《雜訊》讀書筆記：我們如何做出更好的決策與判斷？

《雜訊》這本書，是《快思慢想》作者新書，書蠻厚的，屬於釐清思考偏誤類型的書籍。

書名叫雜訊，我一開始以為在談隨機性，但其實它談的是決策判斷造成的偏差。

整本談的領域跟投資沒什麼關係，不過我一邊看、一邊腦中想到的都是投資領域的概念應用。

以下快速寫幾個重點筆記，以及我的一些心得想法：

「雜訊 Noise」這詞其實中文有很多種翻譯，也有人把它叫做噪音。

1. 和雜訊相對的東西叫做「偏誤(偏差) Bias」，雜訊不等於偏誤，兩者是不同的概念，要有所區隔。

舉個例子，如果你拿著碼錶，心中默數60秒後按下，假設10次以後，可能會出現50、55、58、56、61等等數字，平均值也許是56秒，那麼60秒和平均56秒之間的差異屬於「偏誤 Bias」。

意思是整體來說你心裡的讀秒通常比實際快，但有時候50秒、有時61秒，這些就屬於雜訊。

2. 通常牽涉到「人的決策」，雜訊就會很大

書中舉例較多的是法官判決，對同類條件的案件，法官們卻可能得出天差地遠的判決，例如對於同樣的罪犯，有的法官判監禁1個月，有的法官判決卻是關15年，甚至同一個法官對類似案件都可能做出這種差異巨大的判斷；

對於保險，可能條件差不多的對象，保費要求卻可能差很多；

對於人事招募，差不多的能力條件的面試者，面試官卻可能做出完全不同的評價。

這些事情也許存在偏誤，但只要涉及到人的決策，就可能存在更大範圍的雜訊，在影響我們的決策品質。

3. 關鍵是：「雜訊比你自己以為的還要大很多」

我們通常絕大多數時間，都在試圖減少偏誤，但雜訊問題比較容易被忽略，而且雜訊的影響很可能比我們自己想像中還要大很多。

書中有舉到比較極端的例子，即使是一般覺得最為精準的指紋鑑定，都可能受到雜訊干擾導致誤判犯人、讓警察抓錯人。

這類雜訊在個人或企業組織決策上都很常見，事情往往跟我們以為的差很多。

我自己身邊觀察到比較印象深刻的例子，是對於專案時間的預估，

例如一個工程師評估程式開發所需時間，通常會和結果出現巨大的落差，而且不同人評估所需出來的結果也會差很多。

另一個常見的例子是股票的價值評估，
不同人甚至同一人，在面對同樣資訊時，對企業價值衡量得出的結論可能出現巨大的變異。

這都是偏誤Bias與雜訊Noise同時存在的狀況，我們以為問題只是有些偏誤，但結果可能是雜訊大的超乎想像。

4. 模型表現得比人類來的好，沒有好很多，但至少比較好

「大多數情況下，人類在判斷能力上的表現平平，模型稍微好一點。」

這點舉投資的例子就很好理解了，

為什麼時常聽到人說投資需要紀律、需要參考指標做輔助。

因為如果讓你靠感覺、靠直覺決策，十次同樣的情況你很可能會做出十種不一樣的判斷，而不是一種，而且你自己還沒發現，以為十次都是正確的判斷。

靠模型做決策或者有明確的量化或演算法，讓相同條件下結果一致，這不一定代表結果比較正確，但至少消除了雜訊，只剩下偏誤。而未消除之前則是雜訊＋偏誤。

在一些人為決策的事情上，不求全部自動化演算法執行，但如果加上這類輔助判斷的依據，可能結果都會改善很多。

5. 比起做絕對正確的判斷，人們其實更擅長做排序

例如在黑板上畫出一條線，要人們猜這條線的長度，每個人回答可能都不大一樣，結果充滿偏誤與雜訊。

但如果在黑板上畫出不同三條線，要人們判斷這幾條線誰最長、誰最短，人的判斷反而比較不會出錯。

人更擅長相對性排序，而不是做出絕對精準判斷。這應用可以一定程度減少雜訊。

我們不善於決定某一個傷害案件最終應該要賠償多少，但如果我們知道有另一個類似案件的賠償金額，我們就可以輕易地做出排序，得知它相對輕或相對嚴重，進而做出判斷。

例如在一些敏捷開發法當中，會透過讓工程師們預估專案開發時間，是相對過去某個工作所需單位時間倍數(1倍、2倍、3倍、5倍、8倍)，再平均多人的判斷，這樣就有機會得到相對比較有參考價值的結果。

當然，這也有個衍生性問題，就是答案會容易被錨定，所以作為對比的資訊品質也很重要。

在投資上我觀察到的是，時機點其實非常難做出精準的判斷，選股也很難，但在選股上，一般人有機會做的比選時機更好一點。

對個人來說，想讓判斷力、決策能力更好，首先需理解到什麼原因造成決策品質更差，偏誤是顯而易見的原因，而雜訊是一個比較難發覺的負面因素。

以前有很多書在談思考偏誤，包含《快思慢想》、《思考的藝術》、《行為的藝術》、蘋果橘子經濟學系列、一些行為經濟學相關的書等等。

《雜訊》這本其實同樣是在談偏誤，但它不是在談有哪些偏誤，而是試圖想要釐清造成判斷偏誤的原因，以及把偏誤再進一步分成偏誤和雜訊，讓定義更清晰。

這本比較厚一點，每個章節段落作者都有快速小重點，讀起來其實還算蠻順的。