「物理嫉妒(Physics Envy)」

Andrew Lo

最近在iPad的iTunes U上看了這場演講。 我覺得很精采! 所以想在此分享給各位。

演講者名叫Andrew Lo,是一個Finance的教授、也是MIT Sloan School的Management Director。 他演講的主題是Physics Envy(物理忌妒)。

可能得要先說明一下,到底「物理忌妒」是啥。

所謂「物理忌妒」,指的是在很多專業領域中,大家認為其中的理論最終應該要像物理學一樣,能透過數學模型的方式加以解釋或呈現。 最完美的,希望要像牛頓定律那種,靠簡單的數字與模型來「標準化某些反應」。

這是過去很多專業學術上迷失的一個方向。 因為某些層面的知識,如財務、經濟、專案、哲學、心理學等,並不像物理學一樣可以透過數學來加以解釋。 他們通常都涉及到人性,也涉及個人偏好的心理反應。 這些東西不一定適合被數據化,事實上往往根本也無法被數據化。 比方以財務或經濟學來看,一些學者試圖構築經濟或財務模型,透過分析來計算如「GDP」、「合理股價」、「經濟指數」、「CAPM」之類的東西,就是物理忌妒的結果。

這類分析通常都有一個偏誤的前提假設 - 也就是「人的純粹理性」,並以這前提來計算甚麼是「正確的」。 但因實際上人的理性假設並不成立,所以也造成模型往往遠偏離現實。 把「不理性的層面」排除雖然讓結構看起來簡潔又漂亮,但卻毫無實用意義。

專案管理有時候也有類似傾向。 大家常以為一定要把狀態化成數字或是燈號才叫好的管理。 可是很多人常常沒意識到,數字或燈號未必就是所謂的「真實」,通常也只不過是一個相對的參考,使用起來得很小心。 所以呢,是否一定需要數字或是燈號,其實得看狀況而判斷,而不能照本宣科的認為數字就一定可以完美呈現真實狀況。 有時適度模糊,或是靠平衡的政策與組織權限一樣能達到好的結果。 換言之質化與量化的平衡,是管理者不能偏廢的功夫。

對物理忌妒這議題有興趣的讀者可以參考這一篇 http://en.wikipedia.org/wiki/Physics_envy

不過,我分享這篇演講的原因在於他很傳神地解釋了「風險」(Risk)與「不確定性」(Uncertainty)的差異。 而這剛好是很多人常有的疑問(像過往上課時,就很多人會問我這兩個字的差異)。 所以貼出這篇,我覺得應該對很多人是會很有啟發性。

Risk,指的是可以預先知曉,但無法完全掌握的事件。 但Uncertainty,則是完全不可預估的事件,也就是專案管理書籍裏頭會提到的Unknown Unknown。 像Andrew就提到:「某些物理現象因為變動已被人熟知,所以可以用數學方式定義;但其他社會科學的東西,則因為很多變動變因太大,你無法取得所有參數,數學是完全無法解釋的」。

他也另外提到:「在現實上賺錢的多寡,其實跟承擔風險無關;而是跟承擔不確定性有關」。 像他又舉例,人壽業就是個目前大家掌握度很高的產業。 只要提供一個人的生活習慣、飲食習慣、家族遺傳、抽菸喝酒的傾向,能活多久其實可透過數學公式與參數來預估的。 雖然也偶有例外,但大部分的準確度其實還滿高的。 也由於掌握度已高,就造成產業獲利空間被壓縮。 但反過來說,若是一個極度創新的事業,因為面對太多unknown;尤其那些走出過往不存在business model的產業,也就充滿無限機會,市場也會給予更高的報酬。

但怎麼了解自己面對的是甚麼呢? 他提到他建議把Uncertainty延伸成五個Level:

