當你是零售連鎖店的經理，若你被要求明年度的業績要成長 10% 時，人會很自然的提出每家分店增加10％銷售量的解決方案。根據迴歸均值 (regression to the mean)的概念，其實你該做的規劃是，低績效的分店增加超過 10％ 的銷售量，而其他績效較好的分店增加較少的銷售量
若你要預測一個在小時候愛讀書的人，在大學的 GPA 分數，你可以這麼做
取得平均 GPA 分數做為你預測的開始 (這是你的 baseline)
確認平均 GPA 分數是否符合你對證據的印象 (這是你的直覺預測)
評估你的證據與平均 GPA 分數之間的關係 (從 baseline 朝向你的直覺預測移動)
若關連性是0.3，則將平均 GPA 分數向右移動 30% （產生最後預測結果）
直覺預測需要被修正，因為其不回歸（regression）且有偏誤（bias）。假定我預測高爾夫公開賽每個選手第二天的桿數跟第一天相同，這個預測不容許回歸平均值 (regression to the mean)：高爾夫選手第一天進展很順利平均而言會比第二天差，而表現比較差的選手，大部分會有改進。最後當他們跟實際的結果比較，非回歸性預測會被發現有偏誤（bias）。即時你的預測已經修正了偏誤（bias），但你仍然有可能會犯錯，只是會縮小錯誤的大小
人類在預測常發生偏誤的原因是：忽略了 base rates （基本比率）以及對於資訊的品質沒有敏感度。直覺預測常會過度自信且過度偏激
當你在預測時，若沒有其他有用的證據可以參照時，記得參照 base rates （基本比率）來做預測。
英國遺傳學家Galton 發現，父母特徵的確會遺傳給後代，但是並不會產生極端身高的族群。當父母的身高已經遠離平均身高時，生下的兒女身高並沒有持續「遠離」平均，而會稍微「靠近」平均，也就是相對矮了一點；反之父母身高很矮的後代，身高會相對其父母「靠近」平均一點。Galton 把這個「極端」往「平均」移動的現象稱為「 regression to the mean 」。用東方人的說法，就是「物極必反」
-
系統成分( Systematic Component )：給定的迴歸中，用來解釋研究現象的元素
隨機成分( Random Component )：研究希望討論的「未知」的現象
連結函數( Link Function )：描述系統成分與隨機成分兩者之間關係的函數
人類常會犯下敘述的謬論 (Narrative fallacy)，事情在發生過後，以一種敘事性的描述來回顧這件事，會讓這個歷史事件看來有跡可尋，脈絡明晰。人類總是持續在愚弄自己，不斷地在建構過去的歷史事件，使其脈絡可循，並相信這是真的
人們很難接受機運、運氣這樣的說法，事實上，有些冒著愚蠢而過高風險的人，假如時機剛好對，風向對他們有利，他們看起來會機靈無比。在投資界，就是某些報酬率高超的投資人。在企管界，就是某些被稱贊說有前瞻與進取心的總裁。這些人會持續看起來很聰明，直到運氣反轉的那一天。同一位精明的總裁，在公司營收衰退後，就會開始收到一些”決策僵化、不知變通、守舊”的評語。事實上，同一個人在前陣子聲勢如日中天時，大家對他的描述是”有彈性、進取、創新”。
對於我們的無知，我們總是有無限的能力去忽視它
Illusion 的核心是，我們相信我們了解過去，並隱含著也了解未來。但是，事實上，我們對於過去的了解比我們相信我們了解的少很多
hindsight bias (後見之明偏誤) 指當人們得知某一事件結果後，誇大原先對這一事件的猜測的傾向，俗語稱「事後諸葛」。後見之明偏見的一個基本的例子是，在知道一個不可預見事件的結果後，一個人相信自己「早就知道結果會這樣」。後見之明的偏見可能導致記憶失真，回憶與重建內容時產生錯誤的理論成果。如歷史著作中對戰役結果的描述，醫生對臨床試驗的回顧和司法系統對事故責任和可預測性的判定，還有沈迷於賭博的人們，因後見之明偏誤 (hindsight bias) 而過度高估自己的預測能力
