分类思维：不确定情境中合理决策的科学与艺术

2024/10/22  第385本，耗时5h  5min 主要围绕分类思维在不确定情境下的决策过程。 一、分类思维的重要性 分类是人类思维的基础，也是决策前的第一步。 没有合理的分类，就没有合理的决策。 在现实生活中，人们常常需要在时间紧迫、信息有限的情况下做出决策，分类思维有助于人们快速识别关键信息，从而做出合理判断。 二、快速节俭分类法 作者从认知心理学角度对分类思维进行了探讨，并阐释了简单、快捷、清晰的快速节俭分类法。 快速节俭分类法是一种在不确定情境下，利用有限的信息和资源做出合理决策的方法。 它强调在决策过程中，人们应该关注那些对结果有重要影响的关键因素，而不是试图收集和分析所有可能的信息。 三、快速节俭树构建法 除了快速节俭分类法外，作者还介绍了快速节俭树构建法，这是一种将复杂的决策问题分解为更小的、更易于管理的部分的方法。 通过构建快速节俭树，人们可以更加清晰地看到决策过程中的各个因素和它们之间的关系，从而有助于做出更加明智的决策。 四、生态理性与有限理性 书中提出了生态理性的概念，即与自然环境和社会环境要求相结合的理性。 它认为人类和动物的理性是有限的，在面对复杂问题时，人们不必完全认清事物的本质再做出决策。 有限理性理论也强调了人们在决策过程中的认知局限性，因此，快速节俭分类法和快速节俭树构建法等方法就是在这种理论基础上发展起来的。 以上，个人浅见，如有错误或遗漏，敬请批评指正。

我觉得是一本好书但是我不想对作者的观点做过多评价来评判这是一本好书还是无用的书。因为从我个人的角度里我认为人是具有社会性的，大部分普通人在做决策的时候也是受道德，感情，习惯甚至于记忆，情绪等因素改变的。作者提出的快速节俭分类法是一种基于人类的“绝对理性”作为前提下的一种概念，我觉得它具有一定的参考性，生活中的所有决策应该尽可能无限地去趋近于这种模式。

《分类思维》这门学问啊！确实是一门需要研究的科学，不过呢！分类分完了，至于怎么选，这不就变成艺术了嘛！😆😆 我算是明白了，《分类思维》这书啊！就是给困难选择症的人准备的。原来作家全是医生，医治各种疑难杂症。 《分类思维》这本书不是在教你“世界应该分成哪几类”，而是在教你一种在不确定性中生存和繁荣的决策哲学。它告诉你，不必总是追求“最优解”，很多时候，一个“足够好”的、通过简单分类得到的快速决策，才是真正智慧和实用的选择。这是一种将科学与艺术结合的思维模式——科学在于研究哪些简单的规则有效，艺术在于知道在何种情境下运用它们。 根据《分类思维》这本书的核心理论框架，作者重点阐述的核心分类决策工具（启发式）确实是这四种： 1. 单一理由决策（选择、不选择） 2. 采纳最佳（排列优先排除法） 3. 快速节俭树（是、否选择定论法） 4. 等价分组（先归类，再选择） 这四种工具是“分类思维”理论大厦的支柱，它们提供了在不确定环境中做出快速、有效决策的具体方法。 不过，为了更精确地理解，我们可以从另一个角度来补充说明： 虽然核心工具是这四种，但书中探讨的“分类”概念本身，在实际应用中会衍生出多种多样的具体分类标准。这些标准是根据不同领域和情境而定的。 可以这样理解： · 四大决策工具是“方法”或“算法”。 · 在实际运用这些方法时，我们会根据 目标创建“具体的分类体系”。 一些具体的分类体系示例： 1. 二元分类（最基本、最常用） 这是最简单直接的分类，将世界一分为二。 · 危险 vs. 安全（野外生存） · 投资 vs. 不投资（金融决策） · 优先处理 vs. 常规处理（时间管理） · 可信 vs. 不可信（信息来源判断） 2. 有限类别分类 在二元基础上，根据更多线索细分出少数几个有意义的类别。 · 医疗分诊： 危重 - 紧急 - 非紧急（使用“快速节俭树”或“采纳最佳”工具） · 客户管理： VIP客户 - 普通客户 - 潜在客户（使用“等价分组”工具） · 风险评估： 高风险 - 中等风险 - 低风险。 3. 基于“停止规则”的分类 这类分类的关键在于决定何时停止信息搜索，直接做出归类。 四中归类同属于目标倒推法。😆😆

