“这套筛选方法，能找到八成后来高增长的公司。”小林听完，准备把筛出的名单当作高增长候选。但朋友换了一种问法：找到八成赢家，是否意味着名单里的八成都会赢？
这两句话都提到八成，分母却换了。我们先把公司按结果分到两边，再把筛选标记放回去。你不用先记公式，就能看见：一个看上去很强的信号，为什么仍然可能带来一长串不符合目标的对象。
这次要解决的问题
- 说明基础概率与条件概率分别在数哪一群对象。
- 根据给定证据更新判断，并记录哪些前提仍然未知。
- 区分单次结果、长期校准和投资决策，建立三条预测记录。
先问这种事本来有多常见
以下所有公司、数量、规则与结果都是独立的合成教学输入，不是历史研究成果，也不沿用前文企业数据。这里把“高增长”严格定义为下一完整财年收入同比增长超过20%，不涉及股价收益。
假设有1000个已知结果的公司观察对象，口径与观察期限一致。其中100个满足高增长定义，900个不满足。高增长对象占10%。这个未使用筛选标记之前的比例，是本例的基础概率：在我们指定的参考群体中，这件事原本多常见。
参考群体怎么选，会影响这个起点。处在不同阶段的企业、不同业务和经济环境，未必适合混在一起。真实研究还要核对是否只保留了幸存公司、是否遗漏了差结果，以及当时能否取得这些数据。
因此，看到“过去十次有八次成功”，先问十次是怎样挑出来的。十个精挑赢家不能提供整个候选池的基础概率；两次独立事件也不足以让一个比例变得稳固。基础概率不是一种权威数字，而是一份需要说明范围、来源和局限的起始材料。
找到了八成赢家，名单里却不到一半是赢家
现在给定筛选规则的结果：100个高增长对象中，有80个被标记，20个未被标记；900个非高增长对象中，有180个也被标记，720个未被标记。这四个格子全部给定，不需要猜测。
“找到八成高增长对象”用的是80除以100。它站在已经知道结果的高增长组里，问筛选规则抓住了多少。可是小林实际拿到的是被标记名单，需要站到另一组里数。
被标记的共80加180，合计260个。其中满足高增长定义的只有80个，因此名单内高增长比例约为30.77%。信号使本例比例从全体的10%提高到约30.77%，有信息价值，却远不是80%。
这里的关键不是筛选方法好还是坏，而是别把两个方向的问题倒过来。“在高增长对象里有标记”与“在有标记对象里高增长”，各自的分母不同。条件概率就是在指定条件成立的那一群对象中，重新计算事件比例。[1]
为什么错误标记这么多？因为非高增长对象的起点数量是900，即使它们只有20%被标记，也会产生180个，超过80个真正高增长对象。原本少见的事，不能只靠一个听起来很高的识别率就变成多数。
这些比例在给定资料中能准确计算。若想把它们用于未来公司，还必须假设参考群体与筛选表现具有相应可迁移性，并考虑估计误差。数学正确不会自动替我们证明这些条件。
新证据改变判断，幅度要有理由
从未看标记时的10%，到有标记条件下约30.77%，展示了更新的直觉：先有一个起点，再看新证据在不同结果下分别多常见，然后调整判断。贝叶斯定理把这些条件概率联系起来；本篇只要求能用人数重建过程。[1]
再看到一篇转述同一标记的新闻，不能把它当作第二次独立筛选，再按同样幅度提高判断。新增材料是否带来独立信息，必须先追溯来源；这一点与上一章的转载核验相连。
如果新证据显示原收入数字包含一次并购，更新方向还取决于研究对象。你预测的是披露总收入增长，还是原有业务增长？不能原先说前者，看到不利资料后悄悄改成后者，再宣称预测一直正确。
真实投资中，我们往往没有这样完整的四格人数。此时可以写“依据相似公司记录，先以某一范围作为工作判断”，再列出上下调理由；也可以写资料不足，暂不给数。不要让AI为缺失的命中率和误报率补一个看似合理的值。
主观概率是对不确定事件的判断表达，历史频率是某个样本里观察到的比例。两者可以相互支持，但不能只因它们都写成百分数，就把主观判断包装成已经测量的客观频率。
给判断写上可以结算的日期
先准备三条空记录，暂不填结果：第一，松溪公司下一完整财年收入是否增长超过20%；第二，青石公司指定新产品是否在2027年6月30日前开始商业销售；第三，北岸公司下一份完整年度报告的经营现金流是否为正。名称和事件均为虚构教学任务。
每条都要写下今天能用的材料、判断或范围、截止时间，以及之后用哪份文件判定结果。松溪的增长需明确财年和收入范围；青石的商业销售不能在事后改成内部测试；北岸的现金流必须区别于利润。事件定义先固定，结果才有地方落下。
如果没有输入，不必为三家公司凭空给出70%、60%、80%。可以先记录“缺同口径收入”“缺商业销售定义”“缺现金流资料”，并列出下一份材料。能够识别尚不能估计什么，也是这份预测日志的有效产出。
假设后来拿到了资料，你对松溪写下60%的工作判断，又因同口径订单证据上调到70%。原60%及其时间仍要保留，另加更新理由与资料日期。结果公布以后再把首版改成70%，会让复盘失去意义。
