我的财讯iPhone客户端 | 财经股票网址大全 | 添加到收藏夹

寻找认知中的判断缺陷

21-09-10 15:47    作者:一只花蛤    相关股票:

文/姚斌

丹尼尔·卡尼曼是被公认继西格蒙德·弗洛伊德之后“当代最伟大的心理学家”,他的跨领域研究对经济学、医学、政治学、社会学、社会心理学和认知科学都产生了深远的影响,因此被誉为“行为经济学之父”。最近,湛庐文化出版了他的《噪声:人类判断的缺陷》一书,让我们得以知道为什么我们应该像对待偏差一样对待人类判断中的随机变异。

1973年,法官马文·弗兰克尔呼吁要坚持不懈地减少刑事审判中的噪声。他的那种不那么正式、依靠直觉的噪声检测,以及随后更正式、系统地噪声分析手段,揭示了对犯下相似罪行的人进行判决时存在不公正的差异,而且这种差异之大令人震惊。《噪声》大部分内容都可以理解为是对弗兰克尔所持观点的扩展,以及对这些观点背后的心理学基础的阐释。

与此同时,《噪声》也是卡尼曼对长达半个世纪以来关于人类直觉判断研究的延续,即所谓的启发式和偏差处理。而之前卡尼曼的巨著《思考,快与慢》则是对该研究项目前40年的研究内容进行回顾,探讨了直觉思维的奇妙与缺陷。卡尼曼的噪声研究最初涉及的是一家保险公司,其研究揭示了一家营利性组织存在噪声问题的严重性。

卡尼曼发现,系统噪声无处不在,会让一个组织付出很高的代价。所谓的噪声指的是对相同问题进行判断的过程中产生的不受欢迎的差异性。对于相同的问题,没有人能准确说出一项决策到底存在多少误差或多少偏差,因为没有人能确切知道每一种情况下的黄金分割值。也没有人需要通过观察靶心来测量目标背面的离散程度,并意识到变异性是一个问题。

1

《噪声》的一个关键主题是,哪里有判断,哪里就会有噪声,而且比你想象中的还要多。噪声无处不在。在现实的决策中,噪声的数量往往高得惊人。但是,很少有人能够认识到噪声的重要性,讨论噪声问题的作品也少得可怜。在一些领域中,消除噪声的成本太高了,而在另外一些领域,消除噪声的努力则会损害重要的竞争价值。所以,判断是一件困难的事,因为世界是复杂而不确定的。凡是与判断相关的地方,就不可避免地存在分歧。分歧的程度比我们预想的要大得多。噪声是可以减少的。然而,减少噪声的努力往往会招致反对意见,让人举步维艰。

系统噪声的一个特点在于它是不受欢迎的,而卡尼曼想要强调的是,判断中的变异性并非总是不受欢迎。在最佳判断会得到奖励的竞争环境下,人们也期待和欢迎判断中的变异性。当几家公司或同一组织中的几个团队竞相为同一个客户问题制定创新解决方案时,我们通常不希望他们采用相同的方法。当多个研究团队攻克一个科学问题时,例如疫苗研制,我们非常希望他们能从不同的角度去看待问题。如果预测者能从别人没有想到的视角正确地预测了经济衰退,那么他肯定会一举成名,而墨守成规、从不偏离一致性的人则仍将碌碌无为。在此情况下,想法和判断的变异性同样受到欢迎,因为变异性只是第一步。在第二阶段,这些判断的结果会相互竞争,最优判断才能获得胜利。市场犹如自然界,没有变化就没有选择。

系统噪声是系统问题,系统是组织而不是市场。当交易员对同一只股票的价值做出不同的评估时,其中一些人会赚钱,而另一些人则不会,可以说分歧造就了市场。但是,如果随机选择其中一名交易员来代表他任职的公司进行评估,而且,发现他的同事做出非常不同的评估,那么该公司就存在系统噪声。如果公司中42名经验丰富的投资者估计一家股票的公允价值。当达到该价值时,投资不会进行买卖交易。投资者根据一页纸的业务描述进行分析,其中的数据包括过去3年的简化损益表、资产负债表和现金流量表以及对未来2年的预测。用保险公司使用的噪声检测方法测量噪声水平,得到的噪声中位数为41%。同一家公司的投资者在采用相同估值的情况下,却出现如此大的差异,这不是一个好消息。只要判断者是从一群具有同等资历的人中随机挑选出来的,噪声都是一个必然存在的问题。

噪声是判断的非正式性造成的结果。错误的判断比正确的判断更容易被识别。指出严重的错误以及边缘化不合格的同事,在做出广泛可接受的判断时,它们对专业人士了解自己与他人之间有多大的分歧,并没有什么帮助。相反,对错误判断的简单共识甚至可能会强化一致性错觉。这样人们永远也不会认识到,系统噪声是无处不在的。

