在我们信息收集阶段完成后,就会开始信息加工阶段。在这个阶段,人最容易犯的就是——代表性偏差。
举个栗子,猜猜下面描述的两个人的职业:
小张很害羞,乐于助人,但对周围发生的事不太关心,喜欢活在自己的世界里。
她很整洁,做任何事都很有条理,关注细节。
请问,你认为,小张更可能是从事以下哪种职业的?农民、图书管理员?很多人都会猜是图书管理员。
为什么呢?也许你觉得刚才描述的这些特征也太像一个图书管理员了,有99%都像,比农民要像得多啊。但这真的就能说明小张最有可能是图书管理员吗?——并不是
如果换成理性人,他们会按照贝叶斯法则来计算小张从事图书管理员工作的概率。
贝叶斯法则测算的真实概率由两个概率的乘积构成,第一个概率就是刚才看中的那一项99%,指的是给出的这些描述“有多像”一个图书管理员。这些描述确实很像,假定概率高达99%,这一项就被称为“代表性”。但真实概率除了这一项之外,还有一项,被称为无条件概率。无条件概率不依赖于任何条件,当然也不依赖于我刚才对小张的那一堆描述。
无条件概率可以理解为,在大街上随手一指,这个人就是图书管理员的概率。一指就猜对的概率可能不足10万分之一。
比较之下,我们再来计算一下小张是农民这个职业的概率。这些描述也太不像是个农民了,但是假设100个农民中,有一个人符合描述的这些特点,所以,第一个概率,“代表性”的概率是1%。但是,中国的农业人口占总人口的50%,这第二个概率就非常大了。
两个概率的乘积,图书管理员职业的99%乘以10万分之一,远远小于农民职业的1%乘以50%。所以,理性人的回答是:小张是农民的可能性更大。
所以,脱口而出认为小张是图书管理员就错在——太关注代表性特征,而忽略了其他信息。当某件事的代表性特征一展现出来,你会立即做出判断。
人总是倾向于根据代表性特征来冲动地做判断,这就被称为认知的代表性偏差。
在金融市场中,代表性偏差非常常见。
例如,你看到某位基金经理连续获得金牛奖,就立即做出判断:他一定是一个好基金经理。
实际上,要得出正确结论,还有很多决定性的其他信息,比如他这几次成功是偶然的,不能归于能力,如果时间放长一点,或考虑到公司、团队、工作经历的偶然性等因素,这种随机性就会消失。
再例如,一家公司连续3年利润都翻番,然后立即对它的股票做出判断——买!还是错在代表性偏差。连续3年利润翻番,是一个好公司的代表性特征。但这并不意味着这家公司真的就是一家好公司,这家公司还有好多信息都被你忽略掉了。
比如说,公司高管近期需要减持股票,业绩可能是有意调整出来的;或者,这家公司未来的盈利机会消失,业绩不能持续。你被公司的一些代表性特征吸引了,就立即判断了。
再举个例子,你一位平时很靠谱的朋友给你推荐了一只股票,出于对他的信任立刻买入,犯的也是代表性偏差的错。因为是你朋友靠谱。你太看中这个代表性特征了,股票被你这个靠谱的朋友推荐了,那还能不是一只好股票吗?实际上,一只股票好不好,被你朋友推荐与否这个因素实在是太不重要了。你忽略了好多公司的其他信息。
所以,代表性偏差了在生活中无处不在,随时随地影响着我们的判断。
为什么会造成代表性偏差?
将“大数定律”误用为“小数定律”。
“大数定律”是概率论历史上第一个极限定理,指的是当试验次数足够多的时候呈现的统计规律性。
例如,扔硬币,若次数足够多,出现正面的频率应该无限接近于概率——1/2。你需要注意的是,大数定律,需要数据量足够多、样本量足够大才能下结论。
代表性偏差,则是人们误用了大数定律,只用少量样本就做决策,这种错误被称为“小数定律”。
以扔硬币为例,当连续6次都正面朝上,让你下注押,你可能会押反面?即使赌场高手也会犯这个错误,所以小数定律也被称为“赌徒谬误”。
小数定律错在了小样本是不可以用来下统计推断的。在小数这里,都是偶然,下一次出现正、反的概率仍然相等。
代表性偏差就是错在了用小样本的很少信息来做判断。这种小样本的代表性偏差同样容易出现在金融市场里,比如挑选基金经理、评选分析师、预测公司盈余、预测市场、挑选股票等等。
——来自《行为金融学》课程学习
网友评论