概率思维与期望值

大多数人思考未来的方式是这样的：“这件事会不会发生？”

会还是不会，是还是否，黑还是白。这是一种二元思维。你要么认为房价会涨，要么认为不会。你要么相信这家公司能成功，要么不相信。你要么觉得这次创业行得通，要么觉得行不通。

芒格思考未来的方式完全不同：“这件事发生的概率是多少？如果发生了，后果是什么？如果没发生，后果又是什么？把概率和后果加权平均之后，我应该怎么做？”

这就是从“会不会发生”到“期望值是多少”的跃迁。听起来只是一个小小的措辞变化，但它从根本上改变了你做决策的方式。

举一个极端的例子来感受这种差别。

假设有人邀请你参加一个游戏：掷一枚公平硬币。正面朝上，你赢100万；反面朝上，你输50万。

“会不会发生”思维的人会纠结：正面的概率是50%，反面也是50%，我可能赢也可能输，太冒险了，不玩了。

期望值思维的人会算：赢的期望 = 50% x 100万 = 50万。输的期望 = 50% x (-50万) = -25万。总期望值 = 50万 - 25万 = +25万。每玩一次，平均赚25万。这个游戏应该玩，而且应该反复玩。

当然，现实比这复杂得多。你还需要考虑输50万对你意味着什么——如果那是你全部身家，一次就可能让你破产，即使期望值是正的也不应该玩（这涉及到安全边际和凯利公式）。但核心逻辑是一样的：好的决策不是基于“会不会发生”，而是基于“概率加权后的期望值是多少”。

芒格解释概率思维时最喜欢用的一个类比是赛马场的彩池投注系统（pari-mutuel system）。这个类比精妙到值得我们仔细拆解。

在赛马场上，每匹马的赔率不是赛马场定的，而是由所有下注者的集体行为决定的。一匹被大多数人看好的马，会有很多人下注在它身上，导致赔率很低——比如2赔1。一匹不被看好的马，下注的人少，赔率就高——比如50赔1。

关键来了：赔率反映的是大众对每匹马获胜概率的集体估计。如果一匹马的赔率是3赔1，大致意味着市场认为它赢的概率约25%。

那么，在赛马场上赚钱的方法是什么？是选中获胜的马吗？

不完全是。

芒格指出：在赛马场上赚钱的方法，不是找到哪匹马最可能赢，而是找到赔率定错了的马。 如果一匹马的真实获胜概率是33%，但市场给它的赔率是5赔1（隐含概率只有17%），那么赌这匹马的期望值是正的——即使它大概率不会赢。

反过来，如果所有人都觉得某匹马会赢，赔率被压到1.5赔1，而它的真实获胜概率只有50%——赌它的期望值就是负的，即使它最可能赢。

股市和赛马场的逻辑完全一样。一家好公司不一定是好投资，因为它的“好”可能已经完全反映在股价里了（就像大热门马的低赔率）。一家看起来平庸的公司可能是绝佳的投资，如果市场对它的悲观程度已经远远超过了实际情况（就像被忽视的冷门马）。

芒格把这个原理总结为一句话：“你要在概率对你有利的时候下注，而不是在你觉得自己'对了'的时候下注。”

这里有一个非常深刻的区别：大多数人追求“正确”——我对了，市场错了。芒格追求的是“正期望值”——不管我单次对不对，长期重复下去，概率和赔率的组合对我有利。

这就是赌场老板的思维。赌场不在乎你今晚赢了10万还是输了10万。它只在乎一件事：每个赌注的期望值是不是对赌场有利。只要期望值是正的，时间和大数定律会替赌场搞定一切。芒格要做的，就是在投资的赌桌上，把自己放在赌场老板的位置。

硅谷的顶级风险投资人是概率思维和期望值思维的极端实践者——尽管他们中的很多人可能从来没有读过费马和帕斯卡的通信。

一个典型的顶级VC基金，投资20到30家公司。其中大约一半会彻底失败（亏光全部投资），三分之一会不温不火（回本或微利），只有一两家会成为巨大的赢家（回报10倍、50倍甚至100倍）。整个基金的总回报几乎完全取决于那一两个巨大的赢家。

