[思考] [正经]_老虎社区_美港股上老虎

2021-09-19

[思考] [正经]

免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"detailType":1,"isChannel":false,"data":{"magic":2,"id":887569444,"tweetId":"887569444","gmtCreate":1632065999388,"gmtModify":1632803051207,"author":{"id":4087196552171780,"idStr":"4087196552171780","authorId":4087196552171780,"authorIdStr":"4087196552171780","name":"CKsky","avatar":"https://static.tigerbbs.com/b4728e972eef44952da98966cfdfc721","vip":1,"userType":1,"introduction":"","boolIsFan":false,"boolIsHead":false,"crmLevel":2,"crmLevelSwitch":0,"individualDisplayBadges":[],"fanSize":8,"starInvestorFlag":false},"themes":[],"images":[],"coverImages":[],"extraTitle":"","html":"<html><head></head><body><p><span>[思考]&nbsp;</span><span>[正经]&nbsp;</span></p></body></html>","htmlText":"<html><head></head><body><p><span>[思考]&nbsp;</span><span>[正经]&nbsp;</span></p></body></html>","text":"[思考] [正经]","highlighted":1,"essential":1,"paper":1,"likeSize":4,"commentSize":0,"repostSize":0,"favoriteSize":0,"link":"https://laohu8.com/post/887569444","repostId":1127155860,"repostType":4,"repost":{"id":"1127155860","kind":"news","pubTimestamp":1632017518,"share":"https://www.laohu8.com/m/news/1127155860?lang=&edition=full","pubTime":"2021-09-19 10:11","market":"sh","language":"zh","title":"好书来了：基金经理都推荐的诺奖得主又出新作","url":"https://stock-news.laohu8.com/highlight/detail?id=1127155860","media":"点拾投资","summary":"读完之后，确实收获很大，也看到《噪声》已经上市了，推荐给各位朋友。","content":"<p>导读：很多年前，看过诺贝尔经济学奖得主，丹尼尔·卡尼曼的著作《思考，快与慢》。这本书对我个人的启发很大，帮助我做决策的思考，学会了慢决策的方式，而不是让本能的快思考蒙蔽自己的双眼。相信对心理学感兴趣的朋友，这本《思考，快与慢》都是必读。我访谈基金经理的时候，经常让他们推荐一本非金融的好书，许多人也是推荐这本书。</p>\n<p>前一段看到，卡尼曼的新书《噪声》已经在美国出版，本来想买一本原版书看看。没想到国内很快有了翻译。比较机缘巧合的是，之前翻译《征服市场的人》合作过的湛庐出版社，也是这本书的出版社，正好给了我一本预读本。</p>\n<p>读完之后，确实收获很大，也看到《噪声》已经上市了，推荐给各位朋友。</p>\n<p><b>噪声和偏差的区别</b></p>\n<p>首先，我们要区分，什么是偏差，什么是噪声，两者是完全不同的。我们举一个书中的例子，假设有4个射击队，来到射击场打靶。A队全部打中红心，没有任何偏差。B队全部偏离在目标外。C队有些击中了红心，有些偏离，没有规律可言。D队则是全部偏离，但又毫无规律可言。</p>\n<p>那么A队代表完美的决策，每一次决策的结果是正确的。B对代表偏差，每一次决策都是偏差的，而且向某个方向偏差（倾向性决策，比如说大靶全部偏离在右边）。C队代表噪声，每一次结果毫无可预测性。D队代表噪声和偏差的结合，既有一部分倾向性偏偏差，但又毫无规律可言。</p>\n<p>对于决策系统来说，最重要的是减少误差。偏差和噪声，一种是系统偏离，另一种是随机离散，是误差的不同组成部分。</p>\n<p><b>无处不在的噪声</b></p>\n<p>我们每天的生活中，几乎都会遇到各种类型的噪声，特别是在移动互联网时代，发声的途径和源头越来越多，打开微信朋友圈，几乎每天都能在各种自媒体看到噪声。而每一个决策系统中，也都有各种各样的噪声。比如说保险理赔、犯罪判罚、体育比赛中的裁判、工作面试等等。