訊號與噪聲

精讀全文

第 1 章 · 為什麼聰明人也會預測錯

二〇〇八年，全球最聰明的一批經濟學家、銀行家、評級機構，手握海量資料，配備最精密的模型——然後，他們集體預測錯了。為什麼？是資料不夠多？還是模型不夠好？納特·西爾弗說：都不是。問題出在更根本的地方。

你有沒有遇到過這種時刻——

某個專家信誓旦旦地說，這次經濟一定軟著陸。某個分析師拍著胸脯說，這隻股票下個季度必漲。某個氣象臺預報明天百分之百晴天，結果你出門就被淋成落湯雞。

我們活在一個預測氾濫的時代。

但預測的準確率，從來沒有因為資料更多、模型更復雜而顯著提升。

這是為什麼？

這就是納特·西爾弗寫《訊號與噪聲》想回答的問題。

---

**先認識一下這本書的作者。**

納特·西爾弗，美國統計學家、預測專家。他創辦了大名鼎鼎的「五三八」網站——名字來自美國選舉人團的總票數。

二〇〇八年美國總統大選，他用統計模型預測了五十個州中的四十九個州的選舉結果。

四十九個。

二〇一二年，他做到了五十個州全對。

在一個滿地「專家」的世界裡，這個成績讓人無法忽視。但西爾弗不是來炫耀的。他寫這本書，是為了拆解一個更深的問題：

為什麼大多數預測都是錯的？

而那些做對的預測，又是怎麼做到的？

---

**這本書我們會分四章來讀。**

第一章，也就是今天，我們從西爾弗的核心命題切入——預測為什麼這麼難？訊號和噪聲究竟是什麼關係？我們會看到，聰明人犯錯，往往不是因為不夠聰明，而是因為陷入了一個叫「過度自信」的陷阱。

