只应对不预测

2025-10-23

市场充斥着各种预测：经济学家预测经济走势，分析师给出目标价，财经媒体预言市场拐点，社交媒体上的”股神”们更是信誓旦旦地告诉你下周会涨还是会跌。

作为投资者，我们天然地渴望知道未来。毕竟，如果能准确预测明天的股价，投资就变成了一台印钞机。然而现实是残酷的：预测几乎总是错的，而相信预测的代价往往是真金白银的损失。

预测是徒劳的，应对才是关键。

一、预测为什么总是失败

1.1 专业预测者的糟糕记录

让我们先看看那些号称专业的预测者表现如何。

经济学家的衰退预测

2022年10月，国际货币基金组织(IMF)警告称”最糟糕的情况还未到来，对许多人来说2023年将感觉像衰退”1。世界银行也发出类似警告，称”世界可能正在走向2023年的全球衰退”2。

然而实际情况是什么？美国经济在2023年避免了几乎所有专家在2022年底认为不可避免的衰退。2023年7月，专家们给出的衰退概率是59%,到10月已经降至46%——这是2022年第一季度以来的最低水平3。一位经济学家感叹：”相当不可思议的是，我们对衰退保持高度警惕近两年，但衰退从未真正到来。”

分析师的目标价准确性

股票分析师的表现又如何呢？

根据学术研究，分析师在一年期限内的目标价预测，平均绝对误差高达39.1%4。另一项研究显示，历史上分析师的整体准确率仅为30% 左右5。

更糟糕的是，即使是预测价格变动的方向,准确率也仅为54%6——这和抛硬币的概率差不多。一项分析6,627次预测的研究发现，只有48%的预测是正确的7。

从2002年到2021年的20年间，市场”专家”们年初对指数的目标价预测，与当年实际价格的平均差异是8.3%8。

名人预测失败案例

个人投资者如果还不信服，可以看看那些媒体上的名人表现：

  • Jim Cramer: 这位CNBC的明星主持人准确率只有37%-46.8%9。2008年3月11日，就在Bear Stearns崩盘前，当观众问是否应该担心Bear Stearns时，他斩钉截铁地回答”不！”10。2012年11月，他敦促观众立即抛售惠普和百思买，称它们”现金流急剧下降”——结果这两只股票在接下来6个月分别上涨100%和124%11。

  • Peter Schiff: 2010年，这位著名的黄金支持者预言量化宽松将导致恶性通货膨胀和美元毁灭——这个预测从未实现12。2019年，他断言比特币永远不会达到10万美元，而比特币最终突破了这个价位13。

这些不是精心挑选的极端案例，而是系统性的失败。

1.2 为什么预测如此困难

复杂系统的本质

金融市场是一个复杂自适应系统。影响市场的因素包括宏观经济、货币政策、地缘政治、企业盈利、投资者情绪、技术创新、自然灾害……这个列表可以无限延伸。

更关键的是，这些因素之间相互影响，形成反馈循环。市场参与者会根据预测调整行为，而这种调整本身又会改变结果——这就是所谓的”反身性”。

正如Nassim Taleb在《黑天鹅》中指出的，真正塑造世界的是那些无法预测的重大事件，而这些事件从定义上就是不可预测的14。”令人惊讶的不是我们预测错误的幅度，而是我们对这种错误缺乏认知。”15

预测准确性的快速衰减

Taleb还提醒我们：”如果你必须听信预测，请记住，随着时间推移，预测的准确性会迅速下降。”16

这在实践中得到了充分验证。预测明天的天气相对容易，预测下周的天气困难得多，预测下个月的天气几乎不可能。金融市场也是如此，短期预测虽然困难，长期预测更是荒谬。

1.3 预测失败的心理陷阱

即使面对如此糟糕的记录，为什么人们还是热衷于预测？行为金融学给出了答案。

过度自信(Overconfidence Bias)

