，你会完成一整 套情景分析，给 不同情景赋予概 率，再计算期望 值，然后据此下 注。问题在于，投资中我们永远 无法真正获得那 个 " ; 期望值 "。
即使一项投资的期望值 为正，它通往最终结果的过程也可能非常曲折 ，甚至于你在达到预期收益之前就已经亏光了全部资金。所以，无论是在扑克还是投资中，你实际上是如何管理这 种风险的？【纳特 · 西尔弗】：美国风险 投资行业的一项创新，就是意识到，如果你把很多押注组合在一起，其中一部分押注会具有极高的期望值。
比如，一家公司可能只有千分之一或者百分之一的概率 ，最终给你带 来一千倍回报。同时 ，你也会有一 些规模更小但回报率依然很高的投资，其中大约 90% 的 项目可能失败。如果 投资者把这些 押注组合起来，就会形成非常有力的策略。这也 是为什么风险 投资机构能够积累大 量资本，再加 上它们不断构建的募资叙事，以及过去投资带来 的收益，会形 成某种良性循环。
【洪灝】：如果你愿意承担 可计算的风险 ，并且大致知 道胜率和支付 率，那么从长期来看，只要你有足够耐心，是不是就有 可能获得成功 ？【纳特 · 西尔弗】：是的，但问题就在于耐心。如果你优先考虑长期结果，那么很多投资 的回报都会更 高。真正困难 的是，很多事情能够让你现在感觉不错，或者现在帮你 省点钱，但它 们可能只有在 未来才能带来 数倍的回报。
人很难坚持这种选择。美国人并不以耐心著称，但硅谷在这一点上确实比较特殊。例如英伟达。黄仁勋曾经讲过，公司经历过很多次接近破产的时期。但他们坚持了很长时间，最终获得了巨大的成果。" 高期望值 " ≠ " 好下注 "。真正的长期优势，往往属于那些能承受等待，也能承受失败的人。
五、 成功究竟来自能力、 运 气，还是监管优势？【洪灝】：中国也有很多非常成功的私募投 资机构。美国也有一小部分风险 投资人非常成功，比如彼得 · 蒂尔和马克 · 安德森。我 很好奇，这些极其成功的人之间 有什么共同特征？是什么让他们 如此成功？这种成功是否可以复 制？
【纳特 · 西尔弗】：这很难说 。有些人早 期完成了几笔高质量投资，之后就 不断加码这类机会。彼得 · 蒂尔实际上相 比很多人更加风险规避。人们经常 说，他们善 于逆向思考。我认为这 在一定程度 上是正确的。如果你要寻找尚未被 市场充分定价的机会，就不可避免地要在一定 程度上脱离主流共识。
此外，资本本身也会催生更多资本，个人声誉同样非常重要。比如安 德里森 · 霍洛维茨这样的公司，一旦选择与某位创业者合作，本身就会立刻给这位创业者创 造价值。它会 吸引更多人才，也会吸引其他投资者。这种成功究竟有多大程度来自自身能力、运 气，以及某种 程度上的监管俘获？
我认为大概率是三者共同作用。一个人可以既幸运，又有才干。绝大 多数极其成功 的人，都是运气与才干兼具。成功很少只有一个原因：能力决定上限，运气影响路 径，而资本、声誉和环境又会反过来改变赔率。六、 杠杆真正放大的，往往是错误 【洪灝】：谈到交易，最难做的决策之一就是仓位管理。
有时候完 全看对了 市场方向，但下注 不足；而下注过大 ，才可能让你陷入 麻烦。凯 利公式可以计算理 论上的最优下注规 模，但现实中很容 易出现毁 掉全部仓位的情况 。你如何调和理论 与现实？【纳特 · 西尔 弗】：凯利公式最 大的前提是，你能 够精准知道下注会 有多大概 率获胜。
但现实中，你通常并不知道真实概率。市场往往很聪明。除非你能确切知道真实的收益水平，否则凯利准则会促使你变得过于激进。这里的问题并不在凯利公式本身，而在于现实中的概率估计很难做到足够精确。模型告诉你的 20%，可能并不是真正的 20%。一旦输入本身存在偏差，按照理论最优比例下注，反而可能把这种偏差放大。
有时你的算 法会给出大量交易建议，而那些和 市场分歧最 大的押注，恰恰是你最不该去下注 的情况。因为这类情况或许反映出，市场掌握了你的模型并不具备的信息。【洪 灝】：金融市场中经常会找到一个 效果极佳的 因子，比如 " 动量 因子 "。我们总说，动量因子会一直有效，直到它失效为止。
那么在模型出 现问题时，我 们应该修改模型，还 是坚持自己的 判断？【纳特 · 西尔弗 】：在建模工作当中 ，我花费最多 精力的一件事，就是 寻找预测出错 的案例。如果 我的结论和市 场观点不一致，我会 仔细审视背后 的原因：是我掌握了 更好的数据，还是市场本身 存在某种偏差 ？
也可能只是我的模型遗漏了某些细节，甚至代码里存在错误。这意味着，模型的迭 代并不是看到 一次错误就立即调整参数。先找到错误发生的原因，再判断它究竟是随机波动、模 型缺陷，还是 现实环境发生了变化，往往更重要。普通人会对上一次的结果反应过度。你需要有 历史记录作为 依据。
你的立场在一开始 越清晰、越完备，模型就越能植入更多细节和 抗干扰能力。