目录
- [00:00:00] 欢迎收听跨国串门计划
- [00:15:01] 围绕前进理论
- [00:30:01] 他这个人有一点
- [00:45:02] 我觉得如果有人能
- [01:00:03] 现在也许可以找一种例外情况
- [01:15:04] 有没有什么
- [01:30:04] 金融数学的博士生
欢迎收听跨国串门计划 [00:00:00]
一凯: 欢迎收听跨国串门计划，这是一档专注于让中文听众无障碍欣赏，全球优质外语播客的节目，通过先进的AI声纹克隆技术，我们不仅将内容翻译成中文，还完美保留了原主持人和嘉宾的独特声音，为您呈现全球顶尖的AI财经，健康与科技领域精品内容，我是主播一凯，一位热衷于AI领域的产品经理，很荣幸能为您搭建这座跨越语言障碍的桥梁，接下来呢 [00:00:00 → 00:00:32]
让我为您简单介绍本期我们克隆的这档节目，并分享几句非常精彩的原话，本期我们克隆的是主持人Joseph Noel Walker的一档深度思想对谈播客，嘉宾是著名学者、风险分析师纳西姆、尼古拉斯、塔勒布，塔勒布以黑天鹅、反脆弱等畅销书文明，对全球投资圈和决策领域都产生过深远影响，主持人Walker则是他的长期读者，两人从极端事件聊到行为经济学，观点碰撞非常密集 [00:00:32 → 00:01:04]
在节目里他有几句原话让我印象特别深刻，在极端斯坦里根本就没有标准差这种东西，你不能把预测从收益函数里分离出来，如果你要亏钱最好一次亏一大笔，如果你想赚钱慢慢赚反而更有效，那我们就一起来听听这期的完整对话，今天我要和纳西姆，尼古拉斯，塔勒布对话 [00:01:04 → 00:01:28]
主持人: 他对我的影响，可能比任何其他思想家都大，我很年轻的时候，在2016年底，发现了他的作品，我读他的书没有按顺序，最后读的是，随机漫步的傻瓜，最开始读的是，黑天鹅，第一本，其实那才是正确的顺序，黑天鹅那本书让我入了迷，那本书与其说是讲黑天鹅，不如说是讲纳西姆所说的，柏拉图式折叠，今年我有幸亲眼见到他，他有一种宽宏大量的气度，对我非常友善，所以能请他上播客，是我的荣幸，欢迎你 [00:01:28 → 00:02:03]
纳西姆，谢谢，谢谢你邀请我，所以很自然，我有很多问题，我想我这些问题的主题，用你那本技术性著作的标题，来概括最合适，就是肥伟的统计后果，不过我想先从，稍微抽象的地方开始，然后越来越具体，第一个问题，只要出现一次黑天鹅，你就知道你在极端斯坦了，但如果你在一个还没经历过黑天鹅的领域，你怎么知道它是不是极端斯坦呢，我们先别用黑天鹅这个词，改用极端偏差吧 [00:02:03 → 00:02:34]
对谈者甲: 黑天鹅是带来巨大后果的事件，它更容易在会产生极端偏差的环境里发生，也就是我所说的极端斯坦，所以我们先撇开黑天鹅这个术语，因为它可能让人混淆，我们来讨论下面这种不对称性，如果我使用一个保伪概率分布，那我总有可能被一个离群值吓一跳，你看一个相对于我这个分布来说，很大的偏差，就会摧毁我使用这个分布的假设，反过来如果我使用的是大偏差模型，也就是极端斯坦模型，那相反的情况就不会成立 [00:02:34 → 00:03:08]
没有什么能让你吃惊，一段平静期完全在统计性质之内，一个巨大的偏差也同样在统计性质之内，正因为如此，除非你有真正的理由，否则你就必须假设自己处于第二类模型中，你看要得到一个真正稳健的世界表征 [00:03:08 → 00:03:25]
对谈者乙: 才能排除极端试探，对吧，比如说我们知道身高，你来自澳大利亚，哪怕在澳大利亚，你可能会遇到两米四那么高的人，但就算在澳大利亚，你也不会见到五公里高，或者五百公里高的人，为什么，因为有生物学限制，人总得有母亲吧，你看当我们用最大伤方法表示时，高次分布是在已知均值和方差下的，最大伤分布，所以你是在约束方差，你看约束方差就相当于约束能量，所以你明白我要说什么了吧，不可能有无限的能量 [00:03:25 → 00:03:59]
所以很多机制都有这类物理限制，没错，你看所以你可以根据对过程的了解，生物学理解物理学理解来排除，但如果你对过程一无所知，或者这个过程是陈述性的现象，比如传染流行病，又或者过程本身的变动，没有上限，比如说价格，你和我可以花10亿美元相互买卖，对吧，没有限制，价格没有物理限制，因此你就可能身处极端四谈 [00:03:59 → 00:04:27]
对谈者丙: 而且你不能排除后尾分布，对，那你刚才把身高作为高斯过程的例子，或者更准确的说，是尾高斯，有点像正态分布，但方差很小，对，因为它主要集中在左边，好，那你用什么启发式方法来判断，是否有令人信服的理由，相信某样东西是高斯过程呢，这其实你看到的时候就知道了，你一看就明白 [00:04:27 → 00:04:53]
对谈者乙: 如果，如果我们说的是体重，身高这类现象，那你就可以排除极端巨大的偏差，不是完全排除，但那些会发生的偏差，仍然是可接受的，换句话说，你可能会出现一个五米高的人，因为某种技术失调之类的，但你不会在金融领域，看到一个相当于500公里高，或者50亿公里高的人，没错，好，所以基本上 [00:04:53 → 00:05:20]
对谈者丙: 你得把没有极端事件，这种情况，与某种非常有力的解释，结合起来，去说明为什么数据，这种解释，得能排除这些偏差，对吧，要么基于能量，要么基于对物理过程的更多了解，毕竟生存机制是物理的，有趣的是，不仅秘虑在自然界，和人类社会中随处可见，而且某些尾部指数，似乎还是内秉的，上周我和你的朋友，与业务间合作者拉斐尔聊天 [00:05:20 → 00:05:46]
对谈者丁: 他提到，他认为金融市场的尾部指数似乎是3 他错了，不过这就是拉斐尔，好吧，有一个理论解释，为什么是那样，叫做半立方理论，就是他信奉的那个，有人发现 [00:05:46 → 00:05:59]
对谈者甲: 公司规模的尾部指数是1.5 所以他们的交易订单就会影响市场，通过一个，我是说通过一个平方根影响模型，也就是交易量对价格的影响，遵循某种平方根效应 [00:05:59 → 00:06:12]
对谈者乙: 这样一来，你最后就会得到市场具有所谓的立方率，从半立方到立方，这个理论挺漂亮，但根据经验，我认为金融市场的尾部指数比那还要低，而且我不喜欢那些花哨的理论 [00:06:12 → 00:06:26]
对谈者丙: 因为集中度的分布并不是1.5次，和半立方，在技术领域尤其要高出很多，但你在其他领域也能看到类似的现象，比如很多人评论过城市规模似乎存在，我可不会跟这些理论死磕，好吧，好吧，这是因为总有可能出现，更极端的事件来把暴露给搅乱，还是，或者出现不那么极端的事件，我是说 [00:06:26 → 00:06:52]
对谈者丁: 针对一个噪声很大的观察，就总结出一个公比，或者半立方的理论，甚至过去还有平方定律什么的，这实在是噪声很大的表征，好吧，好，我接下来想问你几个，关于金融的问题 [00:06:52 → 00:07:05]
主持人: 你在1987年之前，多久就意识到，期权的波动率，不应该在不同行权价之间，保持平坦，你是怎么意识到的，我看到了偏离，对吧，我意识到 [00:07:05 → 00:07:18]
对谈者乙: 也无意中因为持有尾部暴露，而获得了回报，于是我就想，你不需要当个天才也能明白，如果收益能大到淹没频率，那这件事就很清楚，所以大概在1985年，九月关上协议之后，我就相当确信了，在那之前，我经历过一个，时标准差的事件，当时我们没有今天这样的数据，但你能看到价格，我注意到股票之间这些极端偏离的出现频率其实更高，像并购这类事情随时都会发生，所以这很明显，那么布莱克斯科尔斯模型或者说它的等价形式 [00:07:18 → 00:07:53]
虽然被人叫做布莱克斯科尔斯，但其实公式并不是布莱克他们发明的，他们只是把它合理化了，公式其实来自其他人被重新发现或者重新包装了一下，你确实需要给韦伯齐全定更高的价，于是我就开始收集韦伯齐全 [00:07:53 → 00:08:10]
对谈者丁: 但你要是看不见金融里面那种，赢家通吃的效应，那真的是瞎了，而且这种效应跟高斯分布完全不兼容，是居然有这么多人到现在，还对这个现象视而不见 [00:08:10 → 00:08:24]
主持人: 实在让人难以置信，你的书已经非常有名了 Universa也做得很好，马克斯皮茨纳格也写了书，销量不错，那为什么尾部对冲策略，还没被市场充分定价呢 [00:08:24 → 00:08:37]
对谈者乙: 这要怪MBA教育灌输的现代投资组合理论，人们会被理论蒙蔽，另外如果你用自由的签读交易，你大概会非常理性，但如果你在机构框架内做事，你就需要频繁的赚钱，这种必须频繁赚钱的陷阱，最终会让你去卖出波动率，对一个在机构里有固定任期的雇员来说，去买波动率没有任何激励，完全没有激励，对吧 [00:08:37 → 00:09:03]
对谈者丙: 对，那有没有什么市场确实给图性定价了呢，他们在某种程度上都定价了，但从来没有充分反映它的价值，有意思，我有个关于风险投资的问题 [00:09:03 → 00:09:16]
主持人: 但它也许有更广的实用性，我注意到一种不一致，一方面由于回报成密率分布，给公开市场投资者的一个建议，就是采取你写过的杠铃策略，比如把90%的资产，放在像债券这样非常安全的东西里，然后用剩下的10% 去做大量小额的投机押注，最大化你的可选择性，图书出版商也可以遵循同样的逻辑，因为书籍畅销也是密率分布，他们可以通过大量小额压住，来最大化自己出版下一部，哈里波特的概率 [00:09:16 → 00:09:50]
另一方面，我听到风险投资人从完全一样的前提，也就是初创成功的密率分布 [00:09:50 → 00:09:56]
对谈者丙: 出发却得出了相反的结论，他们想要把赌注高度，集中在少数的几家公司上，因为好吧，你得这样来看风险投资，它在很大程度上是一种薪酬方案 [00:09:56 → 00:10:09]
对谈者乙: 就像对冲基金一样，是薪酬方案，好吧，薪酬二和二十步步是它的机制，风险投资人，他们赚钱的方式并不是等待，公司真正变得成功 [00:10:09 → 00:10:21]
对谈者甲: 他们赚钱的方式是把一个概念炒热，好，然后吸引新的投资人，接着再引入更多投资人的过程中套现，你看看，有多少身价亿万的科技创业者四处照耀 [00:10:21 → 00:10:33]
对谈者丁: 却从来没赚过一分钱的净利润，看到了吧，所以风险投资的收入，靠的就是更大的傻瓜，这种接盘套路，所以有点像庞氏那种动态，不一定是庞氏骗局 [00:10:33 → 00:10:46]
对谈者甲: 但你在出售希望，你包装一个想法，它看起来很美好，于是你把它卖给某个人，然后他们会有第二轮第三轮融资，他们不断的把它维持着，这样你就能逐步套现，明白了 [00:10:46 → 00:10:59]
对谈者丁: 这不是基于你真实的销售额，好，或者基于你真实的现金流，特别是在低利率环境里，玩这种游戏，根本没有什么惩罚，你觉得做风险投资，需要什么真本事吗 [00:10:59 → 00:11:13]
对谈者丙: 这么说吧，他们确实有本事，但他们的本事主要在于包装，而不在于，不是人们以为的那些事情，没错，包装，因为他们是在试图，把它卖给下一个人 [00:11:13 → 00:11:26]
对谈者丁: 这就是一场选美比赛，你知道，凯恩斯的选美比赛，所以他们包装一家公司，而且你看看这些风险投资人的薪酬就知道了，对吧 [00:11:26 → 00:11:39]