诺贝尔奖得主Daniel Kahneman和Amos Tversky的开创性研究揭示，人们倾向于高估自己判断的准确性17。在投资行业内部，Kahneman观察到，即使没有创造alpha,人们仍然觉得自己有这种能力——”这就是过度自信在起作用”18。

研究表明，过度自信是影响专业人士决策的最常见认知偏差19。

后见之明偏差(Hindsight Bias)

一旦事件发生，我们会觉得它比实际上更可预测。Kahneman的研究发现：”一旦我们知道事件的结果，我们回忆中的判断通常比最初的判断更接近结果，而且事后看来，我们夸大了事前本可以预见的程度。”20

这解释了为什么每次市场崩盘后，总有人说”我早就知道会这样”——但他们当初并没有采取相应行动。

确认偏差(Confirmation Bias)

我们倾向于寻找和解读那些支持既有信念的证据。在投资中，确认偏差会导致投资者忽视那些表明策略可能亏损的证据，从而过度自信地坚持错误21。

这些认知偏差是人类大脑进化的产物，几乎不可能完全克服。这意味着，即使我们知道预测很难，仍然会不由自主地相信自己”这次不一样”。

1.4 AI算法预测：看起来很美？

近年来，人工智能和机器学习在各个领域取得了惊人的成就。那么AI能否解决预测市场的难题？

令人兴奋的研究数据

学术界发布了一些看起来非常亮眼的研究成果：

  • 2024年的一项研究声称，使用可解释深度学习模型预测股市，平均准确率高达94.9%,远超随机森林的85.7%22
  • 对越南股市的LSTM模型研究显示，大多数股票数据的预测准确率达到93%23
  • 使用特斯拉内幕交易数据的机器学习研究，预测准确率最高可达88%24

更令人印象深刻的是顶级量化对冲基金的表现：

Renaissance Technologies的Medallion Fund是AI预测成功的标志性案例。从1988年到2021年，该基金年化收益率高达66%(扣费前)或39%(扣费后)25。在长达31年的时间里，从未出现过年度亏损,即使经历了互联网泡沫和金融危机26。2020年，该基金更是取得了76%的惊人收益27。

2016-2019年间，欧洲AI主导的对冲基金累计回报率达到33.9%,几乎是整个对冲基金行业12.1%平均水平的三倍28。

这是否意味着AI已经解决了预测问题？

致命的方法论缺陷

当我们仔细审视这些”高准确率”研究时，会发现严重的问题。

2025年发表在Nature上的一项研究指出：那些声称LSTM和深度神经网络能高准确率预测股市的研究，制造了”假阳性”。如果忽视时间背景，这些方法在真实市场中是不实用的29。

更严重的问题在于：”声称准确率高达94-98%的研究存在致命缺陷——这些模型只是在预测‘明天的价格‘。由于涨跌幅限制，简单地用今天的价格预测明天，也能达到95-98%的准确率。这说明这些模型及其损失函数没有正确校准。”30

换句话说，这些模型的”高准确率”很大程度上是因为它们在做一件极其简单的事情，而不是真正有效地预测价格变动。

过拟合的幽灵

机器学习面临的最大挑战是过拟合(overfitting)——模型在历史数据上表现出色，但在新数据上表现糟糕。

学术研究反复证实这一点：

  • 传统的K-Fold和Walk-Forward交叉验证方法无法充分考虑金融时间序列的时间依赖性和非平稳性，导致潜在的过拟合和不准确的性能评估31
  • 虽然模型改善了样本内的风险调整绩效指标，但它们在样本外泛化能力上表现不佳,凸显了显著的过拟合挑战32
  • 许多在回测中表现出色的策略，在实盘交易中失败，因为过拟合的模型关注的是噪音而非真正的市场信号33

金融数据本质上是稀疏、噪音大且难以扩展的,不像图像识别那样有海量清晰的数据。增加参数会提高过拟合、假发现的风险，并导致偶尔的灾难性模型崩溃——特别是在市场机制转换期间34。

