远凡的读书笔记和投资实盘第171天总盈亏：13.80% 概率是不是一个伪概念，就
展开
今天是实盘记录的第171天。
期末资产：341411.57元 累计盈亏：13.804% 今日盈亏 2363.36元
相对沪深300超额 7.798%， 相对中证2000超额 -1.650%
按今天微盘股相对大盘的走势，这一轮微盘股单独的下跌应该是结束了。今天在其他指数下跌的情况下，同花顺尾盘股指数上涨了2.44%，最高的时候上涨了3.42%
比较可惜的是反映到这个账户上，上午的时候盈利接近3%，到下午跌回去了。
今天其他指数的下跌走势，应该是受韩国股市大幅下跌影响的，韩国的大盘指数ks11今天跌了9.99%，应该是这个带崩了日间亚洲盘。傍晚欧洲法德开盘的时候也是下跌的，不过6点多已经开始往回收了。
而韩国指数的下跌，感觉很可能是昨晚美股下跌倒置的。虽然美股昨晚的下跌幅度并不大，但很有可能意味最近会横盘或缓慢上涨，而不是很快就会去创新高。反映到韩国股市上，这帮家伙杠杆太高，投机太疯狂了。
当然也有可能是韩国今天出了什么极其严重的负面消息，比如韩国那种疯狂炒房地产的全租房体系又出了什么问题之类的。——今天到目前还没专门去看新闻。所以就是简单写下根据盘面进行的猜测。
针对现在的情况。我对于后续一段时间的判断是：
（1）微盘股和这个账户的下跌应该是停止了；
（2）但很可能最近两周，其他指数会横盘或者下跌一些；（如果确实有比较大的负面新闻的话）
（3）两种效果合在一起，可能账户的绝对值在后续两周未必会有很大上涨，但是相对差值会得到一定程度的修复。
其实现在相对2025年9月30日收盘，状态就是前面9个月拉出来的超额收益跌光了，回到各种指数相同的上涨区间，后面需要重新累积超额收益。——如果确实跟我判断相同，微盘股和这个账户的下跌趋势已经结束了的话，^_^。
我对这个状态的认知就是前面小市值上涨太好，吸引太多资金，触发马尔萨斯陷阱了。
先继续观察一段时间，看下我的判断是否正确吧。
之后会针对这一波下跌，仔细思考下，我是否有能做的更好的地方。当然暂时没有办法也没啥。因为类似的情况，已经经历好几次了。这次唯一不同的，就是我在公开展示业绩，遇到这种回撤比较尴尬而已。
就先写这些。^_^
说明：
目前实盘展示的是一套量化交易系统。正常每天分别买入和卖出六只股票。偏小市值股票。
我有参加淘股吧实盘比赛，实盘比赛用的系统，就是展示的这个。数据相同。
下面是目前账户截图：
读书笔记部分：
概率是不是一个伪概念，就和宗教一样？
（CodeCrafter）
概率不是伪概念，它恰恰是人类理性之光能照到的最远边界。而宗教，是从这个边界之外开始的。
你觉得它像宗教，是因为我们的大脑，从百万年进化而来的直觉，天生就极度厌恶随机性，并且极其擅长在随机事件中寻找所谓的“规律”和“征兆”。这是刻在基因里的生存本能。远古的祖先在草丛里听到异响，他不能用概率论去计算这是风还是老虎，他得假设那是老虎，然后赶紧跑。那些信奉“概率”的，早就被淘汰了。
所以，你能提出这个问题，恰恰说明你的大脑在正常工作。但现代社会的复杂性，已经远远超出了我们祖传的直觉操作系统。想真正理解这个世界是怎么运转的，尤其是我所在的互联网和算法领域，我们必须给自己打个思想钢印，强制安装一个反直觉的“概率”补丁。
废话不多说，咱们一层一层把这事儿剥开，从你那个赌博机器的例子开始。
一、你那个“必赢”的策略，是教科书级别的“赌徒谬误”咱们来复盘一下你的策略：
一台赌博机器，50%概率比大小，如果我们比100次，前50次都压大，输了后按概率后50次反着翻倍压，是不是必赢。