预测某个业务事件与决定买股票也要分开。即使高增长更可能发生，市场价格也可能已经包含更乐观的期待；增长还可能伴随大额投入或股数增加。概率描述某一事件的判断，没有单独给出买入价格、损失幅度和家庭资金边界。
预测70%，失败一次算错了吗
假设松溪最终未达增长门槛。一个70%的预测本就保留30%的未发生可能；失败一次不能直接证明概率无效。反过来，预测10%的事件发生一次，也不自动证明你原来估计正确或错误。
要讨论校准，需要积累许多事前记录，看那些被赋予相近概率的事件，实际发生比例是否大致相符。英国气象局用可靠性图把预测概率分组，与相应组的实际频率比较。[2] 将这种记录思想用于投资研究是本书的教学迁移，不是金融预测能力已被气象方法证明。
如果一组事前都报70%的100次预测，事后有70次发生，这一组的观察比例与报告概率相符。但只有三次记录，就算恰好两次发生，也不足以宣称校准良好。样本相关、问题难度和环境变化，还会影响你能从记录得出多少结论。
校准也不是全部。如果某类事件通常发生10%，每次都报10%，长期比例可能对得上，却未必帮助识别哪个具体对象更值得关注。还要比较是否比合理的基础概率参照多提供了信息，及这些信息能否改善实际决定。
因此，复盘不要只数“猜对几次”。保留未完成与失败预测，区分当时依据不足、模型不适用、事件定义有误与正常的不确定结果。结果揭晓后每件事都显得理所当然，日志能帮你找回当时真正知道多少。
一个数不够，就写情景与范围
如果需要判断下一年收入，可以列出低、中、高三种经营情景，分别说明销量、价格或扩张条件。情景不是自动带概率的三个未来，不能因为有三行，就擅自给每行三分之一。
“预计收入在900万至1100万”也还缺一句：这是工作情景范围，还是按某种方法得到的概率区间？没有模型或判断依据，不要给普通情景加上“95%置信”标签。点预测、情景范围和概率区间是不同表达，各自都需要说明含义。
当商业模式发生重大变化，旧参考群体可能失去意义。与其给旧比例再添两位小数，不如先重新界定问题，记录哪些过去经验仍可用、哪些暂时无法量化。谨慎不等于永远写50%，而是让确定程度随证据改变。
先自己数分母
解释题：为什么80除以100正确，却不能回答被标记公司中有多少后来高增长？应用题：如果有人只给出“抓到80%赢家”，还缺哪些信息才能评价名单质量？先写下答案，再继续。
第一题中，100是已知高增长组的规模；实际名单还包含180个非高增长对象，应改用260作分母。第二题至少需要基础群体中事件有多常见，以及非目标对象有多少也被标记，还应核查定义、时期和样本选择。单给一个“准确率”尤其不够，要问它具体怎么计算。
换一个候选池
另一个独立的合成候选池有1000个对象，其中400个后来满足同一高增长定义。假设筛选规则仍能标记高增长组的80%，非高增长组的20%也被标记。请先数两类标记，再计算名单内的高增长比例；能否沿用30.77%？
高增长组400个中有320个被标记；非高增长组600个中有120个被标记。名单合计440个，高增长占320除以440，约72.73%。不能沿用原比例，因为基础概率从10%变成40%，即使两组内的标记率没变，名单构成也会改变。
这仍只是条件给齐的演算，不证明方法能在真实新市场保持两组内相同表现。若数据表只给赢家一列，先补齐另一列，再谈更新；不要用比较好看的结果替代缺失输入。
保存三条能复查的预测记录
沿用松溪、青石和北岸三个任务，或选择自己关心的三个明确事件。为每条留下原始定义、判断日期、信息截止时间、来源、参考群体、主观判断或资料不足、上下调理由、判定期限与结果来源。现在先存第一版，不等结果公布再补写。
后续每次更新新增一行，保留旧值。事件到期后按原定义记录发生、未发生或尚不能判定，说明资料缺口；不能把“没有数据”随意归到失败或成功。再比较概率相近的记录，需要哪些样本和分组才能有意义。
自检两件事：别人能否用相同资料理解你为何给出这个判断？新证据能否改变它，同时仍让人看见原判断？如果日志只有结论，没有时间、定义和更新过程，就还无法支持可靠复盘。
小结：把把握留在证据能够承受的位置
先固定事件、期限和参考群体，再看分母。筛选在赢家中出现得多，不等于筛选名单大多是赢家；基础概率和错误标记的规模都参与最终判断。
收到新信息时，检查它是否独立、是否改变原事件，然后有理由地更新并保存旧版。单次成败不足以证明校准，概率也不能独自决定仓位。缺数据时把缺口写清楚，才能让下一步研究真正减少不确定性。
参考资料
- Stanford Encyclopedia of Philosophy：Bayes’ Theorem，第1节。条件概率与正反条件的区别；本文人数和商业事件为原创合成资料。
- 英国气象局：Reliability and Sharpness Diagrams。按概率分组比较实际频率及预测信息量；不将气象样本结论推广为金融实证。
资料核查日期2026-10-29。本文由AI辅助起草与算术检查，尚待人类金融审校和目标读者试读。