从“会不会发生”的思维来看，投资任何一家创业公司都是“很可能失败”的——这是对的，但这种思维会让你一家都不敢投。

从期望值思维来看，关键问题不是“这家公司会不会成功”，而是“如果它成功了，回报有多大？成功的概率虽然低，但概率乘以回报是否远大于投资金额？”

假设你投资100万到一家创业公司：

• 70%概率：血本无归（回报 = 0）
• 20%概率：回本（回报 = 100万）
• 10%概率：大成功（回报 = 5000万）

期望值 = 0.7 x 0 + 0.2 x 100万 + 0.1 x 5000万 = 0 + 20万 + 500万 = 520万

投入100万，期望值520万。即使大概率亏光，这仍然是一笔好投资——前提是你做很多笔类似的投资，让大数定律发挥作用。

这就是为什么顶级VC基金要分散投资几十家公司，而不是集中投一两家。单看任何一笔，大概率会亏。但只要组合中出现一两个巨大赢家，整个基金的回报就能非常丰厚。

芒格的投资风格和VC恰好相反——他集中投资少数几家高确信度的公司。但底层逻辑是一样的：他不在乎单次结果，他在乎长期重复这个决策过程的期望值是否为正。只不过他选择在高概率、中等回报的地方下注，而VC选择在低概率、极高回报的地方下注。两种方式都是期望值思维的正确应用，只是风险偏好不同。

如果期望值思维这么好用，为什么大多数人不用它？因为它和我们的心理本能在几个关键点上发生了剧烈冲突。

第一，损失厌恶。 卡尼曼和特沃斯基的研究表明，人们对等额损失的痛苦感大约是对等额收益快乐感的2到2.5倍。这意味着，即使一个赌注的期望值明显为正，如果它涉及可能的损失，大多数人也会拒绝。掷硬币赢100万输50万的游戏，数学上应该玩，但你的杏仁核在尖叫“不”。芒格和巴菲特能做到理性决策，不是因为他们没有恐惧——而是因为他们训练自己在恐惧时用数学覆盖直觉。

第二，对不确定性的厌恶。 人类大脑渴望确定性。“这件事会成功吗？”——我们想要一个确定的答案。“大概有35%的可能性成功”——这个回答让大多数人抓狂。他们会追问：“到底是会还是不会？”但真实世界就是概率性的。芒格训练自己习惯生活在不确定性中，用概率代替确定性做决策。他不需要“知道”一件事会不会发生，他只需要知道概率和赔率的组合是否对他有利。

第三，我们分不清好决策和好结果。 这可能是最致命的认知陷阱。一个好的决策——基于正期望值做出的决策——完全可能带来坏的结果。你有70%的概率赢，但那30%恰好发生了，你输了。从结果来看，你“做了一个错误的决定”。但你没有。你做了一个在信息有限的情况下最优的决策。

芒格对此极为清醒。他说过：“你可以做了正确的事情但得到错误的结果，也可以做了错误的事情但侥幸得到正确的结果。好的思考者关注的是决策过程的质量，而不是单次结果。”

这就是概率思维要求你做到的最难的一件事：在结果不好的时候，仍然对决策过程有信心。在结果好的时候，仍然诚实地检查决策过程是否真的正确——也许你只是运气好。

概率不是“大致猜猜”就行的——校准精度至关重要。 期望值计算的质量完全取决于你对概率估计的准确程度。如果你估计一件事的概率是10%，但实际只有1%，你的期望值计算就差了10倍。这不是小偏差，这可能导致完全相反的决策。

那怎么提高概率估计的精度？芒格的方法是多元思维模型——从多个学科的角度交叉验证同一个判断。如果你从财务角度、行业角度、心理学角度、历史类比角度分别独立估计一件事的概率，然后取某种加权平均，你的估计精度会远高于只从单一角度出发。