第二章，我們深入貝葉斯思維。這是西爾弗全書最核心的工具——一種用機率來思考、用證據來更新判斷的方式。聽起來像數學，但其實是一種思維習慣。

第三章，我們聚焦金融市場。西爾弗專門分析了為什麼金融預測比其他領域更難——市場有反身性，黑天鵝隨時出現，模型越複雜，反而越容易出問題。

第四章，落腳到行動。不確定性無法消除，但我們可以在不確定中做出更好的決策。西爾弗給出了成為更好預測者的具體路徑。

好，現在我們進入第一章。

---

**先從一個場景說起。**

二〇〇七年底，美國房地產市場開始出現裂縫。

但華爾街的主流聲音是什麼？

「這只是區域性調整。」「次貸規模有限，不會系統性蔓延。」「我們的模型顯示，風險可控。」

當時花旗集團的執行長查克·普林斯說了一句後來被反覆引用的話，大意是：只要音樂還在響，你就得繼續跳舞。

音樂還在響。

然後，音樂停了。

二〇〇八年，雷曼兄弟倒閉，全球金融危機爆發，數萬億美元財富蒸發，數以百萬計的普通人失去工作和住房。

那些最聰明的人，手握最多的資料，用著最複雜的模型——

全部預測錯了。

西爾弗在書中寫道，這場危機不只是金融的失敗，更是預測的失敗。人們把噪聲當成了訊號，把模型的精密當成了現實的可靠。

---

**什麼是訊號，什麼是噪聲？**

這是西爾弗整本書的核心命題。

他的定義很清晰：

訊號，是真實存在的、能幫助我們理解世界的資訊。

噪聲，是隨機的、無規律的、會干擾我們判斷的資料。

問題在哪裡？

問題在於，訊號和噪聲長得太像了。

你看到一組資料，它可能是真實趨勢，也可能只是隨機波動。你看到一個模式，它可能是規律，也可能是你的大腦在隨機點之間強行連線。

人類的大腦，天生不擅長區分這兩者。

西爾弗的核心觀點是：我們生活在一個資訊爆炸的時代，但更多的資訊不等於更多的訊號。很多時候，資料越多，噪聲也越多，反而讓我們更容易迷失。

停。

這個觀點值得反覆想一想。

我們通常以為，資料越多越好，資訊越多越準確。但西爾弗說，不對。

他舉了一個例子。假設你在預測一場棒球比賽的結果。你有球員的擊球率、投手的ERA、球隊的主客場勝率、天氣情況、草坪溼度……資料堆成山。

但如果你不知道哪些資料是真正有預測力的，哪些只是背景噪音，你的預測可能還不如一個只看最近十場比賽的老球迷。

資料本身不是答案。

區分訊號和噪聲，才是答案。

---

**那為什麼聰明人也會預測錯？**

西爾弗給出了幾個關鍵原因。

**第一，過度自信。**

研究顯示，當人們說某件事「百分之九十確定」的時候，他們實際上只有大約百分之七十到七十五的準確率。

百分之九十的自信，換來百分之七十五的準確率。

這個偏差，在專家身上更嚴重，不是更輕。

為什麼？因為專家掌握更多資訊，這讓他們感覺更確定，但感覺確定和實際準確是兩回事。

西爾弗在書中特別提到了一個著名的研究——政治學家菲利普·泰洛克花了二十年時間，收集了近三百名政治和經濟專家的預測，總計八萬多條判斷。

結果怎樣？

這些專家的預測準確率，還不如隨機猜測高多少。

更扎心的是——

越是媒體上頻繁出現的「大嘴」專家，預測越不準。

越是那些謹慎、承認不確定性的分析師，預測反而更可靠。

**第二，把相關性當因果性。**

這是資料分析中最常見的陷阱。

兩件事同時發生，不代表一件事導致了另一件事。

西爾弗舉了一個極端的例子：美國某些縣的有機食品銷售量，和自閉症發病率高度相關。

你能因此說有機食品導致自閉症嗎？

當然不能。

