代表性偏差与小数定律：三根阳线改变信仰

有个流传很广的说法：三根阳线改变信仰。

一只股票连涨三天，很多人对它的看法就会实质性地改变——从"再观察观察"变成"是不是要走一波了"。

三个交易日。在这段时间里，公司的基本面几乎不可能发生任何实质变化。变的只有价格，而且是很小的一段价格。

但人的归纳系统就是这么工作的：给它一个小样本，它立刻就能提炼出一个规律。

一、代表性：用「像不像」代替「有多可能」

Tversky 和 Kahneman 识别出的另一个基础启发式叫代表性（representativeness）。

它的机制是：判断"A 属于 B 类的可能性有多大"时，人不去算概率，而是看A 像不像 B 的典型样本。

举个投资里的例子。

有家公司：创始人有技术背景、增长很快、产品有独特性、还没盈利但市场空间讲得清楚、机构在陆续进场。

问：它成为下一个伟大公司的概率有多大？

人的直觉会说：挺像的。它符合我们对"伟大公司早期"的所有印象。

但这个判断漏掉了最关键的一项信息——有多少家公司符合这个描述，其中最终成功的有多大比例？

这个比例叫基础比率（base rate）。而代表性启发式的核心毛病就是：它几乎完全忽略基础比率。

因为"像"这件事只需要看眼前这一个样本，而基础比率需要你去了解整个分母。前者不费力，后者费力。人的默认设置是省力。

二、小数定律：给小样本过高的信任

代表性偏差有个孪生兄弟，Tversky 和 Kahneman 称之为小数定律——这是对统计学"大数定律"的一个反讽。

大数定律说的是：样本足够大时，样本特征会收敛到总体特征。

小数定律说的是：人误以为小样本也应该具备总体的特征。

具体表现：

表现一：从短序列里读出规律

连涨三天 → 趋势形成了。 某个策略连续五笔盈利 → 这个方法有效。 某个基金经理连续两年跑赢 → 他有真本事。

这些结论在统计上都远远不够格。五笔交易、两年业绩，样本量小到几乎无法把能力和运气分开。

表现二：认为随机序列应该"看起来随机"

抛硬币出现「正正正正正」，人会觉得不正常，觉得下一次该出反面了。但硬币没有记忆，每次都是 50%。

这在投资里变成了：「都跌了五天了，该反弹了吧。」——这句话背后是一个错误的随机性直觉。 市场没有义务因为跌了五天就反弹，正如硬币没有义务因为出了五次正面就出反面。

表现三：反过来也成立——认为连续就意味着趋势

同一个人，在不同心情下，会从同一个连涨序列里读出两个相反的结论：「涨太多了该回调」或者「趋势起来了要跟」。

两个结论都来自同一个小样本，而这个小样本其实什么都不支持。

这也是为什么关于热手谬误的讨论会那么复杂——见 连赢之后：热手谬误与仓位失控，那一篇里有个重要的学术反转值得一读。

三、投资里最贵的几种代表性错误

错误一：「下一个 XX」

「这是新能源里的茅台」「这是中国版的 XX」。

这类叙述的说服力全部来自相似性，而相似性不含概率信息。成千上万家公司里，"像"某个成功者的至少有几百家，最终成为的可能只有零个。

而且这类叙述有个隐蔽的危害：它绕过了估值。 一旦你接受了"这是下一个 XX"，你的估值锚就变成了那个成功者的现在，而不是这家公司的现在。

错误二：把好公司等同于好投资

一家公司产品好、管理层优秀、行业地位稳固——它"像"一个好投资。

但好公司和好投资是两件事，中间隔着价格。一个众所周知的优秀公司，其优秀往往已经被计入价格。代表性启发式看不见价格这个维度，因为价格不在"好公司"的画像里。

错误三：用短期业绩挑基金

看到一只基金近一年排名前列就买入，这是小数定律最常见的应用场景。

一年、甚至三年的业绩，包含的运气成分远超大多数人的想象。而基金排行榜这个形式本身就在放大这个偏差——它把一个小样本的结果，用排名的形式呈现成了能力的排序。

错误四：小样本回测

自己写了个策略，回测了两年数据，年化很漂亮。

问题是两年里可能只包含一种市场状态。这个策略也许只是恰好适应了那两年，而你把它当成了普适规律。相关内容在量化概念库里有系统展开，见 回测偏差总览。

四、自查信号

1. 你最近改变看法，是基于几个数据点？ 如果答案是"看它连续几天的表现"，那你是在小样本上做归纳。
2. 你说"这个像 XX"的时候，知道有多少个也像 XX 的最后不像吗？ 不知道分母就等于不知道概率。
3. 你的判断需要多少个反例才会被推翻？ 如果一两个反例就能推翻，说明它原本就建立在一两个正例上。
4. 你说"该反弹了"的依据是什么？ 如果依据是"已经跌了很多天"，那是随机性直觉在说话，不是分析。

五、对策

对策一：先问分母

这是对付代表性偏差最有效的一招，而且只需要一句话：

「有多少个也是这样的？其中成了的有几个？」

这句话把注意力从眼前这个样本，强行拉到整个类别上。

大多数时候你查不到精确的分母，但光是意识到分母很大，就足以把过度乐观的判断拉回来一大截。

对策二：给自己定最小样本量

在你打算从一组结果里得出结论之前，先定好需要多少个样本。

• 判断一个交易策略是否有效：至少要跨越一轮完整的涨跌周期，几十笔交易起步
• 判断自己的某个判断模式是否可靠：见 决策日志，至少 20–30 条
• 判断一个基金经理：看他在不同市场环境下的表现，而不是看排名

关键是这个数量要预先定好。 事后定的话，你会不自觉地在"结果符合预期"的地方停下来。

对策三：区分「这次不同」和「这次一样」的举证责任

有两句话经常被用来终结讨论：「这次不一样」和「历史总是重演」。

有用的做法是把举证责任明确下来：谁主张，谁举证。

• 说"这次不一样"的人，要说清楚哪个具体机制变了，而不只是"环境变了"
• 说"历史会重演"的人，要说清楚当年那个机制现在还在不在

这样一来，讨论就从"像不像"回到了"机制是什么"，而机制是可以检验的。

对策四：把小样本结论降级为假设

发现一个小样本规律不是坏事——它可能是个有价值的线索。

问题只出在你把它当成结论。

正确的处理是：把它写成一个待检验的假设，然后设定一个检验计划。「我怀疑 A 类股票在 B 情况下表现更好，我打算跟踪接下来 20 次这样的情况。」

这样做的好处是，你既没有浪费这个线索，也没有拿真金白银去赌一个噪音。

本节要点

• 代表性启发式：判断可能性时，人看"像不像典型样本"，而几乎完全忽略基础比率（有多少个也像，其中成了几个）。
• 小数定律：人误以为小样本也该具备总体特征。三根阳线、五笔盈利、两年业绩，样本量都远远不够把能力和运气分开。
• 错误的随机性直觉双向发作：「跌久了该反弹」和「连涨了是趋势」——同一个小样本，两个相反结论，其实什么都不支持。
• 四种昂贵的错误：「下一个 XX」（绕过估值）、把好公司等同好投资（忽略价格）、用短期业绩挑基金、小样本回测。
• 对策：先问分母、预先设定最小样本量、把「这次不一样」的举证责任落到具体机制上、把小样本结论降级为待检验假设。

---

本文为投资通识教育内容，不构成任何投资建议。