核心关键词：小概率事件，不对称性（作者强调不对称是本书的核心），平均vs极端，钟形曲线vs幂律
细节关键词：运气，马太效应，长尾理论，证实谬误，叙述谬误，幸存者偏见
2018年上半年读书主题是概率/统计思维，读完了《魔鬼数学》，《赤裸裸的统计学》，《看穿一切的统计学》并都做了读书笔记，然后借着这个主题翻出了好几年前买的这本《黑天鹅》，当时读得昏昏欲睡所以不了了之，现在重新捡起来阅读有些豁然开朗了，果然是有些书不是什么时候都能读懂的啊。
本书的核心内容：（1）介绍了什么是黑天鹅，黑天鹅现象具有三个特点：不可预测性，影响重大，事后可解释。（2）分析了我们为何容易忽视黑天鹅现象，从“如何看待过去”和“如何预测未来”两个角度展开阐述，前者介绍了人类在归纳推理、证实推理/确认偏误、信息加工处理、叙述谬误、强加因果关系等方面的错误，后者介绍了人类的认知自大/Ego。（3）更具体的原因，是我们看待世界的方式是错误的，我们倾向于用钟形曲线/正态分布去分析世界，实际世界却充满了不平等，像财富、图书销售量是以power law/幂律的形式存在，（4）针对不确定性和黑天鹅现象，作者给出了一些具体的指导。
本书的核心观点有趣，但不能掩盖这本书写得啰嗦絮叨，或许很高境界的人大都如此吧。所以这本书不能读得太细致，适当跳过作者的絮叨和自言自语更好一些，别纠结于每一句话的意思，我甚至怀疑作者不是“写书”，而是“说书”。
在介绍本书内容之前，基于我之前读的几本书，我想“从期望值的角度看待黑天鹅事件和不对称性”，上面提到的三本概率/统计图书都介绍了期望值，即基于不同可能情况（不同发生概率p1，p2，p3…）下对应的结果（N1，N2，N3…），计算总的平均值(=p1N1+p2N2+p3N3+…)，然后根据期望值指导具体的选择。 从期望值的角度来说，黑天鹅事件是小概率事件，相当于某一个小概率比如p1对应的结果N1非常非常大，以至于p1N1远大于pN2+p3N3…等，即期望值完全被小概率事件p1的重大影响N1主导。
对称性的意思是p1=p2，比如掷骰子的正反面概率都是1/2，即使不相等，差别也不大，结果N也是如此。而不对称性则是可能性p1>>p2（多种可能的概率极不平均），同时结果也差别巨大，比如N1<<<N2。
这也是为何信仰上帝（即使上帝存在的概率很低，但是信仰上帝对应的效用巨大），为何应该购买重疾险甚至意外死亡保险（虽然发生的概率极低，但是对每一个遭受灾难的人来说，结果都是生命的崩溃甚至消失）；为何要关注黑天鹅事件，黑天鹅发生的概率非常低而常被忽视，但是一旦发生的影响又如此巨大。
行动指南：如何从黑天鹅事件中获利？
关键词：在正确的地方犯傻，在重要的地方谨慎，期望值；运气，
读书的最重要目的是指导实践，所以我把书中涉及到「行动」的部分单独出来总结如下，
（1）分析概率p/可能性，更要分析事件的影响/结果N
通过小概率事件赚大钱，或者避免小概率事件的损失，就是“期望值”的具体实践方法之一。
标准的期望值判断方法，是根据不同可能性下的结果计算期望值，然后进行选择。但是对于“黑天鹅事件”来说，结果影响重大，所以可能性即使很低也对应非常大的期望值（这就像相信上帝带来的无限效用），所以这个时候更重要的是根据影响/结果进行判断，而不是可能性，这就是作者重点强调的，也是区别于基于概率进行判断的本质。
你应该避免的是对大范围的有害预测的依赖，仅此而已。避免那些可能损害你的未来的大主题：在小事上当傻瓜，而不是在大事上。（第13章）
做决策时，你只需要了解事件的影响（这是你能知道的），不需要了解事件的可能性（这是你不可能知道的），这一思想就是不确定性的核心思想。我生活的大部分都以它为基础。 你可以根据这一思想建立一整套决策理论。
（2）极度保守或极度冒险，而不是一般保守或一般冒险
世界上有两类人，有的人就像火鸡，面临巨大的灾难却不知情；有的人正好相反，他们等待着让别人大吃一惊的黑天鹅事件发生。
