文长若想直接看结论
可滑到最后一页看BIN模型如何运用来优化投资决策
行为经济学界大名鼎鼎的Kahneman新书《噪声：人类判断的缺陷》总算读完了！
本来想直接就本书写心得
却在找资料途中发现一篇同样谈论此概念而且更直接和投资相关的文章
因此决定先写更有趣的这篇
BIN There, Done That: How to Reduce the Sources of Forecasting Error
原文出处 https://mgstn.ly/3zZsAY0
作者Mauboussin曾出版许多探讨机率的科普书
譬如成功与运气、魔球投资学等，都是自己很有兴趣的主题
他的名字和Kahneman, Thaler, Tetlock等人
都是在股市预测和行为心理学主题常出现的名字
这次看到他又针对Kahneman新书噪声所写的文章
可说是弥补书中未直接触及投资的遗憾，直接写出要怎么改善投资技巧
相当推荐给对此议题有兴趣，又想了解投资决策该如何优化的读者
原本想先写噪声本身的书摘
但这篇文章可能对投资技巧有更直接的应用
因此这边阅读心得摘译就给大家参考囉
p.s. 读者可能会说，讲一堆理论阿到底能不能赚钱？
我们外行看热闹的可能难说，但Thaler跟Kahneman主持的资产管理公司
基金表现是有赢对照的小型股指数IWM，但依然输大盘SPY（额）
https://www.fullerthaler.com/
https://imgur.com/v9eGyUL
能预期到市场期望的修正，才能产生长期超额报酬。研究显示，绝大多数专家都无法
做出好预测。反而，人类内建相当善于事后解释、自圆其说、后见之明的心理机制。
Tetlock主持的研究显示（参见超预测一书，但不要买繁中版，翻译太烂），少数能做
出准确预测的超级预测者，其特质包含计算能力、知识好奇心、机率思维、开放心胸。学
历和智商对预测当然有帮助，但不是决定性因素。在这研究之上，学者进一步发展“BIN
模型”：B为bias偏差、I为information资讯、N为noise噪声。许多投资老鸟都已经很了
解bias会如何损害投资决策（如锚定效应、沉没成本、心理帐户、损失趋避、过度自信、
肯证谬误等）。事实上，bias已经是目前行为财务学（或称投资心理学、行为经济学）的
热门话题。最后，information不足当然也无助决策。Noise反而是比较少引人注意的元素
（因此Kahneman新作才以此为主题，因为bias他已经写过了，即快思慢想一书）。针对超
级预测者的研究显示，减少噪声的好处，几乎是减少偏差或提升资讯的两倍。本文将详述
BIN模型及其如何运用到投资机构与股价，并讨论如何减少噪声与偏差，同时提升资讯。
首先对名词作定义解释
噪声是“判断的机遇变异性”，发生条件为“复数人士针对相同资讯做出一项判断”
，例如某杂志要50名会计师针对1家庭个案计算应付税款。即便会计师都使用相同税法、
软件、个案也相同，但他们仍相当仰赖个人判断。此时，如果会计师们答案不同，噪声就
出现了。同样地在投资机构，如果复数分析师要对同一家公司的股价做出预测，只要数字
不同，噪声也就出现了。
噪声的另一项发生条件为“相同人士于不同时期做出相近决策”。如我们可能都要决
定午餐吃什么，但这项决定会受到当下心情、饥饿感、疲倦感或最近经验而影响。同样以
投资机构为例，分析师们把投资建议告知基金经理人，经理人买单与否，可能是根据一些
跟投资建议本身良窳无关的因素，譬如自己最近是赚是赔。
接着看到bias偏差（偏误、谬误）。多数人都惯用经验法则或称捷思法（即Kahneman
论述的系统一）来做决策。譬如可得性捷思，指人们会用他们有多容易回想起最近或类似
事件来评估一件事情发生的可能性。譬如空难发生后，许多人会害怕坐飞机。捷思法的好