这里面包含了几个经典的认知陷阱，我们一个个拆。
首先，核心错误：独立同分布（Independent and Identically Distributed, IID）。
这是概率论的基石之一。什么意思？就是每一次抛硬币（或者你的赌博机开大小），结果都是独立的，跟你之前开了多少次大、多少次小，一毛钱关系都没有。硬币没有记忆。赌博机也没有记忆。你前50次全压大，哪怕全输了，对于第51次来说，开大和开小的概率，依然是50%。它不会因为“哎呀，前面大开得太少了，我得补偿一下，这次开个小吧”，机器没那么智能，也没那么“讲道理”。
你感觉“后50次应该反着来”，这是一种强烈的情感和直觉，学名叫“赌徒谬误” (Gambler‘s Fallacy)。就是觉得一个随机事件的结果，会“自动”地向它的长期期望值回归。前50次大开多了，后50次小就“应该”多。这是我们对“平衡”和“公平”的一种朴素的、一厢情愿的想象。但现实世界不吃这一套。每一次都是一个全新的、独立的50/50的游戏。
其次，致命缺陷：你的“翻倍压”策略，学名叫马丁格尔策略（Martingale Strategy）。
这个策略在理论上，只要你有无限的资本，并且赌场没有下注上限，你是“必赢”的。听起来很美，对吧？但现实是，你的资本永远是有限的，而赌场永远有下注上限。
我们简单算一笔账。假设你从1块钱开始压。
第一次输，压2块。
第二次输，压4块。
第三次输，压8块。
...
连续输10次，你需要压 2^10 = 1024 块。
连续输20次，你需要压 2^20 = 1,048,576 块，一百万。
连续输30次，你需要压 2^30 = 1,073,741,824 块，十个亿。
连续开30次大（或者小）的概率是多少？是 (1/2)^30，一个非常非常小的数字，但它不是零。只要它不是零，在足够多次的赌博中，它就必然会发生。一旦发生，你瞬间破产。这就是这个策略的本质：用无数次的小赢，去赌一次的满盘皆输。从期望值的角度看，这是个稳赔不赚的买卖。
以前在做风控模型的时候，见过太多类似的案例。一些线上信贷产品，早期看坏账率很低，业务模型跑得特别好，大家都很开心。但其实是风险还没有暴露。模型可能对某种极端情况（比如，连续的宏观经济下行叠加行业整顿）的概率估计不足。一旦这种小概率的“黑天鹅”事件发生，连着几轮的风险传导，之前赚的所有利润，一把亏回去还不够，直接击穿整个业务线。本质上，这就是一种业务层面的“马丁格尔”思维，以为可以靠持续的、看似稳健的操作来覆盖掉系统性的、小概率的巨大风险。
所以，那个策略，不但不是必赢，反而是必输。因为它在和一个基本物理规律作对：小概率事件，在足够长的时间里，必然发生。
二、100亿次之后，真的会平均分布吗？大数定律到底说了啥你问到了点子上。
如果100万次呢？前50万次如果大比较多，后50万次应不应该小比较多？如果100亿次呢？真的会达到一定量级后概率会平均分布吗？
答案是：后50万次开大和开小的概率依然是50/50。但是，在100亿次这种量级下，整体的比例会“看起来”非常平均。
这里我们要区分两个概念：比例和绝对差额。
这就要提到概率论里另一个神级定律：大数定律（Law of Large Numbers）。
大数定律说的是，随着试验次数的增加，事件发生的频率会无限趋近于它的理论概率。对于抛硬币来说，就是抛的次数越多，正面朝上的比例就越接近50%。
注意，我加粗了“比例”两个字。大数定律保证的是比例的趋近，但它完全没有保证差额的缩小。
举个例子：