如果负面黑天鹅事件发生，大部分的“风险管理方法”是有缺陷的，无法避免负面黑天鹅造成的损失。此时就应该极度保守。
如果是正面黑天鹅，那就要在极度冒险，因为正面黑天鹅没有发生不会损失什么，但是如果发生了，就会获得超高的收益。
《魔鬼数学》和《黑天鹅》都引用了帕斯卡的观点，从期望值的角度分析“是否应该信仰上帝”，这其实和如何面对黑天鹅事件是一样的选择。
区分正面意外和负面意外。学会区分在不具可预测时从事哪些事会（或一直）对我们极为有利，在我们无法预测未来时从事哪些事有害。既有正面黑天鹅现象，又有负面黑天鹅现象。
有一点我很难解释，那就是在你只有非常有限的损失的时候，你必须尽可能主动出击，大胆投机，甚至“失去理智”。
抓住一切机会，或者任何像机会的东西。机会很少，比你想象的少得多。请记住，正面黑天鹅现象有一个前提：你必须把自己置于它的影响之下。许多人在好运降临时并没有意识到它的降临。
（3）“流血”策略（第7章）
为了获得黑天鹅事件对应的收益，一个有用的策略是“流血”策略，用微小而持续的损失等待一次黑天鹅事件带来的巨大收益。在这个过程中，需要耐得住寂寞，延迟满足，承受周围人的评价，最好加入一个群体中以吸取动力（群体共同使用这种策略），
就像《鞑靼人的沙漠》中的男主角，日复一日的等待一生中最重要的战斗时刻，期望用一次轰轰烈烈的战斗来补偿多年的平静等待，只可惜男主角最后却以悲剧收场（错过了这仅有的一次战斗）。
黑天鹅事件的等待者经常因为努力而感到或被迫感到羞耻。“你辜负了那些对你有高度期望的人。”
因此，从一种狭义的算术角度（我称之为“幸福微积分”）努力获得一次超级成功是没什么好处的。造物主让我们从一系列稳定的、小而频繁的奖励中获得快乐。我说过，奖励不需要很大，只要频繁就行，这里获得一点奖励，那里获得一点奖励。
如果你从事一项依赖于黑天鹅事件的职业，加入一个群体是更好的选择。
让我们把世界分为两类。有的人就像火鸡，面临巨大的灾难却不知情；有的人正好相反，他们等待着让别人大吃一惊的黑天鹅事件的发生。在一些策略和生活境况下，你用几美元去赌连续赢好几次几美分，看上去一直在赢。在另一些情况下，你冒着输好几次几美分的风险去赢几美元。也就是说，你不是赌黑天鹅事件将要发生，就是赌它永远不会发生，这两种策略需要完全不同的思维方式。
在一些商业赌博中，人们可能获得大笔但次数很少的回报，不过要遭受小而经常的损失，这种赌博是值得参与的，只要其他人在这种赌博中容易受骗，并且你具备人格和智慧上的魄力。你还得有耐力。
由于许多心理学原因，人们很难实施这种策略，因为它需要信念，需要人们推迟获得满足感。
尼罗采取了一种他称为“流血”的策略。你在很长一段时间里每天损失一点点，直到某个事件发生，这使你获得不成比例的高回报。没有哪个单独的事件能够使你惨败，另一方面，某些变化却能够为你带来足以弥补几年、几十年甚至几百年的小损失的巨大回报。
在近20年的交易生涯中，尼罗只有4年业绩是好的。但对他而言，只要1年好就足够了。他只需要100年当中有1年好就足够。
（4）运气（命运中的“运”）
运气是极端事件发生的一个重要原因（当然不是唯一原因，技能和能力也很重要），这就像幸存者偏见，比尔盖茨成为世界首富，微软胜过苹果，特朗普当上美国总统，这其中都有运气的成分。
正是运气的存在，所以人人都有翻盘的机会。富人未必过三代，穷人也能咸鱼翻身。跨国企业如诺基亚也有日薄西山的时候，创业公司也能飙升到独角兽。
和极端事件有点相关的是克里斯安德森提出的“长尾现象”，互联网催生了更强垄断性的巨头，但是也同样给了小企业存活的能力。
安德森看到的是，网络带来了除集中以外的东西。网络催生了大量的准Google。网络也催生了反Google，也就是说，它使拥有某种技术专长的人能够获得小的、稳定的受众群。
