面对未知的黑天鹅事件，我们需要保持谦逊和敬畏之心，承认自己的局限性，并做好应对各种可能情况的准备。只有这样，我们才能更好地适应变化，避免被突如其来的黑天鹅事件所冲击。
比如说某些所谓的专业人士，往往会自视甚高，觉得自己是某个领域的权威。但实际上，他们的知识体系可能仅仅局限于一些特定的数据或理论，对于现实世界中的问题并没有深入的理解。他们擅长的只是将问题复杂化，用高深莫测的数学模型来迷惑他人，让人们误以为他们真的懂行。然而，这些人其实和普通人一样，对事物的本质并没有更深刻的认识。
人类还存在另一个弱点，那就是我们总是追求精确性，却忽视了整体的把握。这种倾向源于我们的思维结构——我们习惯于学习具体的事实，而忽略了规律的总结。
就像第一次世界大战后的法国人，为了防止德军再次入侵，他们沿着德国人曾今的进攻路线修筑了一条坚固的防线。然而，这条防线最终成为了摆设，因为纳粹德国轻易地绕开了它。这说明什么呢？法国人虽然是历史的好学生，但他们学得太过精细，反而失去了大局观。他们在自身安全问题上过于注重细节，导致了战略上的失误。
因此，我们应该学会从宏观上去思考问题，把握事情的本质，而不是一味地追求精确。
二、平均斯坦与极端斯坦
下面给大家举两个例子来快速理解平均斯坦和极端斯坦这两个名词及在生活中的作用。
第一个例子是关于平均斯坦，我们来做一个有趣的假设：
假如从普通人群中随机选择 1000 人，然后让他们并排站着。
接下来，想象一下将你所能想到的那个体重最重的人加入这个样本之中。假设这个人的体重是平均体重的三倍，但他在总体重中的占比却微不足道，大约只有 0.4%左右。当然，如果再夸张一些，就算是挑选出地球上最胖的人，比如他的体重能够占到总体重的 0.6%，但对于整个样本来说，这一增量仍然是微乎其微的。
这就是平均斯坦的特点所在。在这种情况下，任何单一事件或个体的影响都是非常有限的，只有通过群体的作用才能体现出来。也就是说，在平均斯坦环境下，个别事件或个体的影响相对较小，而整体的表现和趋势则具有更大的影响力。
因此，可以这样理解平均斯坦：当样本数量足够大时，任何个别的异常值都不会对整体产生重大影响。尽管其中可能存在一些令人惊讶的极端情况，但这些极端情况对于整体来说最终都显得微不足道。
第二个例子是关于极端斯坦的，我们随机选择 1000 人的净资产。
然后我们把世界上最富有的人加入他们中间，比如微软创始人比尔·盖茨（Bill Gates）。假设他的个人净资产接近800亿美元（这使他成为历史上最富有的人之一），而其余人大约拥有几百万美元。
他的净资产占总资产的多少？99.99%？实际上，所有其他人的净资产只不过是他净资产数字的零头而已。如果某个人的体重要达到这样的比例，他需要5000万磅的体重！
在极端斯坦，不平均指个体能够对整体产生不成比例的影响。虽然体重、身高和卡路里摄入量来自平均斯坦，但财富不是。几乎所有社会问题都来自极端斯坦。换句话说，社会变量是信息化的，不是物理的，你无法触碰它们，银行账户里的金钱是重要的东西，但我们无法直接触摸它；同样，我们无法接触到单词或基因。
极端斯坦能够制造并且已经制造了黑天鹅现象，因为少数事件已经对历史产生了巨大影响。
这意味着虽然我们生活在一个看似稳定的世界里，但实际上这个世界充满了不确定性和意外性。这些少数事件可能会改变整个系统的运行方式，并对我们的生活造成深远的影响。
以上这两个斯坦不禁让我联想到了中美两国的股市情况。中国的股市就如同极端斯坦一样，虽然散户在投资者总数中占比极高，但他们的影响力却非常有限。因此，最终决定中国 A 股走向的还是国家队，股市的跌幅也不会太大。然而，美国的股市则更类似于平均斯坦，那里更多的是机构投资者，很少有个体投资者能够对整个市场产生重大影响，除非遇到系统性风险。看到这里，你又会联想到哪些事情呢？
三、量化分析
量化分析，主要是通过计算机编程对市场交易数据实时分析，从而达到包括量化选股、量化择时、股指期货套利等决策。
然而，这种分析方法存在一个问题：在设计编程的时候，人为地剔除了一些极端原始数据，导致最终的云计算结果只能符合 99.99%的现实结果。虽然这个数字看起来很可靠，但当计算机遇到那些被排除在外的极端数据时，它所给出的结果就无法真实反映那仅占 0.01%的特殊情况。而正是这些极端情况，往往会引发严重的后果，甚至可能带来灭顶之灾。
本小章还未完，请点击下一页继续阅读后面精彩内容！