This page hasn’t been translated into English yet, so you’re reading the Chinese original. Chapters are being translated one by one.
为什么要学:卡到期以后,最常见的两种反应都不对:结果对了,就认为判断得好;结果错了,就认为方法有问题。一张卡的结果受运气的影响很大(0.8),政策问题又很少重复出现,所以复盘需要两套办法。对一张卡,按节点拆开,查清每个误差在写卡时能否知道。对许多张卡,统计校准和技能分,按议题和推理思路分组,找出系统性的偏差。毕业标准里的技能分,就是这样算出来的。
边界:本节给 14.1 的示例卡打分,示例卡的概率为演示而设定。校准和技能分的例子使用示例数据。样本量、运气范围和过程分的算法在期权课 6.7 讲过,本节只引用。数据截至 2026 年 11 月。
生活类比:下棋的复盘。赢下的一盘里也有坏棋,输掉的一盘里也有好棋。复盘按每一步当时盘面上能看到的局面评价,而不是按最后的胜负;棋手还会统计自己在哪一类局面里最常出错,例如开局还是残局。
类比的局限:棋盘上的信息完全公开,同一个局面可以反复摆出来,用软件找出最好的一步。政策判断时信息不完整,结果还受运气影响,同一个局面也不能重下。所以一张卡只能检查过程,判断的水平要靠许多张卡的统计。
给示例卡打分
Section titled “给示例卡打分”14.1 的问题是:2025 年 10 月 4 日自民党选出新总裁以后,日本银行会不会在 10 月 30 日加息。总裁选举中,高市早苗(Sanae Takaichi)胜出,小泉进次郎(Shinjiro Koizumi)落败;日本银行维持利率不变,结果记 0。
| 写下的概率 | Brier 分数 | 假如加息 |
|---|---|---|
| 示例卡:46% | 0.21 | 0.29 |
| 参照概率:OIS 56% | 0.31 | 0.19 |
| 认定高市胜出:24% | 0.06 | 0.58 |
- 读法:Brier 分数按 0.8 的算法,例如示例卡是(0.46 − 0)² ≈ 0.21,假如加息是(0.46 − 1)² ≈ 0.29。第三行按示例卡的条件概率计算:认定高市胜出,加息的概率就是 0.85 × 0.25 + 0.15 × 0.15 ≈ 24%。
按结果,示例卡好于参照概率;假如日本银行加息,名次就会颠倒,这一点 0.8 已经讲过。更值得注意的是第三行。它这一次的分数最好,写法却是把一个只有约三成可能的分支当作已经确定。按结果打分会奖励这种写法,这称为结果偏差:按结果的好坏评价当初的判断,而不看判断时能得到的信息。期权课 6.7 的「过程与结果」表中,过程差而结论成立的一格最危险,因为运气使人以为这样写也可以;这张卡正属于这一类。
情景树提供了比总分更细的复盘:每个已经揭晓的节点,都可以当作一张小卡单独打分。本例实际走到的路径是「高市胜出 → 当选首相 → 不加息」,三个节点都已揭晓。
| 节点(示例卡的概率) | 结果 | Brier 分数 |
|---|---|---|
| 高市胜出(33%) | 发生 | 0.45 |
| 胜出以后当选首相(85%) | 发生 | 0.02 |
| 高市当选以后加息(25%) | 没有发生 | 0.06 |
- 读法:Polymarket 对前两个节点合在一起给了 28%,分数是(0.28 − 1)² ≈ 0.52(洲际交易所)。
按节点看,误差集中在第一个节点,另外两个节点的分数都很好。14.1 的更新记录也单独打分:第一个节点揭晓以后的 23.5%、公明党退出以后的 22%、当选以后的 25%,分数都在 0.05 到 0.06 左右。它们的分数好,是因为写在节点揭晓之后,衡量的是更新是否及时、方向是否正确,不能与原来那张卡的分数混在一起(0.8)。
