你研讨了一家公司的财报，觉得数据很不错，职业空间也很大，有产业政策扶持，出资逻辑也十分顺，你考虑买入；

  但你在调研中认识了一个公司离任人员，了解到公司办理混乱，领导人缺少进取心，在这个竞赛十分剧烈的职业，你联想到公司的竞赛位置实践上是在逐渐下降的，所以你犹疑了；

  然后你造访了经销商，发现公司对途径的控制力很强，而经销商的反应也标明，顾客很有粘性，近期的动销持续坚持强势。

  以上的状况是出资中的常态， 从不同视点得到不同的剖析成果，对应着不同取胜概率。

  但操作上只需“买、不买”两种挑选，假如买了，成果只需“到达盈余预期”和“没到达盈余预期”这两种中的一个， 为什么一件事会有不同的概率呢？

  有人以为，没有什么概率，出资的成果不是赚便是亏，不是0便是100%；也有人以为，出资中有概率但算不出来，等于没有概率。

  关于概率，有两种解说， “古典解说”把概率看成是一个客观的独立数值，比方：

  已知口袋里有9个红球和1个白球，让你闭着眼睛摸出一个为红球的概率是90%。

  假如此刻，你看了一眼手上的球，丢掉，持续闭眼再摸一个，由于我不知道你方才摸到的是什么球，所以我只能以为，你摸到红球的概率仍是90%，但由于你知道你自己丢掉的是红球，关于你而言，下一个依然为红球的概率就变成88.89%。

  这便是概率的另一种解说—— 贝叶斯概率，这是一个依据信仰的、片面的、可变的数值，跟着你了解的新信息而改动。

  贝叶斯算法的视点看， 概率不光可核算，并且能够跟着信息改动，而股价的改动取决于信息的边沿改动，那么概率的改动也能够引发股价的改动，即，能够用于出资决议计划。

  看一个实践出资问题：有一家大公司搞借壳上市，有A、B、C公司三个备选方针，你在研讨了一番后觉得都差不多，所以挑选了A。

  后来，你找到了一个了解借壳底细的人，告知他你买了A，但他不愿意直接告知你答案，只能告知你，B公司是不或许的。

  请问，这个信息对你有用吗？换句话说，现在只剩下A和C两家公司，你要不要把A换成C？

  这是一个竞猜的电视节目，台上有三扇关着的门，其间两扇门后是羊，一扇门后是车，你能够选其间任何一扇，假如是车，就归你了。

  按规矩，主持人 （知道哪扇门后边有车）翻开了其间一扇门 （假定是B），让你看到这扇门背面是羊，并给你一个时机，你可换一扇门 （即从A换成C）。

  这个问题的答案，直觉判别“换”与“不换”的概率都是相同的，但实践上，你应该换，换了后得到车的概率更高。

  三门问题的规范解说是这样的：由于有两只羊，一台车，所以你一开端选中羊的概率是2/3，选中车的概率是1/3。主持人翻开一扇门后，假如你换的话，你之前选的是羊，必定会变成车，之前选的是车，必定变成了羊，概率就彻底互换了。变成“2/3的概率选中车，1/3的概率选中羊”。

  很奇特吧，只需有一条有关的新消息，哪怕与A、C公司都无关，也能改动你现在的概率。

  咱们再把上面的条件改一改，那位知情人士又说，当然，重组没有完毕前，任何事都有或许发生，B也没有彻底出局，仅仅或许性比较低。

  依据咱们前面剖析的方法， 把仓位从A移到C的线%，但由于B的概率低于33%，换的成果依然比不换好。

  跟着你研讨的深化——不论基本面剖析仍是技能剖析仍是高手点拨，乃至你仅仅去研讨了其他的公司，每把握一个新信息，就相当于有一个一窍不通的主持人帮你关上一扇“门”，买入后完成预期收益的概率开端改动，从50%向上或向下改动。

  假如用核算机言语去描绘一个出资高手研讨决议计划的进程，必定是上面描绘的那样，这被称为 “贝叶斯算法”。

  贝叶斯算法是人工智能的根底，你问ChatGPT一个问题，它蹦出来的每一个字，都是贝叶斯算法核算的最大概率值对应的字。当你告知它，方才说的不对，弥补了一个新的信息，它马上就把这个新信息代入到方才的成果中，发生出新的一串概率最高的文字成果——这回正是你要的答案。

  看到这儿，许多人就算了解了，也不知道为什么会变成这样，它太违反直觉了。这也是概率的最大特色——它能够被核算，可是你很难感触。

  所以， 想要了解概率，最好的方法仍是“算”——找一个日子中的比方，亲手用贝叶斯公式算一算。

  贝叶斯核算是有数字公式的 （谢尔顿写在黑板的那个），为了不把咱们吓跑，我用一个图形界面去展现，确保不呈现任何中学以上的数字公式。

  一位顾客走进商铺，看了看货架，向你问询了某产品的状况，请问：这个顾客终究买单的概率有多高？

  关于一位出售内行而言，这个问题相当于基本面高手看财报，技能高手看图，能够经过顾客的一举一动，判别客户的成交概率，决议花多少冷清去向客户推销，选相应的推销要点，并且决议给出多大的扣头把客户拿下。

