一、芒格怎么说
「当你试图证明自己正确的时候，你的大脑会自动过滤掉反对的证据。
真正的理性思考要求你主动寻找反对自己的证据——
如果你不能比任何人都更好地反驳自己的观点，你就还没有资格持有这个观点。」
（原文）”It’s not supposed to be easy. Anyone who finds it easy is stupid.”
—— 查理·芒格，《穷查理宝典》Poor Charlie’s Almanack，Peter Kaufman 编，2005年
「先问：这类事情一般有多大概率发生？然后再看这个具体案例有什么特别之处。
大多数人跳过第一步，直接跳到第二步——这是最常见的判断错误。」
—— 查理·芒格，USC 商学院演讲，”A Lesson on Elementary Worldly Wisdom”，1994年
二、核心概念（不用公式）
一句话版本
当你得到新证据的时候，不要从零开始判断，而是在你原有的判断基础上更新。
三个关键词
-
先验概率：在看到任何具体证据之前，你对这件事的初始判断（基础概率）
-
证据强度：这条证据在「你猜对」时有多常见，在「你猜错」时有多常见——两者差距越大，证据越强
-
后验概率：看到证据之后，更新过的新判断
为什么数学弱的人看不懂贝叶斯
-
教科书先给公式：P(A|B) = P(B|A) × P(A) / P(B)——完全不知道在说什么
-
实际上贝叶斯的逻辑非常日常：你每天都在做贝叶斯更新，只是没有意识到
-
朋友约好来，没准时出现 → 你更新「他迟到」的概率；又过10分钟还没来 → 再次更新
三、底层机制
第一层：先验概率——你永远带着初始判断
-
贝叶斯的出发点：对任何事情，在看证据之前，你心里都有一个初始概率
-
这个初始概率不是凭空产生的，来自「这类事情的基础发生率」
-
最常见的错误：直接跳过先验，被具体细节带走——芒格称之为忽视「基础概率」（Base Rate）
第二层：证据强度决定更新幅度
-
强证据 = 在「猜对」时很常见，在「猜错」时很罕见 → 大幅更新
-
弱证据 = 在两种情况下出现概率差不多 → 几乎不更新
-
负向证据 = 在「猜对」时反而罕见 → 反向更新，降低概率
第三层：确认偏误是贝叶斯的天敌
-
人类大脑天然做「确认性更新」——只更新支持自己判断的证据
-
忽略反对的证据，等于只做了一半贝叶斯
-
芒格的解法：越相信一件事，越要主动找反对的证据——这才是完整的贝叶斯更新
第四层：多条独立证据叠加，才能可靠
-
一条证据再强，也可能是巧合
-
多条独立证据都指向同一方向 → 后验概率才能真正接近确定
-
芒格的多元框架：从财务、竞争格局、管理层行为、行业历史多角度看同一公司，本质就是在做多条独立证据的贝叶斯叠加
第五层：不行动也是一个选择
-
贝叶斯更新之后，如果后验概率不够高（比如不到70%），正确答案是：等待
-
芒格原则：「一年做一两次决策就够了」——他在等后验概率足够高才行动，不在50%就押注
四、真实案例
【案例一】医院检测——最反直觉的贝叶斯经典题
【案例】
-
某病的患病率：1000人里有1人（0.1%）
-
检测准确率99%：真正有病的人99%检出阳性；没病的人1%被误判阳性
-
你去检测，结果是阳性。你有病的概率是多少？
【结果】
-
大多数人直觉回答：99%
-
正确答案：约9%
-
为什么？用人话算：
-
1000人里，1个真正有病 → 99%概率阳性 → 约1人阳性
-
999个没病的 → 1%误判阳性 → 约10人阳性
-
总共约11人阳性，其中只有1人真正有病 → 1/11 ≈ 9%
-
教训：先验概率（患病率0.1%）极低，即使证据很强（99%准确率），后验概率也远低于直觉
【来源】
Daniel Kahneman，Thinking, Fast and Slow，第15章；原始问题来自 Eddy，1982年，Medical Decision Making
【案例二】法庭上的贝叶斯——无罪推定的数学含义
【案例】
-
陪审团在开庭前，对被告有罪的先验概率应该接近0——这就是「无罪推定」的数学含义
-
检察官每一条证据都在更新这个概率
-
只有当所有证据叠加后，有罪的后验概率超过「排除合理怀疑」的门槛，才能定罪
【结果】
-
贝叶斯框架完美解释了为什么法律要求「排除合理怀疑」而不是「超过50%概率」
-
一条有力证据不够——需要多条独立证据叠加，才能把先验从接近0推到足够高
【来源】
Tribe, L.H.，”Trial by Mathematics”，Harvard Law Review，1971年，Vol.84，p.1329–1393
【案例三】埃德·索普用贝叶斯打败21点赌场（1960年代）
【案例】
-
数学家 Edward Thorp 用卡牌计数，实时更新「下一张牌对玩家有利」的概率
-
开局时先验：玩家胜率约49%（略低于庄家）
-
每翻一张牌，他就更新后验概率：剩余牌堆对谁有利？
-
当后验概率明显有利于玩家时，大幅加注；后验概率不利时，最小注或不下
【结果】
-
在拉斯维加斯多家赌场持续赢钱，被多次驱逐
-
这套方法后来用于金融市场，20年几乎无亏损年，年化约19%
-
关键：索普不是在「赌」，是在等贝叶斯后验概率对自己足够有利时才行动
【来源】
Edward O. Thorp，Beat the Dealer，Random House，1962年；A Man for All Markets，Random House，2017年
五、芒格具体怎么用
第一步：先问基础概率，再看具体案例
-
判断一家新餐厅会不会成功——大多数人听老板讲故事，觉得有激情就有希望
-
芒格做法：先问「餐厅五年内关门的基础概率是多少？」（约80%）
-
然后再看这个具体餐厅有什么特别之处，能不能跑赢80%的基础失败率