</p>\n<p>当然，投资中也伴随着大量的噪声。</p>\n<p>卡尼曼把噪声分为三类：1）程度噪声，有些法官对某类案件判决更加严厉；2）场景噪声，法官的判决会根据不同精神状况出现变化；3）模式噪声，法官的判决，基于不同的世界观而判罚不同。</p>\n<p>落实到投资中，也能看到这三类噪声：1）在同样的信息面前，有些人天生比其他人更乐观，有些人天生更热衷于交易，这就会产生程度噪声；2）当一个人的情绪对判断出现影响时，就会出现场景噪声；3）不同类型的人，对于什么是好公司，好生意的认知，都是不同的，这就是模式噪声。</p>\n<p>减少噪声的6个方式</p>\n<p>1）判断的目的在于准确性，而不在于个性化表达。判断是有一个狭义的定义，我们发现，许多人在判断一个事情的时候，是冲着个性化表达去的。遵循这一原则比较激进的方法，是是用规则或算法来代替判断，用算法做评估可以保证消除噪声，也是完全消除噪声的唯一方法。</p>\n<p>2）使用系统性思维，采用外部视角审视个案。当判断者将某个案例视为一系列相似案例中的一例，而不是看做特例时，就采用了外部视角。不是只关注当前案例的因果，外部视角有助于产生有价值的见解。</p>\n<p>3）对判断进行结构化，将其分解成几个独立的任务。这一点和Dalio的原则类似，把目标进行拆解，也能够减少过度一致性的问题。比如说，在结构化访谈中，访谈员只需要评估一个特征，每一次的评估做到独立。</p>\n<p>4）抵制不成熟的直接。决策者需要对他们的最终决策感到满意，并从直接的自信中获得回报感，但是他们不应该过早给予自己这种回报感。直接应该建立在一定的信息基础上，并且接受规则的约束以及适当的延迟处理。</p>\n<p>5）获取多位判断者的独立判断，然后再考虑汇总这些判断。比如说开会的时候，不应该让领导先发言，这样会影响其他人判断的独立性。</p>\n<p>6）用相对判断和相对量尺更好。相对判断的噪声要比绝对判断的小，因为我们在同一量尺上对多个对象进行归类的能力是有效的，但我们对众多对象进行两两比较的能力更胜一筹。比如说，评估一个公司绝对价格，比把两个公司放在一起评估谁更好，要难很多。</p>\n<p><b>减少噪声，看到真相</b></p>\n<p>为什么减少噪声那么重要？我认为通过减少噪声，能帮助我们更好看到真相，从而做出更优的决策。这就回到了许多书本讨论过的问题：人类大脑决策体系的缺陷。甚至可以上升到哲学和宗教层面，我们是不是看到了真相？</p>\n<p>对于我们来说，无论用哪个眼光看世界，更好的看到真相，一定对我们有利而无害。今天，信息不稀缺，但稀缺的是真相。通过训练我们的思维方式，减少噪声，是对移动互联网时代的生活，必不可少的工具箱。</p>\n<p>最后，也推荐这本书给所有人！</p>","source":"lsy1570070086697","collect":0,"html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>好书来了：基金经理都推荐的诺奖得主又出新作</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n好书来了：基金经理都推荐的诺奖得主又出新作\n</h2>\n\n<h4 class=\"meta\">\n\n\n2021-09-19 10:11 北京时间&nbsp;&nbsp;&nbsp;<a href=https://mp.weixin.qq.com/s/ZQ9wJlcOZUb2QU7yBiNstA><strong>点拾投资</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>导读：很多年前，看过诺贝尔经济学奖得主，丹尼尔·卡尼曼的著作《思考，快与慢》。这本书对我个人的启发很大，帮助我做决策的思考，学会了慢决策的方式，而不是让本能的快思考蒙蔽自己的双眼。相信对心理学感兴趣的朋友，这本《思考，快与慢》都是必读。我访谈基金经理的时候，经常让他们推荐一本非金融的好书，许多人也是推荐这本书。\n前一段看到，卡尼曼的新书《噪声》已经在美国出版，本来想买一本原版书看看。没想到国内很快...</p>\n\n<a href=\"https://mp.weixin.qq.com/s/ZQ9wJlcOZUb2QU7yBiNstA\">Web Link</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","type":0,"thumbnail":"https://static.tigerbbs.com/b26dd573a426403acd3cf0e50d7a53a2","relate_stocks":{".DJI":"道琼斯"},"source_url":"https://mp.weixin.qq.com/s/ZQ9wJlcOZUb2QU7yBiNstA","is_english":false,"share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","article_id":"1127155860","content_text":"导读：很多年前，看过诺贝尔经济学奖得主，丹尼尔·卡尼曼的著作《思考，快与慢》。这本书对我个人的启发很大，帮助我做决策的思考，学会了慢决策的方式，而不是让本能的快思考蒙蔽自己的双眼。