# 期望值 ## 目录 * 目的 * 何时使用 * 这是什么？ * 工作流程 * 常见模式 * 护栏 * 快速参考 ## 目的期望值（EV）通过计算所有可能结果的概率加权平均值，提供了在不确定性下做出理性决策的框架。该技能将指导您识别场景、估计概率和收益、计算预期值以及解释结果，同时考虑风险偏好和现实世界的约束。 ## 何时使用在以下情况下使用此技能： * **投资决策** ：我们应该投资项目A（高风险，高回报）还是项目B（低风险，低回报）？ * **产品赌注**：推出功能 X（不确定采用）还是专注于功能 Y（更安全的赌注）？ * **资源分配**：在预算有限的情况下，哪些举措的预期回报最高？ * **继续/不继续决策**：在考虑成功/失败的概率后，启动的预期价值是否为正？ * **定价和谈判**：接受和拒绝报价的预期价值是多少？ * **保险与对冲**：我们应该购买保险（保证小额损失）还是承担大额损失？ * **A/B 测试解释**：考虑到不确定性，哪种变体具有更高的预期转化率？ * **投资组合优化**：在给定的风险承受能力下，多元化以最大化预期回报？触发短语：“预期价值”、“EV计算”、“风险调整回报”、“概率加权结果”、“决策树”、“我应该赌一把”、“比较风险选项” ## 这是什么？ **预期值 (EV)** = Σ（结果概率 × 结果值）对于每个可能的结果，将其概率乘以其价值（收益），然后对所有结果求和。 **核心公式**： EV = (p₁ × v₁) + (p2 × v2) + ... + (pₙ × vₙ) 其中： - p₁、p2、...、pₙ 是每个结果的概率（总和必须为 1.0） - v₁、v2、...、vₙ 是每个结果的值（收益） **简单示例：** **场景**：推出新产品功能。估计成功的可能性为 60%（收入为 10 万美元），失败的可能性为 40%（沉没成本为 2 万美元）。 **计算**： * EV = (0.6 × 10 万美元) + (0.4 × -2 万美元) * EV = $60k - $8k = **$52k** **解释**：平均而言，启动此功能可获得 52,000 美元的收益。正EV→推出是理性选择（如果风险承受能力允许）。 **核心优势：** * **定量比较** ：以相同规模比较不同的选项（预期回报） * **明确的不确定性**：强制估计概率而不是直觉 * **可重复框架** ：同样的方法适用于投资、产品、招聘等。 * **风险调整**：根据可能性对结果进行加权，而不仅仅是最好/最坏的情况 * **投资组合思维**：最佳长期策略是在许多决策中最大化预期价值 ## 工作流程复制此清单并跟踪您的进度：预期值分析进展： - [ ] 第 1 步：定义决策和替代方案 - [ ] 第 2 步：确定可能的结果 - [ ] 步骤 3：估计概率 - [ ] 第 4 步：估计收益（值） - [ ] 步骤 5：计算期望值 - [ ] 步骤 6：解释和调整风险偏好 **第 1 步：定义决策和替代方案** 你正在做什么决定？什么是互斥的选项？请参阅 [resources/template.md]()。 **第 2 步：确定可能的结果** 对于每种选择，可能会发生什么？从最好情况到最坏情况列出场景。请参阅 [resources/template.md]()。 **第 3 步：估计概率** 每种结果的概率是多少？使用基本费率、参考类别、专家判断、数据。请参阅 [resources/methodology.md]()。 **第 4 步：估计收益（值）** 每个结果的价值（收益或损失）是多少？以美元、时间、效用来量化。请参阅 [resources/methodology.md]()。 **步骤 5：计算期望值** 将概率乘以收益，对每个替代方案的结果求和。请参阅 [resources/template.md]()。 **步骤 6：解释和调整风险偏好** 选择 EV 最高的选项？或者根据风险厌恶、非货币因素、战略价值进行调整。