还有一个只有按节点才能看到的问题。示例卡比市场低 10 个百分点,14.2 已经说明,这个差距几乎全部来自「其他候选人当选以后加息」这一个节点。可是这个节点所在的分支没有出现,它的概率在本例中永远得不到检验。所以,示例卡在总分上胜过参照概率,靠的主要是一个没有被检验的判断,不能记作技能。没有出现的分支,要等别的卡上出现同类的分支才能检验;这也是判断水平要靠许多张卡的又一个原因。
当时能否知道
Section titled “当时能否知道”区分判断错误与运气,要回答一个具体的问题:造成误差的信息,在写卡的那一天能否得到?把第一个节点的有关信息按这个标准排列:
| 信息 | 写卡时能否得到 | 对复盘的含义 |
|---|---|---|
| Polymarket 的 28%;议员多支持小泉、60 多人未定;2024 年高市党员票领先却在决选中落败 | 能,示例卡已经使用 | 都指向小泉占优,写 30% 左右有依据 |
| 一个大派系的领导人要求本派议员在决选中投给第一轮党员票最多的人 | 要查证 | 投票以后的报道写明了这一点;如果事前已经公开而没有用,属于判断的遗漏 |
| 公明党退出联盟、美国财政部的表态 | 不能 | 发生在写卡以后,只能事先列为更新信号 |
- 读法:2024 年的先例和派系的指示,见投票以后的报道(时事通信社)。报道说,这一次决选中高市在议员票上也以 149 比 145 超过小泉,而第一轮是 64 比 80。
复盘的结论因此分三种。误差来自写卡时能得到而没有用好的信息,属于判断,要改进写卡的方法。误差来自写卡时得不到的信息,属于运气,方法不必因此改变。误差来自没有出现的分支,暂时无法判断,只记录。本例第一个节点的误差最大,它属于哪一种,取决于那条派系指示在 10 月 3 日以前是否已经见诸报道。复盘时应当去查当时的报道,而不是凭结果下结论。
把这些合起来,示例卡写出了参照概率、节点、条件概率、敏感性和更新信号,过程完整;结果也好,在期权课 6.7 的四格中属于过程好而结论成立的一格。但是结果好的原因主要不在判断,所以这张卡的教训是「过程可以保持」,而不是「判断得到了证明」。
许多张卡:校准
Section titled “许多张卡:校准”一张卡只能检查过程,判断的水平要看许多张卡(0.8)。下面是一份观点日志中已经打分的 40 张卡(示例数据,非实时),按写下的概率分为四档:
| 写下的概率 | 发生 / 张数 | 运气范围 |
|---|---|---|
| 10%–29%(按 20% 算) | 1 / 8 | 0%–48% |
| 30%–49%(按 40% 算) | 3 / 10 | 9%–71% |
| 50%–69%(按 60% 算) | 8 / 12 | 32%–88% |
| 70%–89%(按 80% 算) | 6 / 10 | 55%–100% |
- 读法:运气范围是每档的概率加减 2 个标准误,算法见期权课 6.7。以最高一档为例,标准误 = √(0.8 × 0.2 ÷ 10)≈ 12.6 个百分点,范围是 80% ± 25%,上限封顶在 100%。
四档实际发生的比例依次是 13%、30%、67% 和 60%,都在运气范围之内。最需要留意的是最高一档:写 80% 左右的卡只发生了六成,方向上是过度自信。但 10 张卡不足以说明问题,先记录,等这一档积累到 30 张左右再判断(期权课 6.7)。
技能分:按议题和推理思路
Section titled “技能分:按议题和推理思路”校准回答「写下的概率准不准」,技能分回答「比参照概率好多少」(0.8)。同一批 40 张卡,先按议题分组:
| 议题(张数) | 自己 / 参照 | 技能分 |
|---|---|---|
| 央行(12) | 0.17 / 0.21 | 0.19 |