读这本书的出发点，只是为了了解“怎样更好地建立分类”。但是本书全文太过专业，对于一个非理工科背景、对编程几乎一无所知的阅读者来说，读这本书实在不是一个好主意。 但毕竟“开卷有益”。通过读这本书，我还是收获到了一点（或者说，对一个内容有了更深的认知）——分类规则要尽可能简单，这样才有利于快速作出决策。如果你把分类的规则弄得太复杂，就是在给自己的决策设置障碍。不只是“分类”这种行动，其他行动也类似——行动规则要尽可能简单，这样才能更好地开启它。 这种情况下的“简单”，往往是并不简单的。（因为它经过人工雕琢，并不是下意识的“浑然天成”。）“简单是终极的复杂”——达芬奇的这句名言很好地阐述了这一点。经过周密思考、完善的综合考虑之后，呈现出来的“简单”，才是真正蕴含了“复杂”的简单。看起来，它仿佛和一开始的只考虑简单要素而设置的“简单”规则（或设计，或其他）的外观一样，但是，包容了复杂的“简单”和只考虑简单要素的“简单”不同，至少它背后的思考复杂度并不相同——但很可能，两种“简单”所呈现的外观、运行的结果都是相同的。然而，看似简单的设计中，融合了复杂，它呈现的是优雅的简洁，以一种质朴的、简单的方式——这种情况，也就是“大巧若拙”。 此外，如果是“下意识”做出的分类，（可能也有其他行动），它背后的规则，连当事人自己也讲不清楚，但是这种分类又准确无比——比如，书中讲到的，孩子能在接触少量猫、狗的图片之后，就能准确分辨哪些是猫、哪些是狗；成年人在下意识作出分类的时候，也如此。但是，我们很少能说得清，这种清晰的分类，是基于什么作出的。这完全是出于内在的心理机制，并且十分准确、迅速。这一点，不作讨论了，因为用书中的话说，这“既不透明也不稳定可控”，不在讨论之列。 总之，“人们可以轻松记住以及遵循简单的规则，这些规则可以为他们提供有效的工具来实现自我赋权。”本书末尾的这句话，从个人而言，可以为此次阅读的收获做一个生动的注脚。

不错的书，指导我们在复杂的现实情境中如何做出令人满意的决策。 ————————————————————— 把个体划分至有共同特点的不同组，这种能力被称为分类，是智力最基本的形式之一。 若没有这种能力，我们的大脑就会在大量的观察结果中不知所措。 分类首先要确定一个分类规则，然后将观察到的对象按照规则分配给某一类别。 那么，存不存在一种最佳的分类规则，可以让我们将每一个观察到的对象都能够准确的分类？（这等于在问，我们能不能做出最好的决策？） 在实验室研究中，是可能存在的。因为实验室内所做的都属于“总体内分类”，其分类规则基于总体的某一部分样本而构建，然后在来自同一总体的不同样本上进行测试。由于总体是已发生的，是确定的，所以分类规则可以通过调整参数来无限接近总体。 但在现实情境中，最佳分类规则是不可知的。因为现实中所做的都属于“总体外分类”，总体外充斥着各种微小变量，使得未来的增量以某种不可预知的方式不同于过去的总体。所以基于过去总体得出的分类规则，无法很好的应用于未来数据的分类预测。 那么，在现实的复杂环境中，应该遵循什么分类规则呢？（应该如何决策呢？） 并不是考虑的因素越多越好，人们普遍认为，复杂的问题需要复杂的解决方案，然而研究表明在现实情境中，简单的规则表现更好。 简单规则也称为启发式。书中提到了两类启发式，这两种启发式调动了人类智力的两个核心能力：计数和排序。 计数启发式只计算将个体分配至某一类别的原因个数，达到某一阈值，即完成分类。 快速节俭树则对分类原因进行排序，让使用者基于其中一个或几个原因就能做出快速决策。 这两种简单规则所实现的分类结果，不亚于其他复杂规则，而且它们的分类过程更加的透明、简洁、清晰、快速。