备注：最近读了一篇吴军《见识》读书笔记，也提到了运气的事情，和这儿的观点类似。
（4）选择怎样的工作
如果你是一名脑力劳动者，你不必工作太卖力，只需要多想。你的产出为100和1 000时，你做的工作是一样的。【创造力是一个具有杠杆性的工作，这也是《创新算法》一书的观点。】
Power law 随机变量有两个重要特点：
－1－ Scalable. 比如如果你上班拿工资，你就不是 scalable 的，因为你的财富取决于你工作时间的长短，而你的工作时间是绝对有限的。反过来说如果你写书，那么你就是 scalable 的，你写一本书，这本书可以的销量可以无穷大。黑天鹅变量因为可以很极端，所以一定是 scalable的。Scalable, 意思就是可以随便做大数乘法。
－2－ 具有self-reinforcing 的特征。也就是说越富有的人，越容易赚到更多的钱；越出名的作家，书越容易卖，然后正反馈，作家就更出名。财富的增加几率随着财富本身的增大而增大。正是这个性质决定了 power law 的分布。
第一部分 我们如何看待过去（知识和历史）
黑天鹅现象有三个特点：不可预测，影响重大，事后可解释。
第三章着重区分两种不同的随机性
- 在理想的平均斯坦，特定事件的单独影响很小，只有群体影响才大；在极端斯坦，个体能够对整体产生不成比例的影响。极端斯坦能够制造黑天鹅现象，少数事件已经对历史产生了巨大影响。
- 属于平均斯坦的问题举例（受我们所说的第一类随机性影响）：高度、重量、卡路里摄入量、面包师、小餐馆老板和牙医的收入、赌博收入（假设在特殊的情况下，某人去赌场只赌固定的筹码）、车祸、死亡率、智商（测出来的）。
- 属于极端斯坦的问题举例（受我们所说的第二类随机性影响）：财富、收入、单个作者图书销量、名人知名度、Google搜索量、城市人口、词汇表中某个单词的使用量、每种语言的使用人数、地震造成的损失、战争死亡人数、恐怖事件死亡人数、行星大小、公司规模、股票持有量、物种之间的高度差异（比如大象和老鼠）、金融市场（但你的投资经理是不知道这一点的）、商品价格、通货膨胀率、经济数据。极端斯坦的清单比平均斯坦的长得多。
- 说法：在平均斯坦，我们受到集体事件、常规事件、已知事件和已预测到的事件的统治；在极端斯坦，我们受到单个事件、意外事件、未知事件和未预测到的事件的统治。
我们以为我们生活的这个世界比它实际上更加可理解、可解释、可预测。低估了黑天鹅事件的发生概率，我们是如何把我们看到的东西一般化的？
这一部分的主要观点：证实偏差、叙述谬误、沉默的证据扭曲了黑天鹅现象的作用和重要性。
（1）证实谬误，也就是倾向于看到能够证实我们已有的知识，而不是未知的知识的东西（第五章）；
证实谬误对应于波普尔的“可证伪理论”，后者要求只有可被证伪才是科学的，单纯通过归纳法并不科学，因为任何一个异常结果都会毁掉结论。
火鸡问题就是归纳推理失败的例子，对于火鸡来说，前1000天主人都会送上好吃的，所以归纳出“永远都会如此”；所以第1001天没有喂食而被屠宰就是黑天鹅现象。
【把现有信息一般化处理是一个归纳推理的过程，虽然归纳推理不是严格的推理，但是也足够有用。】
（2）叙述谬误，或者说我们如何用故事和逸事愚弄自己（第六章）；
叙述谬误是我们喜欢故事，喜欢总结，喜欢简化的倾向，通过建立联系/规律和因果关系，认识未知世界。叙述谬误的结果是，我们对不同黑天鹅现象概率的高估和低估。
- 叙述谬误指的是我们无法在不编造理由或者强加一种逻辑关系的情况下观察一系列事实。对事实的解释会与事实混在一起，使事实变得更容易被记住，更符合道理。这种倾向的坏处在于它使我们以为对事物有了更好的理解。
- 避免叙述谬误的办法之一就是强调实验而非讲故事，强调体验而非历史，强调客观知识而非理论。
- 另一个方法是预测并记录预测的结果。【反馈分析法！】
