简单是王道

来源:长信基金e服务(ID:cxfund-4007005566)

James Montier是GMO的资产配置委员会成员,著名基金经理,行为金融学专家。长信投研团队将其投资佳作《Value Investing: Tools and Techniques for Intelligent Investment》翻译出来,在长读长信连载。

今天与大家分享的是第19章:简单是王道。

我们总是不断花时间搜罗更多的信息,直到我们对事实真相一无所知。是时候停下来想想,究竟哪些事真正值得被关注!

我们这行有个通病,似乎总是沉浸在对细节的迷恋中难以自拔。分析师们十分惧怕说出“我不知道”。我个人对此其实一点都不介意!我们总是误以为,只有掌握大量信息才能做出好的决策,然而事实恰恰相反。

Tsai等人在一份近期研究中,对美国棒球迷预测比赛结果的自信心及正确率做了一项实验。他们发现人们拥有6条信息与拥有30条信息时预测的正确率并无差异!然而,在拥有更多信息时,对于预测的信心显然大幅提升了。

我们并没有能力处理大量信息,这是根植于我们大脑中的认知局限。我们必须承认的事实是,人类的大脑并非拥有无限算力的超级计算机。与其盲目地与认知极限死磕,倒不如去开发人类大脑与生俱来的禀赋。所以,比起没完没了地收集信息,我们更应该花精力找到并聚焦在真正重要的信息上。

在信息过载的问题上,医学界与投资界面临相同的窘境。举个例子,在某家位于密西根的医院,医生们把90%的严重胸痛病人送去了心脏监护室。事实上,他们将90%应该被确诊的病人和90%不该被确诊的病人统统送去了重症监护室,这并不比碰运气更高明。

这么做的关键原因,在于医生们关注了错误的信息,他们貌似高效地检查了很多宽泛的风险因素,诸如年龄、性别、体重、吸烟史等。虽然这些因素可以用来界定心脏病发作的概率,但他们显然不是好的诊断依据。

一份详细的检查报告被用来辅助医生们做出更好的诊断。然而,当这些辅助手段被挪去,医生们照样可以做出好的判断,他们拥有关注关键线索并作出判断的能力。用一种非常简单明了的决策树机制医生们就能得出最优解。相同的机制完全可以在投资领域获得成功。正如巴菲特所说,“投资是件简单但不容易的事”。

今年伊始,我同一个客户就行为决策过程进行了一场2小时的交流问答,在交流结束后,他在陪同我出门的路上问到,“如果只用一个词来概括你今天所讲的内容,你会选哪个?”,我的回答是“简单化”。

我之前曾写过关于知识幻觉的内容(参见《行为投资学》第2章及11章),在演讲中我也花了相当大的篇幅来讨论:我们如何痴迷于花大把时间搜罗越来越多无关紧要的信息,直到我们对事实真相一无所知。但我们几乎不会停下来想想,到底该知道哪些信息就足够我们做出投资决策了。

过去我常常引用Paul Slovic的研究成果,来证明“更多”的信息并不意味着“更好”的信息。Slovic的研究发表于1973年,为了使相关结论更强健适用,我很乐意引用三位学者近期的学术成果来展示相同的行为模式。

更多就是更好吗?

Tsai等(2008)的研究表明,更多的信息将被转化成过度自信和静态正确。他们的实验面向美国棒球球迷,测试受访者对15场全美大学联赛的结果及分差的预测能力。用于预测的信息(由非受访球迷提供)在5轮测试中被随机给到受访者,每一轮展示6条信息(称为线索)。

所提供的信息较为宽泛,球队名因太具有指向性而被隐去,其他技术统计信息包括丢球次数、边际失误次数、推进码数等。

受访者由30名芝加哥大学的本科或研究生组成。平均来看,受访者将花1小时左右时间完成实验,并获得15美金的固定报酬,而预测表现最好的受访者将再获得50美金的额外奖励。参与项目的球迷必须先通过一项小测试,以证明自己足够了解大学棒球联赛。