对本人，阅读、理解相对吃力，读完后，感觉“我不行了”。 😂😅 习惯性翻了一下“不行”里面的评论，感觉“我好像又还行”。 算不上评价此书，几句读后感吧，不知道以后还会不会回头再翻此书。 这是一本什么书？ 这是一本讲真实世界、不确定世界中如何快速决策的工具书。 这本书主要讲的内容？ 其实本书听完之后的话，我是真的一点印象都没有。可能因为案例离我的认知太远，也可能因为翻译让某些论述变得生涩。 对于本书的一个大概主旨我也是很难整理出来，再回过头反复的翻看、浏览之后，唯一能够吸引我的反而是在前面介绍中提到对于医学急救分类处理的问题。 比如：“就像急诊科用‘红黄绿’分级处理创伤，这本书教的是用分类框架处理一切不确定性。” 嗯，所以对于我来说的话，这本书更像是在不确定的一个真实世界当中，如何将未知的、复杂的真实环境，简单化用最简单的一些分类思想进行决策的工具书。 当我下一次在临床中面对一个“模棱两可”的诊断时，也许会想起它——想起“分类”本身，就是一种可以刻意练习的决策本能。

这本是 《分类思维：不确定情境中合理决策的科学与艺术》，英文原版是 Classification in the Wild: The Science and Art of Transparent Decision Making。 作者是 Konstantinos V. Katsikopoulos、Özgür Şimşek、Marcus Buckmann、Gerd Gigerenzer。英文版由 MIT Press 出版，主题是：在真实世界的不确定情境里，如何用简单、快速、透明的分类规则做决策。 先给判断 这本比很多“决策思维”书更硬一些。 它不是鸡汤，也不是泛泛讲“结构化思考”，而是讲一个很具体的问题： 在信息不完整、时间有限、未来不可知的情况下，我们如何把一个对象快速归类，并采取对应行动？ 比如： > 这个客户是高意向、中意向，还是低意向？ 这个项目是继续投入、暂停，还是放弃？ 这个候选人是录用、复试，还是淘汰？ 这个风险是低、中、高？ 这个病人是否需要优先检查？ 这家公司是否有银行破产风险？ 这类问题本质上都是 classification / 分类决策。 它的核心观点 这本书反对一种直觉： > 决策越复杂，模型就应该越复杂。 信息越多，判断就越准。 算法越黑箱，效果越高级。 作者的观点是： 在真实世界里，简单、透明、可解释的分类规则，经常可以和复杂机器学习模型一样准，甚至更稳。 MIT Press 的介绍也说，这本书连接启发式研究和机器学习，展示了如何用简单、快速、透明的分类规则建立正式模型，并在糖尿病预测、银行破产预测等问题上与复杂机器学习算法比较。 最重要的理论框架 1. 风险和不确定性不同 这是 Gigerenzer 一贯的重要观点。 风险 risk 是你大概知道概率。 比如扔骰子，每个点数概率基本清楚。 不确定性 uncertainty 是你根本不知道完整概率。 比如新品能不能卖、内容会不会爆、某个人能不能胜任、市场会不会转向。 真实世界大多数商业决策，不是风险问题，而是不确定性问题。 所以不能幻想把所有变量都算清楚。 --- 2. 分类不是描述，而是行动前的判断 分类不是为了贴标签，而是为了决定下一步动作。 比如： > 高意向客户：马上跟进。 中意向客户：补充内容和证据。 低意向客户：低成本维护。 高风险项目：暂停或缩小测试。 低风险项目：继续推进。 所以好的分类，必须连接动作。 如果分类之后不知道做什么，这个分类就是装饰。 --- 3. 快速节俭启发式 书里很重要的概念是 fast-and-frugal heuristics / 快速节俭启发式。 意思是： 只用少量关键线索，按简单规则快速判断。 比如不需要分析 30 个变量，只抓 3 到 5 个真正有区分度的线索。 