备注；关于“叙述谬误”，让我想起了《made to stick》这本书的观点，怎样的故事情节更容易吸引人，stick to peoples，答案是生动的、连贯的、具体的等信息，这也是构成叙述谬误的因素，这也是“一个具体的人”比“100万人的统计数字”更打动人的原因。我们相信或偏好一个故事，不是因为证据/逻辑更充分，只是更容易抓住我们的大脑而已。如果继续展开联想，又比如《我最想要的记忆魔法书》中的记忆方法，怎样的联想/编故事更容易被记住，原则也是一样的。—— 2018.6.5
（3） 妨碍我们逻辑思维的情绪（第七章）；
（4）沉默的证据（第八章）。
“沉默的证据”就是《魔鬼数学》等书中强调的“幸存者偏见”，我们只看到了发生的事件，而我们看不见的“沉默的证据”，让我们有时总体高估（比如文学成功），有时低估（比如历史稳定性和人类物种的稳定性）。
“偏差”是指一种系统性错误，它导致人们总是对事件的影响作出更为积极或者更为消极的判断，就像一台总是显示你比实际重几磅或轻几磅的秤，或者一部让你的腰围增大的摄像机。
沉默的证据掩藏了事件的随机性，尤其是黑天鹅类型事件的随机性。
在题为“我们看到的和我们没有看到的”的文章当中，巴斯夏提出如下观点：我们能看到政府做了什么，因此歌颂他们，但我们没有看到别的。然而确实有别的东西存在，只是它们没那么明显，因此没有被看到。【这就是《一课经济学》——经济学和生活智慧的核心观点，关注看不见的影响】
让我们对2001年“9·11”恐怖袭击事件作同样的分析。大约2 500人直接死于恐怖袭击在世贸中心双子塔造成的灾难。遇难者的家庭得到各种机构和慈善团体的捐赠。但是，根据研究的结果，在那一年余下的3个月，将近1 000人成为恐怖主义沉默的受害者。为什么？害怕坐飞机转而开车的人面临更高的死亡风险。有证据表明那段时间的公路死亡率上升，因为公路比航空更致命。这些家庭没有得到捐助，他们甚至不知道他们的亲人也是本·拉登的受害者。
（5）游戏谬误——从游戏世界构建知识的致命错误。【死板的知识】
游戏谬误，我们活得太理想，用简化模式/知识行动，而忽略了现实并不是理想化的，
NNT（就是我）：假设硬币是公平的，因为抛出硬币得到正面与反面的可能性是相同的。我把它抛出99次，每次都得到正面向上。我下一次得到反面向上的概率是多大？
约翰博士：简单的问题。当然是1/2，因为你假设每面出现的可能性是50%。
肥托尼：如果你相信所谓“50%”的说法，你要么是个草包，要么是个傻子。这枚硬币里面一定做了手脚。这不可能是公平游戏。（也就是说，在硬币抛出99次，每次都得到正面向上的情况下，你对公平性的假定很可能是错误的。）【上面这个测试，应该被“罗辑思维”拿来发过一篇文章，然后在网上还引起了不小的争议。】
游戏谬误——我们在现实生活中面临的不确定性与我们在考试和游戏中遇到的简化情况之间几乎没有相同之处。
我们喜欢已知的模式和有条理的知识，达到了对现实视而不见的地步。它解释了为什么我们在归纳问题上犯错，为什么我们要证实，为什么那些在学校“学习”优秀的人容易上游戏谬误的圈套。
而我们最喜欢的，是故事。【《made to stick》和《人类简史》】
第二部分 我们如何预测未来
关键词：知识，过度自信/Ego/认知自大，专家/权威；期望值，不对称性
在这一部分，作者介绍了为何我们难以预测未来，最后给出了解决方案（见博文开始）。
作者总结了我们难以准确预测未来的三个原因：
（1）过度自信/Ego
《Principles》part 2 “life principes”读书笔记也提到了人的两个关键缺点：ego和blind spot。 Ego也是塔勒布认为我们经常预测失败的重要原因。
- 认知自大有双重影响：我们高估自己的知识，低估不确定性（也就是低估未知事物的范围）。
- 人类有低估意外事件，即黑天鹅现象的固有倾向。我们习惯于以为每10年发生一次的事只会每100年发生一次，以为我们知道正在发生什么.