处在于节省思考时间，但如果把不适当的捷思法用到决策，偏差就产生了。
投资场域常见的偏差为过度自信与肯证谬误。过度自信表现在过度估计（对自己能力
太过自信，因而高估完成工作的效率，或相信自己拥有比实际上更大的控制力）、过度定
位（相信自己比周遭人厉害，如乌比冈湖效应）、过度精确（过于笃定自己判断正确性
，因而不愿意测试假设）。过度精确跟预测有关，在商业与投资领域特别重要，人们会在
回答困难问题时，过度自信能答对的比例。表现在投资行为，就是频繁出手，做出太多无
法获利的交易。
肯证谬误指的是，只愿意看符合自己观点的资讯，舍弃贬低那些和自己立场不符的论
述。遇到模棱两可的资讯时，也会以有利自己的方式来解读。投资人若对新资讯反应不足
，很可能就无法快速修正自己对事情的信念。
这张打靶图清楚呈现bias-noise的意义，其实跟统计学常用的reliability信度、
validity效度是同样概念。
https://imgur.com/oXCBksH
也可以用分布图来理解：bias是产出偏离目标的程度，noise则是复数产出发散的范围
（通常可用钟型曲线表现）。如复数分析师要对同一家公司的股价做出预测，正确答案只
有一个，没命中就是有偏差。每位分析师给的数字有大有小，其分布范围就是噪声。
https://imgur.com/AIPH8kL
资讯。完整资讯有利预测者做出高精度的预测。在预测脉络下，包含挖掘新资讯、更
新观点的速度和准确度、对资讯成分赋予不同权重、处理复噪声号之能力。这些因素会决
定使用者能善用资讯到什么地步。
解释过基本学术概念，总算能讨论投资应用了。首先谈到市场是否有效率。如果效率
市场中，股价精准反应出资讯及未来展望，那么BIN模型还有用吗？市场并非完美有效，
但大型且流动性高的市场算是相当有效的。噪声和偏差的影响力对股市投资人而言较小（
相对于会计师或保险精算师），因为市场股价已相当程度反应出群体投资人的多元观点。
市场上早已有噪声交易人的说法。这里同样也建议不要盲目跟着噪声，而是要辨别出
讯号（仰赖收集并正确评估资讯的能力）。噪声也影响到持仓大小。投资产业花太多时间
找寻优势（股价错估而蕴含的超额报酬机会），却对持仓大小关注不足。仓位大小成了经
理人间的噪声。研究显示，经理人常因无法依循自己流程中建议的持仓比例而错失报酬。
以BIN模型的元素分别讨论如何优化投资决策。
[噪声]结合判断、使用算法、中介评估法
噪声。有三个方法来降低噪声：1)结合判断、2)使用算法、3)采用MAP中介评估法。
1)其实就是善用群众智慧。市场本身其实就是观点集成的机制：参与者用真金白银进场，
会有充分诱因来找出正确观点；负循环会把偏离均衡的动能拉回均值（即均值回归）；套
利者会找寻任何定价错误的地方牟利，这些举动都会让股价变得精确。然而吊诡之处在于
，市场经常摆荡在负和正循环之间，造成各种趋势。有此一说，当市场上所有人都想着同
样方向，无效率就浮现了。小企业或散户因为成本因素很难善用观点集成策略。譬如上面
提到的会计师范例，安排50位会计师就1家庭个案规划税务，取平均值会更准，但显然成
本太高。
注：这边值得引用作者在别本书中提到，善用群众智慧所需的三大必要条件：
-多样性：确保每个预测者都有独立观点，而非相互影响模仿。避免资讯瀑布、群聚效应
、光环效应、诉诸权威等心理偏误。
-整体性：确保所有意见都纳入考量
-诱因：确保个人有充分动机提出最好观点，而非捣乱（也算呼应Taleb skin in the
game切身利害的意涵，即自己真金白银下去赌，成败后果自负，才不敢胡乱放话）
2)使用算法，即依循特定规则或步骤以达成目标（例如食谱就是一种算法）。研
究显示，许多领域都能借由使用算法来优化决策，譬如医师诊断多仰赖个人经验，但其
实统计检验优于临床检验。机械预测技术已证实无论在何种判断任务、类型、数量、数据
