概率论与统计学的交叉：从模型到决策

综合决策理论——损失函数、风险与不确定性下的最优选择

**预计时间：**25 分钟读 + 15 分钟做习题 = 40 分钟。

一、核心概念定义

决策理论框架（Decision Theory）

一个决策问题包含：

1. 状态 θ：不确定的真实世界状态（如”股票上涨”、“用户满意”）
2. 行动 a：你可以选择的行动（如”买入”、“上线新功能”）
3. 结果 L(θ, a)：状态与行动组合产生的损失（或负收益）
4. 信念 π(θ)：你对状态的信念（先验/后验分布）

目标：选择行动 a 最小化期望损失：

a = argmin_a E[L(θ, a) | 数据] = argmin_a ∫L(θ, a)π(θ|数据)dθ*

损失函数（Loss Function）

行动	状态 θ = 上涨	状态 θ = 下跌
买入	0（正确）	-100（亏损）
不买	-50（错失机会）	0（正确）

不同的损失函数对应不同的决策规则：

• 0-1 损失：错了就是错，损失 = 1；对了 = 0。→ 最大后验概率（MAP）决策
• 平方损失：损失 = (a - θ)²。→ 后验均值决策
• 绝对损失：损失 = |a - θ|。→ 后验中位数决策

风险 vs 不确定性（Knight 区分）

• 风险（Risk）：你知道所有可能状态及其概率（如掷骰子）
• 不确定性（Uncertainty）：你不知道概率分布（如 AI 对就业的影响）

Frank Knight（1921）的关键洞察：不确定性是不可保险的，因为概率未知。风险可以通过大数定律分散；不确定性不能。

对决策的启示：

• 在风险下，用期望效用最大化
• 在不确定性下，用 maximin（最坏情况最好化）或 minimax regret（最小化最大遗憾）

二、学科直觉

1. 决策的本质是”在不确定性中分配资源”：每个决策都是对有限资源（时间、金钱、注意力）的配置。统计模型帮你量化不确定性，决策理论帮你选择配置方案。
2. 损失函数是价值观的数学表达：同样的数据，不同的损失函数 → 不同的最优决策。厌恶损失的人（损失函数对负面结果权重更高）会做出更保守的决策。
3. Knight 不确定性要求不同的思维框架：对于”从未发生过的事件”（如 AGI 何时到来），概率分布不存在。这时候不能做期望最大化，而要问：“最坏情况是什么？我能否承受？“

三、跨学科应用

投资：期望效用与损失厌恶

投资者面对不确定性，用期望效用理论做决策：

E[U(财富)] = Σ P(结果) × U(财富结果)

其中 U 是效用函数。风险厌恶者的 U 是凹函数（边际效用递减）。

• 风险厌恶：100% 概率得 100 元 vs 50% 概率得 250 元
  • 期望值：100 vs 125
  • 但效用：U(100) > 0.5×U(250)（因为 U 凹）
  • 风险厌恶者选 100 元

损失厌恶（Kahneman-Tversky）：损失的痛苦 ≈ 2-3 倍于同等收益的快乐。在决策框架中，这意味着损失函数的权重不对称。

产品：新功能上线的决策

你要决定是否上线一个”可能提升转化率”的新功能。不确定状态下：

状态	概率（后验）	上线损失	不上线损失
功能有效（转化率 +10%）	60%	-100（开发成本）	-500（错失机会）
功能无效	40%	-100（开发成本）	0（无损失）

期望损失：

• 上线：0.6×(-100) + 0.4×(-100) = -100
• 不上线：0.6×(-500) + 0.4×0 = -300

决策：上线（期望损失 -100 < -300）。

风险管理：Black Swan 与 precautionary principle

对于 Knight 不确定性（概率未知），传统决策理论失效。Nassim Taleb 的应对：

• 反脆弱（Antifragile）：设计系统使其在波动中获益
• Barbell 策略：90% 极端安全 + 10% 极端风险敞口
• Precautionary Principle：当不确定性和潜在损失都很大时，宁可错过也不要犯错

练习题

单选题

案例分析

反事实思考题

下一步： 概率论与统计学基础课程完成。建议进阶学习 statistics/ 的统计推断思维模型（MLE、贝叶斯网络、重抽样、因果推断）。