信心很強，預測仍可能很弱

你有沒有遇過這種人？

他分析一件事情時，非常有把握。

講得很完整。

每一個理由都接得起來。

聽到最後，你甚至會覺得：

「他應該真的很懂。」

但過一段時間再回頭看，事情根本沒有照他的預測發生。

奇怪的是，我們還是很容易相信下一個講得很有自信的人。

因為人腦很容易把兩件事情混在一起：

「這個解釋很有說服力。」

和：

「這個預測很準。」

《快思慢想》很重視這個問題。

Daniel Kahneman 發現，人不只會對別人的判斷過度有信心。

我們對自己的判斷，也常常比證據本身更有把握。

而最麻煩的地方是：

主觀上的確定感，並不能告訴我們預測到底準不準。

一個故事越完整，我們越容易覺得自己懂了

假設你研究一家公司。

你知道：

創辦人能力很好。

新產品市場反應不錯。

營收正在成長。

產業未來需求增加。

公司最近又拿到幾個大客戶。

把這些資訊放在一起，很容易形成一個完整故事：

「這家公司未來幾年應該會成長得很好。」

故事本身可能合理。

問題是，從：

「目前看起來很好」

走到：

「未來一定會很好」

中間其實還有很長一段距離。

競爭者可能出現。

價格可能下降。

原物料可能上漲。

客戶可能取消訂單。

技術可能改變。

管理層可能犯錯。

整體經濟也可能轉差。

但當眼前的資訊可以拼成一個漂亮故事時，大腦很容易忘記那些還不知道的事情。

我們會用「知道的東西」代替「全部的世界」

前面幾課一直碰到一個很重要的現象。

人做判斷時，很容易只使用眼前拿得到的資訊。

Kahneman 用一個很有意思的說法描述這種傾向：

我們常常把「眼前看到的」當成「全部需要知道的」。

假設你只有三條資訊：

這個人很聰明。

非常努力。

表達能力很好。

光是這三條，就足以讓大腦開始形成：

「他以後應該會成功。」

可是你沒有看到的資訊呢？

家庭環境。

運氣。

產業變化。

合作夥伴。

健康。

機會。

幾十個還沒發生的選擇。

它們並沒有因為你不知道，就不存在。

但系統一有個特性：

它比較容易用現有資訊組故事，而不是一直提醒你還缺多少資訊。

「不知道」其實很難讓人滿足

想像有人問：

「這檔股票明年會不會漲？」

最正確的答案有時候可能是：

「目前資訊不足，我不知道。」

可是這個答案很不舒服。

大家通常更喜歡：

「我認為會漲，因為……」

接著列出三五個理由。

只要理由足夠合理，我們就會得到一種安心感。

事情好像變得可以理解了。

但：

能解釋，不代表能預測。

這是很重要的差別。

很多事情發生以後，我們非常容易找到原因。

但在事情還沒發生以前，那些原因未必足以告訴我們最後結果。

Kahneman 年輕時曾做過一件很有意思的工作

Kahneman 年輕時曾參與軍隊的人員評估。

其中一項工作，是觀察候選人在團體任務中的表現，再判斷誰比較有領導潛力。

例如幾個人一起完成一個困難任務。

有些人會主動指揮。

有些人沉默。

有人很冷靜。

有人容易急躁。

觀察完之後，評估者會形成非常強烈的印象。

這個人有領導能力。

那個人不適合。

另一個人遇到壓力容易失控。

而且這些判斷不是隨便猜的。

他們真的看到了行為。

也能說出理由。

所以評估者對自己的判斷非常有信心。

但後來把預測和真正表現比較時，結果卻讓人失望。

預測能力並沒有主觀感覺那麼好。

最奇怪的是，知道自己預測不準之後，信心還是在

這件事對 Kahneman 的影響很大。

因為照理來說：

如果你知道自己的方法預測能力不好，下一次就應該變得比較沒把握。

但實際上不一定。

下一批人來。

又開始做團體任務。

又看到某個人主動領導。

評估者腦中再次形成：

「這個人真的很有領導能力。」

那種確定感又回來了。

明明統計結果已經告訴你：

這套判斷沒有想像中準。

可是當一個新的、完整的個案出現在眼前時，故事帶來的信心仍然非常強。

Kahneman 後來把這類現象稱為：

效度錯覺。

我們會因為一個判斷「感覺很有根據」，而高估它真正的預測能力。

有信心和有能力，是兩件事情

假設有兩個人預測明天天氣。

第一個人說：

「我大概只有六成把握，資料還有一些不確定性。」

第二個人說：

「明天一定下雨，我非常確定。」

你會覺得誰比較可靠？

人很容易被第二個人的確定語氣吸引。

但真正重要的不是：

他有多有自信。

而是：

他過去預測得有多準。

這兩件事完全可能分開。

一個人可以：

很有信心，但是常常錯。

也可以：

說話很保守，但是長期非常準。

真正好的預測者甚至可能比外行人更常說：

「我不確定。」

因為他知道這個問題裡有多少不可預測的因素。

專業感也會增加我們的信任

想像電視上有兩位分析師。

第一位說：

