芒格思维模型·第004课·均值回归（Mean Reversion）

2026年7月6日

一、芒格怎么说

「不要把运气误认为能力，不要把随机的好结果当成可重复的系统。

极端的成功往往含有大量运气成分，下一次不会自动重演。」

（原文）”Don’t confuse luck with skill. Extreme outcomes often contain

a large dose of luck and won’t automatically repeat.”

—— 查理·芒格，Poor Charlie’s Almanack，Peter Kaufman 编，2005年

二、学科权威定义

统计学原始来源

「在遗传身高研究中，父母处于极端值的后代，往往向群体均值回归，而非同样极端。」

（原文）”In hereditary stature, the offspring of parents who lie at the extremes

tend to revert towards mediocrity, towards the mean of the group.”

—— Francis Galton，”Regression Towards Mediocrity in Hereditary Stature”，

Journal of the Anthropological Institute，1886年，Vol.15，p.246–263

金融经济学

「均值回归是指资产价格或收益率在偏离长期均值后，存在向均值靠拢的统计倾向。」

（原文）”Mean reversion refers to the phenomenon whereby asset prices and returns

eventually move back towards their long-run mean or average level.”

—— Eugene F. Fama & Kenneth R. French，”Permanent and Temporary Components of Stock Prices”，

Journal of Political Economy，1988年，Vol.96，No.2，p.246–273

心理学·回归谬误

「人们系统性地忽视均值回归，倾向于把随机波动后的正常回归，错误归因于自己的干预行为。」

（原文）”Regression to the mean is a ubiquitous phenomenon that is often misunderstood.

People tend to attribute improvements after extreme outcomes to their own interventions,

when in fact they are simply regression effects.”

—— Daniel Kahneman，Thinking, Fast and Slow，Farrar, Straus and Giroux，2011年，第17章，p.175–184

三、底层机制

第一原理：极端值 = 真实水平 + 随机波动

  • 任何观测值由两部分组成：底层真实水平（信号）+ 当次随机误差（噪声）

  • 极端值之所以极端，往往是因为随机误差碰巧也偏向了同一方向

  • 下一次随机误差不太可能再次「帮忙」偏向同一方向，结果自然更接近真实水平

  • 关键：这不是有力量在「拉」，是随机性的数学必然，背后没有任何物理或因果机制

适用前提：底层机制没有改变

  • 均值回归只在系统的底层规律稳定时成立

  • 如果出现真实的结构性变化（新技术、新能力、新环境），极端值可能代表的是新均值

  • 核心判断：区分「信号」（真实结构变化）和「噪声」（随机波动）

回归谬误：最常见的认知陷阱

  • 把「自然回归」的功劳或罪责归到自己的干预上

  • 批评之后变好、奖励之后变差——很可能只是均值回归，而非干预在起作用

  • 卡尼曼发现：以色列空军教官把飞行员成绩的自然回归，误以为是批评/奖励的效果

四、真实案例

【案例一】高尔顿的父子身高研究（1886年）

【案例】英国统计学家 Francis Galton 测量了 928 对父子身高

  • 极高的父亲，儿子平均身高比父亲矮；极矮的父亲，儿子平均身高比父亲高

  • 两代人之间存在向人群平均值「回归」的趋势

【结果】

  • 高尔顿由此提出「回归均值」概念，成为整个统计学「回归分析」的理论基础

  • 同时指出：这并不意味着人群会越来越趋同——极端值在下一代仍然会出现

【来源】

Francis Galton，”Regression Towards Mediocrity in Hereditary Stature”，Journal of the Anthropological Institute，1886年，Vol.15，p.246–263