对谈者甲: 你能看到的，这么说吧，要么是通过融资轮在高价位套现，要么就是首次公开发行，我来自传统金融老派金融，在那个世界里 [00:11:39 → 00:11:50]
对谈者丙: 直到公司有了坚实的现金流基础，你才算真正成功，好吧，那我有一些关于行为经济学和实证心理学的问题，行为经济学方面，对，我原以为这是核心 [00:11:50 → 00:12:02]
主持人: 其实我并不是一个行为经济学播客，但我确实有很多相关问题，所以第一个问题是，如果我按时间顺序来看你的作品，在随机漫步的傻瓜里 [00:12:02 → 00:12:15]
对谈者丙: 你似乎对实证心理学，以及偏差和启发式研究项目要同情的多，至少到后来，那我告诉你，随机漫步的傻瓜的秘密吧，好啊，我写了随机漫步的傻瓜 [00:12:15 → 00:12:28]
对谈者甲: 第一版就非常成功，而且他没有参考文献，也几乎没有什么行为经济学的内容，除了人类不懂概率，这种最基础的东西，后来我在2002年遇到了丹尼尔·卡尼曼，在意大利 [00:12:28 → 00:12:41]
对谈者乙: 当时在意大利，我跟他聊了，他说这类东西你没什么参考文献，评论也不多，我就说没问题，然后我找了大概100本心理学方面的书，花了大约6个月时间读完 [00:12:41 → 00:12:54]
对谈者甲: 我把整个领域梳理了一遍，全都弄明白了，他们觉得自己的数学很复杂，大众的数学很简单，而且是错的，之后我开始引用这些，并对前景理论进行了重新建模，因为前景理论本身，它本质上是突和凹的，对吧，它本身就告诉你，如果你要亏钱，最好一次亏大笔，如果你想赚钱，慢慢赚反而更有效 [00:12:54 → 00:13:19]
对谈者乙: 因为人们更喜欢每天赚一百万美元，持续一整年，而不是直接拿两亿五千万，然后什么都没有，对吧，但对损失来说情况正好相反，还有很多类似的现象，这都没错，所以我很喜欢这一点，总之后来我开始在自己以前写过的句子里，加上参考文献，尽管之前我对这些完全不了解，这不算最诚实的做法，但目的是把我的想法和这个学科联系起来，其实我并不是从这些书里得到的想法，我是先有了想法 [00:13:19 → 00:13:52]
然后在这些书里找到了印证，后来我第一次见到丹尼，就跟他说，你的想法在现实世界里行不通，因为在现实世界里，人们会低估尾部事件，而在你的设定里，人们反而高估它，区别在于现实世界里，你不知道确切的概率，也不太清楚收益函数，但在你的世界里，概率和收益函数都是已知的，他因此很喜欢，我能这么不客气的给他指出来，同时又继续用他的前进理论，因为我对损失预示2的这个想法，很认同 [00:13:52 → 00:14:27]
到那时候，我已经通过心理学文献，和这些决策理论，积累了足够的知识，自己心里有底了，后来我修订，随机漫步的傻瓜时，就在书后面，加了一节，我把自己的想法，和那些文献，联系了起来，然后学界有些人，开始喜欢这种写法，但希勒不太喜欢，他说，你之前那本书很真诚，是真正的原创，现在你加上了一种，学术腔调，那就像是，希勒自己的风格，不过其他人都还挺喜欢的，这就是我和丹尼的初次接触 [00:14:27 → 00:15:01]
围绕前进理论 [00:15:01 → 00:15:02]
围绕前进理论 [00:15:01]
对谈者乙: 围绕前进理论，我认为前进理论在描述那部分，函数上是正确的，但在概率的低估高估，以及其他决策问题上不一定对，原因我一会儿会讲，因为除了彩票，你很少会碰到一次性的固定的损失，通常损失是一个变量，而且根本就没有什么典型的大偏差，我知道这有点技术性，但也许你的听众听完解释后，能更好的理解，我稍后再展开，接着我开始关注行为经济学里的其他东西，比如赛勒做的一些研究，我发现他有个错误 [00:15:01 → 00:15:35]
他假设收益率服从高次分布，然后去解释为什么人们更偏好债券，而不是股票，这是当时流行的观点，他们的逻辑是从理性角度看，考虑到股票的历史表现，持有更多股票才合理，而人们没有这么做，所以是非理性的，但我要告诉他们的是，风险并不是你表面上看到的那样，有些尾部风险在你的分析里，根本显示不出来，我跟塞勒说了，他就说好吧，只要假设是高斯分布，我的理论就行得通，我说我又不做这种假设，如果假设世界是椰子做的 [00:15:35 → 00:16:10]
那很多理论都能行得通，世界并不是高斯分布，而你却在给人家的401k退休计划，提这种建议，所以我注意到，这是塞勒的第一个错误，而这个学科里还有其他错误，比如对理性的理解，对我来说，理性在于生存，而不在其他方面，而且我发现，当你跟聪明人交谈时，比如我和肯宾木尔聊过，你能意识到，这些人并不会做出那些，在这个领域，我称之为产业里，普遍存在的主张，举个例子 [00:16:10 → 00:16:43]
有些行为被认为是不理性的，比如偏好传递性 [00:16:43 → 00:16:47]
对谈者甲: 人们喜欢用这个做标准，而且没人质疑，比如说我喜欢苹果，圣果馅饼，喜欢馅饼胜过香蕉，对吧，但是如果我喜欢香蕉又胜过苹果，那就违反了偏好传递性，对吧 [00:16:47 → 00:17:01]
对谈者乙: 那我觉得不对，也许世界本就不是这样运作的，如果我总是更喜欢苹果而不是馅饼，那么面对那样的选择，大自然就想让我也吃点别的东西，同时也想减轻环境压力 [00:17:01 → 00:17:15]
对谈者甲: 因为人如果总吃同样的东西，对环境负担重，所以大自然让我改变偏好，是件好事，这既能保护自然也能保护我自己，所以偏好传递性并不是理性的必要标准，它只是大自然让你随机化选择的一种方式，从更宏观的角度看就是这样，这是一方面，所以如果我要把关于行为科学 [00:17:15 → 00:17:38]
对谈者乙: 认知科学及其与经济学和决策理论相关的缺陷，理出一个框架的话，可以分成两类，一类是对概率结构的误解，另一类是对决策动态方面的误解 [00:17:38 → 00:17:51]
对谈者甲: 也就是我们说的便利性，那我们就用这些分类来讲，首先是股权溢价之谜，这源于股权溢价现象本身，人们不投资股票，解释它的理论 [00:17:51 → 00:18:01]
对谈者乙: 其实来自对概率结构的错误理解，前进理论中出错的部分，也来自对概率结构的误解，如果你有一个开放式，肥伟的分布，那么同样会得出那样的结果，另外还有一个现象，就是当你面对十个选项时，那个N分之一策略，实际上在肥委下 N分之一分配是最优的，但赛勒写了关于N分之一的论文，说人们的选择太多了，所以应该减少选项，因为他们会把资源摊得太薄，但这个策略其实是最优的 [00:18:01 → 00:18:35]
还有一个是概率匹配，他们认为概率匹配是非理性的，概率匹配的意思是，如果一件事出现概率是40% 另一件是60% 按照理性，你应该把所有资源都投到那个60%的选项上，但在自然界在动物身上都能看到概率匹配行为 [00:18:35 → 00:18:55]
对谈者甲: 而人类也会这样做，当你用商用类似凯利准则那样的数学模型去算的时候，比如我有十匹马，我要在他们之间分配资金，如果想最大化期望收益，我该怎么分配 [00:18:55 → 00:19:08]
对谈者乙: 分配比例其实就与各自获胜的概率相关，所以这些都是与概率结构相关的错误，此外还有一个跨期选择的问题，比如我问你想要今天按摩一次，还是明天按摩两次，你很可能会选明天两次，假如面对这个选择，你选了明天两次，而不是今天一次，但如果我改成在364天后，你选一次还是两次 [00:19:08 → 00:19:34]
对谈者甲: 你可能会反转你的选择，实际上也许你本来是更倾向于今天一次，而不是明天两次，但到时候却反转了，但如果你用不同的概率分布，和偏好结构来看，这就并不矛盾，另外你怎么知道，那个给你提议的人，明天还会兑现呢，就像老话说的，一鸟在手胜过双鸟在鳞，所以如果对方在胡扯，或者说可能破产，那我宁愿今天就拿到一次 [00:19:34 → 00:20:01]
对谈者乙: 但如果是在364天，或365天之后，那这种影响就没那么大，所以这取决于你的偏好结构，或者模型中的误差假设，以上这些都是第一类错误，对概率结构的误解可以一直列下去，第二类错误更严重，是对动态决策的误解，比如我曾经和赛勒在推上有过一次争论，他当时在经营一家啤酒厂，他就是无法理解为什么有人会拒绝一个55%赢 45%输的赌局，而且这种拒绝可以是理性的 [00:20:01 → 00:20:35]
首先你得动态的看事物，如果你不断重复的参加这类赌局，你最终会爆仓的，我在生活中经常面对这类风险，所以这会让你更接近毁灭点，我可能赌一块钱没问题 [00:20:35 → 00:20:50]
对谈者甲: 但要赌十块一百块就不行了，更别说一百万了，所以他就是不懂便利性，而凯利准则清晰的展示了这一点，但凯利准则只是得到那个结果，而不做增长优化的一个例子 [00:20:50 → 00:21:03]
对谈者乙: 我的整个想法就是生存，这很简单，就像说你看抽一根烟的取舍，比较一下你得到的快感和承担的风险，所以有人说这是非理性的，但人不会只抽一次烟，你得看整个行为，而不是单个片段，他就是搞不懂这一点，再来说说心理账户，我想塞勒是最早提出心理账户的，他觉得下面这种情况是非理性的，假设夫妻俩有个联合账户，丈夫去商场看到一条领带没买，太贵了，回到家看见一个礼物，特别兴奋 [00:21:03 → 00:21:37]
因为那是妻子送他的生日礼物，所以塞勒说这种心理账户是非理性的，我却说可你一年能有几个生日呢，对吧，这种消费并不频繁，所以你需要对心理账户，加上一些结构性的理解，塞勒还犯了一个错误，而且是最后一个，他认为在赌场里 [00:21:37 → 00:21:55]
对谈者甲: 当你赢了钱之后，提高赌注，这是非理性的，属于心理账户，在他看来，从赌场赢来的钱，在会计上应该跟你的出世本金，一视同仁，但你想想，如果你不接着玩 [00:21:55 → 00:22:08]
对谈者乙: 那比赢来的钱就等于离开赌场了，这其实就是我们说的玩庄家的钱，所以这不是不理性，那些存在已久的做法，却被那个产业拿来评判，我之所以叫它产业 [00:22:08 → 00:22:21]
对谈者甲: 是因为它就像个论文生产机器，他们不仅对正式世界缺乏理解，对概率论也缺乏理解，所以这也是为什么我们根本不该多谈谈，说真的我现在几乎从来不提他们了 [00:22:21 → 00:22:33]
对谈者乙: 我最初进入这个领域时，讨论过他们，然后发现没错，我们是会被随机性愚弄，但不是他们认为的那种方式，而他们在其他方面被随机性愚弄得更厉害，所以我就抽身了 [00:22:33 → 00:22:47]
主持人: 在我的写作里，我几乎不再讨论他们，至少我觉得我们可以把经验心理学和行为经济学区分开来，我的粗浅看法是经验心理学中，比如丹尼和阿莫斯发现的那许多启发式，其实在描述人类如何思考上是相当准确的，但问题出在他们又往前走了一步 [00:22:47 → 00:23:08]
对谈者丙: 把这些启发式中的很多用法贴上了非理性的标签，并拿去跟某种标准对比，他们有一套规范标准，其实他们很小心不直接用非理性这个词 [00:23:08 → 00:23:20]
对谈者乙: 但即便如此他们还是间接的用了这个意思，那主要是因为早期他们和哲学家之间有过很激烈的争论，尤其是那个银行出纳员林达的问题 [00:23:20 → 00:23:32]