模式等都有优良表现（详细文献可参考Kahneman噪声本书，看起来他相当推崇）。在投资
时，想想看有什么层面可系统化处理，或使用检查表来核对决策一致性。再次看到前面提
到的仓位大小。持股应该是根据输入、限制、目标来打造。输入指的是预期报酬、波动性
、资产关连度。限制指的是持仓、产业、板块等上限、交易量、杠杆等。目标指的是单一
或复数时期的评估区间。只要厘清这三大面向，持股比例就能套用算法。研究显示，在
整个决策流程的前中期使用系统，只在最后输出答案参酌个人直觉判断，能提升整体决策
品质。
3)MAP中介评估法，旨在避免直觉想法，而是综合参考会影响到表现的关键因素。MAP
有三步骤：首先，预先定义评量项目，譬如在面试财务分析师时，先决定有哪些项目是要
检视的，包含估值技巧、策略评估、批判思考、人际沟通等。第二步为根据所列项目，使
用事实来分别检视。每项特质都要以量化分数来呈现。同样这个面试案例，每个求职者都
会面对相同评分方式，面试官也要注意，面对不同求职者都要以相同顺序问相同问题。最
后，所有测量都打完分数后，考官应进行讨论以达成最后决策。这个决策方法的优点就在
于“标准化”。MAP对于组织决策的重要性较高，但个人投资者也能使用此途径来确保自
己的投资流程是一致、严密、完整的。想想看自己有多少选股、择时决策是意气用事，如
果有一套流程先让自己冷静下来，判断会不会更好？
[偏差]基本比率、事前验尸、魔鬼代言人、路标阶段
有许多方式能降低偏差。首先，“将基本比率纳入预测”，有助矫正过度自信。人们
在做预测时经常会显得过度自信，无论是新家装潢成本和时间、作业时数、公司成长率等
都会出现。引入基本比率有助于设定一个门槛值，避免太过乐观或悲观。一般人做预测时
都有类似模式：收集资讯、结合个人经验与观点，投射至未来。心理学家将这种相当仰赖
直觉的方式定义为“内部观点”。基本比率这个“外部观点”是简单的统计分析，将已完
成、可类比的事件纳入考量，“其他人过去在此情况都怎么做”，也就是把单一预测当作
更大样本中的一例，而非让预测者个人经验和认知左右，让预测成了单次事件。
举例，分析师预测某年度业绩100亿的公司，未来五年销售将以每年20%的速度成长。
他很可能有一套详尽的模型来支持此论述，此为内部观点。而外部观点则检视，有多少同
样规模的公司能达成这样的年化成长率。若业界只有寥寥3.5%公司能办到，那么原先预测
就显得太过片面天真。
使用外部观点有四个步骤。首先，选择参考类别。此类别必须够广泛才够有参考价值
，同时也细微到能直接运用到个案。其次，评估此参考类别的结果分布。有些类别属常态
分布、钟型曲线（轻度随机），譬如企业或投资人绩效。有些则包含许多偏斜或属于幂次
法则（狂野随机）。基准比率可直接运用至轻度分布，但对于狂野分布则无法显现太多资
讯。第三，做出预测。了解一件事的基本比率，有助于做出点预测及范围内可能的结果。
最后，思考该预测出现均值回归的程度如何。经验法则显示，若结果很接近随机，则该预
测必须大幅回归。若结果是由技巧所驱动因此较为一致，则不用太多回归。（举例，预测
猜拳比赛结果，需考虑机率占了多大成分，很难笃定谁必胜出。但学校考试榜首通常较为
稳定，因为读书的技巧所占比例远比机率大，只要努力，通常就能高分。股市也有所谓涨
多必跌，跌深必弹的说法，即均值回归效用，只是股市系统太过复杂、变项太多，使得均
值一直在变化，自然很难抓到回归的时机，因此就算知道均值回归的道理，也很少人能用
成稳定获利的法则）
继续用公司案例，比起营业利益率，销售成长率更不稳固。因此，过高过低的销售成
长预期，更可能出现均值回归。而利益率太高太低，则较不易回归均值。（换言之，呈现
高会续高，低会续低的趋势）
第二个减少偏差的方法，就是建立正式机制，让心智能开放面对不同可能性。其中一