但在金融市場上，這種錯誤每天都在發生。某個指標和股市上漲同步了三年，分析師就開始把它當成預測工具。然後第四年，這個關係突然消失了。

因為它本來就不是訊號，只是噪聲。

**第三，模型的幻覺。**

二〇〇八年金融危機中，那些複雜的風險模型，有一個共同的問題——它們是用歷史資料訓練出來的。

但歷史資料裡，沒有「歷史上從未發生過的事」。

黑天鵝，按定義，不會出現在歷史資料裡。

所以模型告訴你風險極低，不是因為風險真的低，而是因為那種風險從來沒被見過、沒被記錄、沒被納入模型。

西爾弗的核心觀點是：模型是對現實的簡化，而不是現實本身。當我們把模型的輸出當成現實的真相，麻煩就來了。

---

**說到這裡，我想給你一個當下的對映。**

現在是人工智慧大爆發的時代。

各種AI模型被用來預測股價、預測經濟走勢、預測使用者行為。資料量比二〇〇八年大了不知道多少倍，模型的複雜程度也是指數級提升。

但有一件事沒變——

這些模型，依然是用歷史資料訓練的。

它們依然無法預測「歷史上從未發生過的事」。

二〇二〇年新冠疫情爆發，幾乎所有的經濟預測模型在那一刻集體失效。不是因為模型不夠好，而是因為這種規模的全球停擺，不在任何歷史資料裡。

西爾弗早在二〇一二年就寫下了這個警告。

今天讀來，依然有效。

---

**那我們該怎麼辦？**

西爾弗沒有說「放棄預測」。他說的是：

承認不確定性，是做好預測的第一步。

這聽起來很反直覺。我們通常覺得，好的預測者應該自信、果斷、給出明確答案。

但西爾弗說，恰恰相反。

真正好的預測，是用機率說話，而不是用確定性說話。

不是「明年經濟會衰退」，而是「明年經濟衰退的機率是百分之四十」。

不是「這隻股票會漲」，而是「基於現有資訊，這隻股票上漲的可能性更大，但我可能是錯的」。

這種思維方式，有一個名字。

貝葉斯思維。

這就是我們下一章要深入探討的核心工具。

---

西爾弗在書的前言裡有一句話，大意是這樣的：

預測不是為了證明自己正確，而是為了在不確定中做出更好的判斷。

這個區別，看起來微小，實則天壤之別。

如果你預測是為了證明自己正確，你會傾向於選擇確定性高的表述，迴避承認錯誤，把模型的輸出當成真相。

如果你預測是為了做出更好的判斷，你會主動尋找反駁自己的證據，承認模型的侷限，把每一次預測錯誤當成更新認知的機會。

前者，是噪聲製造機。

後者，才是訊號捕捉者。

---

好，第一章我們先到這裡。

今天我們看到了預測失敗的三個根源——過度自信、混淆相關與因果、模型的幻覺。也看到了西爾弗給出的方向：用機率思考，承認不確定性。

但這只是方向。

具體怎麼做？有沒有一套可以操作的思維框架？

三百年前，一個英國牧師在遺作裡留下了一個公式。這個公式後來改變了統計學、醫學、情報分析，甚至影響了現代投資決策。

它叫貝葉斯定理。

它到底是什麼？為什麼西爾弗說，它是區分好預測者和壞預測者最重要的工具？

我們下一章見。

第 2 章 · 貝葉斯思維：從機率到行動

你有沒有想過——你每天做的每一個判斷，其實都是一次機率計算？只是大多數人算錯了。有一個兩百多年前的牧師，用一個簡單到離譜的公式，徹底改變了人類對「不確定性」的理解。今天我們就來拆開它。

上一章我們講了預測的悖論——資料越來越多，模型越來越複雜，但預測的準確率並沒有因此提升。核心原因是：我們分不清訊號和噪聲。那今天的問題來了，既然噪聲無處不在，我們到底該怎麼思考？西爾弗給出的答案，是一個名字聽起來很學術、但本質上極其實用的工具。