对谈者甲: 也就是林达问题引起过很大争议，后来在整个行为经济学界，他们都避免用理性这个词，但实际上他们依然认为这些行为不是理性的，只不过嘴上不说罢了，但你别忘了，广告业和传媒业里也充满了这类小把戏，同样在心理学文献里，类似的事情也很多，但他们的落脚点总是想证明，人类的决策是乱七八糟的，就像有人说的，我不研究人工智能 [00:23:32 → 00:23:58]
对谈者乙: 我只研究天然愚蠢，但实际上真正愚蠢的是那个产业里的人，而不是普通人，毕竟我们靠着这些所谓的谬误活了下来，而且还有一个学派，认为这些启发是在生态上是理性的，是有道理的，你其实不用费那么大力气去证明这些行为是理性的，我的问题在于，我不希望这个领域里的从业者，他们连概率都没怎么弄懂，靠近白宫半步，而我们差一点就让他们得逞了，尤其是在新冠期间，首先还记得吧，我们有个卡斯桑斯坦，对我来说 [00:23:58 → 00:24:33]
他简直和康德一样危险，实际上我创造了 AE貌似聪明实为白痴，这个词，就是基于他和赛勒，因为我跟赛勒很熟，桑斯坦我见过一次，但一接触就瞬间明白了，他就是那类人，他们那种推理方式，所以新冠初期，就是这帮人在建议，不要对病毒采取行动，这又是对概率的误解，他们说，你看这是个经验风险，埃博拉的风险 [00:24:33 → 00:25:01]
对谈者甲: 跟从T字上摔下来的风险比起来，其实很低，就是这种论调，我记得有篇文章，引爆了我和他们的战争，那是在新冠之前，当新冠开始时，桑斯坦就在倡导别管他 [00:25:01 → 00:25:14]
对谈者乙: 说风险很低，他把一个成性过程，和一个加性过程给搞混了，顺便说一句，现在如果你要我分辨，肥尾正是通过成性过程产生的，当然并不是所有的肥尾，都来自成性过程，但成性过程，总会产生某种分布，要么是对数正态，要么是肥尾，不过顺带说一句，对数正态本身就已经是，尾巴非常肥的了，而在高方差的时候 [00:25:14 → 00:25:41]
对谈者丙: 它表现的就像密率分布，对吧，还是说应该是低方差，它表现的更像保尾分布，它在低方差下，看起来就像高斯分布，对，这很奇怪，不是吗，那就是对数正态分布，有个澳大利亚人，我记得叫海蒂，一辈子都在研究对数正态，哦真的吗，那现实世界里有没有对数正态分布的例子呢，当然有 [00:25:41 → 00:26:06]
对谈者甲: 曾经有过一场大争论，在曼德布罗和反曼德布罗派之间，他们从吉布拉定律的角度去看财富分布，但问题在于，当你开始做乘法的时候，你看你乘来乘去 [00:26:06 → 00:26:18]
对谈者丙: 就会得到对数正态，对吧，自然就得到了，哦好的，这个解释起来，技术性有点强，抱歉，没关系，技术的东西挺好的，对 [00:26:18 → 00:26:32]
对谈者乙: 技术上讲，如果我取一个高斯分布，然后去子数，因为你知道，对数是可以相加的，对吧，所以当你做乘法时，你取子数，就得到对数正态分布，是的，好，对数正态分布，而且对数正态分布的，联合和是保持不变的，他们并不是对数正态本身的，均值和方差，而是取了对数之后的分布的均值和方差，好的，它其实被叫错名字了，本质上它应该叫指数分布 [00:26:32 → 00:27:04]
但指数这个名字已经被另一个分布用掉了，好吧，所以高斯分布取指数得到对数正态，现在还有一类薄尾分布，比高斯分布的尾巴稍微厚一点点，比如指数分布，伽马分布，你知道那类分布吧，好，你取指数会得到密率分布，看到了吗，所以你取指数的时候，你的基础分布必须是高斯，最终才能得到对数正态，或者你想要胖伟的，而下一个类别，就是把伽马分布放在指数分布上 [00:27:04 → 00:27:39]
然后你就得到了帕雷托分布，对吧，是的，然后当然还有帕雷托分布的指数形式，叫做对数帕雷托，到了这里，就像俗话说的，你已经不再堪萨斯了 [00:27:39 → 00:27:52]
主持人: 不再在原来的世界里了，这有点超出我的理解范围了，但我大概能明白，所以再问几个关于行为经济学的最后问题，然后我想聊点别的，你觉得行为经济学里哪些结果是稳健的，我们刚才说到损失，他们是叫不对称损失函数和前景理论，对吧，还有别的吗 [00:27:52 → 00:28:13]
对谈者乙: 因为不不没有别的了，让我想想，我觉得我们知道很多属于那个学派的东西，但他们并不是核心，比如人们怎么反映框架效应，人们怎么根据我们呈现事物的方式，做出反应，很多这类东西是有道理的，但每当他们试图用一套通用理论，给出与现实世界相关的建议时，他们就会搞反，对，我的意思是，我看了Taylor的所有论文，我跟你说过Taylor你得反着读，如果他说好 [00:28:13 → 00:28:47]
你应该集中投资，一个最优的股票集中度，那你就应该用N分之一 [00:28:47 → 00:28:52]
对谈者丙: 来分散，你看了我去年和丹尼卡尼曼做的播客吗，我没看那期，只读了那段，你看了那段，那段，他说他接受了，我的意思是，他公开承认了，但他之前私下也告诉过，我是，我同意在后卫世界里，这些东西行不通，结果这成了他最后几次播客采访之一了，你觉得他的回答怎么样，我的意思是，显然你早就知道答案了，但，他把他，公开了，他把它公开了，公开了，是 [00:28:52 → 00:29:26]
他说在塔勒布的世界里，其实我谈的是真实世界 [00:29:26 → 00:29:31]
主持人: 我可不拥有这个世界，我的意思是我不是一个，在这个世界上，你生活在极端斯坦的世界里，而我们其他人生活在普通世界里，但这恰恰体现了他的正直，这体现了正直 [00:29:31 → 00:29:45]
对谈者丁: 我是说这也体现了，也体现了一种现实主义，同时也说明了他不想惹我生气，因为他一直害怕我跟他对着干，哦明白了，你看出来了吧，对，他，尽管他不用推特，他我完全可以确定，他这个人有一点 [00:29:45 → 00:30:03]
他这个人有一点 [00:30:01]
对谈者丁: 他这个人有一点，就是他肯定知道推特上关于他的一切言论，好吧，我是说 [00:30:01 → 00:30:07]
对谈者乙: 我是说他并不认为自己高高在上，我是说他就是个普通人，他自己也会跟你说，我就是个普通人，是的，我跟他讲过，你明知道自己有损失厌恶，为什么还要写书呢 [00:30:07 → 00:30:21]
对谈者甲: 也就是说，一条差评对你的伤害，远远超过一大堆好评带来的快乐，他看着我，对我说，我当初就不该写这本书，真好玩，是，我没有那种损失厌恶 [00:30:21 → 00:30:35]
对谈者丁: 对我不介意，我的函数是反过来的，哦，真的吗，我以为你，对我来说，从别人那里得到一点点夸奖，就能抵消掉好几页的仇恨言论，哦，有意思 [00:30:35 → 00:30:48]
对谈者丙: 但我觉得你在其他方面肯定有损失厌恶，当然有是的，但这跟名声上的损失厌恶不是一回事，懂了，你看这就是我所说的反脆弱 [00:30:48 → 00:31:00]
对谈者乙: 因为我不是从学术圈起步的，我是从现实世界起步的，是的你看看现在的情况，比如加沙冲突刚开始的时候，我觉得有义务站出来，为巴勒斯坦人发声，那时候根本没人为他们说话，过了好一阵子才有大量的人跟上，一开始大概没有一个人支持我，就有15个人攻击我，现在情况当然反过来了 [00:31:00 → 00:31:24]
对谈者甲: 也许他们发现攻击我没多大用了，他们没法再恐吓我了，人们总是倾向于攻击那些能被吓住的人，所以有一种荣誉感，一种偶尔会因为你说了不受欢迎的话 [00:31:24 → 00:31:36]
对谈者丁: 反而让你感到值得的荣誉感，或者说是有风险的，对要担心的是诚信而不是名声，是的，我的意思是随着年纪增长，如果你做得对 [00:31:36 → 00:31:49]
对谈者乙: 你会回归童年时的价值观，你会发现那些价值观是关于荣誉，以及在必要时表明立场，然后你继续坚持，每当我表明立场，我都会觉得这是一种存在层面的体验，我会觉得自己做了些什么有意义的事，对，我真正想说的是，丹妮在她朋友圈里被人开玩笑的抱怨，说她对幸福的理解不一样，她说对我而言，丹尼的幸福就是在托斯卡纳，吃马苏里拉奶酪，那就是他的享乐幸福感 [00:31:49 → 00:32:21]
所以他用享乐适应理论来分析一切，但我相信丹尼骨子里并不是那样 [00:32:21 → 00:32:27]
对谈者丁: 对，他意识到，那并不是他生活的全部意义，是的，更多是关于目标和，也许吧，但他在价值观上，不过他是无神论者，我第一次见他时 [00:32:27 → 00:32:40]
对谈者甲: 他就直接告诉我，我身上没有一丝宗教的骨头，所以我意识到它有着不同的生命特质，是，对，当你不信教时，有很多好的方面 [00:32:40 → 00:32:52]
对谈者乙: 但也可能有一些不好的方面，你会变得过于物质化的看待世界，你来到世上就是为了，最大化马苏里拉奶酪和帕尔玛火腿的享受，这很不一样，是 [00:32:52 → 00:33:04]
主持人: 过一段时间就会觉得有些乏味，那么，既然你对行为经济学中的偏见和同情心的看法已经改变了，在你的作品里还有没有其他大的方面，你认为自己写错了 [00:33:04 → 00:33:16]
对谈者丁: 或者改变了想法，不不不，我没有改变主意，实际上如果你去读那些完整的备忘录，你就能明白读一读，你会发现并没有什么改变 [00:33:16 → 00:33:28]
对谈者乙: 我只是改变了关于一句话的看法，就是那句赞扬那个行业的句子，好，我对那个行业的看法改变了，但我所写的内容，我并没有改变主意，好，好因为我曾用他们来支持我的一些想法，当时还没有相关的科学文献，但这并没有让我改变观点，好我的整个观点是，一开始我就认为，人类在处理肥伪事件时是傻瓜，尤其是在现在结构下，因为我们向人们呈现概率的方式，还有像那样的骗子们 [00:33:28 → 00:34:01]
但我从未有过这样的观点 [00:34:01 → 00:34:03]
对谈者丁: 认为人类应该避免平均分配策略，应该避免心理账户，应该避免，是啊，我觉得你并不相信那些，没错，完全正确，我从来没有改变过我的信念 [00:34:03 → 00:34:17]
对谈者甲: 我从来不相信股权一家之名，当然恰恰相反，我最初在业界找到了一些支持的材料，尽管在这个行业里，他们相信那些，而且那些厌恶尾部期权的人，也一直在引用这个行业的研究，对，因为在那一篇我喜欢的，关于函数突性的论文里，对卡尼曼展示了人们会高估概率，你明白吗，对，所以我赞扬这种模式 [00:34:17 → 00:34:43]
对谈者乙: 我从未改变对那篇论文的看法，你明白吗，我并不是说他完全错了，只是因为你截断了尾部，所以导致缺失的尾部在概率上跳升了，于是才显示出那样的结果 [00:34:43 → 00:34:55]
主持人: 那么让我问的更笼统一些，在你插入的内容里，有没有什么大事让你改变了想法，重要的是完全没有吗，只是改了一句话而已，好的，好，对，到目前为止 [00:34:55 → 00:35:08]
对谈者乙: 我零零散散改了很多句子，比如删掉了一个句子，还有关于泰特洛克的内容，我也做了限定说明，我说好吧，他那个研究声称预测人员无法预测，或者那个行业本身还行，但没有考虑后果，他把这导向了奇怪的结论，你明白吗，所以我就保留了，你知道从业界得到的认识是，人们能预测的很好，我们虽然预测的不好，但他们从未迈出下一步，去构建一个世界，在那里你的预测无关紧要，或者你的回报函数是突性的，也就是说预测错误 [00:35:08 → 00:35:42]
