类别: 模型
类型: 概率模型
起源: 数学，17世纪至今
别名: EV、数学期望、平均值
类型: 概率模型
起源: 数学，17世纪至今
别名: EV、数学期望、平均值
快速回答 — 期望值是决策所有可能结果的加权平均值，其中每个结果乘以其发生的概率。它告诉你从任何不确定情况下长期平均可以期望获得的结果。
什么是期望值？
期望值（Expected Value，简称EV）是概率论和决策科学中的一个基本概念，用于量化不确定事件的平均结果。通过将每个可能结果的价值与其概率相结合，EV提供了一个单一的数字，代表你在多次重复中可以期望平均获得或失去的收益。“期望值不是关于预测单一结果，而是关于理解重复决策的长期平均值。”例如，如果你有50%的机会赢得100美元，50%的机会什么都得不到，期望值是（0.5 × 100美元）+（0.5 × 0美元）= 50美元。这并不意味着你每次都会赢得50美元——相反，如果你多次重复这个赌注，你将平均每次获得50美元。
期望值的三层理解
- 入门：将每个可能的结果乘以其概率，然后相加。10%赢得1,000美元的机会，期望值是100美元。
- 实践：使用期望值来比较具有不同风险特征的决策。较高的期望值并不能保证任何单一情况下都能获得更好的结果，但在多次重复时确实会如此。
- 进阶：考虑效用——结果对你的主观价值。100美元的收益对金钱不多的人可能比富有的人更有价值。EV计算应考虑你的效用函数。
起源
期望值概念源于17世纪对赌博游戏的研究。法国数学家布莱斯·帕斯卡（Blaise Pascal）和皮埃尔·费马（Pierre de Fermat）在1650年代解决赌博问题时发展了基础概率理论。“期望值”这个术语本身是后来才有的，但数学原则成为概率论的基石。 随着20世纪统计学和决策理论的发展，这一概念变得更加重要。今天，期望值在从金融和保险到扑克策略和商业投资分析等各个领域都至关重要。核心要点
应用场景
投资分析
投资者使用期望值来评估机会。一项初创公司投资可能有90%的失败概率（损失所有资金）但有10%的机会获得20倍回报，产生正向EV。
扑克策略
专业扑克玩家根据获胜概率和彩池大小，计算每个决定——是否下注、跟注或弃牌——的期望值。
保险决策
保险费是用期望值计算的。预期的医疗费用决定了你应该愿意为保险支付多少。
商业决策
产品发布涉及不确定的结果。EV分析有助于量化推出新产品相对于失败成本的潜在回报。
经典案例
杰夫·贝索斯的决策框架
在创立亚马逊之前，杰夫·贝索斯开发了一种系统性地评估职业机会的方法，这种方法深深依赖于期望值思维。1990年代初，他在对冲基金D.E. Shaw工作，面临着一个选择：留在利润丰厚的华尔街职业，还是追求销售图书在线这一风险很大的创业机会。 贝索斯创造了一个”遗憾最小化框架”，他描述为想象自己80岁时，问哪个决定会最小化遗憾。但其背后是清晰的EV计算：互联网正以每年2,300%的速度增长，在线图书销售的潜在市场虽然不确定，但如果成功的话提供天文数字的上行空间。 留在D.E. Shaw的期望值是正向但有上限的——不错的薪水、稳定的事业。创立亚马逊的期望值非常不确定但没有上限。贝索斯计算出，即使失败概率很高，巨大的潜在上行空间使EV为正。 这种EV思维——“最大化你能赢的人生维度数量”——成为亚马逊公司哲学的核心。该公司多次进入具有高失败风险但巨大潜在上行空间的业务：AWS、Kindle、Prime。 教训：理解期望值帮助你做出随着时间累积成巨大优势的经过计算的风险。边界与失效场景
期望值分析有重要的局限性：- 罕见事件难以加权概率：黑天鹅事件——极不可能但影响巨大的结果——很难准确纳入EV计算。
- 效用是非线性的：对大多数人来说，100万美元的收益价值不是10万美元收益的10倍。EV假设线性效用，这可能不反映真实偏好。
- 概率估计经常出错：EV只和你的概率估计一样好。对概率估计过度自信会导致糟糕的决策。
- 需要重复试验：EV只在多次重复中显现。如果你只能尝试一次，即使是有90%机会输掉一切的正向EV赌注可能仍然风险太大。
常见误区
误区：期望值预测实际结果
误区：期望值预测实际结果
EV描述的是多次重复的平均结果，不是任何单一实例中会发生什么。正向EV的赌注仍然可能输。
误区：高EV意味着低风险
误区：高EV意味着低风险
正向EV通常伴随着重大风险。1%赢得100万美元的机会有正向EV（10,000美元），但有99%的机会什么都得不到。
误区：你总能精确计算EV
误区：你总能精确计算EV
现实世界的决策往往涉及未知的概率和无法量化的结果。EV是一个指南，不是精确的公式。
相关概念
效用理论
人们如何超越金钱计算为主观价值分配不同的结果。
风险评估
识别和评估决策中潜在风险的过程。
决策树
绘制决策及其可能后果的视觉模型。