判断不等同于思考,“做出准确判断”也不是“拥有良好的判断力”。判断与测量一样,既指做出判断的心理活动,也指其结果。在判断中,总会存在一些误差,其中一些是偏差,一些是噪声。判断在于其结果存在不确定性,理性或有能力的人在某一问题上可能存在分歧。然而,分歧是有一定限度的。事实上,“判断”这个词主要用于人们能够达成一致意见的场景。包括专业判断在内的判断处于一个连续体的中间位置:一端是事实或计算,另一端是品味或意见。因此,不同的主体判断必然存在一定程度的不一致。

一个真实的个体出现问题,即使我们知道了其结果,也无法证实或证伪一个单一的概率判断。结果并不能表明事情概率是多少。如果一个被认为有90%的可能性会发生的事情,并未真正发生,也不能说明概率判断是不好的。毕竟,即使某个结果只有10%的可能会发生,那么它也会在10%的时间里发生。一些专业的判断也是无法验证的。“如果明天市场崩盘,我们将遭重大损失”,这是一个重要的预测,但它很可能仍然不能验证。如果由于预测的时间跨度太长,以至于预测者无法验证结果,那么也是无法验证的。比如,有未来10年证券市场会迎来一次大牛市。判断见仁见智,但有些判断太离谱了,所以是错的。

2

人类判断容易犯错,是因为判断过程存在许多噪声。20世纪60年代末,刘易斯·戈德堡在“大五人格模型”的基础上发展出了“领导力角色模型”。戈德堡的研究想要解决的问题是,简单的判断模型预测实际结果的效果究竟如何。最终,依据模型做出预测显示,预测准确性并没有降低,相反,在大多数情况下,判断模型反而更优,该模型甚至优于专业人士的预测。这一结论已被许多领域的研究所证实。

当然,基于判断建立起来的统计模型,不可能将所有用于判断的信息都纳入其中。模型能做的只是抽象和简化。尤其是,简单模型不会将一直遵循的任何复杂规则表征出来。如果复杂规则行之有效,那么简单模型会因为不能重复复杂规则而导致自身的预测率下降。复杂规则通常只会带来效度错觉,而实际上会降低判断质量。也就是说,少数的复杂规则是有效的,但大多数是无效的。简单模型并不会表征在判断中的噪音,它不能重现在特定案例中由于人为反应而产生的或正或负的误差。同样的道理,模型也不能捕捉在完成特定判断时受到当时环境和心理状态的影响。这种判断的噪声带来的误差很可能与任何事物都不存在系统性相关,这意味着在大多数情况下,可以将其视为随机误差。

判断模型比判断更有效这一稳定的发现说明,从人类判断的复杂规则中获益不足以补偿噪声所带来的损失。你可能会认为自己比一般人更擅长思考、更有洞察力,但实际上只是你的噪声更多而已。表面上看,复杂的规则更有效,但实际上许多复杂的规则并非是正确的。即使复杂规则在原则上是有效的,它们也不可避免地仅适用于少数能观察到的情况下。但无论如何,当有大量数据时,机器学习的算法比任何简单模型的预测要更好。相比于人类的判断,即使是最简单的规则和算法也具有很大的优势,因为它们没有噪声,也不会尝试将复杂而无效的变量用来做预测。模型确实比人表现得更好,但并没有好很多。算法当然也会犯错,但人类犯的错可能更多。

许多专家无视诊断性判断与机械性判断之争,而是相信自己的判断。他们对自己的自觉充满信心,并对机器能否做到更好保持怀疑的态度。这一点连詹姆斯·西蒙斯有时也是这样行事的。西蒙斯创建计算机自动交易系统,本意是要排除人类情感因素。然而,当大奖章基金出现巨额亏损时,他竟然干预交易系统并减少头寸。

迈克尔·刘易斯在《点球成金》中写道,人们之所以对痴迷于统计的奥克兰田径队的故事印象深刻,恰恰是因为算法在运动团体中的运用是一种例外而非通用的规则。即使在今天,体育教练、基金经理也常常更相信自己的直觉,并坚持认为统计分析不可能取代人类自身良好的判断力。他们总是对判断充满信心。然而,对判断所持的信心并不能保证判断的准确性,许多充满信心的预测都是错的。尽管偏差和噪声都会造成预测误差,但此类误差最重要的来源并非受限于预测性判断实际有多好,而是受限于预测性的判断应该有多好。卡尼曼将这一局限性称为“客观无知”。哪里有预测,哪里就会有客观无知。而且,客观无知的体量比你想象的要多得多。对未来的展望越远,客观无知就随之积累得越多。