· 你抛100次，可能出现60次大，40次小。大的比例是60%，比50%高了10个百分点。大的次数比小的次数多了20次。
· 你抛100万次，可能出现50万1千次大，49万9千次小。大的比例是50.1%，非常接近50%了。但是，大的次数比小的次数多了整整2000次！
看到了吗？随着次数的增加，比例越来越精确地滑向50%，但那个绝对的差额，非但没有被“抹平”，反而可能越来越大。从数学上可以证明，这个差额的期望值是随着试验次数的平方根增长的。
所以，你那个“前50万次大比较多，后50万次小就应该多”的想法，还是赌徒谬误。大数定律的“纠错”能力，体现在用后面海量的、无偏的50/50的随机试验，去稀释掉前面那一点点的偏差，让它在整体比例上显得微不足道，而不是去反向补偿它。
宇宙不负责记忆，也不负责补偿。它只是冷酷地、一次又一次地执行那个50/50的概率。
三、概率到底是什么？是世界的底层逻辑，还是我们认知能力的上限？这是个哲学问题了，但作为一个搞算法的，我必须得有我自己的工作假设。圈内主要有两大流派：
1. 频率派（Frequentism）：这一派认为，概率是客观存在的。就是你说的那个，重复无限次试验，那个事件发生的频率的极限值。硬币的正反概率是0.5，这是硬币本身物理性质决定的一个客观属性，跟你知不知道、信不信没关系。我们做的大量机器学模型，比如逻辑回归、支持向量机等等，其底层的很多假设都源于频率派的思想。我们通过收集大量数据（重复试验），去估计那个客观存在的、未知的参数。
2. 贝叶斯派（Bayesianism）：这一派认为，概率是主观的，它代表了我们对一个事件发生信念的强度（Degree of Belief）。一开始，我们可以有一个先验概率（Prior），比如我对硬币是均匀的有个初始信念。然后，我抛了10次，观察到了8次正面（这就是证据，Evidence）。根据这个证据，我来更新我的信念，得到一个后验概率（Posterior）。现在我可能觉得，这枚硬币大概率不是均匀的，它偏向于出正面。
你可能会觉得贝叶斯派有点“唯心主义”。但它在现代科技，尤其是在人工智能和算法领域，简直是神一样的存在。为什么？因为它完美地描述了“学”这个过程。
举个实际的例子，我们怎么做反垃圾邮件系统？
· 先验信念：一封未知的邮件，是垃圾邮件的概率可能是10%（根据历史数据统计）。
· 观察证据：我们打开这封邮件，发现里面出现了“发票”、“中奖”、“免费”这些词。
· 更新信念：我们知道，在垃圾邮件中出现这些词的概率（比如“中奖”出现概率80%），远高于在正常邮件中出现的概率（可能只有1%）。贝叶斯定理提供了一个完美的数学公式，让我们结合“先验信念”和“新证据”，来计算出这封邮件是垃圾邮件的“后验概率”。这个概率可能就从10%飙升到了99%。于是，系统把它扔进了垃圾箱。
你手机上的输入法，为什么能猜到你想打什么词？你刷短视频，为什么总能刷到你感兴趣的内容？这些背后，都有贝叶斯思想的影子。它们都在不断地根据你的行为（证据），去更新一个关于“你喜欢什么”的概率模型。
所以，回到你的问题：概率是不是伪概念？
它不是伪概念。它是一套数学语言，一套强大的思维框架，用来描述和处理不确定性。
当物理学家说一个电子在某个位置出现的概率是30%时，他可能是在描述一种客观的物理实在（频率派的观点，源于量子力学的不确定性）。
当我作为一个算法工程师，说一个用户点击某个广告的概率是3%时，我是在表达我基于现有数据对这个用户行为的一个预测性的信念（贝叶斯派的观点）。如果他点了，我的模型就学到了一点新东西，下次我的预测可能会更准。
