现象学——一种独特的看盘方式

在终极的分析中,一切知识都是历史；
在抽象的意义下,一切科学都是数学；
在理性的基础上,所有的判断都是统计学。 
过去叫事实，已经不会改变，未来是个平行世界，叫概率云。

概率云在当下坍塌为事实。所以研究未来的方法是把过去的数据去反演概率云。所以概率是一种测度，度量未来的测度。

贝叶斯法则的举例分析可以将贝叶斯法则的分析思路表达如下。挑战者B不知道原垄断者A是属于高阻挠成本类型还是低阻挠成本类型，但B知道，如果A属于高阻挠成本类型，B进入市场时A进行阻挠的概率是20%（此时A为了保持垄断带来的高利润，不计成本地拼命阻挠）；如果A属于低阻挠成本类型，B进入市场时A进行阻挠的概率是100%。博弈开始时，B认为A属于高阻挠成本企业的概率为70%，因此，B估计自己在进入市场时，受到A阻挠的概率为：0.7×0.2+0.3×1=0.440.44是在B给定A所属类型的先验概率下，A可能采取阻挠行为的概率。当B进入市场时，A确实进行阻挠。使用贝叶斯法则，根据阻挠这一可以观察到的行为，B认为A属于高阻挠成本企业的概率变成A属于高成本企业的概率=0.7（A属于高成本企业的先验概率）×0.2（高成本企业对新进入市场的企业进行阻挠的概率）÷0.44=0.32根据这一新的概率，B估计自己在进入市场时，受到A阻挠的概率为：0.32×0.2+0.68×1=0.744如果B再一次进入市场时，A又进行了阻挠。使用贝叶斯法则，根据再次阻挠这一可观察到的行为，B认为A属于高阻挠成本企业的概率变成。A属于高成本企业的概率=0.32（A属于高成本企业的先验概率）×0.2（高成本企业对新进入市场的企业进行阻挠的概率）÷0.744=0.086这样，根据A一次又一次的阻挠行为，B对A所属类型的判断逐步发生变化，越来越倾向于将A判断为低阻挠成本企业了。以上例子表明，在不完全信息动态博弈中，参与人所采取的行为具有传递信息的作用。尽管A企业有可能是高成本企业，但A企业连续进行的市场进入阻挠，给B企业以A企业是低阻挠成本企业的印象，从而使得B企业停止了进入地市场的行动。应该指出的是，传递信息的行为是需要成本的。假如这种行为没有成本，谁都可以效仿，那么，这种行为就达不到传递信息的目的。只有在行为需要相当大的成本，因而别人不敢轻易效仿时，这种行为才能起到传递信息的作用。传递信息所支付的成本是由信息的不完全性造成的。但不能因此就说不完全信息就一定是坏事。研究表明，在重复次数有限的囚徒困境博弈中，不完全信息可以导致博弈双方的合作。理由是：当信息不完全时，参与人为了获得合作带来的长期利益，不愿过早暴露自己的本性。这就是说，在一种长期的关系中，一个人干好事还是干坏事，常常不取决于他的本性是好是坏，而在很大程度上取决于其他人在多大程度上认为他是好人。如果其他人不知道自己的真实面目，一个坏人也会为了掩盖自己而在相当长的时期内做好事。