  答复之前先要知道一个“先验概率”——出售转化率，即“成交客户/一切进来的人”，这是一个前史经历值，任何出售员都应该知道，假定这家店是20%。

  下面这张图把一切进店的人分红两部分，左面为成交的20%部分，右边为不成交的80%。

  接下来，咱们需求在先验概率的根底上，考虑一个新消息——“向你细心问询了某产品的状况”。

  这时，咱们需求知道关于这个新信息的两个 “条件概率”：成交客户的问询率和未成交客户的问询率——这也是前史经历值，即曩昔一切成交/不成交的客户中，有过细心问询行为客户的各自占比，有经历的出售，心里对这两个概率也应该有大致的估量。

  先看成交客户的问询率，即“细心问询的成交客户/一切成交客户”，假定为50%，即把左半边五五开，然后得到上面咨询的成交客户， 总占比20%*50%=10%；

  再看未成交客户的问询率，即“细心问询的未成交客户/一切未成交客户”，假定为30%，把右半边三七开，上面咨询的未成交客户，总占比80%*30%=24%。

  上图的四个角别离代表了四种状况，咱们今日遇到的是上半部分——咨询客户，所以，首先把下半部分的状况去掉，只看上半部分。

  咱们现在要剖析的是——细心咨询且成交的客户，占一切 成交客户的比重，很明显，便是左上角占上半部分的份额：

  成果，在咨询客户中，终究成交的概率为：10%/（10%+24%）=29.4%。

  所以，一位走进商场的客户，当他开口咨询时， 他的成交概率就从20%上升至29.4%，有经历的出售员就应该留意这条出售头绪。

  用这个方法也能够持续推算出，一个不问询的客户，成交概率会从20%下降到15.2%。

  一个出售内行的每一步都在搜集信息，进行概率判别，所以有经历的出售员接下来不是干巴巴地介绍产品，而是进一步问询客户的需求，不同的需求别离对应着不同的成交概率。

  好了，咱们又遇到了跟前面相同的问题，就算概率从20%上升到29%，我仍是不知道自己该怎样办？

  顾客在来之前就知道自己会不会买东西，假定这人今日必定要买到，实践成交概率便是100%。

  但出售员并不知道这一点，他只知道，客户终究只需买 （100%）和不买 （0%）这两种或许。

  29%仅仅第一步的成果，他还能够不断寻觅新的信息，经过“贝叶斯算法”改动概率，以挨近实践方针概率——到底是0%仍是100%。

  这正是贝叶斯概率相对古典概率的含义， 必定要找到有操作含义的概率的信号。

  所以，出售员留意到，顾客又问了另一个彻底不相干的产品——欠好，经历告知他，这种状况下的成交概率会下降，由于许多不故意买的客户就完事东问西问。

  但到底会下降多少呢？咱们开端第2次“贝叶斯核算”，再引进两个条件概率，成交客户中，问过其他彻底不相干产品的份额是30%，未成交客户中，有40%。

  以下是第2次贝叶斯核算的图，需求阐明的是， 现在的先验概率不再是之前的20%，而是上一次核算后的约29%：

  这个成果标明，当顾客问了另一个彻底不相干的产品，他的成交概率从29%再次下降为8.7%/（8.7%+28.4%）=23%

  还好，问完后，客户直接开端谈价格，很好，依据谈价格的行为的“第三次贝叶斯公式”，终究成交概率猛地上升到70%……

  70%！等的便是你，出售员也就不藏着掖着了，直接拿出大杀器——扣头，顺畅将客户拿下，成交概率终究定格在100%。

  在这个进程中， 快马一开端你只需一个与实践成果相差很大的先验概率，但经过把握更多的信息，这个概率会越来越挨近实践状况——0或100%，到了必定数值，你就能够作出应对。

  许多人必定想问，我怎样才干知道这些条件概率呢？答案便是两个字—— 先试。

  这些都是在以往很多的出售实践中，逐渐总结出来的，并且一向不断更新，比方今日的这个中年男人，假定在85%的成交概率下，终究居然没有买，这个经历就会改动出售人员的那些先验概率和后边的一系列条件概率。

  每个人都有自己最拿手的研讨方法，用此方法选出的股票，在必定冷清内 （比方1年）契合预期收益率的概率，能够作为一个“先验概率”。

  这个概率都不会太高，比方一般不或许超越60% （除非是特别长线的方法，或许契合要求的标的特别少的方法），不然，你只需求这一个目标，选20个股，就能够年年取得超量收益了。