Level 1: Complete Certainty (完全確立)
Level 2: Risk without Uncertainty (已知道機率分布曲線)
Level 3: Fully Reducible Uncertainty (假如收集資料,可以建構分布曲線)
Level 4: Partially Reducible Uncertainty (可觀測,但觀測時又變動的事件。)
Level 5: Irreducible Uncertainty (完全無法掌握的狀態)
(詳細的說明可參考演講的影片,他特別有用物理案例來解釋這五個等級)

他並建議大家在面對情境時,要自我分析處在哪個Level,並找出對應的處理方式。 低度不確定性時,數學是個好幫手。 比方說,如果你在Level3之前,多收集數據有可能逐步了解整個狀態的機率分布,並轉化成可被推估的分析表。 像他前例提到的人壽產業,就是一個接近成功的案例。

但在高度不確定性時,你就不用費心想提高預測度,其他層面的策略反而變得重要。 像總體經濟學,很多人就是一直在試圖用數學來解決Level4的問題,也因此才困在目前的局面中。 數學模型看似完美的狀況,卻每每被人性的影響所偏移。 他甚至開玩笑提到,像最不確定性的學說就是宗教,而就明顯是數學無能為力的領域。

他有句話我這裡想Highlight一下:當面對不同程度的不確定性時,不該用不對的方法來對應。 但又怎麼知道哪個狀況該採取甚麼策略呢? 他提供了一個不確定性檢查表(Uncertainty Checklist)。

Uncertainty Checklist
(上圖) 不確定性檢查表。 這張圖是我從他論文中擷取貼上的。

 

我之所以想分享這篇。 主要在於很多時候,人們確實在問題解決上有所盲點。 我自己體驗很深的有兩個領域 - 一個是金融投資,一個是專案管理。 這兩個領域其實都已經不是Level 1到3的狀況,但很多人卻總試圖想透過「提高預估能力」這條路來解決問題。 以金融投資上來講,很多人就試著想做股價分析、本益比分析、公司價值計算、技術分析、或是波浪理論這類東西想找出一個規律,並以此提高預測率。 但實際上通常都會發現一切是徒勞無功。 專案管理也是類似,很多人希望訓練員工更正確的預估工期,認為這是讓專案掌握度更高的關鍵。 甚至某些公司還會刻意處罰預估與實際的落差。

但實際上這些其實是不太對的。 當Randomness過高時,你在工作或執行層級想提高預估率,其實幫助很低,還不如採取一些High Level的策略調整。 比方說,股價無法預估,那你恐怕該從加碼策略、停損策略、或是資金運用策略上去思考。 以專案管理來說,天期預估不準,但是否該改以獎勵策略上鼓勵盡量提早完工這類行為? 這樣其實才能把事半功倍,而非事倍功半。

如果你能從更High Level的角度思考問題,不確定性的擾動其實有時候可以跨過不計(Andrew也有舉個例子,詳情可以看演講的Video或是看我後面附錄的翻譯)。 當然,這樣的解法或許不夠優美、也沒有非常的精確與科學。 但問題解決,永遠才是最重要的呢。 千萬不要讓物理忌妒,干擾了你我的決策能力。

 

延伸閱讀

他的論文: http://web.mit.edu/alo/www/Papers/physics8.pdf

他的演講: http://mitworld.mit.edu/video/794

 

附錄

為了服務英文不很好的讀者,我大致講一下他在演講中提到Risk VS Uncertainty的一個心理問題(與推導)。

他說,有個箱子,裏頭放了紅色與黑色的球,其中紅色與黑色各半。 如果抽出來的球跟你選的顏色一樣,你可以贏得USD$10,000,但只能賭一次。 然後問大家,你想選哪個顏色? 並且願意投入的賭金上限是多少?

大家舉手,發現「民意」上限最高落在$4,500-5,000之間。 他解釋說,這很合理,因為大家都會計算期望值(Expected Value)。 很多人甚至願意出價遠低於$4,500,這是因為要冒險總是要有高於期望值的回報嘛。

(附註,在這賭局中,可知機率分布。 所以是個純Risk的問題)

再來,他說又有另一場賭局。 這次賭局的規則不一樣。 事先你不知道顏色分布,莊家可以按照他的喜好自訂顏色分布。 其他規則都相同。 一樣問大家想選甚麼顏色? 以及願意投入的賭金上限是多少?