outcome bias (結果偏誤) 是指以結果論成敗，而不管決策當時是否做了正確決定。人生充滿不確定性，有許多牽涉到風險和不確定性的問題，都沒有正確的答案。 因此，人們只能做出他認為理性、看起來正確的決定，但由於預料之外與難以預料的情況，做出的決定未必能產生理想結果。結果偏差讓人們過於強調實際發生的事情，而忽略了決策本身的好壞。在交易時，就連正確做法也會造成虧損交易，甚至損失接踵而來。這些損失會讓交易人對自己和他們的決策過程產生懷疑，進而完全推翻他們一直以來所使用的方法。如2008年的金融海嘯讓很多投資人虧損嚴重，以致於投資人2009年普遍因2008年的結果而操作保守錯失投資行情，但就歷史數據告訴我們，跌深後必會反彈，但當下讓人們因為過於強調實際的事件，而投資操作的事件的好壞。( https://goo.gl/rThaPV )
當有人說，這個錯誤很明顯可見，但這只是馬後炮 (hindsight)，你無法事先知道會有這個錯誤
你沒有證據來解釋這家公司經營不善，你僅知道這家公司的股價大跌。但人們在股價大跌時，很容易對這家公司產生負面的想法，這是一種 outcome bias (結果偏誤)、一部分的 hindsight bias (後見之明偏誤) 與一部分的 halo effect (光環效應)
大部分的股市的買家與賣家都擁有相同的資訊，但是他們因為有不同的看法而互相交換股票。買進的人覺得現在的價格太低，可能會跌深反彈；賣出的人絕目前價格太高，可能會向下修正。這是一個令人感到困惑的現象，買賣雙方都覺得目前的價格是不合理的，但是做出不同的行為。是什麼原因讓買家與賣家相信價格目前是太高或太低呢？大部分都是幻覺 (illusion) 所導致
根據研究顯示，平均來說，最主動積極的投資人擁有最差的投資回報，反倒是較少進出市場的投資人，擁有較高的回報。再用性別來做調查，男人相較於女人會有更多無用的會賠錢的想法，所以女人會比男人有更好的投資績效
根據研究顯示，大部分的 fund maangers 的選股比較像是在擲骰子，他們所選擇的 mutual funds 至少有三分之二沒有達到預定目標
預測失準是無法避免的，因為未來是無法預測的。高度主觀的自信，不能做為精確、可被信任的指標。
問題不在於這些財經專家是否經過良好的訓練，而是他們所處的世界是否是可預測的
每次股市盤後，都會看到財經專家有一套理論來解釋本日的漲跌原因，這樣會讓他人與自己對其產生幻覺 (illusion)，以為他了解這個世界
若有一個經過驗證過的、可靠的方程式 (formulas)、演算法 (algorithms) 或檢查清單 (checklist)，以結果的正確性來說，專家的準確性會較差，因為人容易受到外部環境的影響而做出錯誤的判斷，方程式 (formulas)、演算法 (algorithms) 或檢查清單 (checklist) 則不會受到影響。根據研究顯示，若希望讓預測的精確性最大化，最後的決定應該交給方程式 (formulas)、演算法 (algorithms) 或檢查清單 (checklist)
若你在幫公司招募人才，你不該不著邊際的亂問問題，若你很認真看待這件事情，你應該做好兩件事 (假設你再招募業務人員)：
列出幾項可以勝任此職位的特質 (如技術嫻熟度、可靠度等)：最多六個 特質，不要過度設計。每個特質間盡可能彼此獨立，而且你可以根據這特質問出實際的問題，且這些特質有辦法可靠的衡量此人是否適合此職位
根據每個特質列出一系列的問題，並想想該怎麼評分，如一到五分，數字越高代表表現越好：最後你可能會發現，面試過程你最喜歡的人，未必是最高分的人。記得要靠最後評分的數字來挑選人選，而非靠第一印象。
Expertise (專門技能) 的養成通常是非常花時間的，且expertise的獲取是一個非常複雜的過程，如西洋棋家、籃球選手、打火兄弟等，都是非常複雜與緩慢的過程。因為 expertise 在這個專業領域需養成的不是單一技能，其是由大量的小技能 (a collection of miniskills) 所組合而成的 。如西洋棋選手的養成，若要變成高段的選手，至少需要一萬個小時的持續練習 (一天五小時，持續六年)，選手們要學習上千種不同的佈陣，並學習在不同的狀況下如何威脅對手或自我防衛
真正的專家會知道自己知識的限制。但是很多專家常有主觀的自信，不知道它們自己在做什麼，也是因為專家們不知道自己所擁有的專業知識或技能的限制，所以才常會過度自信。那我們該如何判斷哪些 expertise 是可以被信任的呢? 其有兩個條件可以用來判斷：
環境足夠規律到可以被預測
- 透過長時間的練習學習到重複發生的模式
No comments:
Post a Comment