学术界的质疑

当一些研究宣称AI能够预测市场时，顶级金融学者提出了严厉批评：

  • 芝加哥大学的Stefan Nagel称这些结果”难以置信“,认为成功可归因于机械的动量效应
  • 斯坦福大学的Jonathan Berk直接表示这类研究”几乎无用“,无法真正解释资产回报35

领先的学术批评者认为，这些结果可能只是在新的复杂外衣下重新包装了经典的动量策略，对AI驱动的复杂性能否提供根本性的新预测见解表示怀疑36。

黑箱问题与实用性挑战

即使AI模型有一定预测能力，它们还面临实用性障碍：

  • 可解释性差:神经网络被设计为”黑箱”,而金融行业要求预测模型是可解释和合规的37
  • 计算复杂度高:Transformer、GAN等新架构的应用仍处于早期阶段，主要是因为模型复杂性和训练所需的高计算资源38
  • 实盘应用少:当前模型很少嵌入到真实或模拟交易策略中，限制了其实际适用性39

Medallion Fund的特殊性

那么Renaissance Technologies的成功怎么解释？

确实，Medallion Fund是AI预测成功的真实案例。但有几个关键点：

  1. 普通投资者无法获得:该基金自1993年起就不再接受外部投资者，仅对公司现任和前任员工及其家人开放40
  2. 收费极高:收取5%的管理费和44%的业绩提成，这是对冲基金行业最高的费用结构41
  3. 外部基金表现平庸:Renaissance面向外部投资者的基金表现远不如Medallion。2020年Medallion涨76%时，外部基金却大幅亏损42
  4. 无法复制:即使知道他们用AI,普通投资者也无法复制其数据优势、算法专长和执行能力

AI预测的本质仍是预测

即使AI在某些情况下能提供优势，它仍然在做”预测”这件事，面临着不确定性的根本性挑战。

对于绝大多数投资者而言：

  • 无法获得顶级AI基金(如Medallion)的投资机会
  • 看到的”高准确率”研究大多存在方法论问题
  • 自己使用的AI工具很可能过拟合历史数据，在实盘中失效
  • 应对策略仍然比追求AI预测更可靠和可行

哈佛商学院2025年的一项研究甚至发现：使用生成式AI的高管做出的预测反而更糟43。这提醒我们，技术本身不是答案，理性的决策框架才是。

二、应对策略：在不确定性中保持控制

既然预测如此不可靠，投资者该怎么办？答案是：放弃预测，建立应对系统。

2.1 从预测到应对的思维转变

承认无知

第一步是承认市场是不可知的。正如Warren Buffett所说，他的成功不是建立在预测短期市场走势之上，而是投资于具有持久竞争优势的高质量企业并长期持有44。Buffett反复批评那些试图预测市场趋势的财经媒体和评论员，认为”他们的预测往往是错误的，会误导投资者”45。

Charlie Munger更是直白：”我不靠准确预测来赚钱。我们只是倾向于进入好生意并留在里面。”46他还说：”在这里我要说，如果我们的预测比别人好一点，那是因为我们尝试做的预测更少。”47

承认无知不是消极被动，而是理性和成熟的标志。它让我们从”我必须知道未来”的焦虑中解脱出来，专注于可控的事情。

情景规划而非单一预测

应对思维的核心是：不预测”会怎样”,而是准备”如果。..那么。..”。

具体来说：

  • 不是预测”明年市场会涨”,而是准备”如果市场涨/跌/震荡，我该怎么做”
  • 不是预测”这只股票会到100元”,而是思考”如果它涨到100/跌到50/横盘，我的策略是什么”
  • 不是预测”美联储会降息”,而是规划”无论加息还是降息，我的组合如何应对”

