對話卡尼曼：個人投資者如何避免市場的噪聲

丹尼爾·卡尼曼　奧利維耶·西博尼　何剛

繪圖/《巴倫周刊》

在顛覆我們對人類決策機制的理解，刷新我們對金錢觀念的認知方面，也許沒有人能夠超過以色列裔美國心理學家丹尼爾·卡尼曼，他的上一本行為經(jīng)濟學著作《思考，快與慢》，讓許多人對人類決策過程中的非理性因素醍醐灌頂，并且顛覆了對人類理性的迷信。

在接近十年思考之后，他的新著《噪聲》即將出版，這又是一本能夠顛覆對人類決策過程認知的著作。近日，《巴倫周刊》中文版主編何剛通過Zoom采訪了《噪聲》的兩位作者丹尼爾·卡尼曼和奧利維耶·西博尼，跟他們探討了為什么噪聲如此重要，它跟偏差有什么不同，以及為什么群體決議反而可能會增加決策中的噪聲，如何才能降低決策中的噪聲。

何剛：我是來自《財經(jīng)》雜志和《巴倫周刊》中文版的何剛。幾個月前，我們的美國同事采訪了您，討論了《噪聲》這本書，現(xiàn)在，它的中文版即將在中國出版，在您出版了著名暢銷書《思考，快與慢》之后，為什么會開始關注噪聲？噪聲對我們決策來說有多重要？

丹尼爾·卡尼曼：是的，我認為我們絕對應該從定義我們所說的“偏差” 和“噪聲”來開始這次對話。

最簡單的方法是從測量的角度來思考，因為我們認為判斷也是一種測量，使用的儀器就是人類的大腦。當你在測量某樣東西時，例如，用一把很好的直尺來測量一條直線的長度，你會發(fā)現(xiàn)兩種誤差，其中一種誤差是偏差（bias），也就是誤差的平均值。

如果你在測量一條直線時，沒有任何偏差，也就是說平均而言，你的測量是完全正確的，但即使在完全沒有偏差的情況下也仍然存在一種誤差，因為你所做的每一個測量都與其他的測量略有不同，有一半時間你在正確的長度之上，有一半時間你在正確的長度之下，這種變異性就是噪聲（noise）。

偏差是誤差的平均值。在我的整個職業(yè)生涯中，我一直致力于研究心理偏差，也就是導致人們測量結果過高或者過低的系統(tǒng)性判斷誤差。有各種各樣的原因會導致人們犯下可以預測的系統(tǒng)性誤差，比如過度自信、樂觀主義、悲觀主義和錨定效應等等，這些就是我研究了50年的東西。

幾年前我注意到，事實上，幾乎沒有人關注另一種類型的誤差，也就是判斷的變異性，而事實證明，判斷的變異性也很大。當不同的法官看待同一個被告、或者不同的承保人看待同樣的風險時，他們得出的判斷也大不相同，這就是噪聲，噪聲無處不在。

每個人都知道當被告被宣判時，不同的法官會有不同的判決，但是促使我們寫這本書的原因并不是法官的判決會有所不同，因為這是人盡皆知的事情，而是法官在判斷上的分歧比人們預期的要多得多。在一些研究中，實際結果大約是人們預期的五倍，這是一個很大的數(shù)字，也是我們寫這本書的原因。

何剛：謝謝卡尼曼教授，我想問問西博尼教授，對于像我這種沒有統(tǒng)計學背景的讀者來說，我們?nèi)绾卫斫馄姾驮肼暤膮^(qū)別？為什么噪聲如此重要？

奧利維耶·西博尼：首先，噪聲并非更加重要，它只是和偏差一樣重要。正如丹尼爾所說，我們之所以關注這個問題，是因為偏差已經(jīng)得到了很多關注，而噪聲卻沒有得到任何關注。所以我們試圖重新解讀這種不平衡。我們并不是說噪聲比偏差更重要，我們想說的是，它跟偏差同樣重要，但卻沒有受到太多關注。

接下來，如果你對統(tǒng)計學一無所知，這里有一個例子可以讓丹尼爾所描述的情況生動起來。假設早上你踩著浴室磅秤稱體重，根據(jù)你的經(jīng)驗，你知道，一般來說你的浴室磅秤對你來說有點太大方了，它告訴你的重量比你實際的重量輕了一磅。所以你已經(jīng)習慣了你的磅秤減少一磅，你知道平均來說，加上一磅才是真實重量。這就是偏差，這是你的浴室秤的平均誤差。

如果你在同一個早晨快速連續(xù)兩次或三次踩上你的體重秤，你會發(fā)現(xiàn)讀數(shù)并不完全一模一樣。這種無法解釋的變化不是平均誤差，平均誤差是你所知道減少的那一磅，這就是噪聲，它會出現(xiàn)在每一次測量中。

發(fā)生在你浴室磅秤上的事情也會發(fā)生在我們的判斷中，平均誤差是偏差，在這種情況下如果還存在著隨機誤差或瞬態(tài)誤差，那就是噪聲。

何剛：人們可能會說，這是由于人類的局限性，科技和人工智能能夠幫助減少我們的偏差和噪聲的影響嗎？

丹尼爾·卡尼曼：幫助減少噪聲的基本原理是紀律，而紀律可以通過不同的方式來產(chǎn)生。紀律意味著你在做判斷或決定時要遵守規(guī)則。當你決定是否錄取一個學生進入大學時，你要考慮學生的平均成績，這就是接受了一個紀律規(guī)則，它比人們只是跟隨他們的主觀判斷或者印象要減少一些噪聲。

在許多領域，更復雜的規(guī)則來自人工智能或算法，規(guī)則為判斷問題和作出決策提供了答案，規(guī)則的一個最大優(yōu)點就是它們沒有噪聲。如果我向同一個算法提出兩次同樣的問題，我會得到相同的答案。如果我在不同的場合問同一個人同樣的問題，他可能會給出不同的答案，人類是會受到噪聲影響的，而規(guī)則不受噪聲干擾。

在某些情況下通過用算法代替判斷，在另一些情況下通過對判斷加強紀律性，用更有組織、更加系統(tǒng)的方式作出判斷，我們就可以減少噪聲。

何剛：卡尼曼教授，你在這本書中提到一種非常有趣的現(xiàn)象，也就是所謂的“群體極化”現(xiàn)象，這意味著一個群體在彼此交流之后會變得更加極端，我們?nèi)绾谓鉀Q這樣的問題？

丹尼爾·卡尼曼：噪聲和偏差之間有一個非常重要的區(qū)別：當你用尺測量一條線、或者用秤測量你的體重時，你在對多次測量結果進行平均之后，測量結果比單次測量結果的噪聲要小。

舉個例子，如果我在測量儀器上取了四次平均值，然后我在測量儀器上又取了四次平均值，這兩個平均值之間的差值，將會小于任何兩個測量值之間的平均差值，正如我們所解釋的。