【案例二】以色列空军教官与飞行员训练（卡尼曼亲历，1960年代）

【案例】

  • 卡尼曼为以色列空军讲授心理学，一名资深教官说：

  • 「夸奖的飞行员，下次表现都变差了；批评的，下次都变好了」

  • 所有教官都有相同观察，得出结论：「批评有效，夸奖有害」

【结果】

  • 这是教科书级别的均值回归案例——飞行员极好或极差表现之后，下次自然向平均水平回归

  • 与教官的奖惩完全无关，却被误读为因果关系

  • 成为《思考，快与慢》第17章核心案例，也是「回归谬误」最著名的例证

【来源】

Daniel Kahneman，Thinking, Fast and Slow，Farrar, Straus and Giroux，2011年，第17章

【案例三】「体育画报魔咒」Sports Illustrated Jinx（1954年至今）

【案例】

  • 运动员登上《体育画报》封面后，成绩往往明显下滑，被称为「体育画报魔咒」

  • 许多人相信这是封面带来的压力、分心或「诅咒」造成的

【结果】

  • 统计分析表明这是经典的均值回归

  • 运动员登上封面通常因为刚经历职业生涯中最突出的一段——而极端表现本身包含大量运气成分

  • 之后回归正常水平，是统计必然，而非「魔咒」

【来源】

Tobias J. Moskowitz & L. Jon Wertheim，Scorecasting，Crown Archetype，2011年，第8章

五、如何用它思考

  • 1. 极端结果出现时，先问：这次的极端，有多少是运气（噪声），有多少是真实能力（信号）？

  • 2. 底层机制有没有变：条件不变 → 大概率回归；有真实结构性改变 → 均值回归不适用

  • 3. 警惕回归谬误：别把「自然回归」的功劳归到自己的干预上

  • 4. 投资和管理中：公司爆炸性增长 → 先判断是周期波动还是护城河突破，再决定是否用均值回归预测

进阶问题

  • 你最近对某件事的判断，有没有可能是把均值回归误解为因果关系？

  • 你上次给出的奖励或惩罚，结果真的是你的行动导致的吗？

六、我的例子（附AI诊断）

例子原文

「果园里如果收获了一个特别硕大的果实，不能推测这个果园还能再产出硕大的果实，

除非这个硕大的果实确实在培育方法上有别于其他果子。

但如果都是一样的培育方式，按照均值回归，后面再生产出来的果子更可能回归平均值附近。」

—— Hazel，2026-07-06

我的分析

  • 核心判断框架：你在例子里隐含了均值回归最关键的适用判断——「底层机制有没有变」

第一，你准确抓住了均值回归的适用前提

  • 「如果培育方式一样」→ 确认底层机制没变

  • 高尔顿自己也强调：回归效应成立的前提是系统的生成机制保持稳定

  • 你本能地把这个前提说出来了，比大多数人直接套用均值回归要严谨得多

第二，你识别了均值回归失效的例外情况

  • 「除非培育方法有别」→ 对应真实的结构性原因（新品种、新技术、新土壤）

  • 这在统计学上叫区分「信号」（signal）和「噪声」（noise）

  • 均值回归只适用于噪声部分，不适用于真实信号

第三，这个框架直接延伸到投资和管理

  • 公司某季度利润爆炸性增长 → 先问：培育方式变了吗？

  • 行业周期波动（培育方式没变）→ 均值回归，下一季度大概率回落

  • 真实商业模式突破（培育方式变了）→ 信号，不能简单用均值回归预测

  • 这是巴菲特判断「护城河」的底层逻辑之一

一句给女儿的提炼

「用均值回归之前，先问：这次的极端，是运气还是能力？是噪声还是信号？」

七、一句话总结

极端不会持续——除非它不是偶然，而是你真的做了什么不同的事。

延伸思考

均值回归和混沌理论有关系吗？

「均值回归和混沌理论有关系吗？混沌理论也请介绍下。」

—— Hazel，2026-07-06

混沌理论是什么

  • 来源：动力系统数学，Edward Lorenz，1963年

  • 核心：确定性系统也可以产生不可预测的行为——因为对初始条件极度敏感（蝴蝶效应）

  • 洛伦兹研究大气模型：初始值从 0.506127 改成 0.506，模拟结果完全不同

  • 系统完全确定（没有随机性），但微小误差会指数级放大

两者的核心区别

  • 均值回归：来源于随机性/统计 → 均值方向可预测，难在「随机」

  • 混沌理论：来源于确定性非线性动力学 → 长期不可预测，难在「误差指数级放大」

  • 共同点：两者都在说「预测很难」，但难的原因完全不同

交叉点——奇异吸引子（Strange Attractor）

  • 混沌系统里，轨迹虽然永不重复，但长期被限制在某个有界区域内游荡

  • 表面上像「均值附近的范围」，但不是真正的均值回归

  • 洛伦兹吸引子：轨迹在两个「翅膀」之间反复跳跃，永不重复，也永远不跑到无限远

参考书目

  • Francis Galton，”Regression Towards Mediocrity in Hereditary Stature”，Journal of the Anthropological Institute，1886年

  • Daniel Kahneman，《思考，快与慢》Thinking, Fast and Slow，2011年（微信读书：https://weread.qq.com/web/bookDetail/bd232510718ff5d2bd29b5c）

  • Tobias Moskowitz & Jon Wertheim，Scorecasting，Crown Archetype，2011年（豆瓣：https://book.douban.com/subject/6712064/）

  • Eugene Fama & Kenneth French，”Permanent and Temporary Components of Stock Prices”，Journal of Political Economy，1988年

  • 查理·芒格，《穷查理宝典》Poor Charlie’s Almanack，Peter Kaufman 编，2005年（微信读书：https://weread.qq.com/web/bookDetail/e4a32e70718ff5f9e4adfcd）

在 Substack 上阅读原文 →