实际上在助长期望值，换句话说，回报反而因此提高了 [00:35:42 → 00:35:46]
主持人: 哇好了，我们来谈谈预测吧，我有一些关于预测的问题，然后是预防原则，战争，最后是疫情，好的，那么如果要你浓缩一下，你怎么描述 [00:35:46 → 00:35:57]
对谈者丙: 你和整个超级预测思想体系之间的，实质性分歧呢，我，是不是仅仅在于二元回报，和连续回报的区别，对有这么一点，首先撇开讨论不说 [00:35:57 → 00:36:10]
对谈者乙: 他们那个项目的质量本身就不行，他们不理解我们的，因为我拉了一帮人一起和他们争论，还有互相攻击，你明白吗，所以第一点就是二元和连续的区别，对吧 [00:36:10 → 00:36:23]
对谈者甲: 我作为一个期权交易者，知道外行人会以为，肥委的时候价外二元期权的价值会上升，事实上肥委的时候，他们的价值是下降的，因为二元期权本质上是一个概率，给你一个直观的解释，如果我取一个高斯曲线，正负一个标准差大概是68% 如果我让尾部变肥，换句话说，高于或低于某个范围的概率，实际上是下降的 [00:36:23 → 00:36:49]
对谈者丁: 你明白为什么吗，因为方差更多的由稀有事件来解释，分布的主体部分上升了，肩膀变窄了，对，正是你会有更多的普通事件，因为不平等程度更高 [00:36:49 → 00:37:02]
对谈者乙: 发生的偏差也显著的多，好所以我们都知道这些，换句话说，你在下挫的赌注，你使用二元期权，或者任何阶段上行收益的工具，我们作为期权交易者都知道，那些新手或者不是期权交易者的人，有时候是经济学博士之类的，他们总是用这些来表达他们的赌注，对吧，而我们卖给他们，因为这其实就是两个期权的镜头寸，所以有一种赌注是你赚一美元，另一种是你赚很多钱，而且收益完全来自随机性 [00:37:02 → 00:37:36]
我解释这个区别是说，我当时看好市场，但同时又做空 [00:37:36 → 00:37:40]
对谈者甲: 我是说从某种意义上我算看多，什么叫看多，我觉得市场上涨的概率更高，但是做空的期望收益更大，所以这些东西你知道的，在期权交易之外很难讲明白 [00:37:40 → 00:37:53]
对谈者丁: 当然了那些家伙根本搞不懂，对吧，至于预测，另一点是他们选取的那些可预测的事件，都是无关紧要的小事，你明白吗，那些问题非常小，很有局限性 [00:37:53 → 00:38:06]
对谈者乙: 那些都无关紧要，而且他们只是事件，其实根本没有标准事件这种东西，比如会有一场战争吗，是或否，我的意思是战争可能只死两个人，对吧，也可能死六十万人，对，所以在极端试探里，这是关键的一点，曼德伯仿佛跟我说的一句话，就是在极端试探里，根本就没有标准查这种东西，你明白吗，所以你不能用有疫情或没疫情来评判事件，因为规模本身是个随机变量，我给你举个例子，或者说如果你有一个尺度，这就是无尺度分布和有尺度分布的区别 [00:38:06 → 00:38:41]
1000万人和500万人的比率 [00:38:41 → 00:38:44]
对谈者丁: 大致相当于2000万人和1000万人的比率，这就是帕雷托分布，抱歉，那就是帕雷托分布，差不多就是这么定义的，但看看它的后果，它告诉你没有标准事件，对吧 [00:38:44 → 00:38:57]
主持人: 没有典型事件 [00:38:57 → 00:39:00]
对谈者乙: 没错,没有典型事件,对,你不能说典型事件也就没有大偏差,给你一个概念,如果你取一个高斯分布,超过3个Sigma的预期偏差是略大于3个Sigma,如果取5个Sigma,预期偏差是略大于5个Sigma,对吧,而超过0个Sigma的预期偏差大约是0.8个Sigma,随着你取的值越高,这个数值会缩水,就像说你的预期寿命在零岁时是80岁, 但到了100岁就只剩两年了，多过两年的意思，所以随着随机变量变大 [00:39:00 → 00:39:34]
外增加的寿命在减少，然而在极端资产时间中，尺度保持不变，所以如果我们就像公司规模那样分布，那么一家公司，我是说销售额超过1000万的公司，它的预期值是多少，答案是1500万，如果是1亿销售额，预期就是1亿5000万 20亿销售额的话，预期是300万，好吧，这就好比说，他100岁了，还能再活50年，如果他1000岁 [00:39:34 → 00:40:05]
对谈者甲: 就能再活500年，但你不能把这个逻辑，用到人类身上，我们知道什么叫老年人，对吧，因为在非极端生产的标准下，随着你提高那个数值，预期是缩水的，而在极端散下，你提高那个数值，预期并不缩水，事实上按比例来说保持不变，但是从绝对值来看，他们会爆炸，好吧，所以这种爆炸告诉你，没有所谓标准的大偏差 [00:40:05 → 00:40:33]
对谈者乙: 而这就是曼德博那句话的意思，而且单是从这个角度，不存在特征词度，去看世界，就比1987年的崩盘，更好地塑造了我的工作，因为我现在有了一个，非常简单的框架可以参照，那就是概率本地，这就是为什么，我跟曼德博学了很多，人们并没有意识到，那种鲜明的区别，特别是在操作层面，所以我写了肥伟的统计后果这本书，这也是为什么我把黑天鹅体献给了曼德博，就是基于特征尺度这个概念，在黑天鹅里我解释了 [00:40:33 → 00:41:07]
如果你用这个视角，就会对预测产生疑问，你看因为在极端试探里，更高的数值是有意义的，所以预测是无果的，你看超过一千万超过一亿都有意义，所以我又写了一篇关于预测的论文，我记得我们攻击了泰特洛克 [00:41:07 → 00:41:24]
对谈者甲: 一方面是因为攻击做这类工作的人很好玩，另一方面也是因为他花了大概五年时间，你知道，所以我叫他扶在你背上捅刀的老鼠，所以我们解释了那个，不管他叫什么来的 [00:41:24 → 00:41:37]
对谈者丁: 关于单点预测，对单点预测，就是为什么绝不应当对肥胃变量做单点预测，那篇文章的标题是什么来着，那篇论文单点预测与胖胃变量，对不过我忘了开头是什么了 [00:41:37 → 00:41:50]
对谈者乙: 是关于不充分性什么的，那篇论文是我和西洛，以及其他人和写的，当时我们正忙着研究新冠，因为我们做了数据分析，我们在Nature Science和Nature Physics上，发表了关于疫情期间，死亡人数分布的论文，猜猜尾部指数是多少，是小于1对吧，是二分之一，对对小于1就像来为分布，无限均值，对实际上它是被截断的，不是无限均值，但经过某种变换后就变成了无限军制 [00:41:50 → 00:42:25]
这和战争的情况是一样的 [00:42:25 → 00:42:27]
对谈者丁: 没错因为你总不能杀死超过50亿人吧，确实杀的人不会超过总人口，但他在很大范围内跟踪的很好，如果做个对数变换结果就非常稳健了 [00:42:27 → 00:42:39]
对谈者乙: 总之我们当时在研究疫情，所有人都在说，他是在超级预测疫情会死多少人，对吧，然后我就说不对，做预测是愚蠢的，而批评别人的预测就更愚蠢了，说谁预测错了，因为在胖伟分布下 95%的观测值都会落在均值以下，确实太疯狂了，你明白吗，所以这其实跟我的教育风格一模一样，如果你在一段时间里 98%的时候都在亏钱 [00:42:39 → 00:43:07]
对谈者丙: 你也不能说，哦他预测今年会亏钱，这样的话你懂吧，这种说法毫无意义，说到这个很有意思，想想温斯顿，丘吉尔，他的Brayer分数，估计会很糟糕 [00:43:07 → 00:43:20]
主持人: 他在那么多问题上都判断错了，比如金本位啊，印度啊，加利波利啊，对澳大利亚人来说，加利波利可是很切进的教训，他在所有这些决策上都错了，但在最关键的问题上，也就是希特勒的真实意图上，他是对的，所以在收益空间里，当事情真正重要的时候，他是正确的，没错，收益空间才重要 [00:43:20 → 00:43:46]
对谈者甲: 他在那些小战斗里输了，但赢了整场战争，这有点像逆向的拿破仑，拿破仑只擅长赢得战役，对，你要是数数，看他赢了多少战役 [00:43:46 → 00:43:57]
对谈者丙: 他确实打了不少胜仗，他确实打得不错，除了滑铁卢那场，对吧，算是反向的丘吉尔，对反向丘吉尔，他之所以被吹得那么厉害 [00:43:57 → 00:44:10]
对谈者乙: 因为大家总说，你看他赢了多少场战役，跟其他人比起来，数量确实相当可观，不过后来其实他也开始赢不了了，因为对手从他身上学到了东西，这样越来越难打了 [00:44:10 → 00:44:23]
对谈者丁: 所以有一个关键点，频率空间是有问题的，因为在现实世界里，你最后不是按频率来结算的，你是按真金白银来结算的，这让我想起随机漫步的傻瓜里的那个段子 [00:44:23 → 00:44:36]
对谈者丙: 那个交易员我猜就是你，他同时看多市场，认为接下来一周会上涨，对那就是我刚才在解释的那个例子，但也要做空市场，那就是我之前解释的，在评率空间里我是看多的，在收益空间里我是看空的，对吧，所以但是，这些二元预测，我同意他们的价值是有限的，但他们难道真的一点价值都没有吗 [00:44:36 → 00:45:02]
对谈者乙: 我觉得如果有人能 [00:45:02 → 00:45:04]
我觉得如果有人能 [00:45:02]
对谈者乙: 我觉得如果有人能，我没见过太多这样的函数，因为他假设你拿到的是一个总和，我是说对于选举，他们是二元的，我写过一篇论文，关于如何给选举估值 [00:45:02 → 00:45:15]
对谈者甲: 如何整合方差与价格，其中还有另一个偏差，但你没法很好的理解，如何把二元结构转化到现实世界，然后我们又发现了另一件事，是关于二元变量和肥美变量的，如果你想得到精确的概率，你看它和实际收益并不匹配，举个例子，假设我很擅长预测新冠的增长率，对吧，你不能把它直接转化成千多人数，因为增长率就是增长率，你看如果你非要转化的话，感染人数，你要取增长率的指数，你看Wt等于W0乘以E的Rt次方，好的 [00:45:15 → 00:45:50]
而且R的小误差可能是有界的，但如果是指数增长 [00:45:50 → 00:45:55]
对谈者乙: Wt就会变成帕雷托分布，所以你可能在W上得到无限期望，而R的方差是有限的，对吧，这就是个问题，我们试着在论文里解释这个，但没通过审稿 [00:45:55 → 00:46:07]
对谈者甲: 后来我们又发现了另一个东西，这也适用于我所谓的Wakfa困境，人们以为我擅长在显价值，我擅长条件在显价值，在显价值是说，你有95%的信心，损失不会超过100万，然后我想我觉得这有问题，因为这不是正确的方法，因为如果条件是在损失超过100万的情况下，你可能会损失200万，对吧，好的 [00:46:07 → 00:46:33]
对谈者乙: 所以那剩下的5%才是真正发生大事的地方，但有人在讨论小组里在回应Tetalog的时候，指出我那个指数变换的应用，也适用于在显价值 [00:46:33 → 00:46:45]
对谈者丁: 他说如果你想得到概率，你的概率是分布在受伪里的，没错，因为它被限定在零和一之间，没错，它是受伪的，对，它是一个频率，就像一个赌局变量 [00:46:45 → 00:46:58]