這部分就開始非常有意思了。

他先問大家想選甚麼顏色。 有人選擇紅色。 他就問對方:「為何選擇紅色呢? 是因為你偏好紅色,還是因為你猜我偏好紅色? 」觀眾哄堂大笑。 但這確實,因為你不知道盒子裏頭的分布,所以你選甚麼顏色就開始有差異了。 而差異則從機率問題轉變成心理問題。

(附註,在這賭局中。 你不知道機率分布,這也就是Uncertainty了)

再來他又請大家舉手投票願意投注多少錢。 這次願意出高價的人變很少,只有一個人維持跟前一次相同的出價。

但他馬上解釋。 雖然你不知道分布是多少,但其實就機率而言,兩種顏色出現的機率還是 50:50,所以兩次賭局的實際狀態是一樣的。 人在投注上面,也應該反應相同的決策才是。 可是呢,他的經驗顯示。 就算他跟別人說這兩賭局的機率一樣。 一般人還是不願意在第二賭局上多投注。

接下來就有人舉手反應:「雖然數字看似如此,可是大家會考慮心理性的議題。」 「因為實際的分布不是隨機的,是莊家選的。 加上這遊戲又只能玩一次,如果對方能猜測我的偏好 (如我喜歡紅色),他可能放出全黑的分布。 那我不就輸了? 所以期望值並沒有參考價值。」

Andrew則回應到:「這其實對雙方而言都是猜測。 因為我會猜你,但你其實也會猜我。 我(莊家)猜你會了解我的偏好而做的選擇,也可能剛好掉入你設的陷阱。

他就問到。 在這狀態下,如果你真被逼著非要參與這樣一個賭局。 可是你又不希望你因為情緒影響而被莊家猜中你的心思,而讓他放出一個不利於你的顏色分布時,你能採取甚麼策略?

他的答案很有趣。

他說:「可以採取亂數策略」。 用亂數來擾亂亂數。 你若丟銅板來決定顏色,那莊家就一定猜不到。 這時候,莊家最安全的方法其實就是放50紅色與50黑色。

結果反而對你與他都公平也安全了。

你看。 要讓這高度Uncertainty賭局的結果變成可以預測的方式,其實不是強化猜測莊家心思的手法,而是跳脫從另一個層面來思考。 採取亂數的擾亂策略後,你逼著讓整個情境變化,最後反而排除了Uncertainty並變成純粹Risk的問題。 這也就是我文章結論想凸顯的重點!

很有意思,也建議大家花時間思考一下。

 

若有轉貼需求,請來信討論。 轉貼時禁止修改內容及標題、須保持所有連結、禁止商業使用,並且必須註明原文標題、連結、及作者訊息。
覺得這篇文章好嗎? 請分享給您的朋友
歡迎「讚」一下我們的粉絲專頁,接收最新文章!
張國洋 Joe Chang

現為識博管理顧問執行長,也在台灣百大上市櫃公司擔任管理講師與專案顧問。歷年客戶包含工研院、台積電、廣達、富智康、光寶集團、台灣大哥大、遠傳電信、中鼎工程、建國工程、台橡公司、大同公司、三陽工業、TVBS、特力屋集團、城邦集團、誠品集團等。 為了對抗雙魚座的感性,一直在努力強化理性思維與邏輯思考。 相信邏輯發展能解構任何事物,並讓我們找到合宜的人生策略與方向。

