值都不會對整體產生重大影響。儘管其中可能存在一些令人驚訝的極端情況，但這些極端情況對於整體來說最終都顯得微不足道。

第二個例子是關於極端斯坦的，我們隨機選擇 1000 人的淨資產。

然後我們把世界上最富有的人加入他們中間，比如微軟創始人比爾·蓋茨（bill gates）。假設他的個人淨資產接近800億美元（這使他成為歷史上最富有的人之一），而其餘人大約擁有幾百萬美元。

他的淨資產佔總資產的多少？9999？實際上，所有其他人的淨資產只不過是他淨資產數字的零頭而已。如果某個人的體重要達到這樣的比例，他需要5000萬磅的體重！

在極端斯坦，不平均指個體能夠對整體產生不成比例的影響。雖然體重、身高和卡路里攝入量來自平均斯坦，但財富不是。幾乎所有社會問題都來自極端斯坦。換句話說，社會變數是資訊化的，不是物理的，你無法觸碰它們，銀行賬戶裡的金錢是重要的東西，但我們無法直接觸控它；同樣，我們無法接觸到單詞或基因。

極端斯坦能夠製造並且已經制造了黑天鵝現象，因為少數事件已經對歷史產生了巨大影響。

這意味著雖然我們生活在一個看似穩定的世界裡，但實際上這個世界充滿了不確定性和意外性。這些少數事件可能會改變整個系統的執行方式，並對我們的生活造成深遠的影響。

以上這兩個斯坦不禁讓我聯想到了中美兩國的股市情況。中國的股市就如同極端斯坦一樣，雖然散戶在投資者總數中佔比極高，但他們的影響力卻非常有限。因此，最終決定中國 a 股走向的還是國家隊，股市的跌幅也不會太大。然而，美國的股市則更類似於平均斯坦，那裡更多的是機構投資者，很少有個體投資者能夠對整個市場產生重大影響，除非遇到系統性風險。看到這裡，你又會聯想到哪些事情呢？

三、量化分析

量化分析，主要是透過計算機程式設計對市場交易資料實時分析，從而達到包括量化選股、量化擇時、股指期貨套利等決策。

然而，這種分析方法存在一個問題：在設計程式設計的時候，人為地剔除了一些極端原始資料，導致最終的雲端計算結果只能符合 9999的現實結果。雖然這個數字看起來很可靠，但當計算機遇到那些被排除在外的極端資料時，它所給出的結果就無法真實反映那僅佔 001的特殊情況。而正是這些極端情況，往往會引發嚴重的後果，甚至可能帶來滅頂之災。

小主，這個章節後面還有哦，，後面更精彩！

例如，2008 年的美國次貸危機就是一個典型的例子。當時，金融界過於依賴量化分析，計算模型沒有考慮到最壞情況下的計算結果，導致人們錯誤地認為經濟仍在正常執行範圍內，最終引發了全球性的金融危機。

因此，儘管量化分析在某些方面具有一定的優勢，但它並不能完全準確地預測市場走勢。所以，對於證券分析的三種方法，我更傾向於基本分析。畢竟，沒有人能夠真正預測市場，即使是像 alphago 這樣強大的人工智慧也不行。

四、沒有人知道一切

面對突如其來的黑天鵝，我們能做些什麼呢？作者為我們提供了幾點建議。

1、我們需要學會區分正面意外和負面意外。當佈局具有可預測性的時候，我們應該知道從事哪些事情能夠給我們帶來巨大的利益；而當未來充滿不確定性、難以預測的時候，我們也應該明白從事哪些事情可能會讓我們陷入困境。世界上既有正面黑天鵝的現象，也有負面黑天鵝現象。所以我們必須時刻保持對負面黑天鵝事件的高度警惕，同時也要善於從正面黑天鵝事件中獲取收益。當然，這並不意味著我們需要對不確定性有非常精準