应对不确定性
预测未来已经够难的了，预测“黑天鹅”的出现更是难上加难。“黑天鹅之父”纳西姆·尼古拉斯·塔勒布（Nassim Nicholas Taleb）提出这个说法来比喻人在遭遇意外现象时，被以往的经验蒙蔽而缺少判断力的情形。在塔勒布的笔下，欧洲人在澳大利亚看到黑天鹅时惊诧不已，因为他们曾以为欧洲的白天鹅是独一无二的天鹅种类。“黑天鹅”象征着那些突然出现且与你对世界的认识不符的人或事。没人可以预见到所有的“黑天鹅”，但一些“全面调查研究”可以帮助你预见某些不测，使你比其他人更迅速地辨认“黑天鹅”并能更快地采取应对措施。
尽管“黑天鹅”在各个领域都会出现，金融市场却尤为脆弱，因为金融市场融合了物质世界、人情社交以及复杂的组织形式。突发的自然事件，例如地震和雪崩，提醒我们“预测”本身也会面临多变的挑战。天气也受到“蝴蝶效应”的影响，某个地方的微小举动可能引起其他地方发生不成比例的巨大反应。正因为这种效应，天气预报往往只在短期内准确，但随着时间的推移，就会产生巨大的偏差。如果这个模式推导出这样的结果，你完全可以创建新的模式——或者，学习天气预报员的做法，收集更好的数据，然后更快地处理这些数据。雪崩现象描述了“自组织的临界状态”(自我造成的危险)，一种突发的破坏性活动。即使你知道往沙堆上加沙粒会引起崩塌，但你并不清楚究竟哪一粒才是最终的触机。
“开展全面调查研究可以帮助决策者适应‘黑天鹅’的世界，即那些看似不可能发生但影响力极大、足以颠覆我们熟悉的思维模式的突发事件。”
“集群行为”指的是人们跟风的行为，它通过引发趋势、振荡或泡沫的方式制约着各个市场。“集群行为”通常是理性的，因为除非事出有因，否则人们是不会背弃常规的观点的。然而，有时情感也会驱使人们采取集群行为，从而使人们较少地考虑其合理性。那些受情感驱使进入市场的人缺少专业投资人的智慧，而且更有可能随大溜。由于每个人的举动都会影响其他人的行为，这就使情况就变得越发复杂。这一特点在1987年美国股市崩盘的时候表现得淋漓尽致，当时那些推出“组合保险项目”的投资者正是忽略了一个人的抛售决定与他人决定之间的相互关系，最终引发了股价的大跳水。
要预测未来，你必须为可能发生之事形成一个假设，并建立一个模型——无论是有意为之还是仅凭“直觉”——来检验你的预测是否正确。至于金融预测，既然你是在真实世界而非实验室里工作，那么你“很难计划周全”，而且很难获得可靠的信息或进行可控的测试。预测者往往不能根据市场具体情况来调校他们的模型或确认所谓的“催化剂”来检验他们的假设。人们总是“思考（事情发生的）盖然性”，而“黑天鹅”充其量也只具备可能性而已，既没有盖然性也没有确定性，它们也许并不会发生。
“‘黑天鹅’指的是极不可能发生的事件，这些事件貌似不能通过以往的数据来推断和预测。”
市场分析师在思考盖然性时运用的概念性工具包括概率树形图和其他影响因素图表，这些工具把可能影响事态发展的所有因素都串联起来。随着数据的增加，图表会越发详细，也就需要不断重新审核。概率树形图能展示可能出现的未来，并把各种各样的问题相互联系起来。每个分枝都预测不同结果的发生概率。新枝也会萌发，反映某些具体情境下的其他选择。对所有可能的未来或投资结果进行描绘，可以锻炼你设想多重后果、关注受到忽略的可能性，同时不被现实迷惑的能力。创建树形图能帮你识别那些“不均衡后果”，即未来是积极因素还是消极因素占上风。要充实你的投资树形图，不妨列出一系列的风险因素和增长率。2001年，正是这些随着信息的增加而得到改良的预测工具帮助摩根斯斯坦利看清了这样一个事实：当时如日中天的信用卡公司普罗威登（Providian）的实际投资风险比市场判断的还要大。
“真实世界里的决策者有时会忽略两个重要步骤：一是根据市场校准模型，二是确保假设得到未来新的信息数据的检验，投资人们通常将这类信息称为‘催化剂’。”
预测时，过分自信和缺乏自信都会对你不利。由于人大脑具体处理信息方式的原因，过分自信会使预测者利令智昏。实验室的测试表明，人往往会过高地估计自己的判断力和知识储备。如果某个模型仅夸大其中一个变量，就能轻而易举地将你引入过分肯定的歧途。经验告诉大多数专业投资人，要避免过于自信，因为傲慢自大的商人总是在赔本之后黯然退出。有时候，你感到确有把握，而这种感觉确实也是对的，因为你的的确确明白正在发生什么。然而有时候，你自我感觉越是良好，就越是错得彻底。因为人们往往过于相信自己的记忆力，而且过于看重他们通过亲身体验得来的第一手数据。
