- 综合排序
- 最热优先
- 最新优先
AI时代的创业选择——解读塔勒布的《肥尾效应》
要看清AI时代的创业生存法则，我们需要借助跨界思想家纳西姆·尼古拉斯·塔勒布（NassimNicholasTaleb）在其硬核数学著作《肥尾效应》（StatisticalConsequencesofFatTails 二、关键数学基础：肥尾语境下的底层逻辑为了在AI时代活得更久，创业者必须理解《肥尾效应》中几个极其关键的数学概念在极端世界中的表现形式：1.大数定律的失效与减慢(LawofLargeNumbers)在正态分布下 三、肥尾思维下的AI创业生存法则：凸性选择权既然AI时代无法预测，那创业者该如何做出选择？塔勒布在《肥尾效应》以及前作《反脆弱》《非对称风险》中给出了最终的解：构建凸性选择权（Convexity）。 极度投机端（捕捉红利）：拨出10%~20%的核心精力和资源，进行大量、高频、低成本的颠覆性创新尝试（如基于新架构的Agent探索、探索全新人机交互形态的LUI实验）。 去积极捕捉由于肥尾效应带来的、远超常人想象的爆发式红利。结语：从“预测未来”到“改变架构”《肥尾效应》用严谨的数学框架向我们证明了：在极端世界里，试图通过精准预测未来来制定战略，无异于在沙滩上建城堡。
14710编辑于 2026-06-25- 来自专栏量化投资与机器学习
塔神：不可忽视的肥尾分布！
这就是肥尾分布，具体如下图： 对于非肥尾的分布，两个3倍标准差事件发生的概率要显著的大于一个6倍标准差事件发生的概率。 相反，对于肥尾分布，远离分布中心的极端事件扮演着非常重要的角色，破产更可能来自一个单一的极端事件，而不是一系列的坏事件。黑天鹅并不是更为常见，但它们产生的结果更为严重。 肥尾带来的后果是什么？ 下面的图表显示，要使平均值稳定，需要在一个肥尾分布下(下图)进行更多的观测。 从下图可知，历史波动对未来损失并没有预测性，很多基金的损失超过了10个标准差。 4、稳健（Robust）的统计指标将不在稳健，经验分布也不能完全反应足够了经验信息。 9、并不存在一个所谓的大的方差，因为肥尾的存在，方差的大小很难定义，特别当肥尾分布很严重时，很难说存在一个确定的范围。 10、动态对冲将不能对冲掉期权的风险。 如何处理肥尾？
2K10发布于 2020-12-08 - 来自专栏量化投资与机器学习
10年可视化：A股春节效应
dis_k=5a65b99f602285d6754c15f229f7fb9b&dis_t=1582190742 由于各国数据公布时间不一致，最新到2018年 春节效应 春节效应就是专门针对春节的一种月份效应 A股春节效应 综合各大研究报告，我们引用兴业金工定义的“春节月”：即包含春节假期在内的4周时间，即春节休市前的5个交易日和春节开市后的10个交易日。 春节前后10个交易日上涨概率较大，其中节后上涨概率近九成。 ? 从2010年至2019年，沪深300指数在春节前后各时间段内的平均涨幅均超过1%。 ? 就中小板指而言，节前5日的收益整体上要优于节前10日收益，说明越临近春节，表现越好，春节效应越显著；节后10日收益要优于节前5日收益，说明节后效应持续时间较长。 ? 创业板指节后平均涨幅大于节前，且在春节前5个交易日和春节后10个交易日内上涨概率超过80%。
71710发布于 2020-02-20 - 来自专栏Rust
Rust 量化统计实战系列 第 4 篇：随机变量与概率分布 · 生成、拟合与金融分布检验
t 分布：捕捉肥尾 核心参数是自由度 ν（nu）： • ν → ∞ 时，退化为正态分布 • ν = 30 以上，与正态几乎无差别 • ν = 5-10，典型金融数据 • ν < 3，极端肥尾 A股日收益率拟合出的 分布检验：从直觉到统计 描述性统计 第一步永远是算出四个数字： • 均值、标准差：位置和离散 • 偏度：是否对称 • 峰度：是否肥尾 偏度 < -0.1：左偏，暴跌更常见 峰度 > 5：显著肥尾 KS 左端下弯 左尾比理论更肥 两端同时偏离 整体肥尾 A股日收益率的QQ图，两端同时飞出——标准肥尾。 但有一个重要性质：拟合出的自由度ν直接告诉你肥尾程度。 • ν > 30：接近正态 • ν = 5-10：典型金融数据 • ν < 5：极端肥尾 对VaR的实际影响 理论讲完了，实际影响有多大？ 正态分布是基准，不是真相——金融数据几乎总是肥尾的 2. t分布的自由度ν是肥尾的度量——ν < 5 就要高度警惕 3. 分布假设直接影响风险指标——VaR可能被低估10%以上 三个实践工具： 1.