为了研究“更多信息是否更好”这个命题,我们需要建立一个比较基准,即在本次测试以外的比赛上运行一个逐步递进的Logit回归模型。这听起来相当复杂,意思就是在每一轮测试时不断将新的信息提供给计算机,从而模拟实验受访者所面临的情况。

Logit回归模型结果如图19.1中所示,在给出第一轮6条线索时,模型的预测准确率在56%附近,随着所提供信息越来越多,预测准确率逐渐上升,在获得所有信息后模型预测准确率上升至71%。

所以,站在统计模型的角度,我们可以说更多信息确实意味着更好的信息。但是,当计算机替换成人时,就产生了完全不一样的结果。受访者的平均表现如图19.2所示,不管提供的信息多少,人所预测的结果几乎是一条水平线,准确率维持在62%左右。在最初几轮中,受访者的预测表现好于计算机(虽然统计意义上不能这么说),在最后几轮中差于计算机。

然而,受访者预测自信度却随着信息增多而显著上升,在最初6条线索时受访者信心在69%,当获得全部30条线索后受访者的预测信心抬升到了接近80%。如此,我们得到的结论与Slovic的早期研究如出一辙,当获得更多的信息时,并未带来更好的预测准确率,提升的只有预测者的自信度。

这一结果证明了人类大脑的认知局限。正如George Miller在1956年的研究中所述,人类平均的记忆力(如果你喜欢也可称之为大脑便签簿)只能处理7比特的信息量(正负2以内)。

早在George Miller发现这一认知局限以前,阿瑟·柯南·道尔就曾借福尔摩斯之口表达过类似的见解:

我认为人的脑子本来像一间空空的小阁楼,应该有选择地把一些家具装进去。只有傻瓜才会把他碰到的各种各样的破烂杂碎一股脑儿装进去。这样一来,那些对他有用的知识反而被挤了出来;或者,最多不过是和许多其他的东西掺杂在一起。因此,在取用的时候也就感到困难了。所以一个会工作的人,在他选择要把一些东西装进他的那间小阁楼似的头脑中去的时候,他确实是非常仔细小心的。除了工作中有用的工具以外,他什么也不带进去,而这些工具又样样具备,有条有理。如果认为这间小阁楼的墙壁富有弹性,可以任意伸缩,那就错了。请相信我的话,总有一天,当你增加新知识的时候,你就会把以前所熟悉的东西忘了。所以最要紧的是,不要让一些无用的知识把有用的挤出去。

——《血字的研究》

我们必须承认的事实是,人类的大脑并非拥有无限算力的超级计算机。与其盲目地与我们认知极限死磕,倒不如去开发我们大脑与生俱来的禀赋。所以,比起没完没了地收集信息,我们更应该花精力找到并聚焦在真正重要的信息上。

想简单些,笨蛋

Dijksterhuis等人(2006)的最新研究提供了人类智力局限性的更多证据。在他们的研究中,受访者被要求在四辆轿车中挑选出一辆最好的。他们面临两种情景:被告知每辆车的4项性能指标(信息低载组),或者每辆车12项性能指标(信息高载组)。在两种情境下,均有1辆车显著好于其他——即75%的性能优良,有2辆车50%的性能优良,剩余1辆只有25%性能优良。

图19.3展示了在两种不同信息量情境下,受访者最终选出最佳性能车的百分比。在低信息量的情况下,有60%的受访者选择正确,然而,当面对信息过载时,只有20%的受访者选出了正确答案!

心内科的一课

在这一领域的研究最早出自于Lee Green (Green和Yates, 1995). 在密西根一家医院出现了这样的问题,医生们把90%出现严重胸痛的病人都送去了心脏监护室,监护室变的异常拥挤,护理水准下降而开支上升。

将如此多的的病人送去重症监护室,反映出医生们对于诊断出现假阴性的担忧(即没有诊断出那些应该被确诊的病人)。你或许会说,总比相反情况好吧。然而,这种想法忽视了送进ICU本身引发的风险。每年大约有20000名美国人死于医院内疾病的交叉感染。在重症监护室感染这类疾病的风险要远高于传统诊疗方法。

对这家密西根医院的医生来说,最糟糕的问题是他们将90%该被确诊的病人和90%不该被确诊的病人统统送去了重症监护室,这并不比碰运气更高明!

