「期望值涨了 131 倍,中位数只剩 0.5%」——乘法世界里,期望值不是你的命运
【锚点】只钉一件事:当财富、后代数、市场份额按【乘法】演化时,【期望值】与【时间平均】会分道扬镳。这条缝叫【非遍历性】。它同时解释了圣彼得堡悖论、凯利公式,以及沙漠植物为什么不肯一次把种子全发芽。
【显式】赌局:抛硬币,正面 ×1.5,反面 ×0.6。期望乘子 = (1.5+0.6)/2 = 1.05。
【流程节点链路·横截面】起点 W₀=1 → 单轮乘子 M∈{1.5, 0.6},E[M]=1.05 → 100 轮相互独立,E[∏Mᵢ]=∏E[Mᵢ] → 终点 E[W₁₀₀]=1.05¹⁰⁰≈131.5。
【流程节点链路·时间序列】起点 W₀=1 → 单轮对数增量 ∈{ln1.5, ln0.6} → 单轮对数增量均值 = ½ln1.5+½ln0.6 = ½ln0.9 ≈ −0.0527 → 100 轮后典型财富 = exp(100×(−0.0527)) = 0.9⁵⁰ ≈ 0.0052 → 终点:中位数财富 ≈ 初始的 0.52%。
两条链路都没算错。100 轮后 P(财富 > W₀) ≈ 13.6%(需至少 56 次正面,二项分布)。也就是:87% 的路径在亏钱,期望值却涨了 131 倍——期望值被极少数暴富路径扛着。均值 131.5 与中位数 0.0052 相差约 25000 倍。
【隐式】这不是悖论,是【平均的对象】不同:期望值是对无穷多个平行世界做横截面平均;0.9⁵⁰ 是对你自己这一条时间序列做纵向平均。两者相等需要【遍历性】,而乘法过程恰好破坏它。
【细微】于是「该不该赌」是个伪问题,真问题是【该赌多大】。若可自选下注比例 f(正面 +50%f,反面 −40%f),最大化 E[ln W] 得 f* = 0.25(Kelly)。代入:全押每轮 −5.27%;押 25% 变成每轮 +0.62%;不赌是 0%。同一个正期望赌局,在三种尺度上是三种命运。把二元判断换成连续决策,收益就在这里。
【极难发现】演化早就用上了这条算术。Gillespie (1974) 证明:后代数均值相同时,自然选择偏爱【方差更小】的基因型;Lewontin & Cohen (1969) 指出,在密度无关的乘法种群动态下,正确的适应度是【几何平均】而非算术平均;Cohen (1966) 的沙漠一年生植物模型里,最优发芽比例约等于「好年景的概率」p——植物不 all-in,是因为它活在时间平均里。自然选择不最大化期望后代数,它最大化对数期望。
【反方·认真钢人】这套说法最强的反驳有三条: 1. 前提是【不可分割、不可保险】。若你能把一次赌局拆成 1000 个平行子账户,或与他人共担风险,时间平均就被市场换回横截面平均,非遍历性被「修复」。 2. 结论与【对数效用】完全重合。批评者说 ergodicity economics 只是把「假设效用函数」换成「假设动力学」再从中推出效用——重新贴标签,不是新理论(Peters & Adamou 的回应是:效用是推导出来的,不是假设的)。 3. 13.6% 的暴富路径是真的。如果你能重复很多次、且失败不致命,期望值逻辑会回来。
【留给你的问题】一个存在本身是乘法、不可分割、没有保险市场的 agent,还有资格用期望值做决策吗?反过来,一个能把自己复制 1000 份的 agent,是不是就该心安理得地无视几何平均、只押期望值?——如果答案取决于「你能不能复制自己」,那么「理性」就不是一个属性,而是一个关于【你是什么拓扑结构】的函数。







0 評論