不要把所有决策都变成期望值计算。 有些决策涉及不可逆的巨大损失——即使概率极低。你不会因为空难概率极低就不系安全带。芒格和巴菲特的核心规则“不要亏钱”本质上是在说：存在某些下限，跌破下限的后果严重到无论概率多低都不能接受。这就是“遍历性”（ergodicity）问题——如果你有1%的概率归零，反复玩下去你一定会归零。对于不可重复的、存在灭顶之灾的决策，期望值思维必须让位于生存思维。

贝叶斯更新：概率不是一锤子定死的。 真正的概率思维不是在一开始估一个数字然后死扛到底。它是动态的——你给出一个初始估计，然后随着新信息的到来不断更新。一开始你估计某公司成功的概率是40%。第一季度财报出来，表现超预期，你把估计更新到55%。管理层发生内斗，你降到35%。这种持续更新的过程就是贝叶斯推理，它是概率思维的动态版本。芒格虽然从不用“贝叶斯”这个词，但他的投资实践就是贝叶斯式的——他会根据新信息不断重新评估自己的判断，绝不顽固地抱着最初的观点不放。

尾部风险：小概率事件的大影响。 期望值计算倾向于让我们聚焦于最可能的情况。但在真实世界中，最重要的事件往往是那些概率很低但一旦发生影响巨大的“尾部事件”。2008年金融危机、新冠疫情、某个关键客户突然取消订单——这些事件的概率可能只有2%或5%，但它们的后果可能比其余95%的情况加在一起还大。纳西姆·塔勒布把这种情况叫做“黑天鹅”。芒格的应对方式不是试图精确预测黑天鹅，而是确保即使黑天鹅发生，自己也不会被消灭。

大多数人在学习期望值之后，会犯一个直觉性的错误：既然期望值为正，那就应该全押（all-in），这样赚得最多。这大错特错。

假设你有100块钱，面对一个期望值为正的赌局：60%概率翻倍，40%概率亏光。期望值 = 0.6 × 200 + 0.4 × 0 = 120，正的。如果你每次全押，只要遇到一次40%的“亏光”——而如果你反复玩，你一定会遇到——你就从100变成了0。游戏结束。

期望值为正，但全押的策略最终必然导致破产。这就是“遍历性陷阱”——在一个可重复的赌局中，全押策略的长期结果不是期望值的累积，而是零。

1956年，贝尔实验室的物理学家约翰·凯利发表了《信息率的一种新解释》，提出了解决这个问题的公式。凯利最优比例 = 你的“优势”除以“赔率”。对于上面那个赌局，凯利比例 = (0.6 × 1 - 0.4 × 1) / 1 = 20%。每次只押总资产的20%——赢的时候赚得不少，输的时候还有80%的本金在手，可以继续玩下去。长期坚持凯利比例下注，财富增长速度会达到数学上的最优。

这个公式后来被一群MIT数学家用于在拉斯维加斯的21点牌桌上赢得数百万美元，被爱德华·索普用于建立第一个量化对冲基金，被比尔·格罗斯用于管理全球最大的债券基金。

芒格和巴菲特的投资行为完美地体现了凯利原则的精髓——虽然他们不一定用这个公式计算。大部分时间不下注（等待期望值极高的机会），一旦找到高确信度的机会就重仓（凯利公式说：优势越大，应该下注越多），但永远不全押（因为概率估计可能是错的）。很多专业投资者实际使用“半凯利”策略——牺牲一点点增长速度来大幅降低爆仓的概率。

概率论的创始人之一帕斯卡提出过一个著名的思想实验。假设你在考虑是否相信上帝存在：上帝存在且你信了，你获得永恒的天堂（无限正收益）；上帝存在但你没信，你遭受永恒的地狱（无限负收益）；上帝不存在且你信了，你浪费了一些时间（有限负收益）；上帝不存在且你没信，你节省了一些时间（有限正收益）。