请参阅 [resources/methodology.md]()。使用 [resources/evaluators/rubric_expected_value.json]() 进行验证。 **最低标准**：平均分≥3.5。 ## 常见模式 **模式 1：投资决策（离散结果）** * **结构** ：进行/不进行选择，具有 3-5 个离散场景（最佳情况、基本情况、最坏情况） * **用例**：产品发布、雇用与不雇用、接受投资要约、购买与租赁 * **优点**：简单、直观、易于沟通（决策树可视化） * **缺点**：过度简化连续分布，二进制框架可能会错过细微差别 * **示例**：推出产品功能（60% 成功 $100k，40% 失败 - $20k）→ EV = $52k **模式2：投资组合分配（多个选项）** * **结构**：在 N 个项目之间分配预算，每个项目都有自己的 EV 和风险状况 * **用例**：风险投资组合、研发预算、营销支出分配、团队能力 * **优点**：多元化减少方差，可以优化风险/回报权衡 * **缺点**：需要对许多变量进行估计，相关性很重要（不独立） * **示例**：投资 3 家初创公司（每家 5 万美元），EV = [$20k, $15k, -$10k]。总 EV = 25,000 美元。与单一 15 万美元的赌注相比，多元化投资组合可降低风险。 **模式3：顺序决策（决策树）** * **结构**：随着时间的推移一系列决策，早期决策的结果影响后来的选择 * **使用案例**：临床试验（第一阶段→第二阶段→第三阶段），分阶段投资，探索然后利用 * **优点**：捕获可选性（如果早期结果不好可以停止），折回归纳找到最佳策略 * **缺点**：树呈指数增长，所有分支都需要概率 * **示例**：第一阶段药物试验（70% 通过，100 万美元成本）→ 如果通过，则进入第二阶段（50% 通过，500 万美元）→ 如果通过，则进入第三阶段（40% 批准，5000 万美元收入）。逆向计算 EV。 **模式 4：连续分布（蒙特卡罗）** * **结构**：结果是连续的（收入可能是 0-100 万美元），使用概率分布 * **用例**：财务建模、项目时间表、资源规划、敏感性分析 * **优点**：捕获全部不确定性，避免离散场景偏差，提供置信区间 * **缺点**：需要分布假设，计算量大，难以沟通 * **示例**：收入 ~ 正常（50 万美元，10 万美元标准开发）。运行 10,000 次模拟 → 平均值 = $510k，90% CI = [$350k, $670k]。 **模式 5：竞争游戏（收益矩阵）** * **结构** ：你的结果取决于竞争对手的选择，创建支付矩阵 * **用例**：定价策略、产品发布时间、谈判、拍卖投标 * **优点**：结合策略互动，找到纳什均衡 * **缺点**：需要估计竞争对手的概率和收益、博弈论的复杂性 * **示例** ：价格高与低，竞争对手价格高与低 → 2×2 矩阵。考虑到对竞争对手的信念，计算每个策略的 EV。 ## 护栏 **关键要求：** 1. **概率之和必须为 1.0** ：如果列出结果，它们的概率必须是详尽的（涵盖所有可能性）并且互斥（无重叠）。检查：p₁ + p2 + ... + pₙ = 1.0。 2. **不要将 EV 用于未经风险调整的一次性、高风险决策**：EV 是长期平均值。对于罕见的、不可逆转的决定（押注毕生积蓄、关键手术），请考虑规避风险。 1% 的机会获得 1B 美元（EV = 1000 万美元）并不意味着您应该拿自己的房子下注。 3. **量化不确定性，不要隐藏它**：概率和收益是估计值，通常是不确定的。使用范围（乐观/悲观）、敏感性分析或分布。不要假装精确。 4. **考虑非货币价值**：以美元计算的 EV 很方便，但有些结果具有金钱无法捕获的效用（声誉、学习、选择性、士气）。转换为通用比例或使用多属性实用程序。 5. **概率必须经过校准**：不要在没有基础的情况下使用直觉概率。使用基本费率、参考类别、数据、专家预测。