这不是偷懒，而是一种适应真实世界的方法。因为现实世界里： > 数据不完整； 时间有限； 噪音很大； 变量太多会过拟合； 决策还需要别人理解和执行。 Max Planck Institute 对这本书的介绍也提到，它展示了简单、快速、透明的分类规则在真实不确定环境中可以有很高准确性。 --- 4. 快速节俭树 这是最实用的工具。 fast-and-frugal tree / 快速节俭树 就是用几个连续问题做决策。 例如判断一个内容选题要不要拍： > 第一问：用户痛点是否明确？ 如果不明确，先不拍。 如果明确，进入第二问。 第二问：开头 3 秒是否有冲突或反差？ 如果没有，先改脚本。 如果有，进入第三问。 第三问：是否能连接到购买理由或行动？ 如果不能，只做品牌内容，不承担转化。 如果能，进入拍摄。 它的价值在于： 把模糊判断变成清楚流程。 团队不用每次争“我觉得这个选题好不好”，而是按规则过一遍。 --- 5. 计数法 另一个简单方法是 tallying / 计数法。 也就是不复杂加权，只看几个关键线索满足了几个。 比如判断一个项目是否继续投入，设 6 个线索： > 用户有真实需求； 内容数据有正向信号； 价格机制成立； 成交链路能承接； 毛利不亏； 团队能稳定执行。 满足 5 到 6 个：继续加码。 满足 3 到 4 个：小规模测试。 满足 0 到 2 个：暂停或重做假设。 它的好处是简单、透明、可复盘。 这本书对你最有用的地方 我觉得它特别适合解决你最近反复提到的一个问题： 市场和内容结果不确定，短期销售不可预测，所以人会很无力。 这本书的答案不是让你预测得更准，而是让你先建立清楚的分类规则： > 哪些内容值得继续投？ 哪些内容只是弱信号？ 哪些项目需要停？ 哪些客户值得重点跟？ 哪些员工问题是能力问题，哪些是责任心问题？ 哪些数据差是正常试错，哪些说明假设已经失败？ 也就是说，它能把“感觉判断”变成“透明分类”。 一个可直接使用的 practice 以后遇到一个复杂决策，可以按 6 步做一个分类器。 第一步：明确你要分类什么 不要说“判断这个项目行不行”。 要说清楚： > 我要把项目分成：加码 / 继续小测 / 暂停 / 放弃。 分类必须对应行动。 --- 第二步：定义每一类的动作 比如： 分类 动作 A 类 加预算、加人、放大 B 类 继续测试一周 C 类 暂停，重做假设 D 类 放弃，不再投入 --- 第三步：选 3 到 7 个关键线索 不要选太多。 比如内容项目可以看： > 用户问题是否强； 前 3 秒是否有停留理由； 是否有购买理由； 是否有信任证据； 是否能低成本生产； 是否有搜索/咨询/收藏信号。 --- 第四步：设定简单阈值 例如： > 6 个线索中满足 5 个，进入 A 类。 满足 3 到 4 个，进入 B 类。 满足 2 个以下，进入 C 或 D 类。 不要一开始就搞复杂权重。 --- 第五步：用历史案例回测 拿过去 20 个项目或内容测一下： > 按这个规则，当时会分到哪一类？ 后来的真实结果是什么？ 有没有明显误判？ 哪个线索没用？ 哪个线索最有区分度？ --- 第六步：定期更新规则 分类规则不是永远不变。 每个月或每季度复盘一次： > 哪些规则有效？ 哪些规则过时？ 哪些误判最贵？ 下一版分类器要删掉什么、增加什么？ 它和机器学习/AI 的区别 这本书不是反 AI，而是提醒： 不是所有决策都适合黑箱模型。 如果一个决策需要： > 责任追溯； 团队理解； 快速执行； 低数据量； 高不确定； 对外解释； 那透明规则往往比复杂模型更合适。 比如司法、医疗、金融监管、组织管理，都不能只说“模型告诉我这样”。这本书也讨论了投票、HIV 筛查、地方法官决策等真实案例。 局限 第一，它不是一本轻松读物。 它比普通商业书更偏认知科学、统计建模和决策科学。 第二，它强调简单规则，但不是说所有复杂模型都没用。数据量足够、环境稳定、变量关系复杂时，机器学习仍然有价值。 第三，它最适合“分类型决策”。如果问题是创造、战略想象、品牌审美，它不能完全覆盖。 一句话总结 《分类思维》讲的是：在真实世界的不确定情境里，很多决策不是靠算尽所有变量，而是靠少量关键线索，把对象快速、透明地分到正确类别，并采取相应行动。它最适合用来把模糊判断变成可执行、可复盘的分类规则。

