决策树理论

决策树的核心思想简单到可以用一句话说清楚：把一个复杂决策拆解为一系列有先后顺序的选择节点和随机事件节点，在每个分叉处标注概率和收益，然后从终点往回算，找出期望值最高的路径。

但不要被“简单”二字骗了。这个工具的力量恰恰在于它强迫你做几件大多数人本能回避的事。

第一，它逼你把所有可能的路径都画出来。 大多数人做决策的方式是：想到一个方案，觉得不错，就去干了。或者想到两个方案，对比一下，选个看起来更好的。但他们很少系统性地问：“我的选择空间到底有多大？每个选择之后可能出现哪些情况？每种情况之后我又面临什么新选择？”决策树强迫你把这棵“可能性之树”完整地画出来。仅仅是画出来这个动作，就已经比大多数人的决策质量高了一大截。

第二，它逼你给不确定性标上数字。 人脑处理模糊的“可能”“也许”“大概率”的方式出了名地糟糕。“这笔投资可能赚很多”——“可能”是多大概率？“很多”是多少钱？决策树不允许你含糊。每个分支你都必须写下一个概率和一个具体的收益或损失。这些数字可能不精确，但精确的错误远好过模糊的正确——至少你知道自己的假设是什么，别人也可以挑战这些假设。

第三，它逼你做期望值计算。 这是决策树真正有杀伤力的部分。期望值 = 概率 x 收益，对所有可能的结果加总。一个有70%概率赚100万、30%概率亏200万的项目，期望值是 0.7 x 100 + 0.3 x (-200) = +70 - 60 = +10万。看起来“赚钱概率很大”，但期望值告诉你这笔生意只值10万的冒险。

这就是决策树的精髓：它不是告诉你哪条路一定通向成功，而是帮你在不确定性中找到概率加权后的最优路径。

芒格在南加州大学毕业典礼演讲中说得很清楚：

“At Harvard Business School, they teach a first-year course in Decision Tree Theory. All they do is take a bunch of managerial problems and flip them into the format of decision trees. The great useful idea is that problems in decision-making come when you don't think through the consequences of the consequences.”

“在哈佛商学院，所有一年级学生都必须学习'决策树理论'。他们做的事就是把一堆管理问题转换成决策树的格式。其中最有用的思想是：决策中的问题往往出在你没有想清楚'后果的后果'。”

“后果的后果”——这五个字值得反复咀嚼。大多数人的思考只走一步：我做A，结果是B。但现实是多层嵌套的：我做A，有60%概率出现B1、40%概率出现B2；如果B1发生，我接下来面临C和D两个选择；选C又有若干种可能的结果……决策树把这种多层因果链条显性化了。

芒格还特别提到了巴菲特在这方面的天赋：

“Warren Buffett is able to think automatically in terms of decision trees and the elementary math of permutations and combinations.”

“巴菲特能够自动地根据决策树理论和排列组合原理来思考问题。”

注意“自动地”这个词。巴菲特不需要真的画出一棵树——他已经把这种思维方式内化为本能。当一个投资机会摆在面前时，他的大脑自动展开所有可能的路径，给每条路径赋予概率，计算加权期望值，然后在几秒钟内做出判断。这不是天赋——这是刻意训练了几十年的结果。

2008年金融危机最黑暗的时刻，巴菲特做了一件让华尔街目瞪口呆的事：他向高盛投了50亿美元。

当时雷曼刚刚倒闭，AIG被政府接管，全球金融体系看起来摇摇欲坠。高盛——华尔街最精明的投行——也面临流动性危机。它的股价从2007年的250美元高点跌到了125美元附近，而且还在跌。几乎所有人都在逃离金融股，巴菲特却大步走了进去。

他疯了吗？

如果你用决策树来拆解他的思考过程，你会发现他一点都不疯。

第一个分支：高盛会倒闭吗？ 巴菲特评估后认为概率极低。高盛不是雷曼——它的资产质量更好，客户关系更深，而且美国政府已经用AIG的事件表明了态度：系统重要性金融机构不会被允许倒闭。如果政府救了AIG（一家保险公司），它更不可能放任高盛倒下。巴菲特给“高盛倒闭”赋予了非常低的概率——也许5%以下。

第二个分支：如果高盛不倒闭，投资条件如何？ 这是巴菲特谈判的重点。他不是以市场价买普通股，而是要了一笔优先股——年息10%，外加认股权证。这意味着即使高盛股价长期低迷，他每年也能拿到5亿美元的利息。而如果高盛恢复正常（他认为概率很高），认股权证的价值将是巨大的。

第三个分支：如果高盛真的倒闭了呢？ 50亿美元打水漂。这对伯克希尔来说是一笔大钱，但不致命——伯克希尔当时持有数百亿美元的现金和投资组合。而且优先股在清算中的受偿顺位高于普通股，实际损失可能小于50亿。

