# 深度阅读 25：贝叶斯思维在投资中的应用——从"预测未来"到"更新信念"

> **核心问题：** 投资不是"猜对一次"——是"N 次更新中——每次微调——最终累积正确"。"我判断这支股票会涨"是一个糟糕的投资 thesis。"我判断这支股票有 55% 的概率跑赢大盘——每个季度我会根据新数据更新这个概率"——这才是一个可以持续运行的投资过程。

---

## 一、贝叶斯定理——不是公式——是思维操作系统

### 1.1 先验 → 信号 → 后验：一个你每天都在做——但没意识到在做的事

```
你是百威亚太的分析师。

先验信念（Q1 季报出来之前）：
  "百威亚太 2026 年收入增速大概在 5-7%——基于高端化趋势和去年基数。"

信号（Q1 季报出来）：
  收入增速 = 3.2%——低于你的先验区间（5-7%）——但高端产品线（科罗娜/福佳）增速 = 12%。

贝叶斯更新（你在脑子里做的事）：
  → 整体增速没达到预期 → 调低全年增速预测（从 5-7% 降到 4-5%）
  → 但高端线比预期强 → 毛利率假设上调（高端品毛利率 ~55% vs 大众品 ~40%）
  → 净效应：收入更少了——但利润可能不降反升——因为产品组合在改善
```

你不是在"推翻"之前的判断——你在"微调"。先验没有被丢弃——它被新的证据**加权修正**了。

**这就是贝叶斯思维的精髓：从来不问"我之前的判断是对还是错"——只问"在新证据面前——我应该把我的信念往哪个方向调——调多少"。**

### 1.2 贝叶斯定理的数学——用一次就懂了

```
P(H|E) = P(E|H) × P(H) ÷ P(E)

翻译成人话：
  看到证据 E 之后——假说 H 成立的概率
  =
  （如果 H 成立——看到 E 的概率）×（H 成立的概率）÷（在所有情况下看到 E 的概率）

关键直觉——不是"计算绝对真理"——是"从一个合理的起点——每次新信息进来——按比例更新"：

  先验 P(H) = "在做任何研究之前——你认为 H 有多可能？"
  
  似然比 = P(E|H) ÷ P(E|¬H) = "如果 H 是真的——看到这个证据的概率——
           是如果 H 是假的——看到这个证据的概率的几倍？"
  
  后验 = 先验 × 似然比（归一化后）

似然比 > 1 → 证据更支持 H → 后验 > 先验（信心增强）
似然比 < 1 → 证据更支持 ¬H → 后验 < 先验（信心减弱）
似然比 ≈ 1 → 证据没有区分力 → 后验 ≈ 先验（不需要更新——这个信号是噪声）
```

---

## 二、投资中最常见的贝叶斯谬误——以及怎么修正

### 谬误 1：把先验设为 50%——"我不知道——所以一半一半"

```
场景：你第一次看一家公司——管理层质量如何——你不知道。

错误做法："不知道→50% 概率管理层是好的——50% 是坏的"

正确做法：
  "先验概率 ≠ 50%。我需要一个'基准率'（base rate）：
    → 行业中——同类公司的管理层——被证明称职的比例是多少？
    → 中国消费品上市公司的管理层——大概 30-40% 能持续超预期
    → 我的先验 = ~35%——不是 50%"

如果你不知道先验——不要猜"50%"——去找基准率。
没有基准率→承认你不知道——而不是用一个虚构的 50% 来制造假精确。
```

### 谬误 2：只更新——但只朝一个方向更新——确认偏差

```
场景：你持有某公司的多头——初始 thesis 置信度 = 65%。

信号 1（正面）：公司宣布新产品线→你把置信度上调到 75%
信号 2（正面）：行业数据向好→上调到 80%
信号 3（负面）：竞品发布对标产品——价格低 15%

你的"自然反应"：
  "竞品的产品质量不如我们——价格战不可持续——不可持续——不构成威胁。"
  → 置信度保持 80%——没变

贝叶斯规则下的"正确反应"：
  P(竞品低价威胁 | 你的 thesis 成立) = 30%（如果 thesis 对——竞品可能只是虚晃一枪）
  P(竞品低价威胁 | 你的 thesis 不成立) = 60%（如果 thesis 错——竞品正在抓住你的盲区）

  似然比 ≈ 30%/60% = 0.5 → 你应该把置信度从 80% 往下调：
    新后验 odds = 80%/20% × 0.5 = 2.0 → 后验概率 ≈ 67%（降了 13 个百分点）

你不仅没有下调——你根本"没看到"负面的信号——因为你的大脑帮自己过滤了它。
```

