決策

作者：Snow Hill


Never Fully Trust Experts or Gurus

Subjective Probability Estimation


Assessing Risk Tolerance for Decision Making

Decision Tree

Uncertainty and Chance

Trade-offs in Decision Making

Smart Choices (3) | Comparing using Consequence Table

Smart Choices (2) | Eight Elements in PrOACT Approach

Smart Choices (1) | Focus and Defining Problem


賽局理論 (Game Theory): 囚徒困境 (Prisoner's Dilemma)

匱乏如何影響價值估算 (Scarcity-Framed Valuation) 


第三層思維模型: 從凱因斯選美看估值

主觀判斷的不確定風險: 準確 vs 精確 (Subjective Judgement under Uncertainty)

在高不確定時如何作出即時的決策

決策思維 | 決策前的思考清單

決策思維 | 如何處理風險?

可量化的風險承受程度 (Quantifiable Risk Tolerance)


貝氏定理 (8): 資訊質素的影響 (Prior Informativeness)

貝氏定理 (7): 事後機率分布最大概似估計法 (Maximum a Posteriori Estimation, MAP)

貝氏定理 (6): 貝氏網絡 (Bayesian Network)

貝氏定理 (5): 貝氏更新 (Bayesian Updating)

貝氏定理 (4): Likelihood in Bayes Rule

貝氏定理 (3): 貝氏因子 (Bayes Factor): 你的證據夠強嗎?

貝氏定理 (2): 應用例子 

貝氏定理 (1): 理論 (Bayesian Theorem)


Principle of Insufficient Reason

機率思維 | 蒙堤霍爾困境 (Monty Hall Problem)

機率思維 | 黑天鵝事件及肥尾效應

機率思維 | 大數法則, ⼩數定律, 賭徒謬誤, 墨菲定律


我的書架 | 思考的框架 (5): 簡單優越 (Make-it-Simple Thinking)

我的書架 | 思考的框架 (4): 第二層思維 (Second-Order Thinking) 

我的書架 | 思考的框架 (3): 逆向思維 (Inversion Thinking)

我的書架 | 思考的框架 (2b): 機率思考 - 肥尾曲線 (Fat-tailed Distribution)

我的書架 | 思考的框架 (2a): 機率思考 - 貝氏思維 (Bayesian Thinking)

我的書架 | 思考的框架 (1): 第一原理 (First Principle)


 什麼因素決定跟人買賣？(Threshold Model)



留言

發佈留言

熱門文章

有一派投資叫「動能投資」

作者：Snow Hill
圖片
有一派投資理念叫「動能投資」，其信念是： 「在短期內 ， 強者會恒強，弱者會恒弱 」，亦即：近期的強勢股會維持強勢向上的動能，而弱勢股會維持弱勢向下的動能 。 動能投資這個策略本身已經是否定了市場有效假說，與市場有效假說的核心理念相䟡足。  
Read More

展望理論 Prospect Theory (1): 價值函數 (Value Function)

作者：Snow Hill
圖片
展望理論 (Prospect Theory) 是由兩位以色列經濟學家，Daniel Kahneman （ 丹尼爾· 康納曼） 和 Amos Tversky （特沃斯基）在 1979 年在 Econometrica 的學術刊物中提出的，文章題為：“Prospect Theory: An Analysis of Decision under Risk” （展望理論 ：風險決策的分析）。Daniel Kahneman （康納曼）更因為在此研究領域上的貢獻，獲得 2002 年諾貝爾經濟學獎。要不是Amos Tversky 在 1996 年逝世，他必定與Kahneman分享諾貝爾經濟學獎。他們的研究是關於風險決策理論 －即：展望理論，指：人在自己獲利和損失的情景下，處理風險的態度差異，以致作出不同決定。推翻了以往期望效用理論中，只看效用值來作決定。 本課題會分成六部分文章來解釋展望理論，首四部分是較為學術的基礎理論（但程度不高，屬可普遍博覽的程度），最後兩部分是實際使用： 第一部分： 展望理論中的價值函數 ； 第二部分 ： 展望理論中的機率加權 ； 第三部分： 確定效應 ； 第四部分： 參考點的影響 ； 第五部分 ： 如何應用在投資上 ; 第六部分 ： 股市應用 --- 違反人性的風險決策
Read More