本书标准：过程最稳健、最可解释、最适应我所在环境。即使结果未达最佳，我也能清晰回溯：“我根据当时最可靠的一条线索（如‘团队诚信’），运用了预先验证有效的简单规则（‘诚信一票否决’）做出决策。” 这个选择本身，就是在不确定世界中最理性的行为。 我们常为“未选择的路”感到焦虑或后悔。本书赋予的“忽略审计”，给了我们放弃的科学理由：“我放弃那条路，不是因为疏忽，而是因为我战略性地判定，‘行业短期热度’这条线索的可靠性，远低于‘我的核心能力是否匹配’这条线索。这是我基于环境结构做出的主动忽略。” 这极大地减轻了决策后的反刍和后悔。 这本书的价值，在于它提供了一套科学方法和哲学辩护，让我们能在不确定的世界中，主动设计简单而坚固的决策规则。凭借这些规则，我们不仅能清晰坚定地选择道路，更能理解每一份舍弃的战略意义，从而在未知的丛林中，保持方向、减少内耗、并坦然前行。 但是这本书存在局限，如下 适用范围边界：在数据丰富、环境稳定的领域（如棋类游戏、图像识别），复杂算法仍具优势。本书可能低估了大数据和深度学习在部分领域的潜力。 量化精度不足：快速节俭法强调"足够好"而非"最优"，在需要高精度定量预测的场景可能不适用。 线索选择主观性：如何确定关键线索及其排序，仍依赖领域专家的主观判断，缺乏客观标准。

中文题目翻译不好,实际上这本书解决的不是分类思维,单纯就是说启发式和更复杂更黑盒的模型之间的比较和差异. 这本书写的不好的地方在于, 可解释机器学习已经是目前显学了, 回归模型实际上也是一个很简单而且很好解释的模型. 把这些东西过度复杂化或者吹的好像一个恶鬼以后, 模糊了研究目的和实用目的的边界, 与其说是怎么做分类, 不如说是分类成本效益的 trade-off. 这是这本书作妖的地方, 这本书没有回答为什么启发式的效果好, 为什么启发式与模型之间有差别, 这部分认知心理上的差异反而被作为了黑盒. 所以这本书既没有达到"怎么做分类"的宣教, 也没有做到启发式为什么优于第二大脑的争辩. 没必要细读.

对确定性的需求是人类的天性，然而，这也是人类智慧的缺点。     ——伯特兰·罗素 认知心理学和机器学习之间存在着另一个深刻的区别。心理学主要是描述性的，它回答人们实际上是如何进行分类的问题，而机器学习是规范性的，它回答的是人们应该如何进行分类的问题。 现实情境中的分类可以应对现存的情况，无须怀着实验室最佳规则能够推广到现实生活的期望将其转换为受控的世界。现实情境中，简单规则表现良好。 “规范性的”不应与“最佳的”相混淆。只有在一系列假设的条件下，一个分类规则才是最佳的。这些假设的有效性可以在实验室中得到保证和验证，但在现实情境中很难做到。在现实情境中，人们可以找到比现有规则更好的规则，这是通过对规则的执行时间、是否便于记忆、成本、敏感度和特异度等标准来衡量的，也是根据可用数据来判断的。在现实情境中试图确定最佳分类规则可以说是一厢情愿：不确定性（与风险相对的）是不会被概率论驯服的。不稳定世界原则表明，实验室对最佳的探求，应该被现实情境中对简单的探求所取代。 心理学研究表明，在充满变化和分裂的情况下，人们依赖于近因。1838年，托马斯·布朗(Thomas Brown)就已经构想出了近因定律，该定律指出，最近的经历比遥远的过去更容易浮现在脑海中，并且通常是指导人类决策的唯一信息。 透明度是一个相对的概念：规则可以对一个专家组而言是透明的，但对其他人是不透明的。