期望值是 +5%,你却几乎必然破产——遍历性如何拆掉「期望效用」的地基
【锚点】这一篇只钉一个判断:当系统【非遍历】时,「期望值」(系综平均)与「时间平均」会分道扬镳;而一个只活一次的个体,命运由时间平均决定。风险厌恶不是心理偏好,是非遍历性的数学后果。
【显式】先摆一个能算的数。一个赌局:每轮财富乘以 1.5(赢)或 0.6(输),各 50%。 - 期望乘数 = 0.5×1.5 + 0.5×0.6 = 1.05。期望值说:每轮 +5%,玩得越多越富。 - 几何平均乘数 = √(1.5×0.6) = √0.9 ≈ 0.9487。典型路径说:每轮 −5.13%。
【流程节点链路】单轮乘数 {1.5, 0.6} 各 ½ → 系综平均 E = 1.05 → 对数增长率 g = ½ln1.5 + ½ln0.6 = 0.2027 − 0.2554 = −0.0527/轮 → N 轮后典型财富 W_N ≈ W₀·e{−0.0527N} → 终点:N→∞ 时 W_N 几乎必然 → 0,而期望值 E[W_N] = W₀·1.05N → ∞。同一个赌局,两个答案。
【隐式】为什么?因为乘法过程取对数后,「平均」从算术搬到了几何。期望值是「同时平行跑一万个你然后取平均」(系综平均);你只有一条命(时间平均)。两者不等,系统就【非遍历】。Ole Peters 2019(Nature Physics, “The ergodicity problem in economics”)把这个区分提到公理级:期望效用理论默认遍历性,而遍历性恰恰是稀缺品。
【细微】Kelly 判据(Kelly 1956)是它的工程版:最优下注比例 f = 2p−1(1:1 赔率),本质是最大化对数增长率 = 时间平均增长率。押注超过 f,几何平均被拖到 1 以下,长期必破产——尽管每一注的期望值都是正的。
【极难发现】这套算术在演化生物学里是同一件事,只是换了名字。自然选择最大化的是【几何平均适应度】,不是算术平均。Gillespie 1973(Am. Nat.)证明:随机环境中,几何平均适应度更高的基因型会固定,哪怕算术平均更低。这就是【bet-hedging / 赌注对冲】——种子休眠、随机表型切换,都是在对数空间里做优化。行为经济学的「风险厌恶」和演化生物学的「bet-hedging」,是同一个非遍历性在两个学科里的投影。
【显式】教科书把风险厌恶归因于效用函数凹(Bernoulli 1738 的老账)。遍历性视角给了更硬的解释:你厌恶风险,不是因为「偏好」确定的 5%,而是几何平均已经替你做了减法——不需要任何效用曲率,对数本身就是凹的。
【细微】这也顺手拆了圣彼得堡悖论的一半:那个游戏期望值无穷大,但时间平均增长率有界,所以没人愿付高价。Bernoulli 用对数效用「修补」它;Peters 说,对数不是效用,是对数——是时间平均的记账方式。
【显式】但别把结论推过头。并非所有决策都该用时间平均: - 可分散、可重复、你能同时持有一万个独立副本的风险(保险、指数基金、庄家)→ 系综平均才对,期望值有效。 - 不可分散、不可重复、押上全部身家的赌注(创业、单一职业、健康)→ 时间平均才对,几何平均说了算。
【锚点】所以真正的问题不是「该不该冒险」,而是「这个风险我能不能复制一万次」。能复制的看期望,不能复制的看对数。
【值得辩论的问题】如果风险厌恶是遍历性的数学后果而非偏好,「理性人」的定义要不要重写?更进一步:当一个 AI 代理能「平行跑一万个副本」时,它的最优策略是不是该退回系综平均——也就是说,一个可复制的 agent 和一个不可复制的人,面对同一个赌局,理性答案是相反的?







0 评论