如何在不確定情況下做出最佳決策

紅與綠導讀：

對風險的掌控是面對不確定事件時最堅實的底氣。正如巴菲特對風險本質的洞察：“風險來自於你不知道自己在做什麼。” 所以，面對風險，巴菲特會選擇 “將盈利概率乘上可能盈利的數量，減去虧損的概率乘上可能虧損的數量”，讓 “不知道” 變得可計算、可優化，再去做決策。

摘編自《貝葉斯定理》

來源：格上私募圈

首先，讓我們來認識一下大名鼎鼎的貝葉斯定理：

先驗概率 P（A）：在觀測到新證據 B 之前，事件 A 的初始概率。

似然度 P（B∣A）：在事件 A 發生的條件下，觀察到證據 B 的概率。

邊際概率 P（B）：證據 B 在所有可能情況下的總概率（通常通過全概率公式計算）。

後驗概率 P（A∣B）：在觀察到 B 後，事件 A 的更新概率。

用通俗的語言來解釋公式的四個部分，就是：

（事件 B 已經發生的情況下，事件 A 發生的概率）=（事件 A 已經發生的情況下，事件 B 發生的概率）×（事件 A 單獨發生的概率）÷（事件 B 單獨發生的概率）。

貝葉斯定理是一個非常奇怪的定理。它的表達式十分簡潔，涉及的運算只有乘法和除法。它的提出者只是一個生活在 18 世紀的普通富紳，研究數學也只是業餘愛好。儘管如此，貝葉斯定理仍舊產生了極為深遠的影響——它可以解釋為什麼即便癌症測試呈陽性的人中有 99% 都沒有癌症，測試的準確率仍然可以高達 99%；為什麼 DNA 鑑定只有兩千萬分之一的概率匹配錯人，但它仍有很大概率導致冤假錯案；為什麼一個科學結論明明具有 “統計顯著性”，但它仍舊有很大概率是錯的。

AI 本質上也是貝葉斯定理的一個具體應用。從最基本的層面來説，AI 所做的事情就是 “預測”。一個可以分辨貓狗圖像的 AI 應用，本質上就是在根據過往的訓練數據和當前的圖像信息去 “預測” 人類對圖片的判斷。這些和你談笑風生、為你生成高質量圖像的 AI，本質上也是在做預測，只不過它們預測的是人類作家、人類藝術家面對這些提示詞時會如何作答。這些預測行為的基礎都是貝葉斯定理。

所以，每次我們面對不確定的事物做出決策時，都可以利用貝葉斯定理來判斷該決策在多大程度上算是個好決策。它描述了在已知先驗概率的情況下，如何利用新證據來更新信念。而貝葉斯的決策思維，正是源自這一核心理念。它是一種基於概率推理的決策方法，其核心是利用貝葉斯定理來更新概率分佈，從而做出最優決策。

在決策過程中，貝葉斯決策理論將這種概率更新過程與決策規則相結合，以最小化預期損失或最大化預期效用。

那麼，如何將貝葉斯定理真正用於決策中？

如果我們不把貝葉斯定理看成一個嚴謹、教條的數學工具，而是一種“用概率更新認知”的思維方式，就能快速把握其精髓：它不追求絕對正確，而是通過不斷吸收新信息，調整決策方向，使成功概率最大化。

接下來，我們來看看貝葉斯思維在更廣泛決策中的三重境界。

1、先驗信念，你的 “直覺” 如何科學化？

我們做決策時不僅會依據新信息，也會依據先前的經驗信息。一般情況下，我們稱之為 “常識”。每個決策者都有先驗信念（Prior Belief），比如：

“高端消費者更看重品牌價值。”

“經濟下行時，低價商品銷量會上升。”

傳統決策的問題在於，這些信念往往固化為教條，難以調整。而貝葉斯思維要求量化先驗概率，用數據回答 “這件事歷史上發生的概率是多少”：

“根據歷史數據，高端消費者選擇品牌的概率是 70%。”

“過去三次經濟衰退中，低價商品銷量增長的概率是 80%。”