貝葉斯定理。

---

**先認識一個人。**

託馬斯·貝葉斯。

英國牧師，十八世紀。

他不是數學家，不是經濟學家，甚至不是職業學者。他只是一個對「上帝存在的機率」感到好奇的神學家。

他在世時，這篇論文從未發表。

他死後兩年，一七六三年，他的朋友幫他把手稿整理出來，投給了英國皇家學會。

就這樣，一篇差點被歷史淹沒的論文，成了現代機率論的基石。

停。

你可能要問了：一個牧師寫的東西，跟我的投資決策有什麼關係？

關係大了。

---

**貝葉斯定理到底在說什麼？**

用最簡單的話說，就是四個字：

用證據更新。

西爾弗在書中寫道，貝葉斯定理的核心不是一個公式，而是一種思維方式——你對世界的判斷，不應該是一個固定的答案，而應該是一個隨時可以被新證據修正的機率。

聽起來簡單。

但大多數人不是這樣思考的。

大多數人的思維模式是什麼？是「我認為」。是「我感覺」。是一旦形成判斷，就開始找證據來支援它，而不是用證據來更新它。

這就是確認偏誤。

這就是為什麼聰明人也會預測錯。

---

**來還原一個歷史場景。**

一九四五年，二戰結束前夕。

美國情報機構面對一個問題：日本會不會在本土決戰？

大量情報湧來。有的說日本已經精疲力竭，有的說日本本土還有數百萬士兵。有的說天皇想議和，有的說軍部堅決抵抗。

情報分析員們怎麼處理這些資訊？

大多數人選擇了自己「相信」的那一套，然後把其他資訊當作噪聲過濾掉。

結果呢？

沒有人預測到廣島之後日本會迅速投降。

沒有人預測到一顆炸彈就能改變整個戰局。

為什麼？

因為他們的判斷是靜態的。他們沒有一個機制，讓新證據真正改變自己的機率估算。

這就是貝葉斯思維缺席的代價。

---

**那貝葉斯思維是怎麼運作的？**

三個步驟。

第一步：先驗機率。

在你看到任何新證據之前，你對這件事的基礎判斷是什麼？

舉個例子。你在路上撿到一個錢包。你會不會想「這是陷阱」？

你的先驗機率，來自你的經驗、常識、歷史資料。大多數撿到的錢包不是陷阱——這就是你的先驗。

第二步：新證據。

你開啟錢包，裡面有一張便條，寫著「如有拾獲請聯絡某某某」，還有一疊現金。

這是新證據。

第三步：更新機率。

你把先驗機率和新證據結合起來，得出一個新的判斷——後驗機率。

這個錢包大機率不是陷阱，而是有人真的丟了錢包。

你的行動隨之改變：你打電話聯絡失主。

---

聽起來很直覺化，對嗎？

但等等。

真正難的，不是這個流程。

真正難的，是兩件事。

第一：你的先驗機率從哪裡來？

第二：你願不願意在證據面前，真的改變自己的判斷？

---

**先說先驗機率。**

西爾弗的核心觀點是：先驗機率不能憑感覺，必須有資料基礎。

但人類天生不擅長這件事。

我們對罕見事件的機率估算，系統性地偏高。

我們對常見事件的機率估算，系統性地偏低。

為什麼？

因為我們用的是記憶，不是統計。

飛機失事的新聞你記得清清楚楚，但你忘了全年坐飛機死亡的機率是多少。

百萬分之零點零七。

而開車上路的死亡率，是坐飛機的將近一百倍。

但大多數人覺得坐飛機更危險。

這就是先驗機率被情緒汙染的結果。

---

**再說第二件難事：你願不願意更新？**

這才是真正的戰場。

西爾弗在書中舉了一個讓人印象深刻的例子——氣象預報員。

他發現，美國國家氣象局的預報員，在機率校準上做得相當好。他們說「明天有百分之七十的降雨機率」，真實降雨率確實接近七成。

但私人氣象公司呢？

他們的預報系統性地誇大了降雨機率。

為什麼？

因為使用者更害怕「沒帶傘被淋溼」，而不是「帶了傘沒用上」。

所以氣象公司把機率往高處報，迎合使用者心理。

這叫什麼？

這叫激勵扭曲了先驗。

你以為你在做機率判斷，其實你在做利益判斷。

---

**這件事放到投資裡，會發生什麼？**

想一想。

二零零七年，次貸危機前夜。

華爾街的風險模型都在說：房價不會大幅下跌。

為什麼？

因為過去幾十年的資料裡，全國性的房價大跌從未發生過。

先驗機率：房價崩盤的可能性極低。

但新證據呢？

次級貸款違約率開始攀升。

槓桿率創歷史新高。

金融機構開始悄悄對衝自己的風險敞口。

這些都是訊號。

但大多數人沒有更新自己的機率。

為什麼？

因為更新意味著承認自己之前的判斷可能有問題。

因為更新意味著要放棄已經押注的倉位。

因為更新有成本，不更新有藉口。

結果呢？

雷曼兄弟倒閉。

金融海嘯。

數以萬億計的財富蒸發。

---

**貝葉斯思維的真正價值，在這裡。**

它不是讓你預測未來。

沒有人能預測未來。

它是讓你在不確定的世界裡，持續做出比別人更合理的判斷。

西爾弗的核心觀點是：好的預測者，不是那些最終被證明正確的人，而是那些在每一個時間節點上，都能給出最準確機率估算的人。

注意這個區別。

結果正確，可能是運氣。

過程合理，才是能力。

---

**一個當下的對映案例。**

你在考慮要不要買某隻基金。

你看到它過去三年年化收益百分之二十。

你的第一反應是什麼？

大多數人的第一反應是：這隻基金很牛，應該買。

但貝葉斯思維會怎麼問？

先驗機率：一個基金能持續跑贏市場的機率，歷史資料告訴我們，大約只有百分之十到二十。

新證據：過去三年收益百分之二十。

這個證據，是真實的阿爾法，還是恰好趕上了牛市的貝塔？

這兩者的機率，你有沒有認真估算過？

如果沒有，你的決策就不是貝葉斯的，而是情緒的。

---

**最後，西爾弗在書中提到了一個讓人警醒的概念：過度自信。**

他說，大多數人在做預測時，給出的置信區間太窄了。

什麼意思？

你說「我九成把握明年經濟會復甦」，但如果真的讓一百個人各做一百次這樣的判斷，那些聲稱九成把握的預測，實際準確率可能只有六成。

這個差距，叫做校準誤差。

校準誤差越小，你的機率判斷越可靠。

校準誤差越大，你的自信只是一種幻覺。

貝葉斯思維的訓練，本質上就是縮小這個誤差的過程。

---

好。

今天我們把貝葉斯思維拆開看了一遍。

先驗機率，證據更新，後驗判斷。

聽起來清晰，但有一個問題，我們還沒有回答。

貝葉斯思維有一個前提——你需要有可靠的歷史資料來建立先驗。

但如果這個領域，歷史資料本身就是靠不住的呢？

如果這個領域，你的預測行為本身，就會改變預測的結果呢？

金融市場，就是這樣一個地方。

下一章我們要進入一個更硬的問題：為什麼金融預測，比天氣預報難得多？為什麼越多人用同一個模型，這個模型就越快失效？金融市場裡的「噪聲」，到底有多危險？

第 3 章 · 為什麼金融預測特別困難

你有沒有想過，為什麼那些拿著最好資料、最貴模型的華爾街精英，依然會在金融危機面前集體失明？不是他們不聰明。恰恰相反——正是因為他們太聰明瞭，才會犯下最致命的錯誤。