这种思维方式让你为多种可能性做准备，而不是把所有筹码压在一个不确定的预测上。

2.2 抗脆弱性：比韧性更进一步

Nassim Taleb在《反脆弱》(Antifragile)一书中提出了一个革命性的概念。

什么是抗脆弱性

抗脆弱性是指”当系统面对压力、冲击、波动、噪音、错误、攻击或失败时，能力反而增强”48。一些东西能从冲击中获益；当暴露在波动、随机性、混乱和压力中时，它们会茁壮成长49。

这超越了韧性或稳健性。韧性事物在冲击下保持不变；而抗脆弱事物会变得更好50。

抗脆弱性与预测的关系

Taleb指出：”通过掌握抗脆弱性的机制，我们可以建立一个系统性和广泛的指南，在商业、政治、医学和一般生活中进行非预测性决策——在任何未知占主导地位的地方，任何存在随机性、不可预测性、不透明或对事物理解不完整的情况下。”51

关键在于，重点不是试图预测那些本质上不可预测的事物，而是对预测错误免疫，并免受不利事件的伤害。52

“判断某物是否脆弱，远比预测可能伤害它的事件发生容易得多。脆弱性是可以衡量的；风险是无法衡量的(除了在赌场或那些自称‘风险专家‘的人脑中)。这为我所说的黑天鹅问题提供了解决方案——无法计算罕见重大事件的风险和预测其发生的不可能性。”53

对Taleb来说，抗脆弱概念是在黑天鹅世界(可能发生令人惊讶的极端事件)中生活的蓝图，关键是在一定程度上热爱变化和不确定性，也热爱错误54。

2.3 应对的三个层面

基于抗脆弱性理念，我们可以在三个层面建立应对系统：

资产配置层面

  • 多元化分散:不押注单一情景。如果你不知道科技股还是价值股会跑赢，那就两者都持有
  • 动态平衡:当某类资产大涨后自动减持，大跌后自动加仓，这是纪律性的应对而非预测
  • 对冲策略:用期权、反向ETF等工具管理尾部风险，不是预测会跌，而是为”万一跌了”做准备

交易执行层面

  • 止损机制:设定明确的止损点。这不是预测会继续跌，而是当市场证明你错了时认错
  • 分批建仓:不预测最低点，而是在一个价格区间内分批买入，应对价格的不确定性
  • 仓位管理:根据波动率和不确定性调整仓位，高波动时降低杠杆，低波动时适度提高

心理管理层面

  • 接受亏损是应对的成本。止损、对冲都会有成本，但这是为不确定性付出的保险费
  • 避免事后诸葛亮式的自责。”早知道就。..”这种想法毫无意义，因为你当时不可能”早知道”
  • 专注于过程而非结果。一个基于应对的决策，即使短期结果不好，也是正确的决策

三、历史的教训

3.1 2008年金融危机：预测者寥寥，应对者胜出

2008年金融危机前，极少有人预测到次贷危机会演变成全球金融海啸。绝大多数经济学家、监管机构、投资银行都没有看到风险。

但有些投资者虽然没有精确预测，却做好了应对准备：

  • Howard Marks:他不是预测”会在2008年崩盘”,而是在2005-2007年看到风险定价过低时，大幅提高了谨慎程度，持有大量现金
  • Ray Dalio:桥水基金的全天候策略(All Weather)不是基于预测，而是基于应对各种经济环境的配置
  • Nassim Taleb:他的策略不是预测黑天鹅何时出现，而是买入便宜的尾部保护，当黑天鹅出现时获利

相反，那些预测”房价永远不会全国性下跌”的人，包括许多华尔街顶级机构，都遭受了毁灭性打击。

3.2 2020年疫情暴跌：无人预测，有人有预案

2020年初，几乎没有人预测到COVID-19会引发全球股市在一个月内下跌30%以上。

但做好应对准备的投资者表现迥异：

  • 那些保持合理现金比例的投资者，能够在恐慌中抄底
  • 那些有止损纪律的投资者，及时退出避免了更大损失
  • 那些有系统性再平衡机制的投资者，在暴跌中自动加仓股票，享受了随后的V型反弹