這就是 “先驗信念” 的本質：把模糊的直覺變成可衡量的起點。其關鍵點在於：先驗不是偏見，而是可調整的起點；量化你的原有認知和假設，避免 “我覺得” 式決策。

2、動態調整，如何在不確定中持續優化？

貝葉斯思維的核心是 “用新數據更新舊認知”。當市場環境變化時，決策者不應固守原有策略，而應計算後驗概率（Posterior Probability），即：

後驗概率∝先驗概率×新證據的權重

以視頻推薦算法為例：平台不會一成不變地推薦 “熱門”，而是根據你的觀看記錄（先驗）和最新點擊行為（新數據），動態調整推薦列表。

再拿新能源汽車市場為例：某車企最初根據行業報告設定 “一線城市家庭用户購買電動車的先驗概率為 35%”，但當季度銷售數據顯示 25-35 歲單身白領的購買比例超出預期 40% 時，企業立即調整用户畫像——將 “高收入單身羣體” 的權重從 15% 提升至 30%，並針對性開發車載智能娛樂系統。

這種調整不是推翻原有認知，而是有針對性地微調各個參數，讓決策模型始終貼合市場頻率。其關鍵點在於：市場在變，你的決策模型也要變；小步試錯 + 快速迭代，比 “賭大方向” 更可靠。

3、概率化思維，為什麼高手從不説 “絕對”？

決策高手構建的不是單一劇本，而是包含多種可能性的 “決策沙盤”。

貝葉斯決策者不會斷言 “這個項目一定成功”，而是説：“基於現有信息，成功概率是 65%，但如果競品提前上市，概率可能降至 40%。” 這種思維模式能避免過度自信偏差（Overconfidence Bias），並在風險來臨前做好預案。

“概率化思維”，是一種將未來狀況拆解為概率分佈的能力。它讓決策者既能聚焦高概率事件，又為小概率風險預設熔斷機制。其關鍵點在於：用概率區間替代絕對判斷；決策質量不取決於結果，而取決於過程是否符合貝葉斯邏輯。

其實，人人都是天生的貝葉斯主義者

雖然在某些人為的、精心設計的場景中，人們很容易出現一些行為偏差，雖然大多數人不擅長複雜的貝葉斯運算，但在大多數日常場景中，我們的決策非常符合貝葉斯定理的計算結果。

因為大腦的工作內容就是分析這些信息，然後推測這些信息的起因。在產生預測偏誤的情況下，大腦會根據新信號不斷更新預測，努力降低偏誤程度，儘量讓預測模型符合現實——這仍然是一個貝葉斯式的過程。預測就是先驗概率，感官數據就是似然函數，更新後的預測就是後驗概率。

而且至關重要的是，雖然你的預測會不斷根據感官信息進行更新，但本質上來説你是生活在自己的預測裏，而不是數據中——你體驗到的不是感官數據，而是腦內預測。

根本上來説，我們的 “體驗” 就是建立在感官數據上的一種貝葉斯模型。由此可見，意識本身就是一個貝葉斯式的分析模型。

所有和決策相關的事情都會涉及貝葉斯模型，因為它可以將新信息和先驗判斷以最佳方式整合在一起。用貝葉斯思想去認知世界，你就會發現很多現象變得更好解釋了。

當然，貝葉斯定理很難完美地應用於真實世界當中。我們依靠其做出決策的這些先驗概率，都只能是近似值而已。你（或他人、機構、決策模型）做出的決策，實際上都是貝葉斯定理的近似值。

但是，貝葉斯定理是不確定情況下做出最佳決策的理論基礎，決策越符合貝葉斯模型表現就越好，反之就越差。

更準確地説，貝葉斯定理代表了理想決策，決策人在多大程度上遵循貝葉斯定理，決定着該決策在多大程度上是一個正確決策。

事實上，無論是怎樣的決策過程，無論你為了實現某個目標對世界產生了多大的影響，無論你掌握的信息多麼有限，無論你是正在尋找高濃度葡萄糖環境的細菌，是正在利用複製行為傳播遺傳信息的基因，還是正在努力實現經濟增長的政府，只要你想把事情幹好，你就離不開貝葉斯定理。

總之，在 VUCA 時代，貝葉斯思維提供了一種 “持續進化” 的決策框架：

從先驗出發（量化你的初始判斷）

動態調整（用新數據持續更新認知）

概率化決策（管理不確定性，而非消除它）

未來屬於概率化思考者——他們從不説 “絕對正確”，卻能比對手更接近真相。在不確定的世界裏，最大的確定性就是掌握 “與不確定性共處” 的智慧。