把这棵树画出来，期望值计算变得清晰：

• 95%概率高盛存活：每年5亿利息 + 认股权证升值（保守估计数十亿）
• 5%概率高盛倒闭：损失50亿的一部分（优先股有一定保护）

期望值显然是大幅正数。事后来看，巴菲特在这笔交易上赚了超过30亿美元。

但这个案例真正精彩的地方不在于结果——而在于过程。巴菲特不是在赌。他是在一棵决策树上，找到了一个期望值极高、而最坏情况可以承受的位置。这种思考方式和“我觉得高盛不会倒所以全押”有本质区别。前者是概率思维，后者是赌博。

决策树最经典的商业应用场景之一是自然资源勘探，特别是石油公司的钻井决策。这个场景完美体现了决策树处理“多阶段、高不确定性”问题的能力。

一家石油公司发现了一个潜在的油田。问题是：要不要花5000万美元钻探井？

直觉式思考会问：“这里有油吗？”然后根据感觉做决定。决策树式思考则铺开整棵可能性之树。

第一个决策节点：是否钻探井？

如果不钻，故事结束，损失为零（但也放弃了可能的收益）。

如果钻，进入第一个随机节点——

随机节点A：探井结果如何？

• 40%概率：发现大量石油储量
• 35%概率：发现少量石油储量
• 25%概率：干井，什么都没有

如果是干井，损失5000万，故事结束。

如果发现石油（大量或少量），进入第二个决策节点——

第二个决策节点：是否进行商业开发？

开发大油田需要追加3亿美元投资，预期收入可能10亿美元。开发小油田需要追加1亿美元，预期收入可能2亿美元。当然也可以选择不开发，把探井结果卖给别的公司。

每一条路径都有概率和金额。从终点往回算期望值，你就知道“钻还是不钻”这个看似模糊的问题的量化答案。

但这里有一个更深的洞见：探井的真正价值不只是“找到油”，而是“获取信息”。 即使探井发现石油量不足以商业开发，它也排除了一种可能性，让你对这个区域的地质结构有了更准确的认知。这种“信息价值”可以被量化——它等于“有了这个信息之后的最优决策期望值”减去“没有这个信息时的最优决策期望值”。

这个概念在决策理论中叫做“信息的期望价值”（Expected Value of Information, EVI）。芒格虽然没有用这个术语，但他的实践暗含了这个思想。他和巴菲特经常谈到“不要急于做大决策，先做一些小规模的试探性投资来获取信息”。这本质上就是在决策树中增加一个“先用低成本获取信息，然后再做高成本决策”的节点。

决策树是一个极其有用的工具，但它的危险恰恰在于它看起来太精确了，以至于让人忘记了几个致命的限制。

陷阱一：“垃圾进，垃圾出。” 决策树的质量完全取决于你输入的概率和收益数字。如果你给“高盛倒闭”标了5%的概率，但实际概率是30%，再精美的树结构也救不了你。芒格对此的态度是：即使概率估计不精确，决策树的价值也在于它迫使你把假设显性化。 一个写在纸上的错误假设可以被发现和修正；一个藏在直觉里的错误假设会一直骗你。

陷阱二：遗漏关键分支。 你的决策树画得再详细，如果漏掉了一条关键路径，整棵树就是误导性的。2008年之前，很多金融机构的风险模型（本质上就是复杂的决策树）遗漏了“全国性房价同步下跌”这个分支，因为他们的历史数据中从未出现过这种情况。树上没有这条路，不等于现实中这条路不存在。芒格反复强调的“逆向思维”在这里格外重要：不只是问“会发生什么”，更要问“什么情况会让我的整棵树都作废”。

陷阱三：过度复杂化。 决策树的分支可以无限延伸——每个节点都可以再分出更多子节点，每个子节点又可以继续分。理论上你可以画出一棵有一万个终端节点的树，但这棵树对决策的帮助可能还不如一棵只有六个节点的简洁版本。芒格的做法是抓住最关键的两三个变量，其余的忽略。他引用爱因斯坦的话：“一切应该尽可能简单，但不能过于简单。”

陷阱四：忽视人的执行力。 决策树假设你会在每个节点做出“最优选择”。但现实中，人在压力下、在沉没成本的牵引下、在避免不一致性倾向的驱使下，常常无法按照决策树的指引行动。你的树告诉你“如果探井结果不好，就止损退出”，但当你已经花了5000万、团队已经搬到现场、董事会已经公开承诺时，“退出”变得极其困难。决策树能告诉你最优路径，但它不能保证你有勇气走上去。

你不需要每次做决策都真的画一棵树。关键是内化它的思维方式。

第一步：强迫自己展开至少三条路径。 下次面临重要决策时，不要只想“做还是不做”。至少列出三个选项，然后对每个选项问：“如果这样做了，接下来最可能出现哪两三种情况？”仅此一步，你就已经跑赢了大多数人。

