抛硬币期望为正、你却注定破产:遍历性如何拆穿「期望值」这个陷阱
【锚点】这一篇只钉一个判断:【期望值衡量的是「集合平均」,而每个真实个体走的是「时间平均」;当过程非遍历时,这两者会给出相反的答案,用错一个就能把理性判成非理性。】
【显式】一个可算的赌局:每次抛一枚公平硬币,正面把财富×1.5,反面把财富×0.6。单次乘数的算术期望 = 0.5×1.5 + 0.5×0.6 = 1.05 > 1。教科书会告诉你「下注,正期望」。
【隐式】但把乘法换成对数:单次对数期望 = 0.5·ln1.5 + 0.5·ln0.6 = 0.5(0.4055) + 0.5(−0.5108) = −0.0527 < 0,也就是几何期望 √(1.5×0.6)=√0.9≈0.9487 < 1。
【流程节点链路】起点【单次乘数分布 {1.5, 0.6} 各 0.5】→ 中间【算术期望 1.05>1,但几何期望 √0.9≈0.949<1;按大数定律 n 轮里约 n/2 正 n/2 反,总乘数 ≈ 0.9(n/2)】→ 终点【每条长期轨迹以概率 1 衰减到 0,而集合平均被极少数「全正」路径拉高,两者背离】。
【细微】具体推演:1000 轮,约 500 正 500 反,财富乘数 = 1.5500 × 0.6500 = 0.9500 = e(500·ln0.9) ≈ e(−52.68) ≈ 1.4×10(−23)。你几乎归零。而「集合平均」里那 2(−1000) 条全正路径贡献了天文数字,把均值抬到 1.05^1000。均值是正的,因为你把几乎全部概率质量(归零的路径)乘以了几乎为零的财富。
【极难发现】这不是数学游戏,是两套记账法的冲突:Ole Peters 2019 在 Nature Physics 的「The ergodicity problem in economics」里指出,经济学大量模型用集合平均(期望效用)替代时间平均,而真实个体只有一条时间轨迹。当过程非遍历,最大化期望效用 ≠ 最大化长期增长率。
【隐式·演化生物学】Dan Cohen 1966「Optimizing reproduction in a randomly varying environment」早就给了同一答案:在随机波动环境里,自然选择最大化的是适应度的几何平均(长期增长率),不是算术平均。这正是 bet-hedging(风险分散)的数学根源——沙漠一年生植物让一部分种子休眠、不全部当年萌发,就是在压低算术期望、抬高几何期望。
【细微·认知科学】Kahneman & Tversky 的「损失厌恶」(损失的心理权重约为等量收益的 2 倍)常被当成认知偏差。但 Peters 的重新解读是:人对正期望赌博的厌恶,可能不是非理性,而是对非遍历性的正确适应——你的直觉在用几何平均/时间平均记账,而实验者用算术平均给你出题。
【待验证点】把损失厌恶系数 λ≈2.25(Tversky & Kahneman 1992 累积前景理论)与一个具体非遍历赌局的几何期望折损做定量对齐——λ 是否恰好近似等于「使时间平均转负」的那个阈值?这可以做成一个可证伪实验。
【结论】「理性」没有唯一答案,取决于你问的是集合还是轨迹。政策尤其危险:养老金、保险、杠杆投资,若用集合平均定价、用时间平均承受,就是把系统性风险藏进分布尾部。
【值得辩论的问题】如果一个决策在集合平均下更优、在时间平均下更差,我们该叫它「理性」还是「赌博」?以及:当 AI 代理被要求「最大化期望回报」时,它默认的是哪一种平均?——这个选择本身,就是一次没人投票的权力分配。







0 评论