31010编辑于 2026-04-23 - 来自专栏数据科学实战
长期活跃于期货市场的Aberration
核心原因是因为价格收益率的波动情况是类似于正态分布的，或者说是在正态分布的基础上的，偏峰肥尾。如图3-7所示。 肥尾说明了数据的分布在概率密度函数图像上的左右两侧较远的地方更多，肥尾分布大部分对应尖峰，也就是峰态系数较高。 （2）偏峰意味着这个山峰不仅是高耸的，而且是有偏向的，其均值并不等于0。 但是价格收益率分布和正态分布略有不同，以中证500指数为例，历史每日涨跌幅（百分比）分布情况，左侧明显肥尾，整体峰度偏向右侧。 虽然这样做胜率较低，但是价格显然是肥尾分布的，价格波动不回复（形成趋势）的概率比正态分布更大，且任意一次肥尾，都能够带来较大的利润。 此时如果继续使用布林带回复性交易规则，则会因为价格的肥尾效应带来较大亏损。 所以对于这些运动，应该有效地进行趋势追踪，特别是中长线趋势追踪。
3.9K30发布于 2020-05-07 做成大事的秘诀：慢思考、快行动
还有一些分布被称为“肥尾分布”，因为与正态分布相比，它们的尾部包含了更多的极端结果。例如，财富分布就是一种肥尾分布。在我撰写本书时，全世界最富有的人所拥有的财富是普通人的3134707倍。 因此，至关重要的一个问题是：项目的结果服从正态分布，还是肥尾分布呢？根据我的数据库，信息技术项目确实存在肥尾现象。 因此，信息技术项目服从真正的肥尾分布！核废料储存项目也存在肥尾现象，奥运会也是，核电站和大型水电站也是如此。 机场、国防工程、大型建筑、航空航天工程、隧道、采矿工程、高速铁路、城市铁路、常规铁路、桥梁、石油工程、天然气工程和水利工程……这些项目的结果也都遵从肥尾分布。事实上，大多数项目类型都存在肥尾现象。 请不要掉以轻心，我所搜集到的数据显示，即便是相当小的项目也很容易受到肥尾分布的影响。此外，在各种各样的复杂系统中，肥尾分布比正态分布更具有代表性，这一点无论是在自然界中还是在人类社会中都是一样的。
44620编辑于 2024-10-28- 来自专栏一个会写诗的程序员的博客
关于“长尾理论”（The Long Tail）
v=0Yku0GTrcuw 长尾效应 长尾效应，英文名称Long Tail Effect。“头”（head）和“尾”（tail）是两个统计学名词。 正态曲线中间的突起部分叫“头”；两边相对平缓的部分叫“尾”。 长尾效应的根本就是强调“个性化”，“客户力量”和“小利润大市场”，也就是要赚很少的钱，但是要赚很多人的钱。 要将市场细分到很细很小的时候，然后就会发现这些细小市场的累计会带来明显的长尾的效应。 举例来说， 一家大型书店通常可摆放10万本书，但亚马逊网络书店的图书销售额中，有四分之一来自排名10万以后的书籍。这些“冷门”书籍的销售比例正以高速成长，预估未来可占整体书市的一半。 这里，并不是关键客户和主流商品的销售变少了，而是我们原来不在意的“长尾”变得更长了，有点“肥”了，原来“边缘化”的部分占到的份额在增加。
2.5K20发布于 2020-09-18 - 来自专栏活动盒子
短视频营销的关键：数据赋能+多元化玩法
1、“肥尾效应” 与统计学中的解读不同，这里的“肥尾效应”是指短视频的播放量远大于KOL粉丝数。 这源于短视频的基本特征：移动社交性。 但目前各平台在10万+量级以上的KOL已经超过了20万个，在众多的网红中，如何找到最适合自己品牌的KOL，制定正确的媒介组合策略，对于资源和精力有限的广告主来说是一件非常困难的事情。 3、数据监测难 在其他类型的营销推广效果监测中，一般短暂、集中的曝光程度就能基本判定营销活动的最终效果，但对短视频营销来说，往往具有着惊人的“肥尾”流量效应。 信息流打造强曝光 短视频用户具有高黏性、多次反复的使用习惯，通过投开机屏、信息流广告来触达目标受众，打造强曝光，就成了主流品牌的首选，有的品牌会在一次活动中同时选择几个短视频平台的硬广来寻求更大的传播效应 挑战赛活动很容易带动UGC用户的广泛参与，有较强的爆发性和互动性，引发全民参与并带来自来水式的传播，易形成口碑效应。