这两者不矛盾。它们都是在用概率这个工具，去逼近一个我们无法完全掌握的、复杂的、充满不确定性的现实。
四、为什么要拥抱概率？因为它是反脆弱、做决策的唯一路径你问题的最后一句是：
还是根本没有概率这个东西，每一次大小都是随机的？
这句问到了根本。“每一次大小都是随机的”，这句话是对的。但“根本没有概率这个东西”，是错的。“随机”不代表“不可知”，也不代表“无规律”。概率，就是我们用来描述和量化“随机”的语言。
承认概率的存在，就是承认世界充满了不确定性。而一个成熟的个人，或者一个牛逼的公司，其核心竞争力，就是在不确定性中做出高质量的决策。
我再举个我们互联网行业的例子，A/B测试。
我们要给APP的一个按钮换个颜色，红色还是蓝色，哪个能带来更高的点击率？
直觉派老板可能会说：“我觉得红色喜庆，更能吸引用户，就用红色！”
而数据驱动的公司会怎么做？我们会开一个A/B测试。我们把50%的用户分流，让他们看到红色按钮（A版本），另外50%的用户看到蓝色按钮（B版本）。跑上一周，收集数据。
最后结果可能是：
· A版本（红色）：100万次曝光，1万次点击，点击率1%。
· B版本（蓝色）：100万次曝光，1万零500次点击，点击率1.05%。
蓝色按钮的点击率高了0.05个百分点。这个差异是真的，还是仅仅是“随机波动”？
这时候，概率论和统计学就上场了。我们会用假设检验（Hypothesis Testing）的方法，计算出一个p-value。这个p-value告诉我们：如果“两个按钮效果其实没差”这个假设是真的，那么我们观测到当前这个0.05%差异（或者更大差异）的概率是多少。
如果p-value很小（比如小于0.05），我们就有信心说，这个差异是统计显著的，蓝色按钮确实比红色好。我们就可以做出全量推蓝色按钮的决策。
这个决策过程，就是典型的概率思维。我们没有去追求一个“100%确定蓝色更好”的答案，因为那是不可能的。我们只是在概率的框架下，找到了一个足够可信的证据，来支持我们做一个**“大概率正确”**的决策。
今天这个按钮的决策，我们做对了。明天那个推荐算法的迭代，我们也做对了。成千上万个“大概率正确”的决策叠加在一起，就构成了这家公司远远甩开竞争对手的核心壁垒。这背后，全是概率论的功劳。
期末资产：341411.57元 累计盈亏：13.804% 今日盈亏 2363.36元
相对沪深300超额 7.798%， 相对中证2000超额 -1.650%
按今天微盘股相对大盘的走势，这一轮微盘股单独的下跌应该是结束了。今天在其他指数下跌的情况下，同花顺尾盘股指数上涨了2.44%，最高的时候上涨了3.42%
比较可惜的是反映到这个账户上，上午的时候盈利接近3%，到下午跌回去了。
今天其他指数的下跌走势，应该是受韩国股市大幅下跌影响的，韩国的大盘指数ks11今天跌了9.99%，应该是这个带崩了日间亚洲盘。傍晚欧洲法德开盘的时候也是下跌的，不过6点多已经开始往回收了。
而韩国指数的下跌，感觉很可能是昨晚美股下跌倒置的。虽然美股昨晚的下跌幅度并不大，但很有可能意味最近会横盘或缓慢上涨，而不是很快就会去创新高。反映到韩国股市上，这帮家伙杠杆太高，投机太疯狂了。
当然也有可能是韩国今天出了什么极其严重的负面消息，比如韩国那种疯狂炒房地产的全租房体系又出了什么问题之类的。——今天到目前还没专门去看新闻。所以就是简单写下根据盘面进行的猜测。
针对现在的情况。我对于后续一段时间的判断是：
（1）微盘股和这个账户的下跌应该是停止了；
（2）但很可能最近两周，其他指数会横盘或者下跌一些；（如果确实有比较大的负面新闻的话）