**修正机制：预先指定"什么信号会让我减弱信心"——写下来——在信号出现时——先更新——再判断是否推翻更新。**

### 谬误 3：更新——但用的不是真正的"信号"

```
场景：你看到新闻——"公司 CEO 接受采访说——'我们对未来充满信心——增长前景乐观'"

你把 confidence 从 60% 上调到 70%。

贝叶斯审查：
  P(CEO说有信心 | thesis成立) ≈ 95%（CEO 总是乐观的——不管 thesis 对不对）
  P(CEO说有信心 | thesis不成立) ≈ 90%（CEO 不会公开说"我们没信心"）

  似然比 ≈ 95%/90% ≈ 1.06 → 几乎没有区分力 → 不应该更新你的信念！

这个信号本质上是"噪声"——但你把它当成"信号"——在脑子里给了它 10 个百分点的权重。
```

**检查每个"信号"的区分力：如果 H 成立时看到它——和 H 不成立时看到它——概率几乎一样→这不是信号→不要更新。**

---

## 三、贝叶斯思维在投资中的三个高级应用

### 3.1 概率化的价格目标——而非"目标价 120 元"

```
传统方式：
  "百威亚太目标价 25 港元——基于 DCF 估值。"

贝叶斯方式：
  "DCF 在 base case 假设下给出 25 港元——
  但我的假设有不确定性——我用三种情景来表达这种不确定性：

    情景 A（概率 25%——牛市）：高端化加速+成本下降→目标价 32 港元
    情景 B（概率 50%——基准）：温和增长+稳定成本→目标价 24 港元
    情景 C（概率 25%——熊市）：竞争加剧+销量下滑→目标价 16 港元

  期望值 = 25%×32 + 50%×24 + 25%×16 = 24 港元。

  当前股价 = 20 港元→期望上行 = 20%。
  但概率加权后——有 25% 概率亏 20%——有 25% 概率赚 60%。
  风险回报比 = 期望上行 ÷ 下行风险 = 20% ÷ (25%×20%) ≈ 4:1——可以投。"

现在每个季度的季报出来——我更新这三种情景的概率——而不是更新一个"目标价"。
```

**概率化的核心不是"算得准"——是"保持诚实地记录——我的判断中——有多少是不确定性——有多少是确定的东西"。**

### 3.2 贝叶斯"证据强度"——什么时候组合调整——什么时候不动

```
Thesis 置信度越高 → 需要越强的反向证据——才能让你改变仓位。

  初始置信度 90%（"高确信度"的持仓）：
    → 一个温和的反向信号——似然比 0.8——
      后验 = 90%/10% × 0.8 = 7.2 → 概率 = 88%——几乎没变
    → 不需要调整仓位

  初始置信度 55%（"刚好值得投"的持仓）：
    → 同样的信号——似然比 0.8——
      后验 = 55%/45% × 0.8 = 0.98 → 概率 = 49.5%
    → 低于 50%——thesis 不再成立——应该平仓

同一个信号——对不同持仓的影响完全不同——因为先验不同。
这就是为什么你要对"高确信度"和"低确信度"持仓——设定不同的"反应阈值"。
```

### 3.3 贝叶斯搜索理论——"在哪里找 alpha"

这是贝叶斯在二战中被用来搜索失踪潜艇的经典应用——在投资中同样适用：

```
传统方法（频率学派）：
  "搜索所有可能的标的——平均分配研究资源。"

贝叶斯方法：
  "你有一个先验：'alpha 最可能存在的地方——是我有信息优势的领域'。
  你在覆盖的 200 只股票中——对每只有个先验概率：P(有 alpha)。

  Step 1：对于每只股票——你投入少量时间——"侦察搜索"——获得一些信号
  Step 2：用信号更新 P(有 alpha)——有些股票的概率上升——有些下降
  Step 3：对于 P(有 alpha) 最高的 15 只——投入深度研究（"密集搜索"）
  Step 4：对于 P(有 alpha) 几乎为零的 150 只——不再投入任何额外时间

  你花 100 小时研究——
  传统方式：平均分给 200 只——每只 30 分钟——什么也不深入
  贝叶斯方式：前 15 只每只 6 小时——在研究上达到了真正的"深度"
```