| 财政(10) | 0.22 / 0.21 | −0.05 |
| 选举与政党(8) | 0.30 / 0.22 | −0.36 |
| 贸易(10) | 0.18 / 0.23 | 0.22 |
| 合计(40) | 0.211 / 0.217 | 0.03 |
再按推理思路分组,即写卡时在「3I 框架」一栏末尾注明的主要依据,只写一个词(1.3):
| 主要思路(张数) | 自己 / 参照 | 技能分 |
|---|---|---|
| 货币(14) | 0.16 / 0.21 | 0.24 |
| 总需求(8) | 0.22 / 0.22 | 0.00 |
| 民意(10) | 0.30 / 0.23 | −0.30 |
| 供给(8) | 0.18 / 0.21 | 0.14 |
| 合计(40) | 0.211 / 0.217 | 0.03 |
- 读法:中间一列是平均 Brier 分数,前面是自己的,后面是参照概率的;技能分 = 1 − 自己 ÷ 参照。
合计的技能分是 0.03,大于 0,满足毕业标准中的这一条(专题总纲)。两种分组回答不同的问题。按议题分组,说明在哪一类问题上不如参照概率,这里是选举与政党。按推理思路分组,说明怎样出错,这里是主要依据民意的卡:根据民调、舆论和叙事调整的幅度,可能大于这些证据所能支持的程度。两张表也可能指向同一批卡,例如选举的卡多半依据民意;分清这一点,要等张数足够以后做交叉统计。
每组只有 8 到 14 张卡,差距可能来自运气。期权课 6.7 的规则是,一组达到约 30 张以前只记录、不下结论,改进时一次只改一处。所以合理的下一步是写一条可以检查的规则,例如「只依据民意调整时,偏离参照概率不超过 10 个百分点」,等改动之后的卡积累到约 30 张,再比较改动前后的技能分。
把大问题分解成小问题
Section titled “把大问题分解成小问题”0.8 要求多数卡在 2–8 周内揭晓,长期的问题要拆成几个短期的问题。情景树提供了拆分的办法:大问题的每个节点,都是一个可以单独写卡的小问题。
以「新首相上任以后,日本银行会不会推迟加息?」为例。这个问题没有截止日,「推迟」也没有标准,到期无法打分。按情景树把它拆开:
| 小问题 | 判定来源 | 10 月 3 日的参照概率 |
|---|---|---|
| 10 月 4 日高市是否胜出? | 自民党公布的结果 | 约 28%(成为首相) |
| 10 月 29 日前,自民党总裁是否当选首相? | 国会的指名表决 | 没有单独的市场价格 |
| 10 月 30 日日本银行是否加息? | 日本银行的公告 | 约 56% |
| 12 月 19 日前日本银行是否加息? | 日本银行的公告 | 约 68% |
- 读法:参照概率的出处见 14.1 和 14.2。到 12 月为止加息的 68%,取自利率掉期(路透社)。
四个小问题的答案依次是「是」「是」「否」「是」:12 月 19 日,日本银行一致决定把政策利率提高到 0.75%(日本银行)。大问题如果定义为「12 月 19 日前不加息」,答案是「否」:加息推迟了,只推迟了一次会议。
第四个小问题还说明了怎样评价更新。总裁选举以后,市场把到 12 月为止加息的概率从 68% 降到 41%(路透社)。按最后的结果,这次更新使分数从(0.68 − 1)² ≈ 0.10 变成(0.41 − 1)² ≈ 0.35,更新反而离结果更远。可是按当时的信息,第一个节点出现了可能性较小的分支,下调是合理的。评价一次更新,与评价原来的卡一样,要看当时的信息,而不是只看结果。
分解有三个好处。第一,反馈更快:每个小问题几周之内揭晓,校准所需的张数积累得更快。第二,每个小问题可以找到自己的参照概率,例如政治节点看预测市场,政策节点看利率掉期。第三,误差可以定位到节点上,复盘时知道错在政治判断还是对央行的判断。