对谈者甲: 这就是为什么他们有平分之类的东西，但是对这个概率的转换，在高斯分布之外，你会得到，你需要逆概率，你看你是想从概率走到X 而不是从概率密度函数F转换 [00:46:58 → 00:47:12]
对谈者丙: 当然是一个凹或凸函数，所以它会爆开，好的，你明白吗，那么同样的，在比较你的方法，我猜是极致理论和，不是极致理论 [00:47:12 → 00:47:25]
主持人: 抱歉，好的，比较你对预测的看法，或者说预测的不可能性，和超级预测的方法，作为证据，有多重要呢，事实上你赚了很多钱，而且据我所知，没有超级预测者变得极其富有 [00:47:25 → 00:47:39]
对谈者乙: 对，我一直说那种擅长预测的人，比如银行里的，他们从来不富有，我是说我们可以让他们去和客户谈，然后客户会记得，对他预测过这个 [00:47:39 → 00:47:51]
对谈者甲: 但是我还想补充一点，关于函数，如果你有一个突函数，并在做空挞，我们看到同一周，我们做了同样的事，还跟理查德泰勒发生了争执，所以我在酒吧里给你看的东西，就是你可以 [00:47:51 → 00:48:04]
对谈者乙: 如果你有一个函数，假设你在预测波动率，而且你是一个期权交易者，这是一个固定的事情，波动率平稳的来，你会盈亏平衡，但如果你假设波动率在不平稳的来 [00:48:04 → 00:48:18]
对谈者甲: 你就会赔光，我是说你可以通过暂时这个来提高期望值，你预测的平稳赚了一块钱，但波动率是以团块的形式出现的 [00:48:18 → 00:48:29]
对谈者乙: 因为你表达做空波动率的方式是非线性的，它一块一块递来，以另一种方式，所以我说好吧，我高估波动率30% 我赚钱，而他买波动率时，你很大的折扣卖出却赔钱，所以这就是为什么我强调函数，这个函数就是，你在某个点赢亏平衡，所以你可能有五一和零这样的分布，你赚钱，但如果是六个零和一个五，你就会赔光，再平方一下 [00:48:29 → 00:48:55]
对谈者丙: 所以我们意识到，这就是我的看法，我从来没见过一个富有的预测者，所以如果再过几十年，有证据显示超级预测者一直做得很好，没有爆仓，这会不会让你更倾向于超级预测，我们一直在说 [00:48:55 → 00:49:09]
对谈者甲: 如果你看我不喜欢这些假设条件，所以当你看到超级预测者找到一种方法，在不靠预测收费的情况下赚钱，而是通过那个函数本身赚钱，那才会很有意思 [00:49:09 → 00:49:22]
对谈者乙: 但我认为在现实世界里，我们对这件事的看法不同，你不能把预测从收益函数里分离出来，对吧，这就是我的核心问题，我们试着向Tedlock解释过，我甚至还带了我的朋友Bluetooth [00:49:22 → 00:49:35]
对谈者甲: 当时不知怎么，卡内曼邀请我们去，或者其实是我邀请的，他说让Ted Talk来一起吃午饭，他想讨论他的超级预测，我带了Bruno Duper 他是我朋友，他只发过一篇论文 [00:49:35 → 00:49:49]
对谈者乙: 但那篇论文，我觉得可能是，有史以来最有影响力的一篇论文，就一篇没别的，那篇论文发表在Risk Magazine上，对，他很快搞懂了，二元期权和香草期权 [00:49:49 → 00:50:02]
对谈者甲: 之类东西的区别，所以我们吃了午饭，意识到他们，我是说Danny不表态，但Tedlock根本没听懂我们在说什么，对吧，但这里有个关键点，我怎么知道一个人是否理解概率 [00:50:02 → 00:50:15]
对谈者乙: 如果他们知道概率不是一个独立产品，而是一个核，它是总核唯一的东西，所以里面的任何东西都不能被孤立出来，它是一个核，明白，你看，它是一个总核唯一的东西，这就好比在说，密度不是概率本身，但他们在核内部运作良好，我们甚至在某些点上看到有人使用覆盖率，就像量子力学里那样，他们用覆盖率，而且聪明的人理解你可以恰当的使用它，因为它是一个和，约束不是在内部而是在整体求和上 [00:50:15 → 00:50:49]
所以当你问什么是和，这些性质就完全不同了，所以你应该关注你在用概率做什么，概率本身不会独立出现，你是在积分里将PX与某个放寒 GX相乘，对PX本身没有意义 GX还有某种意义，现在如果你在处理二元情况 GX就是一个指示函数，如果X大于100 就是0或1 无论你如何表述，或者它可以是连续的，凸的凹的，或者有各种形状，那是我们才能讨论 [00:50:49 → 00:51:19]
对谈者丙: 但单独谈概率本身，你做不到，你不能把PX分离出来，单独讨论，没错，你不能孤立的谈论，对，这正是概率密度函数的，全部要点，对 [00:51:19 → 00:51:33]
对谈者丁: 它是密度，不是概率，对，对于质量函数，它可能类似于，出现在那里的频率的概率，但这就像是，某种东西有一个属性 [00:51:33 → 00:51:45]
对谈者甲: 它是某样永远不会下降的东西的导数，而且这个函数永远不会下降，在0和1之间上升，所以它是函数的导数，因为你要重新积分来使用它，所以你就得这样看它，对，所以我们的七全教育员，不谈概率，我们谈的是期权的价值，而另一种期权，就像是这样分布的那部分，很有价值，因为你在那里，能获得连续的收益，没错 [00:51:45 → 00:52:11]
主持人: 我们对预防原则有一些疑问，所以我想和你一起，对它进行压力测试，或者探索它在实际中的应用，我想听听，你对预防原则的这种批评的看法，这种批评大概是，你完全可以编个故事说，各种风险都可能是，成熟效应的系统性风险，而最终政策制定者，需要在这些风险之间，排除优先级 [00:52:11 → 00:52:37]
对谈者乙: 因为应急规划，也可以行得通，但我看重的是生存，如果你不认真对待，社会就活不下去，好吗，我只是想构建，好吧，那些活不下来的，别把整个 [00:52:37 → 00:52:51]
对谈者丁: 整个都脱下水，懂吗，好，因为我认为这两件事，就是人们所理解的，预防原则，以及我们所说的NNT预防原则，对，它有限制条件 [00:52:51 → 00:53:03]
对谈者甲: 规定了你需要对什么采取预防，因为很多人不理解，比如为什么我们这么反对科技，我们不是反对科技本身，我们是反对某些会产生不可逆影响的工程类别 [00:53:03 → 00:53:15]
对谈者乙: 并且这些类别有巨大的标准误差，当我在波克或盖利书，随便你怎么叫，你和斯科特帕德森讨论，那个毛泽东时代的故事时，是什么导致了那场大饥荒 [00:53:15 → 00:53:28]
对谈者丁: 饥荒是因为他们试图消灭麻雀，麻雀，对，好，然后他们杀死了所有的麻雀，或者说试图尽可能多的杀死麻雀，而麻雀是吃昆虫的，对吧 [00:53:28 → 00:53:41]
对谈者甲: 于是他们就遇到了环境问题，昆虫在作物上大量繁殖，而他们没有预见到这个后果，对吧，现在你说，瞧这是一个明摆着的案例，大规模的扰乱自然，还有一些我们并不完全明白的东西 [00:53:41 → 00:53:55]
对谈者乙: 这正是我们的预防原则要针对的情况，只不过我们加入了，称数效应，比如我们不对核能实施预防原则，这就是为什么我们试图，我想要的预防原则运作方式，是告诉你什么是不需要预防的，对我们来说，核能就不是需要预防的，为什么，因为你可以建小心反应堆，加州有一个爆炸了，不会影响到波哥大 [00:53:55 → 00:54:18]
对谈者丙: 损害是局部的，没错它是局部的，所以跟大流行病不一样，对所以回到科技上，我的理解是，你不会试图将预防原则应用在一项 [00:54:18 → 00:54:30]
主持人: 可能造成系统性不可逆风险的技术的研发阶段，而只是应用在它的部署阶段，因为如果不这样的话，你就得回过头去，比如说把孟德尔的豌豆植株烧掉 [00:54:30 → 00:54:43]
对谈者丙: 因为那个知识最终可能导致转晶作物，所以显然得有某种对齐，不，我们反对的是在自然界中应用转晶生物，我们并不反对关于你能不能修改什么的研究，没错，好，但你不能阻止研究，你不能，你知道可以做研究构建，对，明白了，那么把这个应用到人工智能上，很明显，就目前的技术水平来说 [00:54:43 → 00:55:08]
主持人: 它还不至于需要应用预防原则，因为它还没有造成系统性危害，对，如果我们到了那种技术能够地归自我改进的临界点，而最可能实现这一点的方式 [00:55:08 → 00:55:20]
对谈者丙: 就是用AI来自动化AI研究本身，我其实不太愿意用预防原则去讨论AI 因为我不太能看到有什么理由要去阻止AI 它又没法自我复制 [00:55:20 → 00:55:31]
对谈者乙: 毕竟现在的机器人连楼梯都爬不了，所以你到底在怕什么，不你不是怕AI 你是怕机器人，怕他们大量繁殖，变成一个机器人殖民地，最后统治世界 [00:55:31 → 00:55:44]
对谈者丁: 我是说这些东西很大程度上是想象力在作祟，我们有更大的麻烦需要操心，我认为大多数思考AI风险的人 [00:55:44 → 00:55:54]
对谈者丙: 并没有把机器人技术当成一个制约因素，什么呢，你想说的是，因为，技术整个东西会变得危险，是在技术变得自主的时候，对，对吧 [00:55:54 → 00:56:07]
对谈者甲: 所以换句话说，这就是我对他们担忧的理解，好，那么他要变得自主，首先你可以关掉你的电脑，对吧，然后他就不再影响我们这里的生活了，它没法造成危害，因为你把它关掉了 [00:56:07 → 00:56:20]
对谈者乙: 要让风险成为系统性的，并且接管整个星球，首先得连接信息系统，我觉得很奇怪的是，本应能理解最严重威胁的人，现在却在迷恋AI 而AI似乎让他们很意外，当人们问你关于AI的问题时，如果你被AI惊到了，那你本身就有问题，对我来说，这也许算是一种自力测验，用来搞清楚 AI能做什么不能做什么，有很多设施它能做，比较有用的，好吧，但是要让它变成一种自主的东西，换句话说，变成一个像人类一样的群体 [00:56:20 → 00:56:55]
在生物学上等同于，人类有太多步骤需要完成了，是的 [00:56:55 → 00:57:00]
主持人: 但只需要发生一个主要步骤就够了，它需要能自动化AI研究本身，只要它能通过地归的自我改进，让自己变得更聪明，其他所有问题，比如机器人技术 [00:57:00 → 00:57:12]
对谈者甲: 就会变得好解决的多，好，那我们看看它能不能做到，如果它能做到，我们再来担心，但如果它能做到的话呢，对吧，对如果它能做到，你打算好吧，那我们再来担心这个，然后你再设限制，你不能提前给一个，还在研究的东西设限制，你总得先确认一件事件，正在发生，再担心，我是说我们得看到确切的情况 [00:57:12 → 00:57:37]
主持人: 我们现在谈的都是推测，好的，关于AI再说最后一个，简短的题外话，很多人注意到，大语言模型，现在还没有产出任何原创的科学洞见 [00:57:37 → 00:57:47]
对谈者丙: 这或许是因为他们在本质上就是高思识的，你有没有想过这个，不不不，这不是原因，实际上他们也许真能产生洞见，因为那些随机化的东西 [00:57:47 → 00:58:01]
