概率与基准率：判断历史事件必须先于概率
预计时间：20 分钟读完 + 25 分钟做练习 = 45 分钟。
一、为什么必须先看基准率
心理学家 Kahneman & Tversky 在 1973 年的论文 On the Psychology of Prediction（Psychological Review）中给出经典实验：
告诉受试者：「Tom 是一个高智商、创造性、有时固执的人」。然后描述他的一些行为特征，请他判断 Tom 更可能是「计算机科学家」还是「律师」。结果大多数人选计算机科学家——但忘了基准率：社会上律师的人数远多于计算机科学家。
应用到历史：
- 如果你读到「某 CEO 用激进策略拯救了公司」，第一反应不应该是「这个策略好」，而是「用激进策略拯救公司的公司在所有激进策略公司里占多大比例？」
- 如果你读到「某次技术革命让传统行业崩溃」，第一反应不应该是「传统行业必死」，而是「技术革命让传统行业崩溃的案例，在所有技术革命中占多大比例？」
芒格在多次演讲中强调：
「凡是忽略基础概率的人，最终都被基础概率打败。」
- 同质基准率：同行业、同地区、同时期的事件发生率（如"美国 SaaS 公司 5 年存活率"）
- 异质基准率：跨行业的总发生率（如"全球创业公司 10 年存活率"）
- 反事实基准率：没发生的"应该会发生但没发生"事件的占比（如"该破产但没破产的公司"）
二、历史案例：基准率的故事
2.1 「一战前的乐观主义」
1900-1914 年欧洲主流舆论认为大国战争不会再发生。理由是「贸易联系紧密」「民主化」「过去 100 年没大战」。
但基准率是：在 1815-1914 这 100 年中，欧洲大国之间每 10-15 年打一次中等规模战争（克里米亚、普奥、普法、布尔……）。「100 年没大战」是异常，「会再打」才是回归均值。
1914 年一战爆发后回头看，基准率视角早就说明「和平是暂时的、战争是常态」。
2.2 「硅谷创业神话」
每个成功的科技公司都被复盘出「成功因素」——CEO 多么有远见、模式多么创新。但基准率：
- Bill Gross 的 The Upside of Failure（2015）研究 200 多家初创公司，发现时机（timing）比「想法」「团队」「商业模式」加起来还重要。
- Crunchbase 数据：2010s 十年间美国风险投资的整体失败率约 65-75%，但回报集中在 5-10 个超大型退出。
也就是说，每个「被复盘出的成功因素」在 75% 的失败案例里同样存在。这不是「因素不重要」，而是单因素的重要性被成功叙事放大了。
2.3 「印刷机与宗教改革」
常见叙事：印刷机（1450 古登堡）→ 路德《九十五条论纲》（1517）→ 新教崛起 → 罗马教会衰落。
但基准率：印刷机在欧洲普及用了 50 年，新教改革从 1517 到 1648 三十年战争才稳定。期间许多「印刷机普及」的地方（如意大利）并没有发生新教改革。
结论：印刷机是必要条件，但远非充分条件。同时代的宗教、政治、经济条件才是充分条件。教科书简化了因果链。
三、贝叶斯式更新
芒格和 Buffett 都强调「概率思维」。它本质上是贝叶斯更新（Bayesian update）：
新信念 = 旧信念 × 新证据 / 总体可信度
应用到历史学习：
- 起手：每个事件先赋予一个「先验概率」（prior）——通常来自基准率。
- 新证据：看到案例细节、专家意见、数据后调整。
- 不要从零开始：每个新事件至少先考虑 1-2 个历史同类事件作为锚。
3.1 实例：判断一个新产品能否成功
| 来源 | 概率 |
|---|---|
| 基准率（同类新产品的 5 年存活率） | 25% |
| 团队经验（有 2 次成功创业史） | +20% |
| 市场时机（GDP 增速 5%+） | +10% |
| 竞争格局（已有巨头占 70%） | -15% |
| 后验估计 | ~40% |
这种结构化打分避免了「凭故事下判断」的偏误。芒格称之为「双轨分析」（two-track analysis）。