分解也有两个限定。第一,节点之间往往相互影响,所以要写条件概率,不能把各节点当作互不相关的事件直接相乘(14.1)。第二,一个结论要求的节点越多,各节点的误差越容易累积,概率也下降得越快:五个各为 80% 的节点同时成立,概率只有 0.8 的五次方,约 33%。所以只拆到每个小问题都有判定来源、截止日和参照概率为止。
- 渠道:复盘不只针对概率,也针对 14.2 的资产映射。每条渠道在每个分支下的方向,也可以写成小卡打分,例如「高市胜出时 2 年期收益率下降」。方向对而幅度错,常常是因为没有先读出价格里的概率(期权课 4.1)。
- 有日期的事件:复盘本身也有日期。每张卡在复查日打分;每积累 10 张,做一次分组统计(0.8);改动一条规则以后,等新卡积累到约 30 张再比较前后。本例的小问题各有自己的揭晓日:10 月 4 日、21 日、30 日和 12 月 19 日。
- 与期权课的衔接:期权课 6.7 讲观点日志的复盘、样本量和「过程与结果」。本节把同样的方法用在政策观点卡上,增加了两步:按节点打分,以及查清误差在写卡时能否知道。
常见误区:
- 「示例卡的分数比市场好,说明它比市场准。」——差距来自一个没有出现的分支,那个判断在本例中没有被检验;一张卡也不足以比较水平(0.8)。
- 「误差最大的节点,就是判断错了的节点。」——要先查清决定这个节点的信息在写卡时能否得到。能得到而没有用好,属于判断;得不到,属于运气,方法不必因此改变。
- 「某一类议题的技能分为负,以后就不写这一类卡。」——每组只有 8 到 14 张卡,差距可能来自运气。先写一条可以检查的规则,等新卡积累到约 30 张再比较(期权课 6.7)。
- 「问题拆得越细越好。」——节点越多,误差越容易累积,节点之间也并不独立。只拆到每个小问题都有判定来源、截止日和参照概率为止。
思考题:
- 示例卡写 46%,参照概率是 56%,结果没有发生。这一张卡的技能分是多少?它能说明示例卡比市场准吗?(答:示例卡的 Brier 分数是 0.46² = 0.2116,参照是 0.56² = 0.3136,技能分 = 1 − 0.2116 ÷ 0.3136 ≈ 0.33。不能。假如结果相反,名次会颠倒;而且差距来自「其他候选人当选以后加息」这个节点,它所在的分支没有出现,判断没有受到检验。)
- 你的观点日志中,主要依据民意的 10 张卡平均 Brier 分数是 0.30,参照概率是 0.23。技能分是多少?下一步怎么做?(答:1 − 0.30 ÷ 0.23 ≈ −0.30。10 张卡不足以下结论。先查这 10 张卡偏离参照概率的方向和幅度,例如是否常常因为民调或舆论把概率调得太远。然后写一条能检查的规则,例如「只依据民意调整时,偏离参照概率不超过 10 个百分点」,等新卡积累到约 30 张再比较前后(期权课 6.7)。)
- 把「美国明年会不会出现衰退?」分解成几个能在 2–8 周内揭晓的小问题,并为每个写出判定来源。(答:例如:下个月公布的非农就业人数是否减少,判定来源是美国劳工统计局;下一次议息会议是否降息,判定来源是美联储的声明;下一次公布的季度 GDP 初值是否为负增长,判定来源是美国经济分析局。每个小问题都有截止日、判定来源和参照概率,例如利率期货给出的降息概率;大问题的判断随这些小问题的结果逐步更新。)
关键术语:
| 中文 | English | 释义 |
|---|---|---|
| 结果偏差 | outcome bias | 按结果的好坏评价当初的判断或决定,而不看判断时能得到的信息 |
| 问题分解 | question decomposition | 把没有截止日或标准不清的大问题,拆成几个有判定来源和截止日、可以分别打分的小问题 |
仅供学习,不构成投资建议。课程里的价格和数据都是标注过的示例,不是实时行情。