对谈者甲: 没准哪天就犯了个错，结果搞出个大发现，但目前只要他们不出错，就只是在附现已有的东西，它可能是个加了权重的结合体，事实上它的工作方式跟科学研究是完全相反的，大语言模型是怎么工作的，它工作起来就是反映那些听起来合理的事，所以我一开始想戏弄它一下，就像你在推特上看到的那样，我心想怎么戏弄它呢，这得先弄明白它是怎么工作的，再次感谢我那位天才朋友沃尔夫勒姆，我读了他发给我的博客文章 [00:58:01 → 00:58:35]
还读了他的书，心想好了，现在我知道它是怎么工作的了，它的工作方式就是顺便说一句，他每次不会给你同样的答案，也做不了所有功课，所以他不是直接把拼图随便连起来，而是用概率的方法，最后反映的是一种共识，所以在柏林会议期间，有一场战争，一边是奥斯曼帝国，另一边是希腊及其盟友，当时有个人叫卡瓦菲，是一位数学家的父亲，他在那里代表某个人，我问他代表的是谁，他回答说，他是希腊的外交部长 [00:58:35 → 00:59:09]
你看他不是像搜索引擎那样，给你实施，它是根据事物通常怎么一起出现，来概率性的生成，它有一个希腊名字 [00:59:09 → 00:59:19]
对谈者乙: 因此它就认定它代表希腊，可事实上它是代表另一边，奥斯曼帝国的，我记得那时候是维多利亚时代，有一篇泰晤士报的文章提到，会见了奥斯曼世界的一位代表 [00:59:19 → 00:59:32]
对谈者甲: 而他的名字是个希腊名字，我想是叫康斯坦丁，对，或者他儿子叫康斯坦丁，随便哪个，总之我问Charlie Petit 他就犯了这个错误，因此人生中怎么赚钱 [00:59:32 → 00:59:45]
对谈者乙: 怎么真正提升自己，怎么去写一本书，怎么有一些事情是别人没想过的，对吧，因为如果你想做一门听起来合理的生意，猜猜怎么着，别人早就想过了，而ChargePT被设计出来的目的，就是基于现有信息告诉你，什么是听起来合理的，现在也许可以找一种例外情况 [00:59:45 → 01:00:06]
现在也许可以找一种例外情况 [01:00:03]
对谈者乙: 现在也许可以找一种例外情况，我不知道，做一个只会说不合理事情的ChargePT 然后某天他可能会撞上大运，但这就像我们业内的老话说的，如果你有一个理由去买一份期权，那就别买，因为其他人也会有同样的理由，做生意也是同样的道理，你没法靠一门听起来合理的生意赚到钱，因为很多人都试过了，可能在某些小角落还有人能赚的，很多人都试过了，所以说想让Chachapiti产出真正的独到洞见 [01:00:03 → 01:00:36]
对谈者甲: 这个想法和他本身的模型构建方式，正好是背道而驰的，我和大家一样，之前也一直觉得这东西很模糊，直到我看了沃尔夫勒姆那本书，那是两年前的夏天，还是去年夏天来的 [01:00:36 → 01:00:49]
对谈者丙: 这位老兄思路非常清晰，他思考问题极有系统性，而且绝顶聪明，我从来没遇到过比他更聪明的人，是啊，我去年跟他录了一期，四个半小时的播客，就在康涅狄格，那是我经历过的最超现实的体验之一了，真的，这位老兄，你刚把公式写下来，他马上就懂了，他理解起东西了，简直毫不费力，而且他的材质不局限于特定领域，他能在生活的方方面面都运用这种材质，我是说我也不知道，我不想 [01:00:49 → 01:01:22]
但是他对商业也很有见解，他有自己的生意，对，不过他做事的方式很有章法，对吧，而且他还会收集自己的数据，抱歉，我是说他收集自己数据的方式，对，对不，他是，但不管怎样，我的意思是我挺喜欢和他一起徒步的，对一年一次吧 [01:01:22 → 01:01:43]
对谈者乙: 总之多亏了他，我们现在对这类事情是怎么运作的，有了一些概念，好的，那本书讲得很清楚，我是说也许还有其他材料，但是如果我要找一份材料来读 [01:01:43 → 01:01:56]
对谈者丁: 我宁愿读他的论述，对因为我习惯了那种思维方式，而且我在别的地方还没见过这么高的质量，是那是本很棒的书，它关于大语言模型的入门书 [01:01:56 → 01:02:10]
主持人: 那么纳西姆，我有些关于战争的问题，还有些关于新冠的问题，然后我们就结束，好吗，最近我从你那里学到的，最深刻的概念之一，就是影子均值，我想这里的直觉是，我们对某些现象拥有历史数据，无论是市场回撤，战争死亡人数，还是大流行病死亡人数，这些数据可能看起来，遵循博伟分布，但假设生成这些数据的过程，本身就是保委的，那就太天真了，因为在现实帷幕的背后，生成数据的可能 [01:02:10 → 01:02:43]
其实是一个后尾过程，只不过是极端事件，需要非常长的时间才会显现，所以后尾分布，可以伪装成保委分布，把这个概念应用到统计局上，我们所观察到的数据均值，更恰当的称呼是样本均值，而你的方法，就是计算出你所谓的影子均值，我想这等价于总体均值，也就是真正生成数据的，那个过程的均值，你在战争领域做过这个分析，我想具体聊聊这个，但首先为了那些 [01:02:43 → 01:03:16]
可能想探索这种方法的人，你能概括一下，这个过程中的基本步骤吗，是不是第一步估计α 第二步代入估计 [01:03:16 → 01:03:25]
对谈者乙: 还是别的方式，那么让我先向观众们，或者说听众们解释一下，我说的影子均值是什么意思，先考虑一个单位分布，你在样本里只能看到30个数据点 [01:03:25 → 01:03:38]
对谈者甲: 你不会遇到发生概率低于1%的事件，你同意吗，是的，如果是高斯分布，那问题不大，因为这些发生概率低于1%的事件，对整体的影响会越来越小，所以关系不大 [01:03:38 → 01:03:51]
对谈者乙: 因此在一个小样本里，影子均值效应并不显著，其实如果是高斯的形态，那得是单位高斯分布，也就是低方差类似正态的情况，比如身高，你观察一群人，就能大概知道平均身高是多少，但是当我们谈论那些，没有上限后位分布的事物时，情况就不同了，显然大多数观察值会低于均值，所以当你计算均值时，它会比所谓的经验观察值偏低，所以经验分布其实并不经验 [01:03:51 → 01:04:23]
而这对我们来说正是核心所在，我拿标普500指数举例，你可以想见，如果你想用它进行未来若干天的压力测试，去过去十年的最低点，你会发现过去十年里最糟糕的那次下跌，其实并没有被充分代表，因为样本量不足，当你进一步看向尾部，以生物科技这样的行业为例，它就是一个后卫行业，所以你观察到的均值会低于，我想我在黑天鹅里写过，观察到的均值低估了正式均值，而对于保险业 [01:04:23 → 01:04:57]
它高估了正式均值，对，对于银行业，因为一个在右边，一个在左边，所以我研究了什么东西具有正的影子均值，什么东西具有负的影子均值，如果你是在做空波动率，你的影子均值会远低于你观察到的均值，但如果是谈论战争，即便不考虑生存偏差，那是另一个话题了，我们面对的过程 [01:04:57 → 01:05:22]
对谈者丁: 其破坏性其实是远远超出我们观察的，大约是三倍，对是三倍，对所以换句话说，历史过程低估了真实过程，我们在各种场合都发表过 [01:05:22 → 01:05:35]
对谈者甲: 关于影子君子的文章，我们有一篇关于战争的论文，发表在期刊上，不过我们也把它应用到，量化金融中的操作损失上，并在量化金融期刊上发表过 [01:05:35 → 01:05:48]
对谈者乙: 我们还把它应用到了其他领域，不过这个理念我在黑天鹅里就写过，只是当时只涉及了，无形风险的那部分，因为明显可见的是，定义上百年一遇的大洪水 [01:05:48 → 01:06:00]
对谈者丙: 不会在五年数据中出现，所以如果你只局限于五年数据，就会存在影子均值，是啊，所以你在战争研究上的，另一个重大创新，就是这个到达间隔时间的概念，如果我没记错 [01:06:00 → 01:06:14]
主持人: 对于死亡人数超过1000万门槛的战争，其等待时间大概是略高于100年，对，这意味着不能仅仅因为我们还没有观察到，要知道上一次死亡人数超过1000万的冲突，还是二战 [01:06:14 → 01:06:28]
对谈者丙: 距今快80年了，但我们不能就此推断暴力正在减少，不你不能说暴力在减少，另外我们还发现了一个非常稳健的性质 [01:06:28 → 01:06:40]
对谈者乙: 就是战争间隔时间服从指数分布，就像一种无记忆性的过程，对，换句话说，如果平均每100年发生一次，而我们已经有了100年没发生，好你不能说 [01:06:40 → 01:06:54]
对谈者丙: 哦他就要来了，因为他是无记忆的，所以你得再等个100年，希望只保持不变，对对，那你觉得是什么结构性原因，导致了战争的绯委性 [01:06:54 → 01:07:07]
主持人: 仅仅是越来越具破坏性的技术的发展，或许再加上一些全球化，以及暴力可以通过模拟传播的事实吗，我看了数据，并且基于数据做了反思，暴力并没有下降 [01:07:07 → 01:07:20]
对谈者甲: 我的意思是，过去要做到现在加杀发生的那种事，需要多的多的投入，所以我们如今的破坏能力，我是说杀人的能力比过去强多了，你知道过去要花很长时间 [01:07:20 → 01:07:34]
对谈者乙: 才能手动杀死那么多人，对，而现在我们将这个过程产业化了，这非常可悲，是的，然后我开始涉足外交政策领域，意识到在判断与决策，学会分析越南战争时，确实有一些好东西，里面有很多偏见，但你也认识到，美国这个最有活力，充满生机的国家，他的国务院却完全无能，所以你会意识到，对于发动战争的决定，想想阿富汗多么天真，根本没搞清状况，所以他当然会犯错误，更多的错误，还有这些联盟 [01:07:34 → 01:08:08]
你去支持，却不理解后果，这有点像毛的麻雀那种情况 [01:08:08 → 01:08:13]
对谈者丙: 你支持本拉登，却没意识到，这反而帮了他，你造出了一台会反噬你的机器，对，就像九头蛇，就像，九头蛇，你斩掉一个头，又会涨回来 [01:08:13 → 01:08:27]
对谈者甲: 不不，但是如果他们创造，所以如果美国采取干预主义外交政策，打着传播民主之类的旗号，实际上比单纯的孤立主义更危险，所以今天的文化很不一样了，对 [01:08:27 → 01:08:41]
对谈者丁: 这就是为什么你知道，在我们的统计工作之外，我们不得不说，有种披着精致外衣的无能，它让这个世界变得更加危险，那么如果我们回溯历史数据，越往过去 [01:08:41 → 01:08:54]
对谈者丙: 战争的绯委性就越低吗，不，绯委性是一样的，但尺度变了 α参数没变，尺度变了，那么我认为你和一位叫雷帕斯奎尔的教授，发现的一件事是 [01:08:54 → 01:09:07]
主持人: 过去死亡人数被夸大了，因为征服者和受害者都有动机去夸大，显然征服者想显得更令人生畏，不，不不不，这是我后来看了数据之后做的评论 [01:09:07 → 01:09:20]
对谈者乙: 因为当我们分析过去的战争时，我们试图找出一种稳健的方法，来看待这个随机变量的结构，方法是对每一场战争取不同的记载 [01:09:20 → 01:09:31]
对谈者甲: 然后在高低估计之间随机化，比如阿尔及利亚战争，法国说有28万人，而阿尔及利亚人说有100万人，所以后来这些数字都被修订过 [01:09:31 → 01:09:43]
对谈者乙: 于是我们把两组数字都拿来进行随机化，我们利用所有高低估计之间的排列组合，生成了15万种历史可能性，然后我们发现 [01:09:43 → 01:09:54]