上一章我們講了貝葉斯思維。

核心是什麼？

不要把機率當成固定答案，而是把它當成一個可以不斷更新的起點。每當新證據出現，你就調整你的判斷。這聽起來很合理，很科學。

但是——

今天的問題來了。

如果你把這套工具搬進金融市場，會發生什麼？

---

**二零零七年。**

美國。

花旗集團的執行長，查克·普林斯，接受了一家媒體的採訪。

記者問他：次貸市場的風險這麼大，你們為什麼還在繼續擴張？

他的回答，後來成了金融史上最著名的一句話。

他說：

「只要音樂還在響，你就必須站起來跳舞。」

當時沒有人把這句話當成警告。

大家都以為，他說的是一種策略。

一年後，次貸危機全面爆發。花旗集團虧損超過兩百七十億美元。查克·普林斯離職。

音樂停了。

而幾乎所有人，都沒有提前坐下來。

---

為什麼？

這就是納特·西爾弗在《訊號與噪聲》第六、七章裡，試圖回答的核心問題。

他的核心觀點是：金融市場，是所有預測領域裡最難的那一個。

不是之一。

是最難。

為什麼？

因為金融市場有一個其他領域都沒有的特性——

**反身性。**

---

什麼叫反身性？

我來給你舉一個例子。

你預測明天會下雨。

這個預測，不會讓明天真的下雨。

天氣不會因為你的判斷而改變。

但金融市場不一樣。

你預測某隻股票要漲。

你買入。

你的朋友看到你買了，也買入。

更多人看到有人買，也跟著買。

股價真的漲了。

你的預測，變成了現實的一部分。

西爾弗在書中寫道：金融市場是少數幾個「預測行為本身會影響預測結果」的系統。你不是一個站在玻璃後面觀察市場的旁觀者，你是市場的一部分。你的每一個判斷，都在改變你試圖判斷的那個東西。

