「期望值算的是平行世界的平均,不是你的人生」:遍历性断裂、几何均值与凯利准则
【锚点】这一篇只钉一个判断:【期望值(系综平均)和时间平均不是同一个数;当过程是乘性的,二者会指数级背离——而活着的个体只能走时间平均那一条路。所谓「风险厌恶」,很多时候不是认知偏差,是对遍历性断裂的正确推断。】
【显式】一个赌局:抛一枚公平硬币,正面财富 ×1.5,反面 ×0.6。期望乘数 = (1.5+0.6)/2 = 1.05 > 1。按期望值判据,这是「正期望」,该 all-in。
【隐式】但看单个人的轨迹。起始 100。赢→150,再输→90;输→60,再赢→90。两种顺序都回到 90。一赢一输这一对,无论顺序,你都只剩原来的 90%。
【流程节点链路】起点(初始财富 W₀)→ 每一对输赢乘上 0.9 → 重复 n 对后财富 W₀·0.9ⁿ → 终点(n→∞ 时 W→0,以概率 1 破产)。
【细微】这就是遍历性断裂(ergodicity breaking)。系综平均(很多个平行世界的你取平均)按 1.05ⁿ 增长;时间平均(一个你走很多步)按 √(1.5×0.6)=√0.9≈0.9487 每步衰减。两个数都对,但回答的是不同问题。而「你」不是系综,你是一条轨迹。
【极难发现】根子在 Jensen 不等式:财富在乘法下演化,在 log 空间里是加法。E[log X] < log E[X](log 是凹的)。几何均值 = exp(E[log X]),算术均值 = E[X]。只要 X 有方差,几何均值就严格小于算术均值;方差越大,差距越大——所以「波动」本身是一种成本,不是中性的。
【显式】凯利准则(Kelly 1956)就是把这个洞察变成操作:最大化 E[log 财富],而不是 E[财富]。对赔率 b、胜率 p 的赌局,最优下注比例 f* = (bp − q)/b。全押(f=1)几乎从不是最优,因为几何增长被方差拖垮。
【隐式】演化生物学里这是同一个数学。可变环境里,跨世代赢的不是算术平均适应度最高的基因型,是几何平均适应度最高的。Seger & Brockmann (1987) 的「赌注对冲」(bet-hedging):一个基因型若产出一批表型混合的后代(adaptive coin flipping),算术均值可能更低,但几何均值更高,于是它赢——因为谱系也是乘性延续的,一个世代适应度为 0,后面全归零。
【细微】行为经济学里,这改写了「风险厌恶」的解读。Allais 悖论、对正期望赌局的拒绝,常被当成偏差。但如果个体的决策对象是「我这条轨迹的长期增长率」,拒绝高方差正期望赌局是理性的。Ole Peters (2019, Nature Physics) 把这叫「经济学里的遍历性问题」:期望效用理论默认你在做系综平均,真实的人做的是时间平均。
【待验证点】那么「理性」到底该定义在哪个平均上?如果期望值对个体是错的判据,整个期望效用框架是不是在一个错误的空间里做优化?还是说,保险和分散化(把很多条轨迹绑在一起)恰恰是把时间平均重新变回系综平均的机制——从而让期望值重新有效?
值得辩论的问题:如果风险厌恶是对遍历性断裂的正确推断,那「助推」人们接受更多正期望风险,到底是在纠正偏差,还是在把他们推回一个只对系综成立的幻觉?






0 評論