对谈者丁: 他们全都给出同样的α值，对，我们当时的动机是，人们会在数字上撒谎，他们真会这么做吗，这是真的吗，我们的工作就是要消除 [01:09:54 → 01:10:07]
对谈者甲: 不同估算带来的影响，是他们或者他们的敌人，你明白吗，好，除此之外，还有一种非概率的方式，我自己观察到，很多人喜欢夸大他们的杀戮数量，比如陈吉斯汗 [01:10:07 → 01:10:20]
对谈者丁: 因为那样做是最优的，你知道，如果人们认为你会杀掉很多人，他们就不会反抗你，所以你会做很多表面功夫，对，很多破坏只是为了做给别人看，是的，有道理，受害者夸大他们的痛苦 [01:10:20 → 01:10:32]
主持人: 对我来说没那么直观，但后来我想起了汤姆·霍兰德的作品，或者勒内·吉拉尔的作品，甚至你在非对称风险里，对基督教的处理，我意识到基督教的独特之处 [01:10:32 → 01:10:46]
对谈者丁: 在于对受害者的推崇，基督教，还有实业派伊斯兰，对，维二的宗教拥有这种对受害者的美化，就是基督教和什叶派伊斯兰 [01:10:46 → 01:10:58]
对谈者甲: 什叶派伊斯兰当他们有殉道者时，你知道比如在哈桑和侯赛因被谋杀之后，已经有1300年的哀悼之类的事，基本上就是对被杀的一种美化，是的 [01:10:58 → 01:11:10]
主持人: 所以我在想对受害者的美化，以及基督教的传播，是不是可能在推动受害者，一方对死亡数字的夸大，我不知道，我们没有基督教统治之前那段时间的好记录 [01:11:10 → 01:11:23]
对谈者乙: 仅仅因为我们经历了一个巨大的转变，历史由圣理者书写，当然也就是由基督徒书写，所以我们没有之前的清晰记录，但我们知道有一些完全编造虚构的殉道事件系列，发生在现在的北非和地中海南部，以及罗马帝国时期的地中海南部，所以我们知道有很多这样的故事，我们也知道很多这些圣人并不存在 [01:11:23 → 01:11:48]
对谈者丁: 或者同一个故事存在于17个不同的地方，或者是7个不同的地方，对，所以我们知道要么存在的太多了，要么根本不存在，是的，所以你和帕斯夸莱关于战争的研究 [01:11:48 → 01:12:01]
主持人: 其中一个推论就是，考虑到这些冲突的间隔时间，我们其实应该等上大概300年，没有看到第二次世界大战规模的冲突，才能说分布变了，对 [01:12:01 → 01:12:15]
对谈者丁: 如果你得耗上300年，然后你才可以说，分布发生了改变，是的，然后我们才能说，但是从过去80年来看，我们统计上没有任何信息，或者说，对这就是那个问题，平刻认为世界已经变了，而他无法理解我们的挖苦，就像泰特洛克一样，他无法理解那个反驳的统计论断，所以你的意思是，数据生成过程有可能改变，只是我们还没有看到，任何能推翻零假设的东西，正是，这正是关键，是的，这是一种看待他的方式 [01:12:15 → 01:12:50]
我不太喜欢林假设这种说法，因为那主要是给应用统计学家用的 [01:12:50 → 01:12:55]
对谈者丙: 比如在医学实验室，或心理学系里工作的那些人，但基本上他的要点是，这就是那种直觉，是的，所以我们没有任何统计依据，可以说暴力已经下降了，一点都没有，是的，是的，就是而且，我们其实没必要走第二步，我看到了增长，那是我看到的，但我说我不想在统计上证明这一点，是的，这个工作真的非常有趣，也很重要，我想聊聊新冠 [01:12:55 → 01:13:21]
主持人: 不过其实抱歉，在继续之前，我能先问你一个，关于战争分析的技术问题吗，我不确定，这是不是个有意思的问题，但我想拿你试试，总的来说，如果你加上一个软上线，比如80亿人死亡，这会在多大程度上，改变你和帕斯瓜里，关于战争的分析结论，好的，因为你对战争数据，做过压力测试吗，不不不 [01:13:21 → 01:13:48]
对谈者乙: 那个软上限，对，你是说，它只是一个人为的假象，对，为了显示在对数空间里，它是密率，好的，但是你得把数据，推到非常高的地方 500万，有上限还是没上限，都没区别，对，两者都一样，没区别，因为这个上限是连续的，它就像一个对数函数，会把最大值变成无穷大，好的，好吧 [01:13:48 → 01:14:15]
对谈者丙: 但那只是在最顶端才会，好的，好的，行，是的，我想聊新冠，在2020年1月底，你和我们共同的朋友，严尼尔写了一份备忘录，对，一开始，对，我是说 [01:14:15 → 01:14:28]
对谈者丁: 我们严尼尔和我，在那之前就担心埃博拉了，是的，早在2014年的时候，对，我们那会儿，一直在为大流行病焦虑，因为我写了黑天鹅，对，然后新加坡 [01:14:28 → 01:14:41]
对谈者甲: 有一群人注意到了，所以我们都很担心，你知道，那种大流行病，因为它会比大瘟疫，传播的更快，对，所以这就是为什么，疫情一开始，我们就非常担心，我们想呼吁人们 [01:14:41 → 01:14:54]
主持人: 把它扼杀在萌芽状态，是的，你写了这份备忘录，然后它被分享给了，白宫的一位朋友，对，你能给我讲讲这个故事吗，有没有什么 [01:14:54 → 01:15:05]
有没有什么 [01:15:04]
主持人: 有没有什么，你还没公开分享过的东西，可以透露的 [01:15:04 → 01:15:08]
对谈者乙: 不，这篇论文本身没什么意义，因为我们本来，也会各自写一篇，而且那个想法，也没什么特别的，但当我们开始看到，中国发生的事情就意识到有问题了，然后我就开始思考 [01:15:08 → 01:15:21]
对谈者丁: 怎么去缓解这种胖伪事件，你可以降低规模，怎么降低规模呢，通过把分布切分成不同的部分，减少连通性，减少连通性，而且很奇怪的是 [01:15:21 → 01:15:34]
对谈者甲: 特朗普政府并没有这么做，他们明明花了那么多钱，对吧，发钱撒钱全做了，但他们就是没想到，最有效的办法，其实是在边境搞管控，在那里对人们进行检测 [01:15:34 → 01:15:47]
对谈者乙: 过去我们其实有非常有效的隔离办法，把人限制起来，或者检疫，而现在我们可以做得更有效，那就是检测，你认为你的那份备忘录 [01:15:47 → 01:15:57]
对谈者丙: 是说服白宫对中国关闭边境的原因吗，我压根不在乎白宫，特朗普政府有些事让我很反感，我不想多说，总之你尽你的职责，然后继续往前走就是了，你觉得比如美国的政府和政策制定者，在思考怎么处理尾部风险这方面，有进步吗，没有，我觉得恰恰相反，他们应对风险的努力，反而增加了尾部风险 [01:15:57 → 01:16:23]
对谈者甲: 因为你最终会碰到，像斯坦因那样的人，还有那些我称之为病理学家的家伙，他们让你因为担心一些事，而显得很蠢，因为他们的教科书告诉你，那些事根本不用担心，他们不理解胖尾，一旦你理解了胖尾，事情就变得很简单了，你会开始用不同的方式，思考人工智能，用不同的方式思考其他事情，你看你告诉我，我告诉你，是的 [01:16:23 → 01:16:49]
对谈者乙: 一旦人工智能开始自我复制，就通知我，好吗，诸如此类，这是我的领域，对付胖伪需要预防措施，而预防措施又得靠胖伪思维，对，我的意思是 [01:16:49 → 01:17:03]
对谈者丙: 你可以在不同层面上采取预防措施，但我们关心的那个层面，是更微观的价格胖伪问题，我们需要一些新的社会制度，来更好的应对判委吗，我 [01:17:03 → 01:17:16]
对谈者甲: 我不知道，说真的，到现在我对这些官僚，以及他们两边处理问题的方式，已经反感透了，通过否定法还是，对，他们的做法正是这样，你想要一个更简单的世界，但偏偏创造出更复杂的机构，反而让事情变得更复杂，就像外交政策一样，你进入阿富汗，然后就不得不去应对阿富汗问题，于是你卷进了一系列 [01:17:16 → 01:17:41]
对谈者丙: 你从未预料到的反馈循环里，好，那西姆，我的主要问题问完了，还有一些零碎的问题，我们继续，就是随机聊几个不同的话题，反正我一般是不上播客和采访的，我非常感谢你愿意和我聊，那么社会科学家们，在相关性这个问题上，犯的最大错误是什么，这个问题很重要，他们根本不知道，那个词是什么意思 [01:17:41 → 01:18:06]
对谈者甲: 你看有些研究SVD的人，真的以为专家有问题，他们也有一些不错的结果，然后他们就让人们去做回归分析，这到底是什么意思，他们连自己的结果都解释不了，他们知道方程 [01:18:06 → 01:18:19]
对谈者乙: 但解释不了图表里哪些部分代表什么，社会科学领域里有大量不称值的情况，他们使用了自己都不理解的指标，比如很多人以为相关性是个客观的东西，但那个度量依赖于子样本 [01:18:19 → 01:18:33]
对谈者甲: 含义非常有限，而且他们意识不到，当你用可视化的方式去看 0.5的相关性并不是0和1之间的中间点，它其实更靠近0 对你有过个说法 [01:18:33 → 01:18:46]
对谈者丙: 人们都熟悉相关不等于因果这句话，你还有句相关不等于相关，是的一点没错，我在推特上跟人争过很多次，挺有意思的，因为我原来不知道人们不是这么想相关性的 [01:18:46 → 01:18:59]
对谈者甲: 还有一件事，如果你天真的看金融领域，你会看到相关性的均质效应，它似乎是这样，假设X和Y相关，你对Delta X的期望会是 10乘以X的标准差除以Y的标准差，对吧，基于时间序列上的Delta Y 你是在通过观察Y来推断X的效应，但是对于下注和决策不是这样，它更像是一个因子，像是C平方或者1-C平方，类似于Flog1-C平方，换句话说非常非线性 [01:18:59 → 01:19:32]
换句话说低相关性只不过是噪声，再说一次 [01:19:32 → 01:19:35]
对谈者乙: 0.5不是0和1之间的终点，而1代表无穷大，在决策中就是这样的，你把它放进你的凯里准则，或者任何一种决策框架里，你就会意识到，在已知Y的情况下 [01:19:35 → 01:19:49]
对谈者甲: 对X下注，或者已知某些侧面信息，对某事下注，你该下多少注，简化来说，我做了个图展示这种关系，你直观的看到互信息，作为一种商度量，信息量大得多，在非线性世界里是这样，当你走向非线性，明显的是，如果你有一条微线曲线，相关性为0 但互信息可以是无穷大，所以相关性有这种错误，但相关性还有其他错误 [01:19:49 → 01:20:15]
对谈者乙: 没有被充分探讨，我没有深挖，因为我喜欢骑自行车，我太懒了，但是我基本上展示出，它并不是可加的，对吧，给你举个例子，如果我取一个相关系数穿，它的正数部分并不是在 [01:20:15 → 01:20:29]
对谈者甲: 如果你把各个向线加起来，比如X正Y正X负Y负，还有其他象限，你得不到双，因为明显均值在每个象限会飘移 [01:20:29 → 01:20:41]
对谈者乙: 所以它在绝对值上是次可加的，这是个问题，它告诉你，对子样本取相关性，并不能给你整体的相关性，这个并不广为人知，我写了一篇论文，我不太想发表，因为审稿人的问题 [01:20:41 → 01:20:55]
对谈者甲: 很难找到好审稿人，上一篇论文我们就碰到一个人，他跟我说，我在用互信息替代相关性，然后他问你有证据吗，证据表明相关性是一个度量，你不会说你有科学证据证明相关性是有效的，它本来就是个度量，定义上就是可以用作证据，于是我说好吧，你得放弃发表太多东西，因为会碰到不成熟的审稿人 [01:20:55 → 01:21:19]