而那些加了杠杆、满仓持股、没有任何应对预案的投资者，要么被强制平仓，要么在恐慌中割肉，错过了此后的反弹。

四、常见质疑的回应

4.1 “不预测怎么投资？”

这是最常见的误解。应对≠不思考。

应对策略仍然需要深入研究和判断，但关注点不同：

  • 预测思维：”茅台明年会涨到3000元”

  • 应对思维：”茅台在当前价格具有安全边际，即使不涨也能接受，如果跌到X元会加仓”

  • 预测思维：”美联储6月会降息，所以买科技股”
  • 应对思维：”无论美联储如何操作，我的组合在不同利率环境下都能生存”

你仍然需要判断企业价值、分析财务报表、评估管理层质量——但这些是基于价值判断而非趋势预测。

关注性价比而非涨跌方向，这就是价值投资的精髓。

4.2 “有些预测确实准过”

是的，总有人预测准确。但问题是：这是运气还是能力？

如果有1000个分析师，其中一个连续5年预测准确，这看起来很神奇。但统计上，这完全可能只是概率的结果。

更关键的是：持续准确预测几乎不存在。那些在某次危机中成功预测的人，往往在此后的预测中表现平庸甚至糟糕。Peter Schiff就是典型例子——他预测对了2008年危机，但此后的预测几乎全错。

我们只看到成功的预测者，这是幸存者偏差。那些预测失败的人被遗忘了，或者换了个马甲继续预测。

4.3 “完全被动不是放弃主动性吗？”

恰恰相反，应对是更高级的主动性。

被动投资(如指数基金)确实是一种应对策略——它承认你无法跑赢市场，所以选择获取市场回报。这是一种理性的应对。

但应对不等于被动。主动的应对包括：

  • 主动构建应对多种情景的投资组合
  • 主动设置风险管理机制
  • 主动在市场恐慌时加仓，在贪婪时减仓(这不是预测，而是纪律)
  • 主动学习和优化应对系统

这种主动性不是试图战胜不确定性，而是在不确定性中保持控制。这才是真正的投资能力。

五、实践建议

5.1 日常训练

停止关注预测类内容

取消关注那些天天预测市场的公众号、博主、财经频道。他们的预测不会让你赚钱，只会增加你的焦虑和交易冲动。

Warren Buffett建议投资者应该忽略短期市场噪音和预测，专注长期。他从不尝试预测短期市场走势，也批评那些这样做的人55。

练习”如果……那么……”思维

每次想做投资决策时，问自己：

  • 如果这个假设是错的，会怎样？
  • 如果市场走势和我想的相反，我的应对方案是什么？
  • 如果这笔投资亏损50%,我能承受吗？我会怎么做？

把这些问题的答案写下来，形成你的应对预案。

记录应对决策的日志

不要记录”我预测X会涨”,而是记录：

  • 我在什么价格买入/卖出
  • 我的决策逻辑是什么(价值判断、风险评估)
  • 我的应对计划是什么(止损位、加仓条件、目标仓位)
  • 实际发生了什么，我的应对执行得如何

定期回顾，不是为了后悔”早知道”,而是为了优化应对系统。

5.2 建立自己的应对系统

清单化的应对预案

制作一份投资清单，例如：

  • 单一股票仓位不超过X%
  • 总杠杆不超过X倍
  • 亏损达到X%时重新评估
  • 每季度进行一次组合再平衡
  • 保持X%的现金以应对机会或风险

这些规则不是基于预测，而是基于风险管理和纪律。

定期检视和优化

每季度或每年，回顾：

  • 我的应对系统执行得如何？
  • 哪些应对策略有效，哪些需要改进？
  • 有没有新的风险需要纳入应对预案？
  • 我的心理承受能力是否匹配当前的风险暴露？