停。

想想這意味著什麼。

如果你的模型足夠準確，足夠多的人開始用它，這個模型就會失效。

因為市場已經把你的預測價格進去了。

這不是悖論，這是金融市場的基本執行邏輯。

---

好，反身性是第一道坎。

第二道坎，更隱蔽。

叫做：**資料噪聲**。

---

很多人覺得，金融市場是資料最豐富的地方。

這話沒錯。

股票價格每秒都在更新。交易量、波動率、換手率，數以億計的資料點，即時生成。

但西爾弗要告訴你一件反直覺的事：

資料越多，不一定噪聲越少。

有時候恰恰相反。

他在書中提出了一個關鍵區分——

訊號，是那些真正與未來結果相關的資訊。

噪聲，是那些看起來像訊號、但其實什麼都不是的隨機波動。

而在金融市場裡，噪聲的比例，遠遠超過你的想象。

西爾弗在書中引用了一組資料：

如果你觀察股市的年度回報，訊號與噪聲的比例大約是——

**五比一。**

訊號佔五分之一，噪聲佔五分之四。

但如果你把時間視窗縮短到每天，這個比例會變成什麼？

**一比四十五。**

每四十五份資訊裡，只有一份是真正有用的訊號。

你每天盯著盤面，重新整理報價，看K線，讀資訊——

你處理的東西，百分之九十七以上，是噪聲。

---

這就解釋了一個你可能早就注意到的現象。

為什麼那些做短線交易的人，大多數最終都虧錢？

不是因為他們不努力。

而是因為他們越努力，接觸的噪聲越多，被噪聲帶偏的次數也越多。

他們把噪聲當成了訊號。

然後做了決策。

然後虧了錢。

然後再去尋找更多資料，試圖找到「真正的訊號」。

然後迴圈往復。

---

第三道坎，也是最致命的一道。

叫做：**過擬合**。

---

這個詞，來自統計學。

但它描述的現象，你在金融市場裡隨處可見。

什麼叫過擬合？

簡單說：你的模型，對歷史資料擬合得太好了。

好到什麼程度？

好到它不再是在描述規律，而是在描述歷史的每一個偶然細節。

舉個例子。

假設你發現，過去二十年裡，每當美國橄欖球超級碗的冠軍來自美國聯合會，股市當年就會上漲。

這是真實存在過的「規律」，叫做超級碗指標。

有人真的用它來預測股市。

這就是過擬合。

你從歷史資料裡挖出了一個相關性，但這個相關性，和股市的真實執行機制，沒有任何因果關係。

它只是一個巧合。

但如果你的資料足夠多，你總能找到這樣的巧合。

西爾弗的核心觀點是：當你擁有的變數越來越多，而樣本量沒有相應增加，過擬合幾乎是不可避免的。

金融市場尤其危險。

因為歷史資料極其豐富，但真正的「獨立樣本」其實非常少。

一百年的股市歷史，聽起來很多。

但如果你在研究經濟週期，一百年裡完整的大週期，可能只有寥寥幾個。

你用幾個週期擬合出來的模型，拿去預測下一個週期——

這和用三次考試成績預測你一生的命運，沒有本質區別。

---

好，現在我們來說第四道坎。

也是最讓人絕望的那一道。

叫做：**黑天鵝**。

---

二零零八年，雷曼兄弟倒閉前的那個夏天。

華爾街上最頂尖的風險模型，幾乎都在說同一件事：

系統性風險，很低。

他們用的是「在險價值」模型，也叫 VaR。

這個模型告訴他們，類似一九二九年大蕭條那樣的崩潰，發生機率極低，低到可以忽略不計。

然後。

崩潰發生了。

為什麼模型失效了？

因為這些模型，都是用正常時期的資料訓練出來的。

它們假設，過去的分佈，代表未來的分佈。

但黑天鵝事件，恰恰是那些在歷史資料裡幾乎不存在的極端情況。

你用沒有黑天鵝的資料，建立了一個不包含黑天鵝的模型，然後用這個模型預測黑天鵝出現的機率——

結果當然是：機率極低。

這不是預測失誤。

這是方法論層面的根本性錯誤。

西爾弗在書中寫道：我們傾向於低估那些超出我們經驗範圍的風險。不是因為我們愚蠢，而是因為我們的模型，本質上是對過去的總結，而不是對未來的探索。

---

把這四道坎放在一起，你就明白了為什麼金融預測這麼難。

反身性——你的預測本身改變了市場。

資料噪聲——你處理的大部分資訊，都是幹擾。

過擬合——你的模型記住了歷史，但沒有理解規律。

黑天鵝——最重要的事件，往往在你的模型邊界之外。

---

這裡我想做一個當下的對映。

二零二三年，人工智慧投資熱潮席捲全球。

大量量化基金開始用機器學習模型預測市場。

這些模型，訓練資料量是人類有史以來最大的。

算力是前所未有的。

結果呢？

很多模型，在牛市裡表現驚豔。

然後遇到了一次政策突變，或者一次地緣衝突，或者一次意外的利率決議——

模型啞火了。

為什麼？

因為這些模型，依然在用歷史資料預測未來。