「市場變數很多，目前我只能提出幾種可能。」

第二位說：

「接下來一定會進入多頭，原因有三個。」

然後非常流暢地講完完整分析。

哪一個比較容易讓人留下印象？

通常是第二個。

因為：

講得快。

邏輯完整。

語氣肯定。

使用很多專業名詞。

這些都會產生一種：

「他知道自己在說什麼。」

的感覺。

但這些特徵和「預測準確率」並不是同一回事。

一個人很會解釋現在，不一定很會預測未來。

投資市場特別容易產生強烈信心

投資很適合觀察這種現象。

假設你研究一檔股票兩週。

看了：

財報。

法說會。

新聞。

產業報告。

公司簡報。

競爭對手。

看得越多，你越容易產生：

「我已經很了解這家公司。」

這種感覺本身沒有問題。

研究當然比完全不研究好。

可是還有一個危險。

資訊增加，不一定會按照同樣程度增加預測準確度。

有時候資訊只是讓故事變得更完整。

你開始知道公司歷史。

知道產品。

知道董事長說過什麼。

知道市場怎麼看。

所以你對自己的判斷越來越有信心。

可是股價未來怎麼走，仍然受到大量未知因素影響。

看得越多，有時只是更會替自己的結論找理由

假設你一開始認為：

「這家公司值得買。」

接下來研究時，你可能開始注意支持這個看法的資訊：

營收成長。

新訂單。

新產品。

法人買進。

市場需求。

每找到一條，信心增加一點。

最後變成：

「我非常確定。」

但是有一個值得問的問題：

如果一開始我的想法是錯的，我現在會看到什麼？

負債是不是增加？

競爭是不是變強？

客戶是不是太集中？

價格是不是已經太高？

管理層過去的預測準不準？

真正重要的不是蒐集多少資訊。

而是有沒有讓不同方向的資訊進來。

房價預測也很容易產生完整故事

假設有人跟你說：

這區有捷運。

人口會增加。

科技公司要進駐。

附近土地越來越少。

利率未來可能下降。

因此房價一定繼續上漲。

這個故事可能完全合理。

但「合理」和「一定發生」之間還有距離。

例如：

現在價格是否已經反映捷運？

供給會不會增加？

人口真的會如預期搬入嗎？

科技公司計畫會不會改變？

政策會不會調整？

所以看到一個完整預測時，不妨把問題改一下。

不要只問：

「這個故事合理嗎？」

還要問：

「如果這個預測最後錯了，最可能是哪一個環節出了問題？」

這個問題會把那些被故事遮住的不確定性重新拉回來。

預測一個人的未來更難

假設一個學生：

成績很好。

很自律。

表達能力佳。

學校也很好。

我們很容易預測：

「他未來應該會發展得很好。」

這可能是合理推論。

但如果要預測他：

十年後收入多少。

會不會創業。

會不會成為主管。

生活是否幸福。

準確度就會快速下降。

因為時間越長，未知事件越多。

人的選擇也會改變。

然而故事不會提醒我們這件事。

只要眼前這個人的特徵足夠漂亮，我們就很容易把未來也一起補完。

招募面試最容易讓人產生「我看人很準」

面試一個人一個小時。

你可能覺得：

這個人很積極。

那個人比較穩重。

這個人應該能帶團隊。

那個人抗壓性可能不好。

人類真的很擅長快速形成這些印象。

而且一旦面對面聊天，印象會變得特別強。

問題是：

一小時的表現能預測多少未來工作表現？

候選人當天可能特別緊張。

面試官可能剛好特別喜歡某種個性。

有些擅長面試的人未必擅長工作。

有些工作能力很好的人不一定很會面試。

所以公司如果只依賴：

「我跟他聊完感覺很好。」

就很容易把主觀確定感當成預測力。

簡單公式有時候反而能打敗人的直覺

Kahneman 很重視另一類研究。

在一些需要預測的領域裡，研究者會比較：

專家的整體直覺判斷。

以及：

依照幾個固定指標計算的簡單模型。

結果有時候會讓人意外。

簡單模型不需要：

感覺。

靈感。

「這個案例有點特殊」。

它只是每一次都按照同樣規則處理資訊。

例如：

過去成績占多少。

經驗占多少。

測驗分數占多少。

然後得到結果。

人的優勢是能看到很多細節。

但人的缺點也是：

太容易被細節吸引。

今天心情不同。

人物故事不同。

第一印象不同。

判斷標準也可能跟著變。

簡單公式雖然笨，卻很一致。

這不是說專家都沒用

這裡很容易走到另一個極端。

《快思慢想》並不是說：

所有專家預測都是假的。

也不是說：

只要用公式就一定比較好。

真正的問題是：

這個環境到底能不能被預測？

有些環境存在穩定規律。

經驗真的可以讓人進步。

有些環境卻有大量隨機因素。

就算累積很多經驗，也很難得到很高的預測能力。

後面的課還會專門談：

什麼時候可以相信專家的直覺。

但現在先記住一件事：

「他是專家」和「這個問題可以準確預測」仍然是兩個不同問題。

天氣和股票，就是很好的對比