相信对心理学感兴趣的朋友，这本《思考，快与慢》都是必读。我访谈基金经理的时候，经常让他们推荐一本非金融的好书，许多人也是推荐这本书。\n前一段看到，卡尼曼的新书《噪声》已经在美国出版，本来想买一本原版书看看。没想到国内很快有了翻译。比较机缘巧合的是，之前翻译《征服市场的人》合作过的湛庐出版社，也是这本书的出版社，正好给了我一本预读本。\n读完之后，确实收获很大，也看到《噪声》已经上市了，推荐给各位朋友。\n噪声和偏差的区别\n首先，我们要区分，什么是偏差，什么是噪声，两者是完全不同的。我们举一个书中的例子，假设有4个射击队，来到射击场打靶。A队全部打中红心，没有任何偏差。B队全部偏离在目标外。C队有些击中了红心，有些偏离，没有规律可言。D队则是全部偏离，但又毫无规律可言。\n那么A队代表完美的决策，每一次决策的结果是正确的。B对代表偏差，每一次决策都是偏差的，而且向某个方向偏差（倾向性决策，比如说大靶全部偏离在右边）。C队代表噪声，每一次结果毫无可预测性。D队代表噪声和偏差的结合，既有一部分倾向性偏偏差，但又毫无规律可言。\n对于决策系统来说，最重要的是减少误差。偏差和噪声，一种是系统偏离，另一种是随机离散，是误差的不同组成部分。\n无处不在的噪声\n我们每天的生活中，几乎都会遇到各种类型的噪声，特别是在移动互联网时代，发声的途径和源头越来越多，打开微信朋友圈，几乎每天都能在各种自媒体看到噪声。而每一个决策系统中，也都有各种各样的噪声。比如说保险理赔、犯罪判罚、体育比赛中的裁判、工作面试等等。\n当然，投资中也伴随着大量的噪声。\n卡尼曼把噪声分为三类：1）程度噪声，有些法官对某类案件判决更加严厉；2）场景噪声，法官的判决会根据不同精神状况出现变化；3）模式噪声，法官的判决，基于不同的世界观而判罚不同。\n落实到投资中，也能看到这三类噪声：1）在同样的信息面前，有些人天生比其他人更乐观，有些人天生更热衷于交易，这就会产生程度噪声；2）当一个人的情绪对判断出现影响时，就会出现场景噪声；3）不同类型的人，对于什么是好公司，好生意的认知，都是不同的，这就是模式噪声。\n减少噪声的6个方式\n1）判断的目的在于准确性，而不在于个性化表达。判断是有一个狭义的定义，我们发现，许多人在判断一个事情的时候，是冲着个性化表达去的。遵循这一原则比较激进的方法，是是用规则或算法来代替判断，用算法做评估可以保证消除噪声，也是完全消除噪声的唯一方法。\n2）使用系统性思维，采用外部视角审视个案。当判断者将某个案例视为一系列相似案例中的一例，而不是看做特例时，就采用了外部视角。不是只关注当前案例的因果，外部视角有助于产生有价值的见解。\n3）对判断进行结构化，将其分解成几个独立的任务。这一点和Dalio的原则类似，把目标进行拆解，也能够减少过度一致性的问题。比如说，在结构化访谈中，访谈员只需要评估一个特征，每一次的评估做到独立。\n4）抵制不成熟的直接。决策者需要对他们的最终决策感到满意，并从直接的自信中获得回报感，但是他们不应该过早给予自己这种回报感。直接应该建立在一定的信息基础上，并且接受规则的约束以及适当的延迟处理。\n5）获取多位判断者的独立判断，然后再考虑汇总这些判断。比如说开会的时候，不应该让领导先发言，这样会影响其他人判断的独立性。\n6）用相对判断和相对量尺更好。相对判断的噪声要比绝对判断的小，因为我们在同一量尺上对多个对象进行归类的能力是有效的，但我们对众多对象进行两两比较的能力更胜一筹。比如说，评估一个公司绝对价格，比把两个公司放在一起评估谁更好，要难很多。\n减少噪声，看到真相\n为什么减少噪声那么重要？我认为通过减少噪声，能帮助我们更好看到真相，从而做出更优的决策。这就回到了许多书本讨论过的问题：人类大脑决策体系的缺陷。甚至可以上升到哲学和宗教层面，我们是不是看到了真相？\n对于我们来说，无论用哪个眼光看世界，更好的看到真相，一定对我们有利而无害。今天，信息不稀缺，但稀缺的是真相。通过训练我们的思维方式，减少噪声，是对移动互联网时代的生活，必不可少的工具箱。\n最后，也推荐这本书给所有人！","news_type":1},"isVote":1,"tweetType":1,"viewCount":897,"commentLimit":10,"likeStatus":false,"favoriteStatus":false,"reportStatus":false,"symbols":[],"verified":2,"subType":0,"readableState":1,"langContent":"CN","currentLanguage":"CN","warmUpFlag":false,"orderFlag":false,"shareable":true,"causeOfNotShareable":"","featuresForAnalytics":[],"commentAndTweetFlag":false,"andRepostAutoSelectedFlag":false,"upFlag":false,"length":12,"xxTargetLangEnum":"ZH_CN"},"commentList":[],"isCommentEnd":true,"isTiger":false,"isWeiXinMini":false,"url":"/m/post/887569444"}