完美的预测是不可能实现的。统计学术语通常会产生误导,“统计上显著”或“高度显著”是最具误导性的说法之一。众多研究证据都表明,人们做预测时会过分自信。人们经常错误地将自信水平这一主观指标当成了预测有效性的指标。因此,卡尼曼告诫我们,如果你对你的预测充满信心,你就已经陷入了一个效度错觉中:仅仅依赖与你所获的信息进行预测,其准确性必然非常低。在存在很严重的客观无知的情况下,即使以水晶球来预测未来事件也是徒劳的。在大多数情况下,人类的判断能力处于中等水平,而模型略胜一筹,虽然只有好一点点,但也聊胜于无。

3

基础统计学反复警告“相关并不意味着因果”。然而,尽管相关并不意味着因果,因果却意味着相关。哪里有因果关系,哪里就有相关关系。存在因果关系就意味着存在相关关系。因此,存在相关关系时,我们就应该能做出预测,并且这一相关性可以衡量我们究竟在多大程度上理解了这一因果关系。

有一种思维模式会自发地出现在我们的脑海里,它就是因果性思维。因果性思维会创造出故事,故事中特定的人、事、物之间会相互影响。我们对世界的理解依赖于我们编造故事来解释我们所观察到的事件的能力,并且我们几乎总是能成功地找到原因,因为我们可以从无数的事实和信念中搜寻原因。例如,新闻媒体很少有无法解释的股市大波动。然而,相同的新闻事件既可用于解释股票指数的下跌,也可以用于解释股票指数的上涨。

只有当我们无法调整我们的世界模型来对某一结果作出解释时,我们才将这一结果归于令人惊讶的,并为其寻求更为复杂的解释。只有当常规的事后解释失败时,我们才会真正感到惊讶。这种持续对现实世界进行因果解释就是我们“理解”世界的方式。我们对生活的理解是由对不断产生的事后解释所组成的。这种感觉从根本上讲是因果性的:新事件一旦被人们所知,其他可能性就会被消除——编故事的过程几乎消除了所有的不确定性。正如我们在那些经典的“事后诸葛亮——后见之明”的研究中了解到的那样:即使主观不确定性存在过一段时间,当不确定性消失后,对不确定性的记忆也将消失不见。这就是现在常说的“7秒钟记忆”。

因果性思维通过将事件实时的划分为正常事件或异常事件,为我们节省很多精力。而统计性思维通常需要的认知资源,只有在缓慢而审慎的思维系统发挥作用时才能满足。依赖单一的个案进行因果性思维是预测性误差的重要来源,而采取统计性观点则是避免这些误差的方法之一。想一想,“他们之所以失败是因为缺乏经验”或“他们之所以成功是因为有一位出色的领导者”这类断言,你很容易就能想到反例:有些经验不足的团队成功了,而拥有杰出领导者的团队却失败了。经验和才华与成功之间的相关性至多是中等水平,甚至可能更低,然而我们却很容易做出这种因果性归因。当因果关系看似合理时,我们思维很容易将相关关系转变为因果关系和解释力,无论这种相关性有多低。比如,杰出的领导者对成功的一种令人满意的解释,而经验不足则是对失败的一种令人满意的解释。

卡尼曼通常是通过参考真实值来确定判断偏差的。在做预测性判断时,如果偏差主要偏向同一个方向而非其他方向,那么偏差就出现了。研究者如果观察到本不应该影响判断的因素却对判断产生了统计效应,或者本应该影响判断的因素却没有对判断产生统计效应,那么就可以证实判断过程存在心理偏差。“偏差”指的是一种会产生误差的心理机制,除此之外,它还经常用来暗示某人对某个事物有偏见,也可能意味着某人赞成某个特定的结论。由于所有这些心理偏差,都会引起统计偏差和噪声,因此卡尼曼在讨论心理学的判断误差时会将这种类型的偏差和偏见都包含在内。但是,卡尼曼强烈反对这个词的另一种用法:代价高昂的失败被归因于无特定所指的“偏差”。某些失败确实是由于特定心理偏差相关的可预见性误差引起的,采取某些干预措施来减少判断和决策中的偏差和噪声是可行的。但是,将所有不好的结果都归咎于偏差则是毫无价值的解释。

由此,卡尼曼探索了人类判断的一种根本的但被严重低估的缺陷。这种缺陷在投资领域无处不在。投资在很大程度上是一种认知,而认知最容易出现偏差。偏差就隐藏在貌似正确的认知中。它导致了许多人不断地从一个谬误走向另一个谬误。绝大多数决策都是面对复杂性问题的决策。偏差显然无法完全消除,只能减少。即使沃伦·巴菲特也会在航空股投资上判断失误。今天,在认知偏差持续破坏我们的投资决策时,阅读《噪声》一书,将可以帮助我们思考切实可行的解决方案,从而照亮我们前行的道路。


 
声明:本文内容由原作者博客的RSS输出至本站,文中观点和内容版权均归原作者所有,与本站无关。点此查看原文...

我要评论

(200字以内)