「充电」是创业邦推出的干货类栏目，旨在服务于繁忙都市下的互联网人、创投人士、企业家，成为碎片化时代的充电站。栏目以分享优秀书籍、电影、商业史、管理理论、精彩演讲为主题，希望能够帮你获取现学现用的足料干货，找到海量信息里最具价值的思想与内容。
今天，我们来分享书籍《信号与噪声》。作者纳特•西尔弗，是美国最具影响力的预测专家之一，检视了从飓风到地震、从经济到股市、从NBA到政治选举在内的众多领域的预测事例。本书旨在回答一个问题：如何才能从繁杂的海量数据中筛选出真正的信号，从而做出接近真相的预测。
图片来源：图虫创意
文：Dexter
连日来，全球多个国家新冠肺炎疫情升级。
世卫组织宣布，将新冠肺炎全球风险提至最高级别，全球疫情防控进入“决定性时刻”。世卫组织提倡，每个国家必须为所有可能发生的情况做好准备，任何国家都不应抱有侥幸心理。
面对持续肆虐的疫情，上海市新冠肺炎医疗救治专家组组长、复旦大学附属华山医院感染科主任张文宏，在2月28日接受媒体专访时表示：“现在中国的答卷正在交上来，确实2-4个月有可能控制住疫情，但是我们预测到了开始，没有预测到结果。”
科学的发展历程告诉我们，这个世界是一个复杂的系统。对于复杂系统，需要保持谦卑的态度，承认过去的经验不一定正确，更多依靠观察而非理论，去描述进而预测这个世界。
只有不断试错，不断完善自己的模型，才能无限逼近我们寻找的信号。
能预测总统大选的人
纳特·西尔弗，1978年出生于美国一个知识分子家庭。
他热爱棒球，早在童年时就是底特律老虎队的球迷，并且从少年时代开始，就热衷于收集和分析各种球员的数据。
2000年，纳特·西尔弗成为毕马威的一名经济咨询顾问。
不过，他似乎并不喜欢这份工作。两年后，他开始利用业余时间分析棒球，并为棒球杂志撰写评论，这是他预测分析事业的开端。
棒球和很多球类运动不同，它有着更丰富、更精确的数据统计。
西尔弗利用每年出版的公开数据，配合自己设计研发的一套数据模型，来判断一个投手的能力，并为棒球刊物撰写文章，预测球员的表现。
2004年，他从毕马威辞职，靠着风靡一时的德州扑克养活自己。
2007年，还在为棒球杂志写作的西尔弗开始撰写政治分析专栏，这个专栏后来演变成了538网站。
2008年美国大选，西尔弗的关注者从棒球迷扩展到全体公众。
因为在这一年，西尔弗利用自己研发的棒球数据预测模型，成功预测了美国大选结果。在全美50个州选举中，他成功预测了49个州的结果。
这使他一夜成名。
2012年，西尔弗再登神坛，成功预测了美国50个州的大选结果。
一时之间，出版社重金签约他的书稿，《纽约时报》邀请他开设政治专栏，并把538直接移到了自己的网站上，TED 大会邀请他演讲。
西尔弗走上了超级名人之路。
他不再是那个玩棒球数据的极客，而是一个能预测总统大选的人。
登上神坛的这一年，纳特·西尔弗的第一本书《信号与噪声》出版。它的英文副标题是“Why Most Predictions Fail but Some Don't”——为什么有些预测是错的而有些是对的。
所以，《信号与噪声》并不是一本讲信号处理的工程教科书，而是一本涉及总统选举、气象预报、医学、经济学乃至股市与赌博等不同领域的书籍。
本书所有的内容，都在讨论人为预测的心理需求，以及为什么很多预测和人们的直觉相悖。与《思考，快与慢》《魔鬼经济学》等书一样，很多内容都颠覆了传统思维。
关于预测，在《信号与噪声》这本书中，纳特·西尔弗并没有给出万灵丹，只是试图分析“预测”这件事。
准确的说，《信号与噪声》这本书只解答了两个问题，第一，为什么会出现大量的错误预测，第二，如何提高预测的准确性。
为什么预测大多是错的
纳特·西尔弗在《信号与噪声》一书中认为，我们大多数人，包括专家，在生活中往往表现得更像一个喝多了酒的司机。
他在书中写道：这个喝多了的司机正在权衡是否应该开车回家，他认为自己一生中开过大约2万次车，从来没有出过严重车祸。因此，基于庞大的样本规模 以及几乎完美的驾驶记录，他上路了。但他实际上做出了错误的决定。他的样本规模实际上为零，因为他另外2万次驾驶记录不能算数，而且那时候他更清醒。
所以，西尔弗认为问题的关键是，我们真的不善于做预测，因为我们倾向于挑选那些与观点相符的数据，而忽略其他数据。