Joe G+ ICON Joe LInkin ICON

9 則讀友回應

  1. flightdancer 2016-09-20 16:19:23 第 9 則

    對物理忌妒這議題有興趣的讀者可以參考這一篇
    http://en.wikipedia.org/wiki/Physics_envy
    網頁無法開啟

  2. Joe Chang 2011-07-12 22:06:07 第 8 則

    我也再補充一下
    我並不是說Chris批評的這些教授是對的
    我只是可以理解他們為何這樣...
    "從他們的立場"來反推時,可以理解這對他們而言,確實是條距離最短的路
    只是這距離短的路,卻往往是最大局有害的路
    所以呢,與其道德訴求,不如改變遊戲規則
    這也是我在組織規則設計上的基本理念
    反正大部分的人都會試著找尋這條"距離最短"的路
    那就得在整個遊戲設計上設計一個又能讓人成功,又能在長期目標上有所助益的規則...

  3. Bryan Yao 2011-07-12 14:52:02 第 7 則

    我想回應一下以上的討論。我認為高等教育現在的問題,80%以上是制度面造成的!我相信好的制度會鼓勵人性向上的一面,爛的制度同樣會鼓勵人性的黑暗面。

    Chris你一定也知道,現在身為大學的老師,尤其是年輕助理教授等級的人,賴以為生的東西就是論文點數,還有國科會的研究預算。每次開同學會,在大學任教的同學都在抱怨這些,訪間甚至有專門幫忙寫國科會計畫案的代辦。這完全就是另一個「補教界」現象:不為別的,只為分數,有分數才能生存。

    歐美的知名大學,很重視「大學的核心目的」。有的大學著重研究,有的大學著重教學。但我感覺在台灣,所有的大學都強調自己是研究型大學,這裡面有多少研究是真正的創新,有多少比例是「改一個參數,用電腦再跑一遍」的量產論文,念過研究所的你我都清楚。

    我是教育的外行,但凡是只要公有或國營,就會有包袱,就很難貼近市場和效率。我覺得或許應該修法,至少讓私立大學可以減少限制,讓他們和業界的關係更接近,讓老師的升等制度更靈活,我猜教育界應該早已有類似的討論再進行。

  4. 就是那個Chris 2011-07-12 01:23:13 第 6 則

    呵呵,短期的穩當,長期就是穩死...

    • Joe Chang 2011-07-12 13:11:22

      這議題剛好我跟Bryan上禮拜五還聊到
      我們談說,為何古代君王都抑制科學發展?
      最後結論也是,因為科學發展對於權力是個威脅...
      慈禧太后等人,寧願國弱、也要鞏固政權...
      這跟你提的議題是相同的。
      長期來看,無論是哪個對國家民族都是大問題,也確實穩死的
      但長期而言,大家都死了....

  5. 就是那個Chris 2011-07-11 13:26:19 第 5 則

    其實這種態度無論是從促進產業進步,或是學術發展,都是不及格的,因為整個過程就是反進步。

    所以碩士班念完,我就決定不跟台灣的「高等教育」玩了,就出來就業了。至少你可以選擇一個相對真槍實彈,有就有、沒有就沒有的產業去待著,驗證自己的想法,而不是搞一些連自己都不相信,卻要別人硬吃下去的事情。

    高等教育這個東西在台灣還是很奇妙。我一直認為,既然已經是高等教育了,重點應該不是教給學生什麼(因為有太多的知識都還是在發展中,教不完的,教授也是人,沒有比較猛,也不會比學生知道得多太多),而是教給學生正確的研究「方法」和「觀念」,至於結果,其實沒有人有這個能力去評斷的。所以論文,也應該著重於方法和中心思想是否說法連貫,而不是去看「哎呀,你的模型解釋能力只有75%,所以比76%差了1%...」,或是直接去評斷論文中的概念,像是「你這個想法根本就是錯的」(原來你不用研究就知道人家做了研究的結果是錯的,真神人也!),真是蠢到家了...

    • Joe Chang 2011-07-11 22:03:55

      但我得說,從小我的角度而言,對當事人反進步有時才會穩當...
      歷史已經有太多類似的故事了...