个思维就是事前验尸。此技巧要求团队成员想像做出一个决定但结果搞砸了，成员要各自
写下此结果可能的失败原因，再共同讨论。此技巧运用到一个称为“预期后见之明”的机
制，可以比单纯预期未来带来更多情境想像。事前验尸的特色在于，强迫成员思考优缺点
，甚至只思考缺点。其他类似的思维训练还有“红队”（或称魔鬼代言人、末日Z战里提
到的以色列军队第十人法则）。
第三个减少偏差的方法，是建立稳固流程来提供精准而及时的反馈。投资领域中一个
恼人问题就是只会用风险调整后的持股报酬率，当作投资绩效的最终评估。然而股价波动
充满噪声，使得市场给人的反馈，短期而言是不可靠的。用短期报酬率衡量一个人的投资
技巧好坏，有失公允。（研究显示，要检视一个人的投资技巧，期间至少要拉到10~20年
，才能尽量排除运气的影响）（反馈的意思是，你可能根据纪律做了自认正确的决定，但
股价不赏脸，显示你决策正确但后果失败。又或者你决定意气用事赌一把，结果股价居然
如猜测般发展，显示你决策失败但后果正确。这种因果不一致的情形经常在股市发生，使
得我们很难从中学到教训，反而容易出现认知失调。在别的领域例如求学、运动，我们就
比较能肯定学了新单字考试用得上，或是锻炼心肺能让打球更持久，这种输入和产出间的
因果关系就较为线性稳固，碰到状况时教练给的反馈也更明确。）
处理此问题的一个技巧是，找出路标，并假定他们发生的机率。例如投资人想要借由
跟市场不同的观点来做出买卖决策，进而达成超额报酬（也就是俗话说的，别期待做跟大
家一样的事，却达到不同结果）。我们可以将其论点化为数据、拆成阶段，检视跟市场共
识的偏离程度。譬如投资人相信营收会比目前股价已反应的程度来得高，当关连到这些特
定差异的资讯（财报）发布时，就能认定自己正在通过路标查核点，告知自己是否通往正
确方向。（换句话说，滚动式修正自己看法）
实用的路标有三大特征。成果足以客观判定、具有特定日期、且对整体论点重要。例
如，假设市场共识是某公司今年将卖出100套软件，而自己认为销售量会更高，路标或可
设定为“有八成机率该公司今年将卖出110套以上”。重点在于，预测应该使用机率而非
文字，因为文字太飘渺怎么说都通。数字机率则有助精确反映预测，同时避免事后狡辩。
（从现在起养成一个习惯，自己每一个推测都用机率方式呈现，不要用yes/no这种一翻二
瞪眼的绝对思维，有助于降低顽固心态，提升心智柔软度。）同样地，设定阶段，拆解流
程的好处在于，让当事人能有更多机会试行错误，进而培养校准技巧。其实不只是投资，
很多领域的思维都能用这种方式来改善。
[资讯]尽量取得领先资讯、时常更新观点反映新资讯、为资讯权重
很显然地，改善预测的首要方式就是领先他人取得关键资讯（千线万线比不过内裤线
），但因为“公平揭露规则Reg. FD”防止公司在没有同步公开给大众的情况下私自揭露
资讯，此途径也非常困难。某些方式或许可行但所费不赀，譬如取得所有权资料、聘雇顶
尖律师来解释法规、找业界专家来仔细评估天灾后果。另类数据如A公司的私人客机经观
测于某月常飞到B公司，结果不久后两家公司合并。这种另类数据相当难取得，通常只有
避险基金愿意花大钱买来分析（参见美剧Billions，用卫星图资观测某热门中国工厂的卡
车流量太少显然有鬼，因此决定做空）。
具备路标的思维框架，要求预测者明白讲出其观点和市场共识有何不同之处。新资讯
能够取得时，预测者必须要能克服肯证谬误，修改其观点以反映新资讯。研究显示，愿意
频繁更新自己观点的人，通常也能做出精准预测（即Tetlock所言，在预测时，狐狸比刺
猬优秀）。
为资料进行权重的能力也很关键。心理学角度而言，面对一项假说，我们得看其证据
的强度和权重（预测效度）。以丢硬币为例，强度是出现正反的比率（理论上是50%50%）