> **在投研中——"覆盖面"是被高估的——"深度"是被低估的。贝叶斯搜索告诉你要"先广撒网——再集中深度覆盖"——而不是"平均用力"。**

---

## 四、贝叶斯的局限——什么时候不该用

### 局限 1：先验概率根本没有合理的来源

```
问题："百威亚太下一个季度的毛利率超预期的概率"——先验从哪里来？

如果你没有历史数据（"百威在过去 20 个季度中——有几个季度毛利率超预期"），
你只能用"主观概率"——50%？60%？——你选择的先验——在数学上——对后验影响极大。

当先验完全是主观的 → 后验也完全是主观的 → 贝叶斯定理只是"把你的主观信念
用数学语言表达出来"——没有给你任何新的信息。
```

**贝叶斯定理的力量来自"先验有客观来源"。主观先验 → 要诚实地说"这个后验严重依赖我的先验——换一个先验——结果不同"——这是正直的——而不是靠 math 来制造假权威。**

### 局限 2：连续更新 vs 一次性综合判断

```
贝叶斯定理假设你"按顺序"更新：先验→信号1→后验1→信号2→后验2→...

但在投资中——你实际做的是一次性综合判断：
  → 季报包含 30 个数据点——同时到来
  → 你不知道这 30 个数据点彼此之间的相关性
  → 如果你用连续更新（逐个更新——每次把上一个后验当先验）——
    你假设了每个信号独立——而现实中它们高度相关

补救：不是在 30 个数据点上做 30 次贝叶斯更新——
而是用 3-5 个"主题性信号"（比如：高端化进展、渠道效率、成本控制）——
每个主题综合多个数据点——然后在这些"独立主题"上做贝叶斯更新。
```

### 局限 3：你不知道你不知道的事——"黑天鹅"

```
贝叶斯定理可以在"已知的可能状态"之间重新分配概率——
但它不能帮你发现"你甚至没有列入考虑范围的状态"。

你给百威亚太建了三种情景（牛市/基准/熊市）。
但新冠疫情、俄乌战争、中国对未成年人的酒精禁令——
这些在模型中根本没有对应的"情景"。

贝叶斯的回答是："这不是贝叶斯能解决的问题——这是'模型之外'
（outside the model）——需要人的判断——不是数学。"
```

---

## 五、贝叶斯思维在你的每日分析中——一个可操作的习惯

| 步骤 | 做什么 | 例子 |
|---|---|---|
| 1. 明确先验 | 在分析前——写下"在做任何研究之前——我认为这件事的概率是多少——为什么" | "百威亚太 2026 年毛利率改善的概率——历史基准 = 过去 5 年有 3 年改善——先验 = 60%" |
| 2. 预注册信号 | 写下"什么证据——如果出现——会让我向上更新——什么证据会让我向下更新——更新多少" | "Q2 原材料成本下降 >5%→向上更新 15%；竞品高端线降价 >10%→向下更新 10%" |
| 3. 区分信号强度 | 对于每个实际出现的信号——判断"似然比" | "高端线增速 12% vs 预期 8%——P(这个增速 \| 改善) vs P(这个增速 \| 没改善) ≈ 3:1——强信号——应大幅度更新" |
| 4. 更新后验 | 把新的置信度写下来——并记录"更新了多少" | "后验 = 72%（从 60% 上调了 12 个百分点——因为 Q2 给了两个强正面信号——且没有负面信号）" |
| 5. 不一致时停止 | 如果两个信号方向相反——不要"平均"——判断哪个信号更强——或承认"现在无法判断——保持当前置信度——等下一个信号" | "Q2 高端线强——但原材料成本压力高于预期——两个信号相反——我目前的置信度（65%）可能同时高估和低估了某些东西——保留至 Q3 数据" |

---

## 六、连接之前的模块

- **Day 13 PE 价值创造：** "运营改善"的置信度——在你尽调完公司后是多少（先验）？每一个季度的被投公司数据（信号）——你怎么更新对"PE 团队的运营能力"的判断？如果 3 个季度的数据都不支持改善——你应该下调对"引擎 1"的贡献估计——而不是"再等等——迟早会改善"。
- **Day 10 投资 Thesis：** Thesis 中的"变体"本质上是"你的先验 vs 市场共识"的贝叶斯差异——市场用共识（先验）定价——你认为某些信号被忽略或错误加权了——你的 alpha = 你的后验概率 × 回报 - 市场的后验概率 × 回报。
- **Day 12 融资优序理论：** 市场把"增发新股"解读为负面信号——因为它隐含"管理层认为股价被高估"——这就是市场在做贝叶斯更新——用"增发"这个信号——调整对公司价值的后验概率。

---

*深度阅读 25 · 贝叶斯思维 · Day 14 配套材料*