依然在用正常時期的規律，應對異常時期的衝擊。

反身性、噪聲、過擬合、黑天鵝——

這四個問題，不會因為算力變強而消失。

它們是金融市場的結構性特徵。

---

那麼，西爾弗的意思是不是：金融預測毫無意義，乾脆放棄？

不是。

他的意思是：你需要對自己的預測，保持一種特定的謙遜。

不是虛偽的謙遜，不是客套話。

而是一種真正建立在理解不確定性基礎上的謙遜。

他說，最好的預測者，不是那些試圖消滅不確定性的人，而是那些學會了在不確定性裡導航的人。

這兩者，有著本質的區別。

消滅不確定性，是幻覺。

在不確定性裡導航，是技能。

---

所以，下一個問題自然就來了。

既然金融市場這麼難預測，既然噪聲這麼多，黑天鵝隨時可能出現——

我們到底該怎麼做決策？

光知道「要謙遜」是不夠的。

謙遜是一種態度，但它不是一個方法。

那個方法，叫什麼？

下一章，我們來看：一個真正能在不確定性中幫你做更好決策的框架，到底長什麼樣？它和你現在的思維方式，究竟有多大的差距？

第 4 章 · 在不確定性中做更好的決策

你有沒有想過——

預測這件事，能不能練？

有人說天賦決定一切。有人說資料才是王道。

但納特·西爾弗在這本書的最後，給出了一個讓人意外的答案。

不是天賦，不是演算法。

是一種思維習慣。

上一章我們講了金融預測為什麼特別難。

核心是什麼？

市場會對預測本身做出反應。你一預測，世界就變了。加上資料噪聲、黑天鵝事件、過度擬合的模型——金融市場幾乎是人類已知最難預測的系統之一。

但西爾弗沒有在這裡停下來。

他接著問了一個更重要的問題：

既然預測這麼難，我們該怎麼辦？

就這樣放棄嗎？

---

停。

放棄不是答案。

西爾弗在書中明確說：預測的目標從來不是「百分之百正確」，而是「比隨機猜測更好」。

這一章，我們來講最後一塊拼圖。

機率校準。元認知。以及，成為一個更好的預測者，到底意味著什麼。

---

**先講一個場景。**

二零一零年。

美國一家研究機構做了一項長達二十年的追蹤實驗。

研究物件是兩百八十四位「專家」——經濟學家、政治分析師、戰略顧問。

研究者讓他們對未來做出預測，然後記錄結果。

二十年後，資料出來了。

結論讓所有人都難堪。

這些專家的預測準確率——

比隨機猜測好不了多少。

有些領域，甚至還不如隨機。

這個研究的主持人，就是心理學家菲利普·泰特洛克。

西爾弗在書中大量引用了他的研究成果。

泰特洛克發現，這些專家有一個共同的特點：

他們太自信了。

不是普通的自信，是一種叫做「過度自信」的認知偏差。

他們說「我有九成把握」的時候，實際正確率只有七成。

他們說「我基本確定」的時候，錯誤率高得驚人。

---

這就是西爾弗在第八章花大量篇幅討論的核心問題：

**機率校準。**

什麼叫校準？

簡單說：你說你有八成把握，那你「有八成把握」的事情，最終應該有八成是對的。

不多也不少。

如果你說了一百件「八成把握」的事，結果只有五十件是對的——

那你的機率就沒有校準好。

你高估了自己。

西爾弗的核心觀點是：好的預測者，不是那些「總是說對的人」，而是那些「說出的機率和現實高度吻合的人」。

這是兩件完全不同的事。

---

**那怎麼校準？**

西爾弗給出了一個讓人意外的工具。

不是更好的模型。

不是更多的資料。

是——

**元認知。**

元認知，就是「對自己的認知過程進行思考」。

說白了：你要能看見自己是怎麼想的。

你為什麼得出這個結論？

你用了哪些證據？

你忽略了哪些反面資訊？

你的情緒有沒有影響你的判斷？

西爾弗在書中寫道，優秀的預測者有一個共同習慣——

他們會主動尋找讓自己不舒服的證據。

注意這個詞：不舒服。

不是尋找支援自己觀點的證據，而是專門去找那些會推翻自己判斷的資訊。

這在心理學上叫做「反向確認偏差」的訓練。

普通人的本能是什麼？

找到支援自己的證據，然後停下來。

優秀的預測者呢？

找到支援自己的證據，然後繼續問：但是，有沒有我沒看到的東西？

---

**停一下。**

我們來看一個當下的例子。

二零二二年，美聯儲開始加息。

當時市場上有兩種聲音。

一種說：通脹是暫時的，加息會很快結束。

另一種說：通脹已經結構化，加息會持續很久。

大多數人選擇了第一種。

為什麼？

因為第一種讓人舒服。

加息結束意味著資產價格會反彈，意味著不用承受痛苦，意味著一切都會好起來。

但現實呢？

加息持續了將近兩年。

那些堅持第一種判斷的人，一次次「等待反轉」，一次次被套牢。

這不是因為他們不聰明。

這是因為他們沒有做機率校準——