压力测试投资组合

模拟极端情景：

  • 如果市场下跌50%,我的组合会怎样？
  • 如果利率上升300个基点，我的组合会怎样？
  • 如果某个重仓股暴雷，我的组合会怎样？

这不是预测这些会发生，而是确保你的组合在极端情况下仍然能生存。

5.3 长期心态

投资是马拉松而非百米冲刺

如果你的投资期限是10年、20年，短期的波动根本不重要。你不需要预测明年的市场，只需要确保你的组合能够穿越周期。

Charlie Munger说：”我认为我在长期预期方面相当不错，但我认为我不擅长短期波动。我完全不知道短期会发生什么。”56既然连Munger都承认无法预测短期，我们又何必为此焦虑？

应对能力的复利效应

每一次市场波动，都是检验和优化应对系统的机会。每经历一次，你的应对能力就提升一分。

这种能力的积累，比任何一次预测准确更有价值。因为预测准确可能只是运气，而应对能力是真正可以依靠的技能。

减少焦虑，提升幸福感

放弃预测的一个额外好处是：你会更快乐。

不用每天盯盘猜测市场会涨还是跌，不用为”早知道”而懊恼，不用为错过”黑马股”而失眠。你只需要按照应对系统行事，剩下的交给时间。

正如我在之前的文章中写道：”了解自己做的事情，搞清楚底层逻辑，投资可能是孤独的，但绝不是反人性的。”57当你从预测的焦虑中解脱，投资反而变得轻松和享受。

六、结语：从算命到武功

预测就像算命，试图看穿未来，但往往一无所获。

应对就像练武，强化自身，无论对手如何出招都能从容应对。

真正的投资高手不是预言家，而是应对大师。他们不知道明天会发生什么，但他们知道无论发生什么，自己都能妥善应对。

Nassim Taleb说得好：”试图预测那些本质上不可预测的事物是愚蠢的。有很多方法来应对不确定性，而这些方法不涉及预测。试着建立一些能够抵御各种预测和预测错误的东西。”58

投资的终极智慧，不是预测未来，而是在不确定的未来中生存和繁荣。

停止预测，开始应对。这不仅会让你成为更好的投资者，也会让你成为更理性、更从容的人。

参考文献

  1. CNBC, “IMF cuts global growth forecast for 2023, warns ‘worst is yet to come’”, October 2022 ↩

  2. World Bank, “Risk of Global Recession in 2023 Rises Amid Simultaneous Rate Hikes”, September 2022 ↩

  3. Bankrate, “Survey: Recession By July 2024 Likely Despite Resilient Economy”, July 2023; “Survey: Odds Of A Recession By September 2024 Fall To 46%”, October 2023 ↩

  4. Bilinski et al. (2013), referenced in “A multi-dimensional assessment of the accuracy of analyst target prices”, ScienceDirect ↩

  5. TIKR.com, “What Are Analyst Estimates & Are They Accurate?” ↩

  6. Taiwan stock market study, “A multi-dimensional assessment of the accuracy of analyst target prices” ↩

  7. Forecast accuracy study cited in “The Terrible Track Record of Wall Street Forecasts” ↩

  8. Daner Wealth, “The Terrible Track Record of Wall Street Forecasts”, 2002-2021 analysis ↩

  9. Multiple studies on Jim Cramer’s accuracy, cited in “Top 10 Hilariously Wrong Stock Market Predictions” ↩

  10. “The 6 Most Embarrassing Stock Predictions of All Time”, Philadelphia Inquirer ↩

  11. “10 Financial Predictions That Were Wildly Wrong”, Financial Advisor Magazine ↩

  12. “5 of the Worst Economic Predictions in History”, Foundation for Economic Education ↩

  13. Yahoo Finance, “Peter Schiff Questions Jim Cramer’s Bullish Bitcoin Take”, December 2024 ↩

  14. Taleb, Nassim Nicholas, “The Black Swan: The Impact of the Highly Improbable” ↩

  15. Taleb quote from “The Black Swan”, GradeSaver ↩

  16. Goodreads, Taleb quote: “If you ever do have to heed a forecast, keep in mind that its accuracy degrades rapidly as you extend it through time” ↩