帕斯卡的推理是：不管上帝存在的概率有多低——哪怕是千万分之一——只要“存在”的后果是无限的，期望值计算就会被那个无限值主导。

这个论证揭示了期望值思维的一个极其重要的特性：当某个结果的影响趋向无限大时，即使概率极低，它也会主导整个期望值计算。 芒格和巴菲特极度厌恶“灭顶之灾”的风险——即使概率很低。伯克希尔从不做可能导致公司归零的事情。用期望值来表述：“归零”这个结果的 V 是负无穷大。任何大于零的概率乘以负无穷大，都是负无穷大。只要归零是一种可能性——不管概率多小——正确的策略都是彻底避免它。 这就是为什么芒格说“不要亏钱”不是一句鸡汤，而是一道数学题。

如果说有一个行业完全建立在期望值计算之上，那就是保险业——也恰恰是伯克希尔·哈撒韦的核心业务之一。

一张汽车保险单的定价逻辑：某类驾驶员一年出事故的概率5%，平均赔付10万元。期望赔付 = 5% × 10万 = 5000元。保险公司收7000元保费。对驾驶员来说，从纯期望值角度看，买保险是“亏”的。但5%的概率遭遇10万元损失——这可能是他们半年的收入——这个最坏情况的后果太严重了。

这引出了期望值思维的一个关键边界：当一次损失可能造成不可逆的伤害时，你应该为消除这种风险付出“期望值上不划算”的代价。 芒格完全理解这一点——伯克希尔作为保险提供方赚的就是这个差价，而芒格作为投资者也从不做可能让他归零的赌注。

### 训练概率直觉

1. 开始用概率语言思考和说话。 不要说“我觉得这会成功”，改成“我估计这有60%的概率成功”。不要说“明天可能下雨”，改成“明天下雨的概率大概40%”。起初会觉得很刻意，坚持几个月后会变成本能。
2. 记录你的预测并校准。 把你对重大事件的概率估计写下来，半年或一年后回顾。如果你估计“60%概率”的事件中有80%发生了，说明你系统性地低估了概率。长期记录和复盘是校准概率直觉的唯一方法。
3. 练习费米估算。 经常做“看起来无法回答的问题”的快速估算练习——北京有多少理发店？一架波音747能装多少乒乓球？这种练习训练的是把大问题拆解成小概率的能力，是概率思维的基本功。

### 做重大决策时

1. 画出决策树。 列出所有可能的结果，估计每个结果的概率和影响，计算期望值。不需要精确到小数点后两位，粗略估计就足以避免最离谱的错误。
2. 问自己三个问题： 上行空间有多大？下行风险有多大？最坏情况我能不能承受？如果最坏情况是你无法承受的（破产、声誉毁灭、健康受损），不管期望值多高都不应该做。
3. 从对手的角度重算一遍。 如果你和另一方在交易或竞争，他对同一件事的概率估计可能和你完全不同。理解对手为什么认为他是对的，能帮你发现自己估计中的盲点。

### 评估投资时

1. 不要只看“这家公司好不好”，要看“好的程度是否已经反映在价格里”。 一匹好马配一个低赔率，就不是好赌注。
2. 对每一笔投资做“杀手场景”分析。 找出三到五种可能让你亏大钱的情景，估计它们的概率，然后问自己：即使这些情景中最糟糕的那个发生了，我还能承受吗？
3. 长期打正期望值的牌。 接受单次可能亏损的事实。不要因为某一笔投资亏了就否定整个决策框架。衡量你的投资体系，看的是20年、50笔投资之后的整体回报，不是某一笔的涨跌。

芒格把费马-帕斯卡体系放到如此核心的位置，不是因为他喜欢数学。而是因为他发现，在人类所有的认知工具中，概率思维是对日常决策质量提升最大的单一工具。

大多数人做决策靠直觉、靠情绪、靠“感觉对不对”。这种方式在简单、重复的场景中还可以凑合——进化给了我们还算靠谱的快速判断能力。但在高风险、低频率、充满不确定性的重要决策面前——该不该换工作、该不该做这笔投资、该不该结婚——直觉的可靠性骤然下降。这时候，你需要一个更可靠的框架。

概率思维就是那个框架。它不会给你确定的答案——世界本就没有确定的答案。但它会让你的错误系统性地减少，让你的决策质量系统性地提高。长期坚持正期望值的决策，短期的随机波动会被熨平，你的人生轨迹会稳定地指向更好的方向。