（3）两种效果合在一起，可能账户的绝对值在后续两周未必会有很大上涨，但是相对差值会得到一定程度的修复。
其实现在相对2025年9月30日收盘，状态就是前面9个月拉出来的超额收益跌光了，回到各种指数相同的上涨区间，后面需要重新累积超额收益。——如果确实跟我判断相同，微盘股和这个账户的下跌趋势已经结束了的话，^_^。
我对这个状态的认知就是前面小市值上涨太好，吸引太多资金，触发马尔萨斯陷阱了。
先继续观察一段时间，看下我的判断是否正确吧。
之后会针对这一波下跌，仔细思考下，我是否有能做的更好的地方。当然暂时没有办法也没啥。因为类似的情况，已经经历好几次了。这次唯一不同的，就是我在公开展示业绩，遇到这种回撤比较尴尬而已。
就先写这些。^_^
说明：
目前实盘展示的是一套量化交易系统。正常每天分别买入和卖出六只股票。偏小市值股票。
我有参加淘股吧实盘比赛，实盘比赛用的系统，就是展示的这个。数据相同。
下面是目前账户截图：
读书笔记部分：
概率是不是一个伪概念，就和宗教一样？
（CodeCrafter）
概率不是伪概念，它恰恰是人类理性之光能照到的最远边界。而宗教，是从这个边界之外开始的。
你觉得它像宗教，是因为我们的大脑，从百万年进化而来的直觉，天生就极度厌恶随机性，并且极其擅长在随机事件中寻找所谓的“规律”和“征兆”。这是刻在基因里的生存本能。远古的祖先在草丛里听到异响，他不能用概率论去计算这是风还是老虎，他得假设那是老虎，然后赶紧跑。那些信奉“概率”的，早就被淘汰了。
所以，你能提出这个问题，恰恰说明你的大脑在正常工作。但现代社会的复杂性，已经远远超出了我们祖传的直觉操作系统。想真正理解这个世界是怎么运转的，尤其是我所在的互联网和算法领域，我们必须给自己打个思想钢印，强制安装一个反直觉的“概率”补丁。
废话不多说，咱们一层一层把这事儿剥开，从你那个赌博机器的例子开始。
一、你那个“必赢”的策略，是教科书级别的“赌徒谬误”咱们来复盘一下你的策略：
一台赌博机器，50%概率比大小，如果我们比100次，前50次都压大，输了后按概率后50次反着翻倍压，是不是必赢。
这里面包含了几个经典的认知陷阱，我们一个个拆。
首先，核心错误：独立同分布（Independent and Identically Distributed, IID）。
这是概率论的基石之一。什么意思？就是每一次抛硬币（或者你的赌博机开大小），结果都是独立的，跟你之前开了多少次大、多少次小，一毛钱关系都没有。硬币没有记忆。赌博机也没有记忆。你前50次全压大，哪怕全输了，对于第51次来说，开大和开小的概率，依然是50%。它不会因为“哎呀，前面大开得太少了，我得补偿一下，这次开个小吧”，机器没那么智能，也没那么“讲道理”。
你感觉“后50次应该反着来”，这是一种强烈的情感和直觉，学名叫“赌徒谬误” (Gambler‘s Fallacy)。就是觉得一个随机事件的结果，会“自动”地向它的长期期望值回归。前50次大开多了，后50次小就“应该”多。这是我们对“平衡”和“公平”的一种朴素的、一厢情愿的想象。但现实世界不吃这一套。每一次都是一个全新的、独立的50/50的游戏。
其次，致命缺陷：你的“翻倍压”策略，学名叫马丁格尔策略（Martingale Strategy）。
这个策略在理论上，只要你有无限的资本，并且赌场没有下注上限，你是“必赢”的。听起来很美，对吧？但现实是，你的资本永远是有限的，而赌场永远有下注上限。
我们简单算一笔账。假设你从1块钱开始压。
第一次输，压2块。
第二次输，压4块。
第三次输，压8块。
...
