编者推荐：
2021年以来，市场出现了大幅波动。在塔勒布的思维体系中，真正的风险是看不到的风险，而这些小概率事件在金融市场发生是一种大概率事件。大家总认为世界是平均主义，事实上却是极端主义，风险管理是投资中最重要的事情。夏普比率描述的是过去，但并没有告诉你真正隐含的风险多大（比如感恩节的火鸡故事）。今天分享一篇来自好友吴廷华的读书笔记，希望给大家带来帮助！
引言：
爱因斯坦说：“复利是世界第八大奇迹”，巴菲特的两条投资标准“第一，不要亏钱。第二，永远不要忘记第一条”。持续、稳定的复利增长能够带给持有人更好的持有体验，也是大多数资产管理人追求的目标。
资产管理的核心是风险管理，持续稳定的收益是风险管理的结果，要获得理想的结果不是靠紧盯着记分牌，而是要时刻关注过程是不是正确执行
。
风险管理所面对的是世界的种种不确定性，黑天鹅事件似乎越来越多，影响越来越大，可预测性越来越弱，但是尽管如此，却可以做好事前的预案。纳西姆·尼古拉斯·塔勒布的《黑天鹅》关于随机性和风险的论述堪称一部不朽之作，其中的很多思想，为我们投资提供了极佳的借鉴。
金融市场是极端世界，重大事件的影响超乎想象。本篇读书笔记聚焦于总结书中分析的我们对于世界的认知和未来的预测是如何犯错的，包括证实谬误、叙述谬误、缺乏非线性认识、样本偏差、游戏谬误，通过理解这些犯错的方式，有助于我们在投研工作中尽力避免这些错误，并且能够尽可能全面的考虑更多的可能性，提前做好应对，从而使得我们投研工作中的问题清单更为完备，尽可能的减少犯错，并且把犯错的代价控制的尽可能小一些。
一、平均世界VS极端世界
认清我们所处的环境，是平均的，还是极端的，对于资产管理人来说，是极其重要的。金融市场是极端世界，而不是平均世界。
在塔勒布关于随机性的认知中，他将世界分为平均世界和极端世界。在平均世界中，个体对整体的影响微不足道；而在极端世界中，个体对整体可以产生不成比例的影响。
在平均世界中，个体的单独影响很小，只有群体影响才大。当样本量足够大的时候，任何个体都不会对整体产生重大影响。
最大的观察值虽然单独观察起来令人惊讶，但是对整体而言则微不足道。我们假设某一天上海的某个商业中心中有1万人，如果我们把这些人的身高作为观察样本，那么即便姚明在场也不可能对平均或者总体身高产生多大影响。
在极端世界中，则和平均世界完全不同，个体能够对整体产生不成比例的影响。
同样还是在上面的场景中，我们只需要把观察样本从身高变为财富，就会使情况产生根本性的变化，如果碰巧这1万人中有一个是“我对钱从来都没有兴趣”的马云爸爸或者“设定一个小目标，能不能先挣他一个亿”的思聪他爸的时候，单独个体的财富可能超越其他个体的总和，大大提升样本的总值和平均值。除了财富之外，类似的例子还有“名人”知名度、网络搜索量、地震造成的损失、战争的死亡人数、公司规模等。
在平均世界中，随着样本规模的增加，观测到的平均值就越来越稳定，高斯曲线的分布就越来越集中，越来越窄。也就是说，在平均世界之中，不确定性在平均化之下消失，大数定律行之有效。在平均世界，小概率事件可以被忽略，因为这些事件不会对结果产生翻天覆地的影响。这意味着，如果我们在平均世界之中，追求大概率的事情，随着拉长时间，那么我们就能够取得大数定律所带来的结果。比如，在一个难有破坏性创新从而导致变化的市场，如果一家公司致力于打造更便宜、更优质、更能够代表身份品味、更有粘性的产品，能够拥有更广阔的渠道，那么他从极大概率上来看，能够持续取得较为理想的市场份额，甚至持续扩大其份额。这就是一种相对较强的确定性。
图：平均世界服从高斯曲线
在极端世界，事情就完全不同了。即便样本持续增加，一次黑天鹅事件的出现，就可能完全改变之前的结果。
这和资产管理有什么关系？大家还记得大明湖畔的长期资本管理公司吗？一次小概率事件，让诺奖获得者云集，久负盛名的常胜将军在瞬间轰然倒塌。2007年5月，Legg Mason基金公司的首席策略分析师做了一个研究，收集了标普500指数30年来的每日价格变化，共有7300个样本数据，30年间指数复合年收益率为9.5%。如果去掉50个业绩最坏的交易日（不到样本总数的7‰），年复合收益率将暴涨到18.2%，比历史平均水平要高8.7%。如果除去50个业绩最好的交易日，年复合收益率将大幅降低到1%以下，比历史平均要低接近9%。类似的例子，“在过去50年中，金融市场最极端的10天代表了一半的收益。