在《信号与噪声》中，纳特·西尔弗提到，美国2007～2009年的金融危机，不仅让华尔街多家顶级投行陷入窘境，更让评级机构陷入尴尬。
以标准普尔为代表的评级机构在美国房地产泡沫、有毒债券泡沫破灭之前，乃至破灭过程中，仍在发表带有极强误导性的预测结论。
这些评级公司忽略了泡沫现象，严重低估了显示高风险的信息。
因为评级公司孤立判定许多项目内的风险，并在预估总体风险时将各项风险的概率相乘，这样就得出可以被忽略不计的极小数据；问题是，以次级债为例，涉及到的各个环节在风险上是相互连接的，即一个风险的爆发会触发其他的、系统性的风险，计算总体风险应该以最高风险值的项目为锚定。
并且，风险概率的存在，并不意味着风险事件将严格按照特定周期的时长出现，如果金融机构出现坏账的概率为5%，这并不能被理解为，在头一次坏账出现后的第20年才会曝出第2次坏账问题。
所以，归结起来，预测常常流于错误的第一个原因，就是我们对风险、概率等基本问题的不正确理解。
另外，国际政治学者常常通过大众媒体和自媒体，发表对其他国家政治选举的预测结论。一些学者的预测结论频频出错，并不是因为对影响政治选举结果的各项因素、风险、概率的理解出了问题，而是受到意识形态影响，在收集各方面信息得出预判之前，在自己的大脑里就形成了先入为主的判断，认为自己的判断是“应当正确”的判断，拒绝接受与之相反的信息。
纳特·西尔弗将这种学者称之为“刺猬型专家”，分析指出，他们虽然善于从噪声中辨识和捕捉信号，却遗漏和忽略了其他信号，预测正确率也因此降到了“路人”随机选择的胜率之下。
这样，先入为主、固执己见，就成为导致预测出错的第二个原因。
纳特·西尔弗建议人们，要注意吸取“刺猬型专家”的教训，学会“狐狸型”的预测方法，用概率的方法思考问题、重视外部信息，包括那些显示自己预判存在错误的信息，承认自己在做出判断时面临的局限性。
一个年轻运动员的成长潜力，是球探的主观经验更值得信赖，还是基于计算机平台的数据分析系统更靠谱，《信号与噪声》通过这个案例发现，只重视那些代表性存疑的数据，或者只依赖感性经验而得出预测，是预测出错的第三个原因。
但颇具讽刺意味的是，按照纳特·西尔弗的分析，导致预测出错的第四个原因，是预测者屈从于商业利益、社会观念压力而对预测结果所作的“技术性处理”。
比如，如果一项天气预报结论显示下雨，实际上并没有下雨，民众最多嘲讽预报机构“又错了”，但反过来，如果预报天晴却下了大雨，预报机构就会面临更大压力甚至诉讼。这直接推高了天气预报中的灾害天气比重。
金融机构往往也基于同样的考虑，“报喜不报忧”，免得因悲观预报信息而流失客户。
所以，预测的准确性有赖于预测者对不确定性的认识，预测者越能认识到自己的局限，对不确定性的影响越抱以敬畏，做出的预测就能相对更准确；反之，那些仅仅根据一套精妙的数据模型，或者在“大数据”系统的帮助下掌握更多信息，对不确定性不屑一顾的人，就会产生非常明显的偏离乃至错误。
如何筛选信号成功预测
在《信号与噪声》一书中，西尔弗用七章的篇幅，从失败的预测里提炼出三条准则：
首先，必须要有足够的信息，这是一切预测的大前提。如何在预测之前收集足够多的信息，也就成了预测成功与否的标准。
其次，预测需要一个适当的方法或模型，用来处理第一阶段里收集到的大量信息。
再次，以客观理性的态度对待这些信息以及经过处理后所呈现的数据。譬如在深蓝与卡斯帕罗夫对决中，深蓝就完美诠释了什么是客观与理性，相比而言，卡斯帕罗夫就稍逊一筹，当然大家都知道，深蓝只是一台机器。
在本书的第八章，西尔弗抛出了自己预测理论的基础——贝叶斯定理。
贝叶斯定理是英国数学家 托马斯·贝叶斯1763年提出的一个理论。不过，贝叶斯的生平记载很少，但有一部很重要的著作流传下来，叫《机会的学说概论》。他的思想被法国概率论学家 拉普拉斯 发扬光大，形成了统计学中的贝叶斯方法。
这个定理可能是概率论中最为有名的定理之一。
在贝叶斯的观点中，任何未知的事物都可以被建模为一个概率分布，而预测的任务就是给定最初的猜测，不断地使用新的证据、新的发现更新最初的猜测。
在贝叶斯的语境中，最初的猜测即主观的“先验概率”，经过新的证据更新之后，形成了“后验概率”。贝叶斯定理将主观的先验不停地使用新的证据更新，从而逐渐地逼近真相。简而言之，就是一句话，观念随着事实发生改变。