  接下来能够代入条件概率：在一切能/不能到达你的预期收益的公司中，办理欠好的概率别离为多少。

  事实上， 这两个条件概率并不会相差太大——这个条件概率差异，称之为“区分度”，由于你的考虑冷清是一年，这么短的冷清，办理要素简直能够忽略不计。并且，关于离任人员点评公司“办理混乱”的概率其实是十分高的，不然，离任的原因总不能是“自己才能不高吧”？

  咱们假定在一切能/不能到达你的预期收益的公司中 ，离任人员以为办理好的概率别离为20%/25%。

  由于办理要素在一年期的出资中区分度不行，概率仅仅轻轻下降，依然在50%以上。

  出资者特别简单因个人好恶，用某个要素对标的进行“一票否决”，实践上区分度并没有这么大，没有贝叶斯概率，也就谈不上理性出资。

  接下来的条件，“动销好”对一年期的出资成果影响的区分度就大多了，在契合/不契合预期的标的中别离为50%和30%。

  区分度越大，这个条件的影响越大，在参加“动销好”这个条件后，出资收益契合预期的概率就上升到65%。

  接下来，每发现新的信息，你都能够用贝叶斯算法，更新“契合预期收益”的概率。

  出资高手会设定一个买入的概率，比方70%，一旦新的条件使概率上升到70%，就能够买入，后续再依据新的信息统计剖析概率，持续上升到某一个水平比方80% ，则持续加仓，假如下降到某一个概率，比方低于55%，就完毕出资。

  常常有人在后台留言说，我找到一个堪比苹果之于巴菲特的公司，你看看怎样样？

  十分惋惜，苹果的成功不是巴菲特一开端就算出来的，而是一年年契合预期而“剩者为王”的，一个苹果背面就有99家公司不契合巴菲特持续持有的要求，由于新信息呈现导致后验概率下降。

  最典型的是量化程序，人干不过机器的当地在于：机器用固定的算法每时每刻在悉数标的中查找契合要求的出资时机，而人是凭感觉和经历在有限的几个标的中，考虑大致契合要求的出资时机，有时还考虑用什么样的出资方法。

  所以实在的出资高手，或许你问他什么是“贝叶斯核算”，他一脸懵逼，那是由于他把贝叶斯核算彻底内化了。

  比方巴菲特曾说：“用亏本的概率乘以或许亏本的金额，再用盈余的概率乘以或许盈余的金额，终究用盈余的成果减去亏本的，这便是咱们一向企图做的方法。”——这便是核算预期收益率。

  经过前面的比方，能够看出，大部分新信息的区分度都很有限， 你觉得有用的信息，或许在那些欠好的股票上也相同有用，并不足以让终究概率大幅提高。

  所以 最常见的高手都是在某一个群众缺少认知的当地，把握了一些少有人把握的“条件概率”，比方专心于某一个职业，洞悉此职业一些特别的规则与现象，以此比他人更早开掘胜率高的出资时机。

  还有“一招鲜+快速买卖+决断止损”的短线高手，并不需求太高的胜率，只需求图形好 （先验概率）+择时 （稍高的胜率）。

  更凶猛的是调查商场风格改动的高手。同一类信息在不同时期，区分度也是不同的，比方2017~2020年，ROE目标的区分度就十分好，但2021年今后就失效了，而分红率目标，在2021年前没有什么区分度，但2021年今后，区分度大大添加。

  此类高手， 拿手洞悉常见的目标在不同时期区分度的改动，以及背面的微观要素，及时加大最有用的因子，改动自己的选股风格，以习惯不同的商场。

  大部分人在选股阶段的“先验概率”都差不多，靠的是后续找到有区分度的新信息，而第三类传说中的高手，在选股阶段就有更高的“先验概率”，之后只需用“挑选目标”挑选掉不契合要求的标的就行了。

  最典型的是一些有中心资源圈信息优势的大佬，还有那些有动引导体裁与商场心情的大资金，只需求“先验概率”就能立于不败之地。

  这类高手中还有一种天分异禀、耐性出众的人，有一套极高的“先验概率信号”，但契合要求的状况很少，大部分状况下都在耐性等候，一旦信号呈现，马上加杠杆干。

  但这种古典概率的思维，在出资中的成果往往是“四库全输”，由于 人的行为会改动概率，人人都说白马好，白马就会被举高到毫无赔率的价格，人人避之不及的小概率事情，往往会呈现赔率极高的时机。

  古典概率所想象的那些先验的、安稳的、可知的大概率事情，注定不会呈现，实在出资中的概率因人而异，并且常常由于彻悟而形成概率骤变。

  但是古典概率是如此的契合人的直觉，出资者总是呈现“正在做大概率正确的事”的错觉。（ 作者：人神共奋，思维钢印 ）