从上面的例子可以得到一个极其重要的结论：
资产管理者所处的世界是极端世界，
50个负面黑天鹅的日子和50个正面和天鹅的日子虽然数量极少，但是足以对整体结果产生超乎异常的影响。另外，依靠择时来做投资似乎不是一个胜率较高的方法。A股市场，上市以来至今上涨超过10倍的股票有215个，占全部A股数量的6.41%。在美股选择出最佳交易日期的概率比在A股选出市场的10倍股更低，前者的收益率可能还不如后者，并且这还没有考虑方法是否具有可复制性。
平均世界和极端世界的差异极大。
平均世界中的事件是没有突破性的，换句话说平均世界中不会产生黑天鹅事件，整体不会受到个体的影响，容易通过观察到的东西做出预测并且推广至没有观察到的部分。极端世界中的事件是具有突破性的，黑天鹅会从中产生，整体受到少数极端事件的影响很大，很难通过对过去的观察中来做出预测。
均值决定了方向，极值决定了能否留在游戏中，所以要往大概率做投资，往小概率防风险。
巴菲特说：“永远不要忘记，一个身高六尺的人，可能会淹死在平均五尺深的小河里”。金融市场里，往小概率防风险并不是什么风险都不承担，而是要避免那些一旦犯错就无法承担后果的失败，比如左轮枪里只有一颗子弹，对自己开一枪不死就能拿1000万，这本质上和大幅加杠杆All in某看好的公司没有区别（可能最终股价也如期上涨，但是因为在时间的约束下无法承担波动，最终只能遗憾出局）。
图：极端世界vs平均世界对比
二、对事物背后原因理解的局限性，导致我们出现认知错误
证实谬误、叙述谬误、线性外推、样本偏差、游戏谬误都会导致我们对于世界的错误理解或者对不确定性估计不足，从而导致我们无力预测黑天鹅事件。
证实谬误：我们只关注从已观察到的事物中预先挑选出来的一部分，从而推及未观察到的部分。
叙述谬误：我们渴求规律，力图简化，从而“牵强附会”来欺骗自己。
缺乏非线性认识：我们认为世界是线性的，缺乏对于非线性的认识。
样本偏差：我们所看到的并不一定是全部，历史把黑天鹅现象隐藏起来，使我们对于这些事件发生的概率产生错误的观念，造成认知扭曲。
游戏谬误：我们认为世界和设定的游戏一样，有明确的概率分部，而现实世界充满着不确定性。
1. 证实谬误
不能仅依靠过去的经验进行扭曲的判断。
一只每天有人喂食的鸡，每次喂食都会让它相信人类对它是很好的，随时间的推移，会让他更加相信人类是处于友善的目的来喂养它。某个人观察了这只鸡前1000天的生活，然后说：“没有证据表明会发生大事（即黑天鹅事件）”。但是如果不仔细考虑，那么可能会把上面的说法理解为“证据表明黑天鹅事件不会发生”。显然前一种说法是对过去经验的总结，是正确的；但是后一种表述是将过去无限延伸至未来的判断，完全是不同的意思。这就是一种证实谬误。
过去的经验不一定靠谱。
对应到资本市场，比如某行业或者某公司过去的估值没有低于过40倍市盈率，因此未来也应该在这个区间；某个公司过去两年的增速是30%（尽管这门生意的ROE只有10%并且没有发生变化），因此公司未来N年都可以保持30%的增长；这些和前面那只鸡的想法好像是一样的。
如果连过去都没有好好总结，那结果自然是更差了。
在资本市场，对过去的经验都未好好总结，就开始对未来做出臆想的例子屡见不鲜。比如一个公司开始了一个新业务的布局，需要融资了，开始给资本市场描绘宏大的未来，然后投资者基于美好的预期纷纷买入，股价飙升，皆大欢喜。而实际上，有可能这是一家生在一个好行业但是主业一直没有起色的公司，这可能是历史上第八次转型，前面七次全部以失败告终。
我们可以通过负面例子而不是正面证据接近事实的真相。
知道某件事情是错的，比知道某事是正确的有更大的信心。如果我们反过来想，能够证伪一些事情，那就可以避免一些错误，虽然很多时候要证伪也不容易，尤其是对于没有做过实业的金融市场参与者，更容易出现想象无力的情况，但这至少是一种思考问题的方法。
芒格说：“如果我知道我会死在哪儿，那我一辈子都不会去那里”。
2. 叙述谬误