風險決策的兩個理論: 期望值 & 期望效用

作者：Snow Hill
圖片
  在風險決策的領域上，有三大 基礎 理論： 期望值理論 (Expected Value Theory) 期望效用理論 (Expected Utility Theory) 展望理論  (Prospect Theory) 展望理論優化了期望效用理論，是被認為最貼近人類真實的風險決策流程。 以下是其餘兩個風險決策的理論：期望值理論 (Expected Value Theory) 和期望效用理論 (Expected Utility Theory) 的簡介。 Photo by Vlada Karpovich from Pexels    
Read More

展望理論 Prospect Theory (2): 機率加權函數 (Probability Weighting Function)

作者：Snow Hill
圖片
Photo by JJ Jordon on Pixels.   展望理論中的基礎模型：  展望理論數值 (PT value) = 在模型中的兩大函數是來自展望理論中的兩大核心理論：一、是價值函數 v(x) ；二、是機率加權函數 w(P) 。 在上一篇文章，筆者巳解釋了價值函數，讀者可看： 展望理論 (1): 價值函數 。現在主要集中篇幅在機率加權函數上。     機率加權函數 在實際生活中，人們不會將機率視為數值，只會看 P = 1 時是必然發生，而 P = 0 時是必然不會發生；但在 0 < P < 1 時，人們便常用捷思直覺 (heuristic) 來判斷機率或發生的頻率，也就是說，即使機率只有1/10，但人們內心感受到的機率是多於 1/10 或少於 1/10 ，這就是機率加權，而最終形成偏誤 (bias)。
Read More

電影筆記 | First Do No Harm - (1) 故事描述

作者：Snow Hill
圖片
故事描述 First Do No Harm，譯作：不要傷害我的小孩。這是1997年的作品，由 Jim Abrahams 導演，Meryl Streep 梅莉·史翠普 主演。 故事內容是關於梅莉·史翠普飾演的Lori，是三孩之母，原本與做貨車司機的丈夫及三名孩子過著快樂的 基 層的家庭生活。但有一天幼子 Robbie 突然在玩耍中癲癇發作，便成了全家惡夢的開始。由第一次入院、由不明原因，經歷不同的檢查、驗血、驗骨髓、做電腦掃描 CT scan，到第一線藥物無效而加藥下，隨之而來的不同嚴重副作用（影響智商、嚴重活躍症、忽然暈倒），已令Lori身心俱疲。可是，醫生仍然沒有正式斷症，而加了眾多的藥物仍未能減低幼子的癲癇發作頻率和嚴重程度，反而癲癇愈來愈頻密、愈來愈嚴重。到後來的副作用更是失控的嚴重活躍症、及痴呆，醫生又再加藥來想處理副作用。而反令副作用更加嚴重，但癲癇情況不但沒有改善，反而更加差。惡性循環不斷加據。Lori 要在醫院日接夜地照顧幼子已累透。 
Read More

期望投資回報: 計算方法

作者：Snow Hill
圖片
  Photo by RODNAE Productions from Pexels. 計算方法：     Method 1:  用資本資產定價模型 (Capital Asset Pricing Model, CAPM) 來計算期望回報的話 ( 看下面公式 ) 。 企業風險報酬率是個別企業或資產的風險溢價 (risk premium) 。  
Read More

成熟也有指標 (Emotional Maturity)

作者：Snow Hill
圖片
情緒成熟 (Emotional Maturity)   筆者在 The School of Life 的 YouTube 頻道看到一個很有趣的短片，那就是：情緒成熟的訊號。 在該短片中，它介紹了心理及行為來展示一個人是否情緒成熟。筆者把它寫下跟讀者分享，希望大家有所得益。 而筆者自身也有以下的一套成熟準則，請閱下文。         Photo by Langa Hlatshwayo on Unsplash.     
Read More

機率思維 | 大數法則, ⼩數定律, 賭徒謬誤, 墨菲定律

作者：Snow Hill
圖片
大數法則 (Law of Large Numbers)  大數法則的簡明道理 ： 當事件進行的次數足夠多時，那麼其發生的頻率會隨著次數的增加，而趨向概率，也就是預期概率 。若某事件進行的次數趨向無限 (approach infinity) ，那麼那怕是極少機率的事件也幾乎必然會發生。 例 子 1 ： 擲骰子 當你擲 100 次，出現 "1" 的次數是 20 ，那頻率是 20/100 = 0.2 = 1/5 。 當你擲 10,000 次，出現 "1" 的次數是 1,900 ，那頻率是 1900/10000 = 0.19 。 當你擲 1,000,000 次，出現 "1" 的次數是 170,000 ，那頻率是 180,000/1,000,000 = 0.17 。
Read More