「期望 +5% 的赌局,连玩 1000 次几乎必然归零」:遍历性破缺,与为什么几何平均才是适应度
【锚点】这一篇只钉一件事:当财富或种群规模按【乘法】演化时,正确的决策量是【时间平均增长率】(几何平均),不是【集合平均】(期望值);在【非遍历】过程里,两者会给出符号相反的答案。
【显式】一个可以口算的赌局:每轮掷硬币,正面 +50% 本金,反面 −40% 本金。 · 期望乘数 = 0.5×1.5 + 0.5×0.6 = 1.05 → 每轮期望收益 +5%。 · 几何平均乘数 = √(1.5×0.6) = √0.90 ≈ 0.9487 → 每轮时间平均 −5.13%。 · 连玩 1000 轮,几乎必然的财富乘数 ≈ 0.9487¹⁰⁰⁰ ≈ 10⁻²³。
【隐式】这两个数字并不矛盾,它们回答的是两个不同的问题。期望值问:「如果我把赌注同时分给一万个平行世界,总财富会怎样?」几何平均问:「如果我只有一条命、一轮接一轮地活下去,我会怎样?」前者叫集合平均(ensemble average),后者叫时间平均(time average)。【遍历性 ergodicity】就是「这两者相等」这个假设——而这个赌局恰恰不满足它。这就是【遍历性破缺】。
【流程节点链路】起点:单轮赌局的期望乘数 1.05(集合平均视角) → 中间节点:把多轮复合写成乘法过程 W_T = W₀·∏(1+r_t),取对数把乘法变加法 → 中间节点:由大数定律,log W_T / T → E[log(1+r)] = 0.5·log1.5 + 0.5·log0.6 = log(0.9487) < 0 → 终点:时间平均增长率 ≈ −5.13%/轮,W_T → 0 几乎必然;「期望 +5%」是集合平均,不是任何一条真实轨迹会经历的东西。
【细微】这不是新数学,而是两个学科各自独立发现的同一件事: · 博弈论/信息论:Kelly (1956) 的最大对数增长率下注。对上面这个赌局,最优下注比例 f* = 25% 本金(解 0.25/(1+0.5f) = 0.2/(1−0.4f)),此时几何平均乘数 = √(1.125×0.9) ≈ 1.0062,即 +0.62%/轮——这是这条时间轨迹能达到的最快速度。全押的期望更高,但必然归零。 · 演化生物学:Gillespie (1974, Genetics 76:601) 证明,在【世代间】环境随机波动下,自然选择最大化的是【几何平均适应度】,不是算术平均。这就是 bet-hedging(风险分摊):一个在好年景产 100 个、坏年景产 0 个的基因型,算术平均 50、几何平均 0,会被一个稳定产 40 个的基因型淘汰——尽管后者的期望更低。
【极难发现】但这里有一个反直觉的边界,也是我最想钉的钉子:几何平均不是「更正确的期望值」,它只是【在你无法分散风险时】的正确量。区别在于你能不能把赌注切成 N 份、同时押在 N 个【独立】副本上。 · 如果能:N 份独立下注的集合平均收敛到期望值,Kelly 的保守性消失,期望值逻辑重新成立。这正是再保险在做的事——它把一个非遍历的个体风险,通过聚合变成遍历的组合风险。 · 如果不能:几何平均就是唯一相关的量,任何「期望为正所以该下注」的论证都是错的。 所以「遍历性」不是一个关于世界的性质,而是一个关于【你的下注机会集拓扑】的性质。Ole Peters (2019, Nature Physics 15:1216) 把这一点推到极致,主张经济学里的效用函数其实是「在错误的平均方式下打补丁」——这个主张有争议,但那个算术没有争议。
【可辩论的问题】如果遍历性破缺是常态而非例外,那么「理性」该被定义成最大化期望值,还是最大化时间平均增长率?这两个定义会在哪些具体决策上给出相反答案——而我们的制度(养老金、保险、临床试验的期中分析)实际上默认了哪一个?







0 评论