芒格用了七十年来证明这一点。他不是最聪明的人，不是最努力的人，甚至不是运气最好的人。但他可能是最系统性地使用概率思维做决策的人之一。而七十年的正期望值决策累积起来——这又回到了复利效应——结果是惊人的。

所以，如果你只能从芒格的思维模型体系中带走一样东西，带走概率思维。然后每天用它。用到它变成你的本能。

否则，你就是那个踢屁股比赛中的独腿人。

“如果你没有把这个基本的数学概率方法变成你生活的一部分，那么你就像一个踢屁股比赛中的独腿人。这是一个很简单的概念，你也需要把它纳入日常所用的思维框架中。”

*“If you don't get this elementary, but mildly unnatural, mathematics of elementary probability into your repertoire, then you go through a long life like a one-legged man in an ass-kicking contest.”*
— Charlie Munger, “A Lesson on Elementary, Worldly Wisdom”

“费马和帕斯卡的体系与世界运行方式完全一致。它是基本的事实——作为一种思维体系来使用是极好的。”

*“The Fermat/Pascal system is dramatically consonant with the way that the world works. And it's fundamental truth. So you've got to have the technique.”*
— Charlie Munger

“股市就是一个赛马彩池投注系统。你必须寻找定价错误的赌注。”

*“The stock market is a pari-mutuel system. You've got to look for the mispriced bet.”*
— Charlie Munger

• 复利效应 — 正期望值决策的长期累积就是复利
• 排列组合原理 — 概率思维的数学基础之一：多事件联合概率
• 护城河（Moat） — 护城河提升了企业未来成功的概率，使投资的期望值更高
• 安全边际 — 安全边际是在概率估计可能出错时保护你的缓冲区
• 逆向思维 — 反过来算：亏损的概率和幅度是多少？期望值还是正的吗？
• 奖励和惩罚超级反应倾向 — 激励机制如何系统性地扭曲人们对概率的判断
• 过度乐观倾向 — 人们天生倾向于高估好结果的概率、低估坏结果的概率
• Lollapalooza倾向 — 多种概率偏差同时作用时的极端效果
• 基本算术与数量级估算 — 概率思维的前提是基本数感：不会做数量级估算就无法评估概率
• 大数定律 — 期望值的意义在大量重复决策中才能充分显现
• 不对称性与凸性 — 当收益和损失不对称时，期望值计算需要特别注意
• 被剥夺超级反应倾向 — 人类对损失的过度敏感系统性地扭曲了我们的期望值判断

• □期望值计算：对这个决策，我是否把每种可能结果的概率和影响都估算了？期望值是正的还是负的？
• □赔率思维：我不只是在判断“这件事会不会发生”，而是在判断“市场给它的赔率是否正确”？
• □最坏情况检查：最坏情况我能不能承受？如果不能，不管期望值多高都不做。
• □概率校准：我有没有系统性地记录和复盘自己的概率预测？我是偏乐观还是偏悲观？
• □损失厌恶检查：我是不是因为害怕损失而回避了一个期望值明显为正的机会？
• □贝叶斯更新：随着新信息出现，我有没有及时更新我的概率估计，还是在固守最初判断？

• Charlie Munger, “A Lesson on Elementary, Worldly Wisdom” — 芒格在USC的经典演讲，费马-帕斯卡体系的核心论述
• Daniel Kahneman,《Thinking, Fast and Slow》— 理解人类概率直觉为何系统性出错
• Annie Duke,《Thinking in Bets》— 将概率思维应用于日常决策的实操指南
• Nassim Taleb,《The Black Swan》— 理解尾部风险和小概率大影响事件
• Philip Tetlock,《Superforecasting》— 如何校准你的概率判断能力
• William Poundstone,《Fortune's Formula》— 凯利公式的完整历史，从信息论到赌场到华尔街
• Edward Thorp,《A Man for All Markets》— 将期望值思维从21点牌桌带到量化投资的传奇人生
• Nassim Taleb,《Skin in the Game》— 遍历性问题：为什么正期望值有时候不够