连续输10次，你需要压 2^10 = 1024 块。
连续输20次，你需要压 2^20 = 1,048,576 块，一百万。
连续输30次，你需要压 2^30 = 1,073,741,824 块，十个亿。
连续开30次大（或者小）的概率是多少？是 (1/2)^30，一个非常非常小的数字，但它不是零。只要它不是零，在足够多次的赌博中，它就必然会发生。一旦发生，你瞬间破产。这就是这个策略的本质：用无数次的小赢，去赌一次的满盘皆输。从期望值的角度看，这是个稳赔不赚的买卖。
以前在做风控模型的时候，见过太多类似的案例。一些线上信贷产品，早期看坏账率很低，业务模型跑得特别好，大家都很开心。但其实是风险还没有暴露。模型可能对某种极端情况（比如，连续的宏观经济下行叠加行业整顿）的概率估计不足。一旦这种小概率的“黑天鹅”事件发生，连着几轮的风险传导，之前赚的所有利润，一把亏回去还不够，直接击穿整个业务线。本质上，这就是一种业务层面的“马丁格尔”思维，以为可以靠持续的、看似稳健的操作来覆盖掉系统性的、小概率的巨大风险。
所以，那个策略，不但不是必赢，反而是必输。因为它在和一个基本物理规律作对：小概率事件，在足够长的时间里，必然发生。
二、100亿次之后，真的会平均分布吗？大数定律到底说了啥你问到了点子上。
如果100万次呢？前50万次如果大比较多，后50万次应不应该小比较多？如果100亿次呢？真的会达到一定量级后概率会平均分布吗？
答案是：后50万次开大和开小的概率依然是50/50。但是，在100亿次这种量级下，整体的比例会“看起来”非常平均。
这里我们要区分两个概念：比例和绝对差额。
这就要提到概率论里另一个神级定律：大数定律（Law of Large Numbers）。
大数定律说的是，随着试验次数的增加，事件发生的频率会无限趋近于它的理论概率。对于抛硬币来说，就是抛的次数越多，正面朝上的比例就越接近50%。
注意，我加粗了“比例”两个字。大数定律保证的是比例的趋近，但它完全没有保证差额的缩小。
举个例子：
· 你抛100次，可能出现60次大，40次小。大的比例是60%，比50%高了10个百分点。大的次数比小的次数多了20次。
· 你抛100万次，可能出现50万1千次大，49万9千次小。大的比例是50.1%，非常接近50%了。但是，大的次数比小的次数多了整整2000次！
看到了吗？随着次数的增加，比例越来越精确地滑向50%，但那个绝对的差额，非但没有被“抹平”，反而可能越来越大。从数学上可以证明，这个差额的期望值是随着试验次数的平方根增长的。
所以，你那个“前50万次大比较多，后50万次小就应该多”的想法，还是赌徒谬误。大数定律的“纠错”能力，体现在用后面海量的、无偏的50/50的随机试验，去稀释掉前面那一点点的偏差，让它在整体比例上显得微不足道，而不是去反向补偿它。
宇宙不负责记忆，也不负责补偿。它只是冷酷地、一次又一次地执行那个50/50的概率。
三、概率到底是什么？是世界的底层逻辑，还是我们认知能力的上限？这是个哲学问题了，但作为一个搞算法的，我必须得有我自己的工作假设。圈内主要有两大流派：
1. 频率派（Frequentism）：这一派认为，概率是客观存在的。就是你说的那个，重复无限次试验，那个事件发生的频率的极限值。硬币的正反概率是0.5，这是硬币本身物理性质决定的一个客观属性，跟你知不知道、信不信没关系。我们做的大量机器学模型，比如逻辑回归、支持向量机等等，其底层的很多假设都源于频率派的思想。我们通过收集大量数据（重复试验），去估计那个客观存在的、未知的参数。
2. 贝叶斯派（Bayesianism）：这一派认为，概率是主观的，它代表了我们对一个事件发生信念的强度（Degree of Belief）。一开始，我们可以有一个先验概率（Prior），比如我对硬币是均匀的有个初始信念。然后，我抛了10次，观察到了8次正面（这就是证据，Evidence）。根据这个证据，我来更新我的信念，得到一个后验概率（Posterior）。现在我可能觉得，这枚硬币大概率不是均匀的，它偏向于出正面。