为什么?

这就引出了如下问题:为什么对医生来说,将无需特殊护理的病人鉴别出来如此困难?Green和Yates的研究正是寻求这一问题的答案。

研究结论指向医生关注了错误信息。他们总是倾向于过度关注以下风险因素,比如早发冠心病家族史、年龄、性别、吸烟史、糖尿病、高胆固醇和高血压。

虽然这些因素对评估患者是否患有心肌缺血整体上有帮助,但却缺乏可信的诊断效力。他们不是有效信息,因此Green和Yates将他们标记为伪诊断信息。也就是说,“他们是影响决策者判断概率的附加信息,但在分辨是否确诊时不具备客观价值”。

更好的诊断依据是存在的。研究表明,患者症状的位置、缺血性疾病史、以及特定的心电图是目前对急性缺血、心梗及死亡最有力的诊断指标。

如何改进?

Green和他的同事们想到了一个方法,用卡片标记上不同诊断信息及其对应的判断概率。医生可以按照表格指示,根据症状和检测结果将对应的概率相乘,以估计出现问题的总体可能性。如果结果高于设定的阈值,则患者需住进心脏重症监护室,否则一张带监视器的普通病床就足够了。

这种辅助决策工具被引入后,医生的决策质量有了明显改进。有问题的病患依旧能被高比例识别出,而无需送重症监护室的病患的数量被有效控制下来。

当然,我们可以就此认为工具起作用了。但为谨慎起见,Green决定最好还是确保情况属实。如此,医生们在几周内被允许使用辅助决策工具,而在另外几周不被允许以此作为辅助。显然,如果这一工具是提升诊断表现的原因,我们理应看到医生们在不使用辅助工具期间的表现恶化。

实验结果令人惊讶,无论是否使用辅助工具,医生们的诊断表现均出现了提升!如何解释这一令人惊讶的结果?有没有这种可能,医生们背下了卡片上的概率分布,在卡片被拿走时依旧默默地使用他们?

这种假设看起来不太可能,因为卡片上的概率有多重排列组合,很难完全记住。一项快速测试显示一些事情在悄然发生变化。事实上,是医生们学会了收集正确的信息。也就是说,通过工具展示诊断所需的正确信息,医生们将关注点从原来的伪诊断信息转移到真正有价值的信息上。他们终于开始关注正确的事了!

在这个实验基础上,Green和Mehr(1997)又设计了一套极其简便的决策辅助工具:一系列的是或否的问题(即多层级决策树,比之前基于概率的方法来的更简便)。这套辅助工具的结构如图19.4所示。

如果病人显示心电图异常(ST变化),他就直接被送到重症监护室,如果没有,则进入下一步:病人是否有胸口疼痛,如果有,他仍旧会被送往重症监护室,以此类推。

这使得医生决策过程中的关键要素浮出水面。这一方法在实践中也非常有效。图19.5展示了以上几种方法的实际表现。坐标轴分别代表问题的两个维度,心脏病发作被成功诊断出来并送到重症监护的比例(纵轴)和实际未发作心脏病但被送到重症监护的比例(横轴)。

45%的斜线代表随机概率,斜线上方的点代表诊断准确率高于随机概率,而斜线下方则表示诊断准确率还不如碰运气。

医生最初的诊断方法比随机概率略差一些(如上所述)。而概率模型可以在权衡利弊后设置成不同的结果组合,如图我们选择了将心脏病人以最大比例被成功诊断出来的组合。相比医生独立诊断,这一方法显著改善了诊断准确率:成功诊断出更多的心脏病人,同时不必要的重症监护需求大量减少。

然而,简易的决策树做得更好:他能够做出更多正确诊断,并减少更多不必要的重症监护!快速简易的决策方法在这里大获成功。

财经自媒体联盟

新浪首页 语音播报 相关新闻 返回顶部