  17. Kahneman, D., Slovic, P., & Tversky, A. (1982), heuristics and biases research ↩

  18. CFA Institute, “Daniel Kahneman: Psychology for Behavioral Finance”, 2012 ↩

  19. PMC, “The Impact of Cognitive Biases on Professionals’ Decision-Making: A Review of Four Occupational Areas” ↩

  20. Kahneman research on hindsight bias, cited in behavioral finance literature ↩

  21. MFC Planners, “Avoiding Behavioral Biases and Making Better Investments” ↩

  22. PMC, “An explainable deep learning approach for stock market trend prediction”, 2024 ↩

  23. Nature, “Applying machine learning algorithms to predict the stock price trend in the stock market – The case of Vietnam”, 2024 ↩

  24. arXiv, “A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data”, 2025 ↩

  25. QuantifiedStrategies.com, “Decoding the Medallion Fund: What We Know About Its Annual Returns” ↩

  26. Institutional Investor, “Renaissance’s Medallion Fund Surged 76% in 2020” ↩

  27. Institutional Investor, ibid. ↩

  28. ScienceDirect, “Machine learning the performance of hedge fund”, AI hedge fund returns 2016-2019 ↩

  29. Nature, “Stock market trend prediction using deep neural network via chart analysis: a practical method or a myth?”, 2025 ↩

  30. Nature, ibid., on accuracy methodology flaws ↩

  31. ScienceDirect, “Backtest overfitting in the machine learning era”, 2024 ↩

  32. arXiv, “Assessing the Impact of Technical Indicators on Machine Learning Models for Stock Price Prediction”, 2024 ↩

  33. PMC, “A review of machine learning experiments in equity investment decision-making”, 2021 ↩

  34. Wiley, “Deep learning models for price forecasting of financial time series”, 2024 ↩

  35. AQR/Academic criticism cited in “AQR Sparks Fierce Debate Over AI’s Role in Market Prediction”, 2024 ↩

  36. ibid. ↩

  37. Wiley, “Deep learning models for price forecasting of financial time series”, interpretability issues ↩

  38. ibid., computational complexity ↩

  39. PMC, “A review of machine learning experiments in equity investment decision-making”, practical application challenges ↩

  40. Wikipedia, “Renaissance Technologies”, fund access restrictions ↩

  41. Yahoo Finance, “Medallion Fund Strategy, Returns, and Holdings”, fee structure ↩

  42. Institutional Investor, “Renaissance’s Medallion Fund Surged 76% in 2020. But Funds Open to Outsiders Tanked” ↩

  43. Harvard Business Review, “Research: Executives Who Used Gen AI Made Worse Predictions”, 2025 ↩

  44. Trustnet, “Warren Buffett’s wisdom on market timing: Why it’s impossible to predict” ↩

  45. ibid. ↩

  46. Charlie Munger quote from QuoteWise collection ↩

  47. Novel Investor, “Quotes on Forecasting” ↩

  48. Wikipedia, “Antifragility” ↩

  49. Farnam Street, “A Definition of Antifragile and its Implications” ↩

  50. ibid. ↩

  51. Taleb, Nassim Nicholas, “Antifragile: Things That Gain from Disorder” ↩

  52. ibid. ↩

  53. ibid., cited in TEPSA analysis ↩

  54. Aure’s Notes, “Antifragile Summary - Nassim Taleb” ↩

  55. Trustnet, “Warren Buffett’s wisdom on market timing” ↩

  56. Novel Investor, Charlie Munger quotes collection ↩

  57. 本站文章《投资是反人性的吗？》,2021年3月8日 ↩

  58. Nordic Business Forum, “Nassim Nicholas Taleb - Forget Forecasting” ↩

blog comments powered by Disqus