我们渴求规律、力图简化，使得我们无法在不编造理由或者强加一种逻辑关系的情况下观察事实，我们想达到的目的是让自己舒服，而不是理解事实的真相，从而造成了牵强附会。
我们喜欢故事、总结、简化，减少事情的影响因素。作为灵长类中的人类，我们渴求规律，因为我们需要把事物简化，从而便于我们所以为的理解。这种事情总在发生，媒体提出一个原因，好让一条新闻变得容易接受，因为事情看起来更具体了。
两个例子，从概率的角度而言，哪种情况更容易发生？
1、 小明表面上快乐的结婚了。他杀死了他的妻子。
2、 小明表面上快乐的结婚了。他为了得到妻子的遗产而杀死了她。
第二种情形更为具象化，更容易让人觉得顺理成章，但是从概率的角度，显然它只是前一种情况的子集，前者的概率要大得多。看起来更像和实际的事实可能存在比较大的出入。
事后的合理化解释听起来似乎头头是道，好像也很难证伪，当然大多数人忽略了这种事后解释其实很难证实，但是他起到的作用是让我们听起来更容易信服，而不是像他实际那样。
比如哪天股价大跌，我们就会从各方去寻求各种理由，而且必须找到说服自己的合理理由才能罢休。短期影响股价的因素有无数，很难每次都正确归因，如果要正确归因，那只能说卖的量比买的量多，至于其他的原因，更大的作用可能不过是安慰剂而已。
2017年初，A白酒公司发布一季报，在此之前wind一致预期A公司小两位数增长，实际情况是A公司增速比一致预期差了3个百分点，结果第二天A公司股价直接跌停。有媒体报道分析A公司的季报有水分；也有人说前面涨多了有人浮赢兑现；与此同时，A公司所处行业的其他很多公司也在当天出现了较大的跌幅，就有人出来解读说市场风格变了。粗听之下，好像每个理由或者说故事都合情合理，好像事实就是那么回事。但是细想之下，其实不靠谱的占大多数。比如媒体报道的所谓季报的水分，后来直接被更为专业的卖方分析师打脸，实际原因是春节因素导致的打款时点变化所致。比如业绩不达预期，食品公司B和白酒公司C，均与A公司同一天发布业绩，B公司业绩大幅度低于预期，但是第二天只跌了5%；C公司业绩大超市场预期居然也跌了2%。再比如有人兑现浮赢，别人卖跟公司的经营趋势不一定有关，15年那么多加杠杆买入的也不是都赚钱，这些很难证实或者证伪，关键是跟未来的股价也没什么关系；最后比如市场风格，那就更难在短时间内证实证伪了，连资深的策略分析师估计也难说对市场风格的是否变化有多少信心，所以意识到这些东西超越能力圈最终对投资可能更有帮助。
当然，不是说重仓股大跌的时候什么都不用做，对于基于基本面的投资者来说，及时的跟踪基本面是必须的；对于技术派来说，重新分析K线也是必须的。但是，问题的核心是真正理解背后的因素，而不是让自己沉迷于安慰剂。
实际上，站在当时时点，白酒行业趋势很好，A公司竞争力也很强，业务在持续改善，估值也还非常便宜，后来业绩和股价都创出了历史新高。对于笃信基本面的笔者而言，不愿意花时间去解释这些在自己能力圈以外的事情，更希望好好研究和跟踪好公司的基本面，然后根据估值是否合理来进行投资决策。
避免叙述谬误的办法是注重事实、体验、客观知识，而非故事和理论。人的推理行为大致分为两种思维模式，第一种是快速简单的经验模式，即直觉，受到情绪化影响，非常快速，但是可能犯严重的错误；第二种是认知模式，即思考，是缓慢而有条理的，犯错的概率要比经验模式低。对于我们投资而言就是多看年报，多分析数据，多进行竞争对手对比、上下游验证；少打听小道消息，少听故事。
人际交往中，少一点套路，多一点真诚；研究投资中，少一点事后解释，多一点研究和跟踪。
3. 缺乏非线性认识
我们认为世界是线性的，缺乏对于非线性的认识。
曾经有段子说，研究报告表明公司的发展将一马平川，稳健向上，而实际情况是公司的股价跌宕坎坷。
我们的直觉是为线性因果关系设计的。
比如，如果每天学习，会预期学到的东西与学习行为或者时间成比例增加，一旦感到什么进步也没有，那么从情感上就会丧失士气。然而真实的现实却是，我们很少获得线性的正面进展。比如有些问题，我们可能一开始没有答案，持续思考了几个月也仍然没有答案；又比如，我们进行某项乐器的学习，可能在中间面临一段时间的瓶颈期，感觉好像没有任何进步；再比如，我们在进行投研工作的时候，也会有迷茫期，觉得不知道自己这一段时间的进步在哪里；这些的根源都在于我们始终认为或者直觉上认为世界是线性的，而实际线性只是美好的希望。