贝叶斯定理通过简单的计算就可以推导出重大的预测。
比如，它的一个有趣应用就是德州扑克。在德州扑克中，当玩家看到自己的底牌时，都会形成一个对其他玩家的先验概率，以后每次发牌及下注，玩家都可以通过这些公开信息，不断地更新对其他玩家的后验概率，同时根据这一预测进行下注。
实际上，科学知识的积累，也可以看成是贝叶斯定理中更新后验概率的过程。
一直以来，科学研究强调客观性。
但物理学家和哲学家迈克尔·波兰尼在《个人知识》一书中质疑：从科研工具的制造到科研过程的深入，每一个阶段都有人的主观性介入；马歇尔在《经济学原理》中也有类似的观点，认为经济学的假设都有内涵人的主观判断。
《信号与噪声》中就是上述思路的通俗的表达，也是贯穿全书的主线。
西尔弗认为预测的困难来自于测量，而测量可以分为易观察的和不易观察的。前者受人的主观性影响较小，而后者的测量更多地要依靠人的想象力和创造力。
预测成功的关键在于有没有承认人的无知，而不是对自己采用的模型和方法的科学性、客观性过于自信。
对工具本身过于自信，就不容易识别出噪音，从而失去正确的预测信号；只有承认自己的无知，下结论时遵循贝叶斯式的概率思维，才能时刻警惕噪音的存在，发现真正的信号。
贝叶斯定理在投资学中广泛应用，互联网的很多技术也依赖于此。
尽管贝叶斯定理在预测方面有非常高的成功率，但西尔弗还是反复强调预测的困难性。
因为在大数据时代，在人们拥有的数据呈指数级增长的同时，人们需要检验的因果关系，也呈指数级增长，这就导致每个因果关系成立的可能性都不高，或者说，每个因果关系成立的先验概率都不高。
在这种情况下，根据贝叶斯定理，人们极有可能在众多的因果关系中，将没有因果关系误认为存在因果关系，因而在大数据时代，人们面临的挑战也就更加严峻了。
小结
纳特·西尔弗的《信号和噪声》（The Signal and the Noise）和纳西姆·尼古拉斯·塔勒布的《反脆弱》（Antifragile）一样，都是就人们如何最大效率地利用随机性进行阐述，但他们在书中探讨的重点却有所不同，西尔弗是关于预见性，塔勒布是关于不确定性。
有趣的是，虽然在《信号与噪声》出版的2012年，西尔弗成功预测了奥巴马第二次当选总统，并且准确预测了两位总统候选人在每个州的胜负，但是在2016年的大选中，他却没预测到希拉里会落选，特朗普会上台。
所以，即便是利用经过验证的预测工具，在预测中依然有可能遭遇失败。
西尔弗认为:“从噪声中区分信号既需要科学知识，也需要自知之明，比如，平静地承认我们无法预测的事物，勇敢地说出我们能够预测的事物，并区别二者的不同。”
一个好的预测者，就应该客观中立，不受政治偏见影响，不断修正自己的预测工具，用新的数据补充原有数据，大方承认自己的缺陷和不足。
关于这一点，塔勒布在《反脆弱》中也表示：我们应该持更加开放的态度，因为成功和新发现不能事先计划，它们往往是笨手笨脚、即兴行动的结果。
1688年，牛顿发表《自然哲学的数学原理》，世界自此进入 “大科学”时代。人们认识到，天空没有宙斯的神殿，海洋也不是波塞冬的地盘。
但后来，相对论、量子力学、海森堡不确定性原理等现代物理学理论，撕裂了“绝对时空观”、“因果决定论”。
科学家的认知边界也在不断扩大，他们也有信号与噪声的问题，就如同人们对这次疫情的预测一样。
精彩语录
数据本身不能发声，但我们却可以作为数字的发言人，赋予它们意义。
我们可能会以对自己有利的方式对这些数据进行分析和解释，而这些方式很可能与这些数据（所代表）的客观现实不吻合。
预测的重要性是因为它连接着主观世界与客观现实。假设并不科学，可证伪的假设才是科学的。
贝叶斯定理（条件概率，事件A发生后事件B发生的概率是多少？）表明，必须从不同角度去思考我们的想法，以不同的方式检验想法。坦然面对各种可能性和不确定性，更加周详地考虑对一个问题的假设和看法。
最失败的预测通常有很多共同点，即我们只关注那些符合我们对这个世界的期许的信息，而不在乎其真实性。
人为的判断终究会存在潜在的偏见。只有认识到假设对预测的影响，并从自身找问题，才能做到更加客观。
语言就是一种模型，一种我们用于互相沟通的近似值。
读书笔记