测试：你的“70% 置信度”预测在 70% 的情况下是正确的吗？ 6. **考虑相关结果**：如果结果不是独立的（经济衰退影响所有投资组合公司），相关性就会降低多元化收益。模型依赖性。 7. **货币的时间价值**：不同时间的收益并不相等。将未来现金流折现为现值 (NPV = Σ CF_t / (1+r)^t)。 EV 应使用 NPV，而不是标称值。 8. **停止规则和选项值**：在顺序决策中，折回归纳找到最佳策略。不要忽视提前停止、转向或等待更多信息的选项。 **常见陷阱：** * ❌ **忽略风险规避**：EV（10万美元，50/50）= EV（5万美元，确定），但大多数人更喜欢确定的5万美元。对规避风险的主体使用效用函数。 * ❌ **锚定单一场景**：“最好的情况是 100 万美元！” → 但概率是 5%。专注于电动汽车，而不是精心挑选的场景。 * ❌ **错误精度** ：当您猜测时，“概率 = 67.3%”。使用范围，表达不确定性。 * ❌ **沉没成本谬论**：过去的成本是沉没的，不包括在前瞻性的EV中。只有未来的成本/收益才重要。 * ❌ **忽略尾部风险**：低概率、高影响的事件（0.1% 的可能性 - 1000 万美元）可以主导 EV。不要舍入为零。 * ❌ **静态分析**：假设您无法更新信念或改变方向。真正的决定允许学习和转变。 ## 快速参考 **关键公式：** **期望值**：EV = Σ (pᵢ × vᵢ) 其中 p = 概率，v = 值 **预期效用**（用于规避风险）：EU = Σ (pᵢ × U(vᵢ)) 其中 U = 效用函数 * 风险中性：U(x) = x (EV = EU) * 规避风险：U(x) = √x 或 U(x) = log(x)（凹） * 风险寻求：U(x) = x²（凸） **净现值**：NPV = Σ (CF_t / (1+r)^t) 其中 CF = 现金流，r = 贴现率，t = 时间段 **方差**（风险度量）：Var = Σ (pᵢ × (vᵢ - EV)²) **标准差** : σ = √Var **变异系数**（风险/回报比）：CV = σ / EV（较低=更好的风险调整回报） **盈亏平衡概率**：p*，其中 EV = 0。求解：p* × v_success + (1-p*) × v_failure = 0。 **决策规则**： * **最大化 EV** ：选择具有最高 EV 的选项（风险中性，重复决策） * **最大化 EU** ：选择具有最高预期效用的选项（规避风险，包含偏好） * **最小最大遗憾** ：最小化跨场景的最大遗憾（保守，避免最严重的错误） * **满意** ：选择高于阈值 EV 的第一个选项（有限理性） **敏感性分析问题**： * 概率需要改变多少才能翻转决策？ * 最好情况下的 EV 是多少？最坏的情况？哪些变量影响最大？ * EV 盈亏平衡（EV = 0）的概率是多少？ **关键资源：** * **[resources/template.md]()**：决策框架、结果识别、EV计算模板、敏感性分析 * **[resources/methodology.md]()**：概率估计、收益量化、决策树分析、效用函数 * **[resources/evaluators/rubric_expected_value.json]()**：质量标准（场景完整性、概率校准、收益量化、EV解释） **所需输入：** * **决定** ：您要选择什么？（2+ 相互排斥的替代方案） * **结果**：对于每种替代方案，可能会发生什么？（典型情况为 3-5 个场景） * **概率**：每种结果的可能性有多大？（总和为 1.0） * **收益**：每个结果的价值（收益/损失）是多少？（美元、时间、效用） **产生的产出：** * `expected-value-analysis.md`：决策框架、具有概率和收益的结果场景、EV 计算、敏感性分析、考虑风险的建议

期望值

包含技能