简单的启发式支持透明度。相比之下，逻辑回归、岭回归和套索回归对于大多数医生和护理人员来说也远非透明，神经网络的工作原理甚至对其设计者也可能是不透明的。在这项研究中，我们把一个分类器提出的问题数量作为其透明度的代表。 在第二章中，我们解释了分类的两种错误类型：漏报和误报。在很多预测问题中，其中一种错误要比另一种更有害。而由于我们不知道在现实情境中这些错误的真实重要性，我们将漏报和误报视为同样有害。和第三章一样，我们不使用总分类错误作为表现的衡量标准。这个错误是所有被错误分类的实例所占的比例，如果一个类别比另一个类型要常见得多，则这个错误可能具有欺骗性。 应用最佳拟合法从计算方面上讲可能是非常费时费力的，尤其是在有着很多数值线索的数据集中。我们采用交叉熵方法来做粗略估算，请参见Reuven Rubinstein，“The Cross-Entropy Method for Combinatorial and Continuous Optimization，”Methodology and Computing in Applied Probability 1,no.2(1999)：127-190。这个方法并不能保证找到最适合的快速节俭树，但它通常产生准确度高的快速节俭树。 如果没有概念，精神生活将一片混乱。                     ——爱德华·L.史密斯与道格拉斯·L.梅丁 人类使用的线索和分类规则大多是无意识的，因此对孩子或成人进行访谈以发掘这些规则本身并不能为我们提供一套满足我们所需的方法论。人们凭直觉知道一个对象属于哪个类别，但他们并不总是能清楚地表达他们是如何知道的。 认知一词是指将感觉输入转化为行为的心理过程。这些过程包括分类，并牵涉到存储、恢复以及整合信息。自19世纪实验心理学开端以来，人们一直在研究认知过程，20世纪上半叶，对认知过程的研究在美国短暂中断，那一时期，行为主义盛行。行为主义研究的是感觉输入和输出之间的关系，例如习惯和技能的学习，而不是研究认知过程的“黑匣子”。它禁止诸如意识和思想之类的心理术语或任何其他无法直接观察到的东西。20世纪60年代的“认知革命”最终推翻了行为主义，重新确立了对心理概念的研究。 这场革命改变了认知过程本质的意义。受到20世纪50年代和60年代开始出现于心理实验室的新的统计方法和计算机的启发，一种将认知描绘为计算（包括统计计算）的新语言出现了。令人惊讶的是，在认知革命之前，认知过程理论中几乎没有出现过计算和统计推断等概念。 自然类别对由逻辑或概率规则定义的人工类别的研究提出了挑战：人们无法得知人类所依赖的对人工对象进行分类的过程是否与他们用于对自然对象进行分类的过程相似。 另一种文化是直接研究人们如何对自然物体而不是人造物体进行分类。我们将这种文化称为对现实情境中的分类的心理学研究。它起源于罗施的研究，也起源于赫伯特·西蒙关于有限理性的著作。西蒙认为，在不确定性的情境下，正如第一章所讨论的，不确定性是现实情境的一个最典型的特征，人们必须满足而不是优化。满足意味着在无法知道最佳解决方案时找到一个好的解决方案。在这些情况下，人们依赖快速节俭启发式和其他一些心理工具。这与实验室文化之间的重要区别在于，实验者不会从一个已知的基于人造物体定义的分类规则开始研究。相反，我们的目标是，发现人们在现实情境中分类时实际使用的规则，这个规则可能是计数法、快速节俭树或其他方法。 自适应工具箱的概念类似于一个客观存在的工具箱，多个分类规则存在其中，人们需要特定的工具来解决不同的任务，例如用锤子将钉子钉在板上。它被称为“自适应”以强调功能，这有助于我们理解认知，记住大脑的进化是为了解决生存和繁殖问题。这个概念应用于分类时，要求规则既快速又节俭，也就是说，在有限的信息下快速运转，而不是依赖于详尽全面的信息搜索和耗时且难驾驭的算法。 