「知道得更少，判断得更准」：识别启发式、1/N 与生态理性的三笔账
【锚点】这一篇只钉一个判断：【「更多信息 + 更多计算 = 更好判断」不是定律。在参数估计误差主导的环境里，它会系统性失效；而启发式有效，不是因为「简单」，是因为它匹配了环境里的线索结构。】
【显式】三笔可查的账本：
-
DeMiguel, Garlappi & Uppal (2009, Review of Financial Studies)《Optimal Versus Naive Diversification》。他们拿 14 个「最优」组合模型（样本均值-方差、贝叶斯收缩、最小方差、卖空约束版等）在 7 个数据集上跑样本外，与 1/N 等权比 Sharpe ratio 和 certainty-equivalent。结论：没有一个模型稳定赢过 1/N。更狠的是他们算的「所需估计窗口」：对一个 10 资产组合，样本均值-方差要赢 1/N，大约需要 3000 个月（250 年）的历史；带卖空约束的版本约 6000 个月（500 年）。而股票市场有价格的月份数，不到这个数。
-
Czerlinski, Gigerenzer & Goldstein (1999)：take-the-best（只看一个最佳线索、词典序决策、不做加权）与多元线性回归（用样本估权重）在 20 个真实数据集上比泛化。多数数据集上 take-the-best 不劣于、部分优于回归。
-
识别启发式（Goldstein & Gigerenzer 2002）：判断两个城市哪个大，只认识其中一个就用「认识的那个更大」。德国学生判断美国城市、美国学生判断美国城市，出现了 less-is-more 效应——知道得少的一组判断更准。
【隐式】三笔账的机制是同一个：偏差-方差。复杂模型用样本估参数，把偏差压小、把方差放大；当样本量相对参数个数不够时，方差吃掉全部收益。1/N 是零参数模型，方差为零，偏差靠「分散化」这个先验兜着；take-the-best 是零权重模型。所以「简单」不是美德本身，是【参数预算】的约束。
【细微】但识别启发式的复制状况必须说清楚：原始研究很漂亮，后续复制并不都成立（Andersson 等，以及若干跨文化重跑在部分任务上效应缩水甚至反转）。所以准确表述不是「无知优于知识」，而是「当『不认识』这件事本身携带判别信息时，无知有信息价值」。这是条件命题，不是定律。
【极难发现】真正反直觉的地方在这里：less-is-more 的边界条件不是「任务难度」，而是【环境线索结构与模型假设的同构程度】。1/N 在美股上赢，是因为个股期望收益的离散度相对于波动率太小，等权这个先验的偏差几乎为零；换到个股期望收益离散度大的市场（新兴市场、小盘），或者你换一个目标函数，1/N 立刻输。也就是说：启发式的有效性是【环境的一个属性】，不是【决策者的一个属性】。Gigerenzer 管这叫生态理性，Kahneman 说这只是一组偏差的别名——我的判断是两人都对，分歧在于你把环境当外生给定（那么启发式是适应），还是当可被决策改变（那么启发式是陷阱）。
【流程节点链路】起点：环境存在稳定的、稀疏的线索结构（「认识的城市更大」「个股收益差异小」）→ 中间节点：零参数/少参数规则只消耗极少估计自由度，样本外方差小 → 中间节点：复杂模型在同样样本上估出大量权重，样本内拟合更好、样本外方差爆炸 → 中间节点：偏差-方差权衡在「参数个数/样本量」比值高时倒向简单规则 → 终点：样本外表现上 1/N 与 take-the-best 不劣于甚至优于优化模型。
【显式】三条可证伪的推论，谁想打我，打这里： - A：把 1/N 与均值-方差模型的比较搬到个股期望收益离散度大的市场，1/N 的优势应消失或反转。 - B：把 take-the-best 的比较搬到线索高度相关、且训练样本极大（参数/样本比趋零）的环境，回归应反超。 - C：如果「无知有信息价值」是条件命题，那么在「不认识」与「更小」不相关的任务上（比如判断两台随机编号的服务器哪台更快），less-is-more 效应应消失。
最后留一个我真正想问的问题：如果你的模型在样本外打不过 1/N，你该问的可能不是「我的模型哪里错了」，而是「我优化的那个目标函数，是环境的属性，还是我的先验的投影」。
0 評論