对谈者乙: 除非你能找到有好审稿人的期刊，所以也许我会发表这些结果，因为它的实际含义是大部分，也许我会把它放进第二版第三版里，加上相关性这一节，聪明人能懂，聪明人，但你得懂数学才知道，相关性不是它表面的意思，对吧，然后你再看回归，他们做回归 R平方只有0.05 他们意识不到，意识不到，而且他们觉得 [01:21:19 → 01:21:45]
对谈者丙: 对，只要0.5以上，就是值得庆祝的，在社会效应里，我明白，但问题是，如果你把模型误差算进去，它会大大稀释那个0.5 对，太疯狂了，我的意思是，社会科学的这么多东西，就是建立在这智商，一点没错，相关性，没错，这问题太大了，另一件事是如何理解一个结果，比方说你看论文，看到一大片闪点云 [01:21:45 → 01:22:12]
对谈者甲: 然后他告诉你，你看智商和教育，或者智商和财富，对吧，很好或者智商和收入，首先这就有问题，收入是肥委分布，智商在设计上就是受委，所以你不能把它们放在一起做回归，对，但假设我们这么做了，得到了一大堆噪声，换句话说，如果你根据智商来招聘，对于单个样本，你得到有利结果的概率非常低，你需要大数定律才能体现，他们不懂这一点，所以他们想，你应该顾，因为相关性这么弱，大数定律要到 [01:22:12 → 01:22:46]
顾了整整一个阵的人，才开始起作用，你明白吗，所以你得到的都是噪声 [01:22:46 → 01:22:51]
对谈者乙: 所以那个度量就是噪声，除非你批量的看，因为透过视觉上的变异，大数定律是怎么起作用的，我在这本书里也探讨过，即使是收尾分布，也被误解了 [01:22:51 → 01:23:04]
对谈者甲: 我称之为逆大数定律，假如你取一个属性，比如某种药物平均能降多少高血压，然后反过来看，这个药在你单个病人身上，起效的概率，你得到的答案会和他们想的完全不同，因为平均来说它降四个点，但有些人会降很多，有的人不然，所以这些统计断言被解读的方式，可能是完全混乱的，我的意思是，我在智商问题上见过这种情况，首先他们不知道怎么计算很多东西，不知道怎么解读相关性，也不知道怎么解释它，因为我告诉他们，好吧 [01:23:04 → 01:23:37]
你把带噪声的图画出来，你看到那个图，你会意识到，即使在他们那些论文里，声称使用智商多么有效，你知道哪怕存在循环论证，事实上如果你要考试，你会有高智商，但你也会拿到好大学学位，这在初期帮你提高收入 [01:23:37 → 01:23:55]
对谈者乙: 对吧，我们说的还不是财富之类的，只是对雇员来说，所以即使把所有这些考虑进去，你看的那片闪点云，你会说你知道吗，你没法用它来挑任何单个雇员，看到了吧，你需要一批人，然后他们就开始，还有很多其他东西，至于智商这个问题，他告诉我，这些人我以前以为他们是坏，换句话说，很多种族科学来自那些，有某种反社会人格问题的人 [01:23:55 → 01:24:23]
对谈者甲: 我以前这么想，但现在我认为，不他们只是在装傻，还有你也可以在现实世界里看到，想想看，如果这些人真懂点什么，他们早就去赚钱了，然后再继续搞心理学，但他们做不到，非常对 [01:24:23 → 01:24:36]
主持人: 好下一个随机问题，对你可能知道答案也可能不知道，从历史文化角度，你怎么解释俄罗斯概率学派的卓越成就，俄罗斯人到底喝了什么水，不我的意思是 [01:24:36 → 01:24:50]
对谈者乙: 学派形成是在你开始有规范，有一群聪明人聚在一起的时候，俄国的数学方法有深度，但在苏联时期，他们必须让自己有用，你知道科学必须对社会有贡献，所以他们可以非常务实，同时又有那种约束，而且很多成果也是法国的，当你去看那些重大成果，总是一种组合，但我认为俄罗斯人在概率论上贡献最大，其次是法国人，当然英国概率学派，像高尔顿以及所有这些回归 [01:24:50 → 01:25:23]
所有这些坏东西都来自这个英国概率学派 [01:25:23 → 01:25:27]
对谈者甲: 通常他们有目的，高尔顿想证明爱尔兰人比乌克兰人笨，对吧，还有线性回归，假设检验费希尔的东西，所有这些都完全不同，对，但是一个是概率论 [01:25:27 → 01:25:39]
对谈者乙: 另一个是我们所谓的标准化统计，但你不懂概率论就没法做非标准化统计，所以我们有一类人只会用高斯分布，而且我有一个理论，每一个问题都需要一套新的 [01:25:39 → 01:25:52]
对谈者丁: 适应这个问题的估计量，听起来是个很好的启发式，对，所以如果你不知道怎么重新构建估计量，怎么重新构建理论，对 [01:25:52 → 01:26:03]
对谈者甲: 你看唯一的共同点就是一大堆很大的数字，就这样对吧，对吧，他们想知道这能用在哪，所以当你问起alpha的时候，那个大数法则有时候对alpha效果要好得多，这就是我的意思 [01:26:03 → 01:26:17]
对谈者丙: 因为那些T指数是服从intel分布的，对吧，它服从的是反gamma分布，好，而且你看这是一个过程 clean 它是intel里的一个特定类型，对 [01:26:17 → 01:26:30]
对谈者乙: 对，而且如果你搞明白了，如果这个过程是clean的，对，好，你就会值得注意的是，你拿到alpha的速度有多快，对，这很酷，酷的地方在于 [01:26:30 → 01:26:43]
对谈者丁: 你要是去求君子的话，结果就满天飞了，对，但α你总是能很快的拿到，差不多在，对真的很利落，真的很利落，对α的标准公差很低 [01:26:43 → 01:26:55]
主持人: 对而均值的标准公差却巨大，对，所以你觉得哈耶克的知识，论证支持不了预测市场，而且很明显，哈耶克的观点是，知识通过价格和套利交易，产品服务金融证券汇聚起来，对，这里最核心的区别，是不是就在于，哈耶克所考虑的那些东西，是连续的，而那个逻辑，没法直接延伸到二元预测的 [01:26:55 → 01:27:21]
对谈者乙: 聚合上还是别的什么，不区别在哪，耶克的想法是，不更准确的说，这是显性知识与隐性知识的区别，只是对他来说，知识不是显性的，而是隐性的，那种能被教授被形式化的知识，和那种嵌入在社会里的知识，这两者之间的差异，而这种知识通过制造过程，并且最终通过价格表达出来 [01:27:21 → 01:27:46]
对谈者甲: 而为什么一个被系统化的经济，你是在把无法显性表达的东西系统化，这就是损害了苏联的原因，好，所以我不觉得，我会说把这个用在概率上是错误的用法 [01:27:46 → 01:28:00]
对谈者乙: 因为使用概率模型，就是在对那些太过丰富，以至于你无法系统表达的事情进行系统化，好，你明白吗，换句话说，他的知识是那种嵌入在社会里的东西 [01:28:00 → 01:28:13]
对谈者丙: 而不是被形式化的东西，不然的话，苏联早就拿起那个公式直接去用了，好，可能我今天脑子转得太慢，但这又怎么能推导出，不能把知识论证延伸到预测市场上呢 [01:28:13 → 01:28:27]
对谈者丁: 因为我们不只是在谈预测，我们谈的是预测的函数，好，那他们都是嵌入的，可能在你看从频率空间里，它是个很糟的预测器，但它的函数反倒更好，懂了，你看 [01:28:27 → 01:28:40]
对谈者乙: 而且你不知道那些函数，你不知道，这还是在系统化某种本该的东西，对，实际上你应该关注过程的结果，而不是那个过程的精确复制 [01:28:40 → 01:28:54]
主持人: 在实验室环境里，好，我来问最后一个随机问题，我知道你通常更偏好平均绝对偏差，而不是标准偏差，那为什么标准偏差会成为这么传统的度量，从历史上看 [01:28:54 → 01:29:06]
对谈者丁: 这是怎么发生的，好，因为我记得发现过一篇废雪的论文，他发现在高斯分布的情况下，标准偏差比平均绝对偏差更有效，而且我想告诉观众 [01:29:06 → 01:29:19]
对谈者乙: 很多人会把两者混为一谈，标准偏差是平方和的，平均值的平方根，他没有物理直觉，对，这就是标准偏差，而平均绝对偏差就是平均值，举个例子，比如你有一个过程，所有的观测值都是零，但有一个观测值是100万，这样平均值就是100万，那么标准偏差，会是平均绝对偏差的500倍，在高斯斯界里，标准偏差比平均绝对偏差，大约高出25% 通常的关系是根号下，这一分之二，也就是平均绝对偏差，与标准偏差的比值，懂了 [01:29:19 → 01:29:53]
所以我想说，这是另一个很基本的问题，我们写过一篇论文，很多人不知道我们在谈什么，当我们讨论波动律师，我们指的是那些从业者，还有学生，金融数学的博士生 [01:29:53 → 01:30:05]
金融数学的博士生 [01:30:04]
对谈者乙: 金融数学的博士生，我们让他们试着去解释，一些金融数据 [01:30:04 → 01:30:09]
对谈者丁: 当你给他们展示用标准偏差表示的波动率时，他们却给出的是平均绝对偏差的解释，所以，对对，它比标准偏差更直观，是的没错 [01:30:09 → 01:30:21]
对谈者乙: 而且在肥美分布上，这两者是有分歧的，我对这个度量感兴趣，不是想挑那些犯错的从业者的次，而是因为标准偏差与平均绝对偏差的比值，是衡量分布肥美程度的最佳指标，对，你看对于高斯分布，就像我说的，标准偏差比平均绝对偏差高出25% 而对于科西分布，这个比值是无穷大 [01:30:21 → 01:30:47]
对谈者丁: 不对不是无穷大，我是说对于那些α低于2的任何分布，这个比值会是无穷大，因为一个是无穷大，另一个是有限的，最后一个问题，最后一个问题，关于你的下一本书 [01:30:47 → 01:31:01]
对谈者乙: 《历地案风格》 有什么可以透露的吗，我还完全不知道，我的下一本书会是什么样，好吧，它会以什么形态出现，关于之前的那些书，最近两本 Skin in the Game 和刚刚完成的这一本 [01:31:01 → 01:31:14]
对谈者丁: 我之前都没有讨论过，就是直接写完的，是，我不喜欢这样，所以你得写个计划，人们特别兴奋，你知道书店啊什么的，我现在正在做真正要紧的工作，所以下一本书与时间有关，跟，时间尺度，还有概率，好，有，很多关于商的内容在里面，但我现在已经到了，为自己写作的阶段了，是什么最有趣，那是，太好了，而且，没有比这更有趣的了，因为每天做一两个小时数学 [01:31:14 → 01:31:49]
做完后你会觉得很放松，你看，然而所以我在做更多数学 [01:31:49 → 01:31:55]
对谈者丙: 太好了，那我祝你做更多数学，得到更多快乐，但是，我并不是在闹着玩，我不想被贴上标签，也不希望别人把我归为数学家，我只是喜欢用数学 [01:31:55 → 01:32:08]
对谈者乙: 去处理那些，本质上不是数学的问题，所以并不是我在，试图改进数学本身，我是在用它，那数学本身就很有趣，让人放松，这就是我为什么喜欢数学 [01:32:08 → 01:32:20]
对谈者丙: 那辛你真是太慷慨了，花这么多时间，非常感谢你，这真是我的荣幸，谢谢，谢谢你邀请我，而且希望下次我们做播客的时候，你反过来，你从随机问题开始，然后再进入结构好吗，听起来不错，那是，好了你可以，谢谢大家再见，谢谢 [01:32:20 → 01:32:41]