与天为敌第三章：从骰子到世界——抽样、钟形曲线与回归

投资背景

第二章解决的是骰子问题。骰子有一个特殊性质：它的概率可以先验地知道。

一个六面骰子，每面概率六分之一。你不需要掷任何一次就能知道，只需要数一数有几个面。

真实世界不是这样的。

下一年的股市回报概率是多少？没有面可以数。你只能从历史中推断，而历史是一个样本，不是全部。

这一章讲的是那个跨越——从「计数」到「推断」。它需要三个思想，而它们都在你的组合里。

华尔街的翻译

思想一：大数定律（雅各布·伯努利，一七一三年）

伯努利问了一个此前没人正式问过的问题：如果我不知道一个事件的真实概率，我能通过观察来估计它吗？

他的答案——大数定律——是：可以，而且观察次数越多，你的估计越接近真实值。

这听起来显而易见。它不是。

它实际上是一个关于「归纳法有效」的数学证明，而这在哲学上是一个极难的问题。

但伯努利同时发现了一个让他困扰的事实，而这个事实对投资者极其重要：

收敛的速度非常慢。

具体地说：要把估计的精度提高十倍，你需要一百倍的观察数据。

这个平方根关系，是这本书里对退休投资者最有用的数学事实之一。

它的直接后果：

你想估计	需要的数据量
一个硬币是否公平（误差百分之五）	约四百次投掷
股市的长期平均回报（误差一个百分点）	数百年

这就是为什么我们在《股市长线法宝》第六章说，两百年只包含十个不重叠的二十年期，是极弱的证据。

这不是一个悲观的说法，而是伯努利定律的直接推论。

思想二：正态分布（棣莫弗、高斯）

第二个思想是：许多独立随机因素叠加时，结果会呈现一个特定的形状——钟形曲线。

它的实用价值在于，整个分布可以被两个数字描述：均值和标准差。

这是一个惊人的压缩。 你不需要列举所有可能的结果，只需要两个数字。

现代金融的绝大部分建立在这个压缩之上： 波动率就是标准差。夏普比率是均值除以标准差。我们网站上的每一个蒙特卡洛模拟，默认都在从某种分布中抽样。

而这里必须立刻给出一个限定，因为它是我们图书馆里另一本书的全部主题。

《黑天鹅》与《反脆弱》论证的是：金融市场的回报不服从正态分布。 极端事件出现的频率，远高于钟形曲线的预测。塔勒布称之为「极端斯坦」。

这本书不重复那个论证。它补充的是历史的一面：

正态分布不是被强加到金融上的错误。它是一个在物理测量中极其成功的工具，被合理地借用到了一个它不完全适用的领域。

理解这一点很重要，因为它决定了正确的反应。 反应不是「抛弃所有统计学」，而是「知道这个工具在哪里可靠、在哪里不可靠」。

思想三：均值回归（弗朗西斯·高尔顿，一八八零年代）

第三个思想的历史来源很有趣：高尔顿研究的是遗传，不是金融。

他测量父母和子女的身高，发现：高个子父母的孩子通常比父母矮，矮个子父母的孩子通常比父母高。

他称之为「向平庸回归」。

在投资中，这个现象无处不在，而它有一个非常具体的实用后果：

表现最好的基金、板块或资产类别，在随后的时期倾向于表现较差——不是因为有什么力量在惩罚成功，而是因为极端表现通常包含运气成分，而运气不会重复。

这直接解释了两件事：

1. 为什么追逐最近表现最好的基金是失败的策略——这是标普持续性数据的机制解释。
2. 为什么再平衡有效——它机械地卖出上涨的、买入下跌的。

一个必须给出的重要警告

均值回归是这三个思想中最容易被误用的。

误用一：假设回归是必然的、有时限的。

「这只股票跌了很多，所以它该反弹了。」 这是赌徒谬误。回归描述的是分布的统计倾向，不是对任何单一路径的保证。

日本股市在一九八九年见顶后三十多年未能恢复真实购买力——我们在《股市长线法宝》第六章用它质疑「长期必然回归」。

误用二：假设存在一个固定的均值可供回归。

这正是《金融炼金术》第一章的反身性论点：在某些情况下，均值本身在移动。

因此正确的表述是：均值回归是一个统计倾向，在样本量大时可靠，对单一路径不做保证，且前提是那个均值本身稳定。

可执行的交易规则

1. 对任何基于历史数据的结论，先问样本量。 这是本章最实用的一条。「这个策略在过去五年有效」——五年包含多少个独立的市场周期？通常是零到一个。

2. 理解平方根关系，并用它来降低你对短期数据的信心。 三年的数据，其可靠性不是十年数据的三分之一，而是大约五分之一。 短期业绩几乎不含信息。

3. 把「表现最好」当作一个回归警告，而不是一个买入信号。 具体做法：当你想买入某个东西是因为它最近表现出色时，先问：这个表现里有多少是运气？ 高尔顿的答案通常是「比你以为的多」。

4. 使用统计工具，同时假设尾部比模型显示的更肥。 这是对正态分布的正确态度——不是拒绝，是加上一个安全边际。 实践中这意味着：不使用杠杆，持有比模型建议更多的现金。

5. 不要把均值回归当作择时依据。 见上文的两个误用。它可以解释为什么再平衡有效，但它不能告诉你什么时候底部到了。

与退休组合的关系

这三个思想，共同构成了你退休计划中每一个数字的来源，也共同界定了那些数字的可信度。

当我们的《高级提取模拟器》告诉你「百分之八十五的成功率」时，它在做三件事：

1. 从历史数据中推断分布（伯努利）——受限于样本量。
2. 假设某种分布形状（高斯）——尾部可能比假设的肥。
3. 隐含地假设长期存在均值回归（高尔顿）——通常成立，但不保证。

这不是在说这些工具没用。它们非常有用，而且远优于凭感觉规划。

这是在说：它们的输出是一个有误差范围的估计，不是一个预言。

而这个认识有一个非常具体的操作后果：

不要为了把成功率从百分之八十五优化到百分之八十七而做复杂的调整。

那两个百分点，远小于模型本身的误差范围。

你应该把精力放在那些不依赖模型精度的事情上： 提高储蓄率、降低费用、保持现金缓冲、不使用杠杆、全球分散。

这些措施在任何分布假设下都有效——而这正是它们的价值所在。

第四章要讲这些思想的第一个大规模实际应用：保险，也就是人类第一次系统性地把风险变成一件可以买卖的商品。