你对数据模式的本能认可会令你无来由地产生一种“自信的感觉”，无论这感觉是否有理有据，就如同消防员等急救人员，因为没时间展开调查研究，所以必须依赖其本能的直觉闪念。但至于那些有时间深思熟虑的人，例如投资人，他们就可以超越直觉，深入研究数据从而证明自信并非空穴来风。首先，审视你的假设：假设的问题是否紧扣重点？确认带来变化的催化剂，并把大的市场环境考虑进来。收集竞争对手的投资数据，估算每一种可能情况的发生概率，估算时要以“专家智慧”为出发点。检验模型的有效性，确保用这个模型足以解释各种因素的相互影响。聆听你内心的声音，但切忌骄傲自负。
信息及其挑战
信息过量的发生是因为信息量超过了任何个人或群体所能了解的范围，它经常搞突然袭击，尤其是在条件不断变化的时候。计算机也许可以提供一定的帮助，但是计算处理也是要耗费金钱、时间和精力的。而且，处理完之后会产生更多数据，进一步加剧信息量的超载。有些问题是无法解决的，而且当计算机试着解决的时候，计算机就会无休止地运行下去，最终导致系统的崩溃。就连市场本身也不能完全有效地对数据做出反应，因为市场也不是全知全能的。
“极端的无常可能来源于世界固有的复杂性。”
因此，作为一个投资人，你必须在处理信息的方式上做出根本性的转变。与其等待信息向你靠拢，不如制定一个积极的策略，即关注“重要事务”，根据它的定义，你不必在无关紧要的事情上多费脑筋。重要事务是一个变数，其对你正在研究的对象具有“重大影响”以及造成“极不确定”的成果，它迫使你必须对未来可能发生的情况进行筛选。人们通常善于甄别出这些问题，然而一旦数据超过了负荷，他们就会无所适从。在一些新兴领域，很多东西并不成型，要鉴别一些重要问题就成了一项直觉的艺术。当你在研究你重要的投资问题时，要避免很多人在信息策略中常犯的错误。这些错误具体如下：试图把手上的全部数据都分门别类，疏于与身边的专家学者进行沟通，由于“官僚主义惰性”而失去动力，从而轻信“数据采集”的价值并误信廉价的片面信息（例如媒体报道），等等。
认知失调及其他突发事件
有关决策制定的学术讨论总是假设你拥有无穷无尽的时间来剖析每一个决定，然而事实上，新状况层出不穷且往往承受着巨大压力。此外，“某些人为的突发事件”会影响人们认识和理解制约决策的相关知识。其中，有一种突发事件导致“认知失调”，就是你获得的数据与既有结论不协调的结果。为解决这其中的矛盾，人们大多倾向于忽视未能与自己整套看法相同的事实，这个错误必然导致决策失误。当你的“自我形象受到威胁”，或者迫于压力只能从有限的选项中做出抉择时，就更有可能发生认知失调的情况。这种扭曲会让你顽固地坚持某一种观点，或者因为害怕做出错误的决定而变得患得患失。认知失调也可能导致“变化盲点”，即因为变化发生得很缓慢，结果导致你意识不到环境的变化。为了避免变化盲点的出现，不妨构建这样一种企业文化，使人们都能接受事物的变迁，（而不是凡事都坚持非黑即白、一成不变）， 在这样的企业文化中，每个人都能发掘自己的新角色。先鉴别过程中的重要问题，这样你就能通过了解新信息的方式来探究这些问题，作为压缩“可能情形范围”的工具，这些信息具备强大的“诊断力”。
“直觉的运转方式是把当前环境里的特征与我们记忆中的特征相匹配。”
另一个由数据带给人们的挑战是“信息失衡”，也就是说，在某种情况下，有关事情一方面的信息量超过了另一方面。这在谈判过程中时有发生，谈判双方往往都会控制信息流，以占据上风。企业实行“选择性披露信息”的举措时，会刻意创造这样的不平衡。管理人员往往会通过控制信息的流向，使人们看到公司最耀眼的一面。当年，美国第一资本金融公司（Capital One）起初并没有披露公司的次级负债或损失率。后来金融监管机构终于出面施压，要求该公司承诺限制其扩张规模，直到披露问题解决为止。到那时，第一资本金融公司的股价已跌了50%。