四、概率思考的适用边界
五、芒格式多模型分析实例：2008 危机
判断「2008 年是否会爆发美国房贷危机」——在 2006 年初你能看到的数据：
| 模型 | 输入 | 概率估计 |
|---|---|---|
| 历史基准率 | 1900 年后美国房地产 10 年内下跌超过 20% 的次数 | 中等（40%） |
| 信贷扩张 | 次贷发放标准 vs 2003 年 | 已恶化 |
| 杠杆率 | CDO 平均杠杆 vs 历史均值 | 已超阈值 |
| 群体非理性 | 房价「只涨不跌」信念的普遍度 | 已极端 |
| 综合判断 | 「5 年内大概率出大事」——这是 The Financial Crisis Inquiry Report 后多数学者的共识 |
这正是 2006 年少数对冲基金经理（如 John Paulson）下注的逻辑——不是「预言崩盘」，而是基于基准率和触发条件计算「赔率」。
六、测验（10 题）
「基准率「在历史判断中扮演什么角色？
「Tom 是律师还是计算机科学家「实验说明了？
1900-1914 年欧洲「和平主义「情绪在基准率视角下的评估是？
Bill Gross 2015 年研究发现初创公司最关键的成功因素是？
印刷机普及与新教改革的关系属于？
贝叶斯更新的核心公式是？
判断新产品能否成功，「双轨分析「指？
「基准率只在同类情境下有效「意味着？
「概率正确 ≠ 结果成功「的含义是？
2006 年少数对冲基金经理做空次贷的逻辑是？
读场景题
R1. 场景：销售说「我们上周搞定了 XX 大客户，证明我们的产品有市场「。你应该？
R2. 场景：你听到「某 AI 创业公司 6 个月估值涨 10 倍，证明 AI 革命已经到来「。按基准率视角？
七、答题提示
展开提示
- Q1-2 Kahneman & Tversky 实验是基准率偏误的源头，必须懂。
- Q3 这是一道「反直觉但非常重要」的题——历史上「长期和平」经常是泡沫。
- Q4 Gross 的研究是少数有数据支撑的创业研究之一。
- Q5 必要 vs 充分条件的区分是历史分析的基本功。
- Q6-7 贝叶斯公式不需要背，但要理解「先验 + 新证据」的方向。
- Q8 套用基准率前必须匹配情境——这是常被忽略的细节。
- Q9 区分「决策质量」和「结果」是概率思维的灵魂。
- Q10 Paulson 的故事不是「英雄预言」，而是「赔率计算」。
八、本课行动清单
- 找一个最近被传得神乎其神的「成功故事」，问 3 个问题：基准率是多少？这个案例在同类中占什么位置？是故事动人还是证据硬？
- 做一个「双轨分析」练习：对你当下最重要的决策，列出「基准率概率」和「具体特征概率」，相加得后验。
- 建立「基准率口袋书」——把你所在行业的关键基准率（成功率、失败率、平均回报）写下来。
- 每次听到「X 是 Y 的未来」这种话，先问「X 和 Y 的关键特征有多少共享？基准率多少？」。
九、参考来源
- ③ 严肃学术：Daniel Kahneman & Amos Tversky, 「On the Psychology of Prediction」, Psychological Review 1973。基准率偏误原始论文。
- ③ 严肃学术：Daniel Kahneman, Thinking, Fast and Slow（2011, Farrar, Straus & Giroux），基准率与可得性章节。
- ③ 严肃学术：Philip Tetlock, Superforecasting（2015），贝叶斯更新与校准方法。
- ③ 严肃学术：Michael Lewis, The Big Short（2010）—— 2006-2007 年 Paulson 等少数对冲基金做空次贷的实操故事（带原始访谈）。
- ① 当事人原始：The Financial Crisis Inquiry Report（2011），美国国会官方调查全文，govinfo.gov。
下一步：看 Lesson 0004 · 幸存者偏差与反事实。