AI时代的财富真相（22）：为什么"拍脑袋"的投资决策有时候更好？

一、 我们通常认为：决策越慎重越好。 信息越多越好。 分析越复杂越准确。 但行为经济学研究颠覆了这个常识。

二、 德国心理学家格尔德·吉仁泽做过一个著名实验。 他让两组人预测哪只股票表现更好。 一组是金融专家，使用复杂的财务模型和详细数据分析。 另一组是普通人，只使用一个简单规则："选你听说过的公司"。 结果：普通人的预测一样准，有时甚至更准。

三、 这怎么可能？ 答案在于信息过载和过拟合。

四、 当信息太多时，你开始看到根本不存在的"模式"。 你把噪音当成信号。 你的模型能完美解释过去的数据，但无法预测未来。 这叫过拟合（Overfitting）。 复杂度是一把双刃剑。

五、 相反，简单的规则往往更robust。 "选你听说过的公司"是一个粗糙的规则。 但它隐含了一个信息：能让你听说的公司，通常较大、较稳定、较知名。 这些特征往往和表现有关。 简单规则虽然粗糙，但抓住了核心因素。

六、 这就是**"少即是多"效应（Less-is-more Effect）。 在某些情况下，用更少的信息、更简单的规则，反而得出更好的决策。 不是因为简单"够用"，而是因为简单更好**。

七、 吉仁泽称这些简单规则为快速节俭启发式（Fast and Frugal Heuristics）。 它们用最少的信息，给出足够好的答案。 不追求最优，追求足够好且稳健。

八、 一些例子：

九、 1/N规则。 如何配置投资组合？ 复杂方法：马科维茨均值-方差模型，需要估计资产的收益率、风险、相关性。 简单方法：把钱等分投入N种资产。 研究表明：在很多情况下，简单的1/N和复杂的优化模型表现一样好。 因为优化模型需要估计很多参数，估计误差会累积。

十、 识别启发式。 在两个选项中选择时，如果一个你听说过，另一个没听说过，选听说过的。 这个规则简单粗暴，但对于预测城市人口、公司规模、运动队胜率都很有效。 因为能让你听到的东西，往往是因为它们足够大或足够重要。

十一、 默认选项。 不知道选什么？选默认选项。 因为默认选项通常是设计者认为最合理的选择。 不做决策本身就是一种合理的决策。

十二、 为什么过度分析反而有害？

十三、 原因1：分析麻痹。 当你面对太多信息时，你不知道从何下手。 你花大量时间收集和分析，但迟迟无法做决定。 机会在犹豫中流失了。 完美是好的敌人。

十四、 原因2：过度自信。 你做的分析越复杂，你对结论越自信。 但自信和准确没有必然关系。 复杂分析给你的是错误的确定感。 然后你会加大赌注，承担更大风险。

十五、 原因3：忽视不可预测性。 市场、经济、社会是复杂系统。 它们本质上是不可精确预测的。 无论你的模型多复杂，都无法预测下一个黑天鹅。 你在努力精确预测一个无法精确预测的系统。

十六、 原因4：信息本身有成本。 收集信息需要时间和精力。 分析信息需要认知资源。 这些资源本可以用在其他地方。 如果额外信息的边际收益低于边际成本，就是亏本买卖。

十七、 AI时代的悖论：信息越多，判断越难。 AI可以给你无限的信息。 每只股票的所有财务数据、新闻报道、社交媒体情绪分析。 但你处理不了这么多信息。 信息过载让你更容易被淹没，更难做出好决策。

十八、 专业分析师和量化基金表现如何？ 大多数跑输指数。 他们有最好的信息、最复杂的模型、最聪明的人才。 但他们仍然跑输"无脑"买入指数的简单策略。 复杂性没有转化为收益。

十九、 怎么应用"少即是多"？

二十、 1. 设定几条简单规则，然后遵守。 比如："只投资我理解的公司。" "不用杠杆。" "不追热点。" 这些规则粗糙，但能帮你避开大部分陷阱。

二十一、 2. 限制信息摄入。 不需要知道每一条新闻。 不需要分析每一份财报。 选择几个可靠的信息源，忽略其他。 减少噪音，让信号更清晰。

二十二、 3. 定期而非连续决策。 不要每天看账户做决策。 设定固定周期（如每季度）review一次。 减少决策频率，提高决策质量。

二十三、 4. 接受不确定性。 你不可能知道所有事情。 你不可能做出"最优"决策。 目标是做出"足够好且稳健"的决策。 追求完美会让你做出更差的决策。

二十四、 "拍脑袋"听起来不专业。 但如果你的"脑袋"里装的是正确的简单规则。 拍一下可能比想一天更有效。 智慧不在于复杂，在于知道什么时候简单就够了。 AI时代，复杂分析的门槛降低了，但复杂分析的陷阱没有减少。 有时候，最聪明的做法是：不要太聪明。