不确定性：归因偏差与认知象限

归因偏差

在短时间内无法分析自己的能力是否真正有所过人，又或者在市场中战胜市场又是否是短时间的策略偏向长时间则业绩平平。

环境与个人的偏见差别，著名的议员扔飞镖选股事件说明大盘难以战胜的分歧并不在于选股能力。

早期市场就已经有“随机布朗运动”的猜想，后来被纠错又引入“有效市场假说”来“填补错误”，这个过程是在追寻“完美的理论”，事实上社会科学理论难以媲美自然科学的准确和重现。

回到归因问题，最常见的还有平均回归，“跑回归”的时候我们真的能弄清楚自变量和因变量的关系吗？如果单纯从学生成绩的案例来看，成绩有可能是考试难度、评分准则等系统性因素导致，也有可能是个人倾向，以往成绩（代表了部分教育的基础）等非系统性因素，当平均出来的成绩，难道不存在非学习因素也影响了成绩，这个时候计量的人就会告诉使用更多的数据（难度系数，班级大数据，重复测试），最终跑回归，得出自由度、SST、SSR、SSE，然后假设检验，SSR 的 F 值是否大于相对 F 得出统计显著，然后再告诉我这个变量是否影响了学习的成绩，那么问题是我们应该把回归现象的归因为学生个人的学习进步，还是随机性？

再继续进行试验分析的意义不大，有时候筛选统计显著性最大的几个就足够了，引入概率使用模糊的正确，这使得统计学在社会实验中不再要求“准确”，而是概率上的可能。

认知的象限

“I’m not going to say which it is,” Rumsfeld replied with a grin. Perhaps he knew and wasn’t telling. Perhaps he didn’t know. Perhaps he believed that he knew, and that was enough — for him, if not for the country, which would be drained of blood and treasure by catastrophic interventions in Afghanistan and Iraq.

人所能意识内的都居于前者的“已知”，后者的已知取决于“可发现性”。

如果用风控模型来区分：

已知的已知：大部分显著且容易察觉的信息，例如对央行加息，经济或行业报告进行计量统计等，大部分人都能察觉的事物

已知的未知：黑天鹅——小概率且影响巨大，人们对此罕有认识，往往通过数据挖掘、远见分析、沙盘推演等非常规的认识方式认知

未知的已知：灰犀牛——大概率且影响巨大，人们对此视而不见，但它是可被发现的

未知的未知：AI，ML，隐藏在数据内部的信息，不可通过经验主义预见