、权重是样本大小，即丢硬币的次数。
当强度高、权重低时，预测者常会过度自信。譬如丢10次硬币出现7次正面，预测者可
能会断定该硬币有偏差。事实上，公正硬币有八分之一机率会出现此情况。（也就是犯了
小数法则的错误，把大样本的分布直接套用到小样本，却没意识到样本数太小，出现特定
结果机率上是有可能的，无法断言是人为操弄）
当强度低、权重高时，预测者常会自信不足。譬如丢1万次硬币出现5100次正面，预测
者不太敢断定认为硬币有偏差。事实上，公正硬币仅有五十分之一机率会出现此情况。（
当样本数够大，应足以佐证某观点，个人却不敢坚定主张时，就表示个人心理素质输给客
观数据，不敢冒安全的险）
因此，有效使用资讯，就是在可行时尽量取得资讯优势（以不犯法为前提）、精准更
新自身观点、经常反映新资讯、并为拥有的资讯分配适当权重。
最后以个人投资观点来为本文结论汇整
减少噪声
-善用群众智慧：收集美股KOL清单建立表格，观察持仓和进出时机，取平均值当指引，
发挥批判性思考，用正确的心态抄作业（炸
使用算法：已经有很多量化交易大神，但他们程式太神秘一般人根本无从企及。写
程式目前在能力范围外，先以手动方式设定投资组合。以Portfolio Visualizer回测持股
比例、效率前缘。参数如预期报酬、波动性、资产关连度、投资期间等。限制如持仓、产
业、板块之上限。标的属性如交易量、杠杆等。以StockCharts观察走势。并以
Morningstar Portfolio Manager追踪投资组合表现。
-中介评估法：承上，使用检查表来对挑选公司、买卖时机的依据做出标准化评估流程。
基本、技术、筹码、消息等面向都出现买进/卖出讯号才做决策，用数据和流程约束自己
，避免情绪意气用事。
减少偏差
-基本比率：用此观点看待美股，可得知许多数字，如S&P500大盘每年有七成机率上涨
、年化报酬率约为10%、SPIVA显示十年期间，近九成主动基金都会落后被动指数。进一步
检视大盘、板块、个股的平均报酬率与波动率，其股价在不同位阶时超涨或超跌的钝化机
率。检视自己出手记录的胜率高低和期望值多寡，当作下次出手的根据，避免贸然买卖，
盲目赌机率。
-事前验尸：当作思维训练，预先思考有什么因素可能导致决策失败，避免盲目乐观
-魔鬼代言人：买进时，是谁在出货？卖出时，是谁在进货？凭什么认为自己是对的？如
果我错了怎么办？多空军的论述都要去了解，避免过于乐观或悲观的片面之词。
-路标阶段：用LEIs领先指标、Fed重大发布、个股每季财报当作中继点，滚动式修正预
测。检视自己每年报酬率，如果不好就得修正方法。
提升资讯
-尽量取得领先资讯：效率市场假说下，一般人很难取得真正有用的资讯，能做的就是先
拓展收集资讯的管道，譬如原文资料、群组闲聊、KOL订阅等，先有量再来做质性评估。
-时常更新自身观点以反映新资讯：当作思维训练，难处在于坚定信念跟打草惊蛇间取得
平衡。
-为资讯权重：这题有点难，先跳过（可能需要先从质化角度详细语篇分析找出文句重点
、再以量化综合判断配分才能达成）
文末附上推荐阅读，希望对此议题有兴趣的读者能够收获满满～
机率相关
成功与运气：解构商业、运动与投资，预测成功的决策智慧 by Michael Mauboussin
风险之书：看人类如何探索、衡量，进而战胜风险 by Peter Bernstein
华尔街的物理学 by James Weatherall
随机骗局：潜藏在生活与市场中的机率陷阱 by Nassim Taleb（以及他所有著作）
高胜算决策：如何在面对决定时，降低失误，每次出手成功率都比对手高？ by Annie
Duke
投资心理学相关
致富心态：关于财富、贪婪与幸福的20堂理财课 by Morgan Housel
投资进化论：揭开投脑不理性的真相 by Jason Zweig