（2）知识化带来的简化限制了思维
学习、教育和经验扩展了我们的知识，但是却并没有提高我们的预测能力。比如我们的思维是有惯性的：一旦形成一个观点，我们就很难改变。比如我们容易相信专家的权威，而在社会科学/复杂学科中，人类的自由意志大幅降低了专家预测的准确性，专家权威在自然科学这种纯粹理性的领域更有效。【这就是行为经济学的价值所在，修正了建立在理性人假设的传统经济学】
经验未必都是好事，比如卡尼曼在《思考，快与慢》中强调的锚定效应。
（3）常用的思维方式例如线性思维忽略了极端现象。
这一部分和《魔鬼数学》第一部分 线性 读书笔记有点关系，我们倾向于用简单的线性思维进行推测和预测。
作为对第二部分的总结，我要说，我们很容易概括出为什么我们无法理解正在发生什么。那就是：1. 认知自大以及随之而来的未来盲目性；2. 柏拉图式的分类概念，或者说人们如何被简化愚弄，尤其当他们在一个不存在专家的学科里获得了学位时；3. 错误的推理方法，尤其是不考虑黑天鹅现象的平均斯坦方法。【对应上面的三个原因】
第三部分 极端和平均（正态分布vs幂律）
关键词：平均vs极端，钟形曲线vs幂律，运气，长尾
世界变得越来越复杂，极端事件发生的可能性越来越高，且影响（正面或负面）越来越大。
传统的统计学强调的是“钟形曲线”，或者是正态分布曲线，利用该曲线进行统计推测，所以我们的关注点是“平均值”和波动性（误差），接受95%或者87%的置信区间/概率，忽略意外（比如小于5%的概率就被忽略）。【《赤裸裸的统计学》 读书笔记 1-7 中的极限中心定律就是典型方法】
但是小概率事件/黑天鹅事件频发的当下，正态分布曲线不够用了，我们需要用幂律/80-20法则强调极端事件的破坏性影响。
高斯的主要理论是，大部分观察结果集中在中等水平附近，也就是平均值附近；随着对平均值的远离，偏离平均值的可能性下降得越来越快（呈指数下降）。假如必须以一句话来表示这一理论，那就是：随着偏离中心（也就是平均值），可能性的下降速度便急剧增长。
传统的高斯方法只关注平均水平，把意外当做附属问题。我们还有另一种方法，它把意外当做起点，把平均水平当做附属问题。
传统的社会学家和经济学家喜欢用高斯正态分布来描写随机事件，然而我们的生活中大量事件却不是正态分布的。比如畅销书的销量，富人的财富，其极端例子都比正态分布预测的多得多。正态分布，描写的是一个大致均匀的世界。然而不平等是我们这个世界的本质属性。
我们的世界的很多分布是 power law 分布。这个分布所预言的极端情形的概率，比正态分布要高的多。这就是为什么一般人往往会低估黑天鹅出现的概率。所谓的”80－20法则”，其实就是这个不均匀分布的特点。
Power law 分布，与分形数学紧密结合。实际上如果你考察畅销书作家的成绩，或者富人财富的分布，你会发现其结构是分形的：每4个身价超过1亿美元的富人中，会有一个身价超过10亿的，而每4个身价超过10亿的人中，又会有一个超过100亿的。100亿级别富人看10亿级别富人，就好想10亿级别富人看1亿级别富人一样。也就是说分形结构带来了 power law。
2018.5.15 minor update 复制摘抄，补充几个总体结论
2018.5.28 读完并完成第二部分读书笔记，单独总结第13章读书笔记。
2018.6.2 整理第一部分（还没读完），行动指南
2018.6.5 整理完第一部分剩余部分，更新“行动指南”，done，发表，30min
2018.6.7 重读本文，修改几个小bug
注：所有摘抄部分，都从mac软件“klib”中复制而来。