第二步：给每条路径一个粗略的概率。 不需要精确到小数点。“大概率”“中等概率”“小概率”就够了。但写下来。写下来的好处是你可以事后复盘——你估计的概率和实际发生的情况对比如何？长期做这种校准练习，你的概率直觉会越来越准。

第三步：计算期望值，然后看最坏情况。 期望值最高的选择不一定是最好的选择——如果它的最坏情况会让你彻底出局的话。巴菲特的原则是：永远不要拿你已有的和需要的去冒险，去换你没有的和不需要的。 在决策树上，这意味着你要先排除所有“最坏结果不可承受”的分支，然后在剩下的选项中选期望值最高的。

第四步：识别“信息获取”节点。 在做大决策之前，问自己：有没有一种低成本的方式可以先获取关键信息？如果有，先走那条路。这相当于在决策树中增加一个“先做小试探”的分支，它往往能大幅改善后续决策的质量。

肯尼迪最终选择了海上封锁。事后看，这个选择精妙得像一步棋：它足够强硬，向赫鲁晓夫表明了美国不会容忍的底线；又留有余地，没有直接使用武力，给了双方谈判的空间。

用决策树的语言来说，封锁是一个“保留选项价值”的选择。它不像空袭那样一步走到终局（要么成功要么核战），而是创造了一个新的决策节点——如果封锁有效，危机化解；如果无效，空袭的选项仍然在桌上。它用最小的不可逆代价，换来了最大的后续选择空间。

这或许是决策树思维最深刻的洞见：最好的决策往往不是选择“最好的结果”，而是选择“保留最多后续选项”的那条路。 因为在不确定的世界里，灵活性本身就是最大的资产。

芒格把这叫做“多元思维模型”的一部分，但底层逻辑是数学的：在一棵不断展开的决策树上，你在每个节点的最优策略不是贪心地追求单步收益最大化，而是让自己在未来拥有最多可走的好路。

“At Harvard Business School, they teach a first-year course in Decision Tree Theory. The great useful idea is that problems in decision-making come when you don't think through the consequences of the consequences.”

“在哈佛商学院，所有一年级学生都必须学习'决策树理论'。其中最有用的思想是：决策中的问题往往出在你没有想清楚'后果的后果'。”

“Warren Buffett is able to think automatically in terms of decision trees and the elementary math of permutations and combinations.”

“巴菲特能够自动地根据决策树理论和排列组合原理来思考问题。”

“You must think in terms of probabilities, not certainties.”

“你必须用概率的方式思考，而不是用确定性的方式。”

• 排列组合原理 — 决策树分支的数学基础，芒格将二者并提
• 贝叶斯定理 — 当决策树中的概率需要根据新证据更新时
• 概率思维与期望值 — 决策树每条路径的核心计算方法
• 逆向思维 — 用来检查决策树是否遗漏了关键分支
• 安全边际 — 在决策树上体现为“最坏情况仍可承受”
• 沉没成本谬误 — 在决策树的后续节点，过去的投入不应影响当前选择
• 机会成本 — 选择一条分支意味着放弃其他分支的期望值
• Lollapalooza倾向 — 多个决策节点上的偏差可能叠加放大

构建决策树时：

• □我是否列出了至少三个可选方案，而不只是“做vs不做”？
• □每个选择之后，我是否考虑了至少两到三种可能的结果？
• □我是否为每种结果标注了概率（哪怕是粗略的）？
• □我是否计算了每条路径的期望值？
• □我是否考虑了“后果的后果”——至少想到了第二层？

检验决策树质量时：

• □有没有遗漏的关键分支？特别是那些概率低但后果极端的“黑天鹅”路径
• □我的概率估计是基于证据还是基于愿望？有没有自视过高的倾向在作祟？
• □最坏情况是否可以承受？如果不能，这条路径直接排除
• □有没有“先获取信息再做大决策”的低成本选项？

日常应用时：

• □面对重大决策，用5分钟在纸上画出简单的决策树——不需要完美，只需要把思路显性化
• □定期复盘：我过去的概率估计和实际结果对比如何？在哪些领域我系统性地高估或低估了？
• □当别人给你一个“确定的好机会”时，自动问：还有哪些可能的结果？每种结果的概率是多少？

• 《穷查理宝典》第二讲“论基本的、普世的智慧” — 芒格对决策树和概率思维的论述
• Howard Raiffa,《Decision Analysis: Introductory Lectures on Choices under Uncertainty》— 决策树理论的经典教材
• Peter Bevelin,《Seeking Wisdom: From Darwin to Munger》第13章 — 将决策树思维融入日常判断
• Annie Duke,《Thinking in Bets》— 将决策视为概率下注而非确定性选择的现代经典