金融市场价格的非线性就更加残酷了。
习惯了环境较为宽容的A股的投资者，总觉得一旦出错以后，有的是韭菜接盘，甚至似乎总有人认为自己可以凭借信息优势提前跑路，所以似乎总有办法用一些看似较小的代价去做一些心存侥幸的博弈。但是如果看一下美股和港股市场，那些发生黑天鹅的公司，或者被发现有重大问题的公司，一天可以把过去几年的涨幅跌掉，如果相信未来的A股市场会逐步向成熟市场靠拢，那么这种价格的非线性变化可能迟早会发生在A股市场。
如果我们对这种价格的非线性保持敬畏，一直用投资美股和港股的心态和执行来对待我们在A股的投资，我们很大概率可以规避掉一些原本不必要的风险，虽然这同时意味着我们会放弃一些机会。
要想持续的获得理想的结果，正确的过程是唯一的途径，但是结果的呈现并非总是线性。
偶尔，倒拿球杆也会打出好球，但这只是偶尔，没有可复制性或者可持续性。如果我们追求持续的成效，只要我们不对上面的种种暂时的徒劳无功的状况感到失望，从而放弃，而是持续坚持做正确的事情，那么某种成果可能会在“突然之间”冒出来。类似的，股价在长期终将是称重机，终将反映企业的内在价值，但是结果的呈现方式并不一定是线性的，否则，一个估值合理每年增长25%的公司，每个交易日的涨幅应该是0.1%，可是现实中这样的股票是不存在的。
4. 样本偏差
我们所看到的并不一定是全部，历史把黑天鹅现象隐藏起来，使我们对于这些事件发生的概率产生错误的观念，造成认知扭曲。
人们渴望成功，所以把精力花在研究成功，而不是研究避免失败，而那些我们没有看到或者忽视的结果，可能更有意义。
我们很喜欢那些成功的故事，也有人靠成功学发财，不过《基业长青》中有一句非常经典的话：“如果我们分析那些伟大的公司，会发现他们的办公室里面都有椅子，但是并不是有椅子就能保证公司成为伟大的公司”。飞机机翼的例子更是耳熟能详了，我们在分析问题的时候机翼和椅子可能就是一回事，只是我们有时候并没有能力意识到这一点。中学数学教我们充分条件和必要条件不是一回事，可是我们可能太希望成功了，所以总是在研究成功的公司，有时候我们可能只是在研究抛硬币比赛中最后剩下的那只猩猩，比如某种偶然暴富的机会，比如在15年加杠杆买入某个善于讲故事的公司的股票。
我们衷心希望能有一本“失败学”来指导我们如何避免犯错，而塞思卡拉曼则提出说“价值投资是一种教人避免失败的方法”，芒格说要学会使用问题清单，其实已经给我们指明了通往成功的光明大道。
在菜市场买菜，货比三家并不总能帮我们找到最物美价廉的菜品，但是大概率可以帮我们避开明显的高价敲诈行为；在A股的研究和投资中也是类似，货比三家，竞争对手之间的比较和评价，上下游的评价，大概率可以给我们提供更多的关于行业公司更为真实的画像，不断修正我们的臆想。鼓吹“看，我为你做了什么推荐”比“看，我帮助你避免了哪些风险”在情感上更容易接受，但是后者往往做了更有价值的工作，而我们往往也更容易忽视后者的价值（也许我们在对研究员的评估中，需要专门加入风险规避提示这一项，作为我们考核体系的重要问题清单）。
5. 游戏谬误
我们认为世界和设定的游戏一样，有明确的概率分布，而现实世界充满着不确定性。
我们有时候会以为金融资产的价格好像和设定的游戏一样，有严格的因果关系，很多条件都可以简单的进行推导，甚至可能可以归因，但是现实中短期金融资产价格的决定因素如此之多，简单推理不一定都能得到设定的结果。
比如A公司提价，增厚盈利，因此股价会涨，而事实上除了A公司提价之外，还有很多因素可能都能主导短期股价。即便我们再简化的分析这个单一因素，我们也会发现，世界存在着多种可能性，比如提价之后可能意味着市场份额的丧失（参考12年禁酒令之后的某高端酒以及17年提价的厨电公司），又比如提价之后可能已经是周期品的高点不能持续，越是涨价意味着未来的潜在供给将越来越大，周期将拐头向下。从这些因素或者角度去分析，最终都可能得到和最初的简单推导完全不同的结果。
越是多考虑公司是不是值这么多钱，而不是考虑股价能不能涨，就距离犯错越远一些。
三、如果无法预测，那么我们怎么应对