天氣預報當然不是百分之百準。

但氣象有：

大量資料。

物理模型。

衛星。

雷達。

長期驗證。

預測方式可以不斷檢查與改善。

所以短期天氣有相當程度的可預測性。

股票市場則不同。

因為只要某個規律很明顯，很多人就會開始利用它。

大家的行為又會反過來改變價格。

還有：

政策。

戰爭。

公司事件。

突發消息。

情緒。

無數其他因素。

因此很多金融預測的難度非常高。

但金融評論卻經常使用非常肯定的語氣。

這就容易讓人把：

預測者的信心

誤認為：

市場本身的可預測性。

預測越遠，不確定性通常越大

今天預測明天。

和：

今天預測十年後。

是完全不同的事情。

假設一家公司目前很強。

如果問：

「下季營收大概如何？」

我們可能有：

訂單。

產能。

客戶資料。

所以還能做一定程度的估計。

如果問：

「十年後它還是不是產業龍頭？」

未知因素就多得多。

技術可能改變。

競爭者可能出現。

管理層可能更換。

消費者需求可能不同。

但人腦可以很輕易把今天的狀況延伸到未來。

於是：

時間越遠，故事仍然很清楚，證據卻越來越弱。

怎麼知道自己是不是太有信心？

一個方法，是不要只問：

「我有幾成把握？」

因為這仍然只是主觀感覺。

可以改問：

「我以前做這種類型的預測，準確率是多少？」

例如：

你覺得自己很會判斷股價。

那就把預測留下來。

三個月後看。

一年後再看。

不要只記得預測成功的幾次。

也把失敗的留下來。

你可能會發現：

自己的信心一直很高。

但準確率沒有想像中高。

這種紀錄很重要。

因為人類的記憶很容易替自己重新整理故事。

把機率寫下來，比寫「一定」更有用

如果你真的需要做預測，可以試著不要寫：

「會上漲。」

改成：

「我認為上漲的可能性約六成。」

不要寫：

「這個人一定會成功。」

而是：

「依目前資訊，我認為成功機會高於平均，但不確定性仍高。」

這樣做不是故意講得模糊。

而是承認現實本來就有不確定性。

而且之後還能檢查：

你說六成的事情，是不是長期真的大約六成發生？

這叫做：

校準。

好的預測，不是永遠正確。

而是信心程度和真正成功率能夠接近。

60% 的預測，本來就應該有很多次失敗

這一點非常重要。

如果有人說：

「這件事有 60% 機率發生。」

最後沒有發生。

不能立刻說：

「你預測錯了。」

因為 60% 本來就包含 40% 不發生的可能。

真正要看的是：

如果這個人做了很多次 60% 的預測，

最後是不是大約六成真的發生。

這才是檢驗機率預測的方法。

我們平常卻很容易用單次結果判斷預測者。

發生了：

「你看，他好準。」

沒發生：

「他根本亂講。」

但世界不是這樣運作的。

越確定的語氣，不一定代表越好的判斷

生活中很常聽到：

「我跟你說，一定會……」

「這個百分之百……」

「相信我，我做這行很多年。」

這些話對系統一非常有吸引力。

確定的語氣會降低我們的不安。

可是如果一個問題本身高度不確定，真正了解它的人反而可能不願意說：

百分之百。

所以遇到一個非常肯定的預測時，可以先把語氣拿掉。

只留下：

他真正提供了什麼證據？

證據過去能預測結果嗎？

這類預測有沒有紀錄？

還有哪些重要變數不知道？

把這些問題問完，再決定要給多少信任。

最重要的不是降低所有信心，而是讓信心配得上證據

我們不需要對所有事情都懷疑。

開車多年的人，通常真的比第一次開車的人熟練。

醫師在某些具有穩定規律的診斷上，經驗真的有價值。

專業知識也確實可以提升判斷。

問題不是：

「不要相信自己。」

而是：

「我的信心，是來自真正有預測力的證據，還是只是因為故事很完整？」

這兩種感覺非常像。

所以才難分辨。

當一個預測聽起來非常有道理時，再多問三件事

第一：

這種事情本來容易預測嗎？

第二：

這個人過去做類似預測的紀錄如何？

第三：

現在還有哪些重要事情是我們不知道的？

這三個問題會讓一個原本非常完整的故事重新出現空隙。

而那些空隙並不是缺點。

它們才是現實的一部分。

《快思慢想》在這裡提醒我們一件很不舒服的事：

我們感受到的確定，不一定來自世界真的很確定。

有時候只是因為：

眼前的資訊剛好很好理解。

故事剛好很完整。

理由剛好彼此配合。

於是系統一產生：

「我懂了。」

接著我們又把：

「我懂了」

偷偷變成：

「所以我知道接下來會發生什麼。」

但理解過去、解釋現在、預測未來，是三種不同難度的事情。

下一次當自己非常有把握時，最值得問的也許不是：

「我有沒有理由？」

而是：

「這些理由，過去真的能把未來預測得多準？」

信心可以很強。

故事也可以非常漂亮。

但最後真正重要的，仍然是：

證據到底有多少預測力。