-
如果没有足够强的差异化证据，先验80%失败率就是你的判断起点
第二步：主动找反对证据
-
芒格越相信一件事，越主动寻找反对它的证据
-
这是强制自己做完整贝叶斯更新——不只更新支持的证据，也更新反对的证据
-
具体做法：列出「如果我错了，最可能的原因是什么」，逐一检验
第三步：多元框架 = 多条独立证据叠加
-
同一家公司，用财务、竞争格局、管理层行为、行业历史分别独立判断
-
每个角度都是一条独立证据，分别更新后验概率
-
多个框架都指向同一方向 → 后验概率才足够可靠
-
关键词「独立」：如果所有信息来自同一个来源（比如同一篇分析报告），就不是独立证据，叠加也没有意义
第四步：等待高确信度才行动
-
芒格不在后验概率50%、60%时行动
-
他在等待「非常确定」——后验概率需要足够高，机会足够明显
-
原话：「一年做一两次决策就够了」——大多数时候他在观察、更新，不在行动
六、我的例子（附AI诊断）
例子原文
「北京房地产2026年下跌概率，如果用贝叶斯的角度，可以这么考虑：
1. 北京房地产过去一段时间内的价格趋势统计（比如50年），根据这个趋势预估一个基础概率
2. 再收集各种证据，不断计算后验概率」
—— Hazel，2026-07-07
AI的分析
你的思路方向完全正确——先建立基础概率，再用证据逐步更新。但有两处需要更正和补充：
更正一：先验概率的来源
-
你说「根据北京50年价格趋势」——北京房地产市场化只有约30年历史（1998年房改），50年数据不存在
-
更根本的问题：历史趋势本身是一条证据，不等于先验概率
-
正确的先验应该来自「基础概率」：全球主要城市房价年度下跌的历史频率
-
查阅历史数据：主要城市房价年度下跌的概率约25-35%，即每3-4年有一次年度下跌
-
结论：在不知道任何北京特有信息之前，你的先验应该是「下跌概率约30%」
更正二：更新方式
-
每条证据都要问：「这个证据，在房价下跌时更常见，还是在房价上涨时更常见？」
-
两者差距越大，证据越强，更新幅度越大
正确的贝叶斯更新示范（北京房价2026年下跌概率）
-
起点——先验：全球城市年度下跌基础概率 → 30%
-
证据1 北京人口持续净流入：净流入城市房价更有支撑，下跌时罕见 → 更新至 22%
-
证据2 房价收入比处于历史高位：高估值城市更易下跌，这在下跌前常见 → 更新至 35%
-
证据3 限购限贷政策仍在执行：政策托底，下跌时政府会干预 → 更新至 28%
-
证据4 2025年成交量同比下降30%：成交量萎缩是下跌前兆，强负向信号 → 更新至 42%
-
证据5 开发商库存处于历史高位：供给压力大，下跌时更常见 → 更新至 52%
-
证据6 央行持续降息刺激需求：降息支撑购买力，对抗下跌 → 更新至 44%
最终后验概率：约44%
-
含义：下跌概率和上涨概率接近五五开，没有明显方向
-
芒格会怎么做：确信度不到70-80%，不行动。继续观察，等待新证据把概率推向更明确的方向
-
你的买黄金教训：你当时只用了一条信息源驱动决策，等于只做了一条证据的更新就行动了。贝叶斯要求至少3-5条独立证据，且来源真正独立
一句给女儿的提炼
「做判断不是找一个理由就押注，也不是找一个坏消息就放弃。
先问：这类事情一般有多大概率发生？
然后每发现一条证据，就更新一次你的判断。
当你足够确定（比如超过八成），再行动。」
七、一句话总结
贝叶斯思维说：判断是一个不断更新的概率，不是一个等待被证明的结论——新证据来了按比例更新，不推翻重来，也不视而不见，等到足够确定再行动。
延伸思考
贝叶斯 vs. 信号与噪声：两个模型怎么配合
-
信号与噪声帮你判断：这条信息是信号还是噪声？值不值得更新概率？
-
贝叶斯帮你判断：这条信号应该让我的概率更新多少？
-
配合使用：先用信号/噪声过滤掉噪声，再用贝叶斯更新被确认为信号的证据
-
防止滥用：如果每条噪声都做贝叶斯更新，概率会被随机信息拉来拉去，反而更差
贝叶斯 vs. 均值回归：什么时候用哪个
-
均值回归说：极端值之后，大概率回归平均——这是先验
-
贝叶斯说：用你观察到的具体证据更新这个先验
-
例子：基金连续3年超额收益（均值回归先验：大概率回归）→ 但如果你发现他有真实的选股能力（新证据），贝叶斯让你更新先验，不盲目押注均值回归
参考书目
-
Thomas Bayes，”An Essay towards Solving a Problem in the Doctrine of Chances”，Philosophical Transactions of the Royal Society，1763年（原始论文）
-
Daniel Kahneman，《思考，快与慢》Thinking, Fast and Slow，Farrar, Straus and Giroux，2011年（微信读书：https://weread.qq.com/web/bookDetail/18932ba0811e39957g012054）
-
Nate Silver，《信号与噪声》The Signal and the Noise，Penguin Press，2012年（豆瓣：https://book.douban.com/subject/20393378/）
-
Sharon Bertsch McGrayne，《贝叶斯的博弈》The Theory That Would Not Die，Yale University Press，2011年（豆瓣：https://book.douban.com/subject/10666101/）
-
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/c5b32d80718ff63ec5bec4b）