他們的「九成把握」，從一開始就是情緒，不是機率。

---

**回到西爾弗的框架。**

第九章，他提出了一個非常具體的決策工具。

他把預測者分成兩種型別，借用了古希臘的一個比喻：

**狐狸**和**刺蝟**。

刺蝟型的人，有一個核心的大理論，然後用這個理論解釋一切。

他們觀點鮮明，上電視好看，聽起來特別有說服力。

但他們的預測準確率——

很差。

因為現實太複雜，一個大理論裝不下所有的變數。

狐狸型的人呢？

他們沒有一個統一的大理論。

他們同時持有多個相互矛盾的視角。

他們說話不那麼斬釘截鐵，甚至有時候讓人覺得「你到底在說什麼」。

但他們的預測準確率——

顯著更高。

西爾弗的核心觀點是：在不確定的世界裡，擁抱矛盾，比堅守一個宏大敘事，更接近真相。

---

**這對我們普通人意味著什麼？**

意味著：

當有人用一套完整的、自洽的、聽起來無懈可擊的理論來告訴你「市場一定會怎樣」——

你要警惕。

越是聽起來完美的預測，越可能是刺蝟在說話。

越是充滿「但是」「然而」「另一方面」的分析，反而越可能更接近真實。

---

**第十章，西爾弗講到了一個更深的問題。**

他問：我們為什麼這麼不擅長處理不確定性？

答案指向人類的本能。

我們的大腦，是在幾萬年前的環境裡進化出來的。

那個環境的特點是什麼？

資訊少，但行動要快。

草叢裡有動靜——是老虎還是風？

你沒有時間做機率分析，你要立刻做決定。

這種本能幫助我們的祖先活了下來。

但在金融市場裡——

這個本能是致命的。

市場的訊號是模糊的，噪聲是巨大的，結果是延遲的。

我們的大腦想要確定性，想要立刻行動，想要一個清晰的故事。

於是我們把噪聲當成訊號，把巧合當成規律，把運氣當成能力。

西爾弗在書中寫道，他的核心觀點是：

承認不確定性，不是軟弱，而是誠實。

把「我不知道」說出來，不是失敗，而是校準的開始。

---

**那麼，成為更好的預測者，到底有沒有可能？**

有。

西爾弗給出了幾個非常具體的建議。

**第一：用機率說話，不用確定性說話。**

不要說「市場會漲」，要說「我認為市場有六成機率上漲」。

這不是在模糊責任，而是在強迫自己誠實面對不確定性。

**第二：記錄你的預測，然後回頭看。**

這一點聽起來簡單，但幾乎沒有人真的在做。

你上個月說的「我覺得這隻股票會漲」——

後來怎麼樣了？

你有沒有記錄下來，然後認真覆盤？

如果沒有，你就永遠不知道自己的校準有多差。

**第三：區分運氣和能力。**

這一次賺錢了，是因為你判斷對了，還是因為你運氣好？

這一次虧錢了，是因為你判斷錯了，還是因為你遇到了黑天鵝？

不把這兩件事分清楚，你就無法從經驗中真正學習。

**第四：更新，而不是辯護。**

當新證據出現，你的第一反應是什麼？

是去解釋為什麼這個證據不重要？

還是認真考慮它是否改變了你的判斷？

好的預測者，把改變主意當成進步，而不是丟臉。

---

**我們來做一個歷史場景的還原。**

二零一二年，美國總統大選。

納特·西爾弗本人，用他的統計模型，預測歐巴馬會贏得選舉。

當時很多政治評論員嘲笑他。

說他的模型太簡單，說政治不是數學，說他不懂真實的選情。

甚至有人專門寫文章，預測羅姆尼會贏。

理由聽起來都很有道理：經濟不好，現任總統通常會輸，民調有誤差……

選舉結果出來了。

歐巴馬贏了。

西爾弗的模型，準確預測了五十個州中的五十個州的結果。

百分之百。

但西爾弗自己怎麼說？

他說：這不代表我的模型是完美的。

這隻代表，這一次，訊號比噪聲更強。

下一次，可能就不一樣了。

這句話，才是這本書最核心的精神。

---

**整書收束。**

回頭看這本書，我們走過了四章。

第一章，我們看見了預測的悖論——聰明人為什麼也會預測錯，因為他們混淆了訊號和噪聲。

第二章，我們學到了貝葉斯思維——機率不是答案，而是一個隨證據不斷更新的起點。

第三章，我們看見了金融市場的特殊性——反身性、黑天鵝、過擬合，讓這裡成為最難預測的戰場。

第四章，我們回到了人本身——校準、元認知、狐狸思維，這才是面對不確定性的真正武器。

西爾弗真正想告訴我們的，不是一套預測公式。

而是一種態度：

對不確定性保持誠實，對自己的判斷保持懷疑，對新的證據保持開放。

這本書合上之後，你可能不會變成一個更準確的預測者。

但你會變成一個——

更清醒的人。

而在投資這件事上，清醒，已經贏過了大多數人。

承認不確定，比假裝確定，更接近真相。—— 納特·西爾弗，訊號與噪聲第十章核心觀點提煉