你可能会觉得贝叶斯派有点“唯心主义”。但它在现代科技，尤其是在人工智能和算法领域，简直是神一样的存在。为什么？因为它完美地描述了“学”这个过程。
举个实际的例子，我们怎么做反垃圾邮件系统？
· 先验信念：一封未知的邮件，是垃圾邮件的概率可能是10%（根据历史数据统计）。
· 观察证据：我们打开这封邮件，发现里面出现了“发票”、“中奖”、“免费”这些词。
· 更新信念：我们知道，在垃圾邮件中出现这些词的概率（比如“中奖”出现概率80%），远高于在正常邮件中出现的概率（可能只有1%）。贝叶斯定理提供了一个完美的数学公式，让我们结合“先验信念”和“新证据”，来计算出这封邮件是垃圾邮件的“后验概率”。这个概率可能就从10%飙升到了99%。于是，系统把它扔进了垃圾箱。
你手机上的输入法，为什么能猜到你想打什么词？你刷短视频，为什么总能刷到你感兴趣的内容？这些背后，都有贝叶斯思想的影子。它们都在不断地根据你的行为（证据），去更新一个关于“你喜欢什么”的概率模型。
所以，回到你的问题：概率是不是伪概念？
它不是伪概念。它是一套数学语言，一套强大的思维框架，用来描述和处理不确定性。
当物理学家说一个电子在某个位置出现的概率是30%时，他可能是在描述一种客观的物理实在（频率派的观点，源于量子力学的不确定性）。
当我作为一个算法工程师，说一个用户点击某个广告的概率是3%时，我是在表达我基于现有数据对这个用户行为的一个预测性的信念（贝叶斯派的观点）。如果他点了，我的模型就学到了一点新东西，下次我的预测可能会更准。
这两者不矛盾。它们都是在用概率这个工具，去逼近一个我们无法完全掌握的、复杂的、充满不确定性的现实。
四、为什么要拥抱概率？因为它是反脆弱、做决策的唯一路径你问题的最后一句是：
还是根本没有概率这个东西，每一次大小都是随机的？
这句问到了根本。“每一次大小都是随机的”，这句话是对的。但“根本没有概率这个东西”，是错的。“随机”不代表“不可知”，也不代表“无规律”。概率，就是我们用来描述和量化“随机”的语言。
承认概率的存在，就是承认世界充满了不确定性。而一个成熟的个人，或者一个牛逼的公司，其核心竞争力，就是在不确定性中做出高质量的决策。
我再举个我们互联网行业的例子，A/B测试。
我们要给APP的一个按钮换个颜色，红色还是蓝色，哪个能带来更高的点击率？
直觉派老板可能会说：“我觉得红色喜庆，更能吸引用户，就用红色！”
而数据驱动的公司会怎么做？我们会开一个A/B测试。我们把50%的用户分流，让他们看到红色按钮（A版本），另外50%的用户看到蓝色按钮（B版本）。跑上一周，收集数据。
最后结果可能是：
· A版本（红色）：100万次曝光，1万次点击，点击率1%。
· B版本（蓝色）：100万次曝光，1万零500次点击，点击率1.05%。
蓝色按钮的点击率高了0.05个百分点。这个差异是真的，还是仅仅是“随机波动”？
这时候，概率论和统计学就上场了。我们会用假设检验（Hypothesis Testing）的方法，计算出一个p-value。这个p-value告诉我们：如果“两个按钮效果其实没差”这个假设是真的，那么我们观测到当前这个0.05%差异（或者更大差异）的概率是多少。
如果p-value很小（比如小于0.05），我们就有信心说，这个差异是统计显著的，蓝色按钮确实比红色好。我们就可以做出全量推蓝色按钮的决策。
这个决策过程，就是典型的概率思维。我们没有去追求一个“100%确定蓝色更好”的答案，因为那是不可能的。我们只是在概率的框架下，找到了一个足够可信的证据，来支持我们做一个**“大概率正确”**的决策。
今天这个按钮的决策，我们做对了。明天那个推荐算法的迭代，我们也做对了。成千上万个“大概率正确”的决策叠加在一起，就构成了这家公司远远甩开竞争对手的核心壁垒。这背后，全是概率论的功劳。
主题股票：
主题概念：
声明：遵守相关法律法规，所发内容承担法律责任，倡导理性交流，远离非法证券活动，共建和谐交流环境！