我们已经对心理学有关分类的研究的两种文化进行了区分。在实验室分类中，实验者设计人造物体和分类规则，然后使用这个框架来研究人们的行为。在现实情境中的分类中，研究人员选择的是自然物体，对于这些自然物体，分类规则未知，然后研究人们如何将这些物体分配到自然类别中。 分类最基本的形式是枚举，在这种形式里，某一类别本质上是其成员的集合（例如“我的家人”），不需要分类规则。当孩子们从一个不熟悉的类别接触到少量新事物时，通过记住个别范例，他们就做到了分类。然而，范例更多以后，枚举就不再起作用，人们就需要基于线索的分类规则。分类，在本质上是不确定性推理。 我们去指责建模者太容易了。从更全面的角度来看，我们可以观察到一种主导趋势，即人们建立过于复杂和不透明的金融体系，又配上过于复杂和不透明的金融监管框架。然而，事情不一定要这样。事实上，事情并非总是这样。为了更好地理解监管框架不断提升的复杂性，让我们数一下最著名的国际金融监管框架，即《巴塞尔协议》的三个版本都有多少页：《巴塞尔协议》第一版(1988)为较为适中的30页，《巴塞尔协议》第二版(2004)为347页，《巴塞尔协议》第三版(2010)达到了616页。 《巴塞尔协议》规定了什么？与我们讨论的内容有关的是，如何确定一家银行的资本需求量。在《巴塞尔协议》第一版中，条例都非常简单，关注的信用风险有限，条例适用于所有银行。然而，人们逐渐认为《巴塞尔协议》第一版对风险缺乏敏感性。在《巴塞尔协议》第二版中，银行可以使用自己的内部模型，这些模型根据每家银行的风险敞口设计，允许越来越高的风险。同样地，这些模型变得在数学上更加灵活。朝向复杂性发展的趋势持续了近三十年。基于《巴塞尔协议》第三版，一家大型银行需要估算数以千计的风险值。由于这些风险相互关联，需要估算的参数数量可能达到数百万。 人们对霍尔丹演讲的反应好坏参半。《卫报》(Guardian)一篇题为《金融与风险：我们知道的太多》的社论满怀希望地评论说“金融经济学正退回到凯恩斯(Keynes)和哈耶克(Hayek)所熟悉的世界，即经济不确定性就是它本身，而不是被人数学化还当作可控风险错误地兜售”。然而，经济学是否快要放弃不必要的复杂模型，我们还是完全不清楚。芬兰银行前行长埃尔基·利卡宁(Erkki Liikanen)在杰克逊霍尔对这篇演讲评论时，引用了这一说法：对于每个复杂的问题，都有一个明确、简单和错误的答案。利卡宁不过是和很多人的观点一样，还是将简单性和错误等同对待。 事实上，现有的复杂规则已经被银行玩弄了：监管条例日益复杂，这使得人们更容易发现漏洞、曲解风险评估。所有这些都导向非生产性的活动，比如银行家和监管者变相增加复杂性。与复杂的监管不同，人们更容易发现对简单规则的玩弄并予以反击。 检查站决策树和银行监管，它们是我们试图在现实情境中保持安全的例子。在真实的情境中，复杂的情况需要的是十分简单的规则，而不是过于复杂的规则。对于士兵们来说，快速节俭树为他们的行动提供了一个系统性指南。这个检查站决策树很容易就能教会大家，也容易记忆，情况危急时可迅速地照着做。它将士兵造成的伤亡减少60%，甚至更多，从而挽救许多平民的生命。银行监管案例的不同之处在于，现行已有监管框架，然而该框架过于复杂，它还允许银行使用内部模型来估算成千上万的风险系数和数百万个相关量来计算其风险价值，从而确定其所需资本。鉴于这种复杂性，监管机构几乎不可能评估这些估算是否正确，银行也有动机去曲解这些估算，以便它们只需要拥有尽可能少的资本。尽管监管机构和政客们等等未能阻止2008年的金融危机，但他们仍然坚持这样的信念，即复杂局势需要复杂的解决方案。然而，正如我们所看到的，微调和优化方法在现实情境中并不奏效；相反，使用它们让系统变得脆弱，给人一种确定性的幻觉。 我可以与不确定、不知道共存。我觉得比起知道可能是错的答案，不知道反而更加有趣。         ——理查德·费曼