贝叶斯定理给我们的启示塔勒布说过，数学不仅仅是计算，而是一种思考方式。
现实世界中，我们没法时时刻刻拿出电脑来演算一下公式，但是我们仍然可以通过这个定理得到一些宝贵的启示：
1、先行动起来。
大胆假设，小心求证。不断调整，快速迭代。这就是贝叶斯方法。
当信息不完备时，对概率的判断没有把握时，当然可以选择以静制动，但是不行动也是有代价的，你可能会错过时机，你也没有机会进步。这个时候，贝叶斯方法给我们提供了一个很好的思路，先做一个预判，动起来，利用新的信息不断修正原来的预判。
2、听人劝、吃饱饭，但又不能听风就是雨。
当我们没有把握时，我们很容易根据新信息调整看法。更大的挑战是，我们已经形成了一个看法，甚至有了成功经验时，当新情况出现后，我们能不能也去调整自己看法。那个黑盒子，我们摸索了一段时间，估计出了里面红球、黑球的概率，但是我们有没有想过，这个黑盒子里的球的比例会变化呢？
有了新信息，我们要对原来的看法做多大程度的修正呢？
这些，不可能有标准答案，但是明白了这个道理，有助于我们及时又谨慎的做出调整。
3、初始概率很重要。
初始概率越准确，我们就能越容易、越快速的得到真实的概率。疑邻盗斧，以貌取人，会让我们离真相越来越远。而如何获得相对靠谱的初始概率，是个硬功夫，它需要你的经验、人脉、平时的深度思考，有时甚至和底层的价值观、思维方式都有关。
丹尼尔.卡尼曼在他的《思考，快与慢》里，就特地强调了初始概率对贝叶斯方法的重要性。
4、对出现的特殊情况要引起足够的重视。
前面我们已经看到了，万分之一概率的事情，也有可能因为特殊事件，一下子变成了50%。所以，每当出现特殊的、罕见的情况时，我们要保持高度警惕，黑盒子里的球的比例是不是变化了？但同时我们也看到，如果检测精度不够高，即便出现了罕见事件，真实概率也可能不到10%。所以，具体要怎么采取行动，还需要进一步观察。
5、信息的收集，信息的质量，以及对信息的判断，是提高决策水平的最重要环节。
只要有新信息，就可以修正，哪怕初始判断错了，新信息足够多，也能修正过来。但是没有信息，就没有修正。所以，在做决定之前，尽可能多的收集信息是必须的。但是错误的信息、低质量的信息，会让你的修正偏离真相越来越远，你能不能区分信息来源的可靠性、能不能进行交叉验证、逻辑推理，就显得至关重要。
要做到这些，甚至某一些，都并不容易，掌握里面的平衡，就更加困难。
所谓高手，就是把自己活成了贝叶斯定理。

但是这里还是不同的。我们人类的大脑虽然也会根据新的证据调整我们的判断，但是我们天生有一种“证实倾向”，我们往往会高估证据的作用，但是贝叶斯定理不会，它强迫我们把假设不成立的概率也考虑在内，P(B|A_)和P(A_)，从而纠正了我们的认知偏差。
让我们再来看一个复杂一点的例子，这是一个经典的案例 ，网上随处都可以找到。
艾滋病毒(HIV)检测技术的准确度相当惊人。如果一个人真是HIV阳性，血液检测的手段有99.9%的把握把他这个阳性给检查出来而不漏网。如果一个人不携带HIV，那么检测手段的精度更高，达到99.99%——也就是说只有0.01%的可能性会冤枉他。已知一般人群中HIV携带者的比例是0.01%。现在假设我们随便在街头找一个人给他做检查，发现检测结果是HIV阳性，那么请问，这个人真的携带HIV的可能性是多大呢？
我们使用贝叶斯定理。A表示“这个人真的携带HIV”，B表示“检测出HIV”，那么根据现有条件，P(A) = 0.01%，P(B|A) = 99.9%，P(B|A-) = 0.01%，带入公式，计算得到P(A|B) = 0.01% * 99.9% * (99.9%*0.01% + 0.01%*99.99%) = 50%！
答案或许和你的直觉不一致，即使在这么惊人的检测准确度之下，哪怕这个人真的被检测到HIV阳性，他真有HIV的可能性也只有50%。
我们看到，如果是一种非常罕见的病毒，人群中只有万分之一的人感染，在这种情况下即使你的检测手段再高，也很有可能会冤枉人。甚至，如误诊率不是0.01%，而是0.1%的话，也就是检测手段再差一档，这个结果就会瞬间从50%降到9%。但是，我们也可以反过来想 ，这么罕见的疾病，一旦被检测出来了，也有50%的概率真的会得，这个跃迁是从万分之一，一下子到了50%。而如果我们假设这个病毒的感染率不是万分之一，而是千分之一，那么在原来的检测精度下，可能性就从50%升到了90%。
这其实可以解释为什么我们说一叶知秋，为什么说当你家发现了一只蟑螂，那么你家里一定已经有很多蟑螂了。罕见事件，可以对初始概率做出数量级的改变。*
贝叶斯定理，把我们的思考的方式给撕开了，揉碎了。