既然你不能指望获得均衡的数据，那么就必须通过做好自己的调查研究争取“公平竞争”。例如，市场分析师在研究美国学生贷款市场协会（Sallie Mae）与摩根大通（J.P. Morgan）之间日益削弱的合作关系时，不得不亲自实地考察，从而评估这一变化对学生贷款的影响。如果你在调查一项投资，那么就要收集与你的入股考察对象类似的公司的相关信息。对比一下相关公司揭示的信息，确保主要目标公司领导能完全了解其所在的行业。如果他们看似处于认知失调的状态，那么他们可能已经与真实的市场行情脱节了。调查一家公司时，你需要关注一些具体信息和重大问题，这样这家公司就不能用你并不需要、毫不相干的数据将你湮没。确认这家公司领导的决策方式，审视对方的逻辑思维方式是否合理。
改善分析与模型，提高判断质量
在今天复杂的市场环境下，投资人比以往任何时候都更需要一个制定决策的模型。然而，模型的存在也会增加复杂程度，因为你必须确保你的模型是准确而可靠的。在你的重要问题和模型预测之间建立映像。你的目标是在逐渐提高的准确度和逐渐降低的复杂性之间保持一种平衡。为了提高准确度，不妨把棘手的问题切分成小块儿来解决。在简单一些的模型中，你可以对因果关系进行描绘。有时候，你会面对“一到多”的模型，即一个原因的改变会引起诸多结果的改变，或者“多对一的关系”，即多个原因相互交织最终产生了一个结果。确保由你的模型所导出的关系与模型是相称的。创建一个“积极的反馈回路”，当一个因素的变化引起另一因素的变化时，通过这个回路，后者就能反过来改变前者。每当你对模型的某个部分提出假设时，情况就会变得更加复杂。由此会产生各种分歧，而此时分析师的偏见就可能趁虚而入，并造成一定的影响。
“书本上的方法总是假设决策人坐拥全世界的时间来整合权衡信息，然而在现实世界里，时间总是转瞬即逝的。”
“蒙特卡洛模型”（Monte Carlo models）能给我们提出一系列诱人的可能性但同时也带来危险的缺陷。当你建立一个“蒙特卡洛模型”，而不是对某一个问题做出具体的假设时，例如，就某个具体贷款类型来说，一个公司的损失率将是多少，这时，你可以把你的各种假设作为随机变量来处理，你的概率树形图会出现“上千乃至上百万个分枝”。“蒙特卡洛模型”可以帮你处理复杂的预测。专家们运用这种方法可以达到多重目的，从寻找沉船到制作动画电影，再到解决化学难题，以及估算法律案件对某些股票或行业可能造成的影响，等等。当年，美国海军就是利用了一个“蒙特卡洛”方案，划定了最可能的沉船地点，才找到了1857年沉落海底的“中美洲号”。
“有时我们只要直觉闪现，就能做出正确的决定；有时，我们的直觉却有着致命的缺陷。有些答案需要通过大量调查和复杂分析才能得到；有时，这种方法却难以奏效。”
“蒙特卡洛模型”的缺陷在于信息超载：它生成的可能局面过多，导致人们可能忽略了分析“过程中各种成因”之间的互动。这样做的风险很高，因为人们一旦过于渴望发现“成因变量”，他们就会看到一些其实并不存在的因果关系。要避免这类问题发生，并强化你对蒙特卡洛模型的运用，如你要做出投资决定之前，不妨对所有相关行业都进行调查。研究大环境下的各种问题，追查外力的影响，比如政治问题。如要补充未知信息，不妨就一些具体的可能性提一些“假设分析”问题。进而观察随时间的推移而产生的特征变化，并留心你的直觉反应。
无论使用什么样的工具，你都不可能做到一劳永逸。在某些情况下，你必须锻炼自己的判断能力。传统意义上来说，这意味着要在做决定之前对所有的论据进行权衡。人们通常会试图把判断简化为一个运算法则，好比在进行价值投资时，他们会试图把投资决策建立在“一套简单规则”上。这当然是有用的，然而运算法则总是有所遗漏。他们并不会重视反思的意义，结果导致价值投资人可能无法依据现实的变化对自己的规则做出相应的调整。要做出恰当的判断，会涉及一个复杂的循环。首先，你要收集信息，分析信息，并且制定决策。然后还要评估结果，然后又会产生新的数据。与此同时，你的竞争对手也在分析他们的信息，制定他们的决策。这会改变你正在评估的局势以及你的决策后果，这样你就不得不重新开始。判断的运行是递归式的：你必须把自己的分析工具应用到做决定的程序中来。如果你的程序不能产生适用的答案，改变不可避免。