1.5K00发布于 2020-04-07 - 来自专栏算法与数据之美
Python做一个藏头诗生成器
前几天给大家介绍了有意思的藏头诗，今天我们就用Python来自己根据输入语句实现自动生成藏头藏尾诗吧。 ? 藏头诗生成器的功能主要有生成藏头诗、生成藏尾诗，生成同时藏头并藏尾的诗句，生成句句押韵的藏头诗。 该模块实现的押韵略有不同，每一句的句尾不仅仅是韵母相同，它们的拼音（除了音调）完全相同。 这里引入的是pypinyin模块，将这些藏头诗句做出筛选，选择有相同韵脚的诗句拼接。 ? 藏头且藏尾 这个模块的目标是生成既藏头又藏尾的句子，比如我想生成藏头「老肥」，藏尾「牛逼」，我只需要在所有老字开头的诗句里面找到肥字结尾的诗句，在所有牛字开头的诗句中找到逼字结尾的。
1.7K10发布于 2020-06-02 - 来自专栏拓端tecdat
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享|附代码数据
我们考虑了一些经济解释，并将它们与手头的主题联系起来： 厚尾 现在普遍接受的是，资产收益的经验分布是尖峰的意思（大致），即关于均值的四阶矩大于具有相同方差的正态分布的相同统计量。 这意味着观察到更多的极端回报和更少的中等回报，“尖峰”意味着实际分布中靠近均值的天数更多，“厚尾”表示极端收益率出现的频率高于正态分布的预测，比如出人意料的“黑天鹅事件”。 事实上，肥尾和波动性聚类是同一枚硬币的两个方面。众所周知，分布的混合，例如根据正态分布分布的价格变化，但具有随机方差，可以复制肥尾。 然而，通过直接将基础价格分布建模为具有肥尾，可以同样很好地解释肥尾和波动性聚类。另一个经验事实是波动机制的持续存在，存在高波动期和低波动期，而不仅仅是随机事件。
31100编辑于 2023-06-10 - 来自专栏拓端tecdat
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享|附代码数据
我们考虑了一些经济解释，并将它们与手头的主题联系起来： 厚尾 现在普遍接受的是，资产收益的经验分布是尖峰的意思（大致），即关于均值的四阶矩大于具有相同方差的正态分布的相同统计量。 这意味着观察到更多的极端回报和更少的中等回报，“尖峰”意味着实际分布中靠近均值的天数更多，“厚尾”表示极端收益率出现的频率高于正态分布的预测，比如出人意料的“黑天鹅事件”。 事实上，肥尾和波动性聚类是同一枚硬币的两个方面。众所周知，分布的混合，例如根据正态分布分布的价格变化，但具有随机方差，可以复制肥尾。 然而，通过直接将基础价格分布建模为具有肥尾，可以同样很好地解释肥尾和波动性聚类。另一个经验事实是波动机制的持续存在，存在高波动期和低波动期，而不仅仅是随机事件。
69200编辑于 2023-04-11 - 来自专栏拓端tecdat
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享|附代码数据
我们考虑了一些经济解释，并将它们与手头的主题联系起来： 厚尾 现在普遍接受的是，资产收益的经验分布是尖峰的意思（大致），即关于均值的四阶矩大于具有相同方差的正态分布的相同统计量。 这意味着观察到更多的极端回报和更少的中等回报，“尖峰”意味着实际分布中靠近均值的天数更多，“厚尾”表示极端收益率出现的频率高于正态分布的预测，比如出人意料的“黑天鹅事件”。 事实上，肥尾和波动性聚类是同一枚硬币的两个方面。众所周知，分布的混合，例如根据正态分布分布的价格变化，但具有随机方差，可以复制肥尾。 然而，通过直接将基础价格分布建模为具有肥尾，可以同样很好地解释肥尾和波动性聚类。另一个经验事实是波动机制的持续存在，存在高波动期和低波动期，而不仅仅是随机事件。
67000编辑于 2023-03-17 - 来自专栏拓端tecdat
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享|附代码数据
我们考虑了一些经济解释，并将它们与手头的主题联系起来： 厚尾 现在普遍接受的是，资产收益的经验分布是尖峰的意思（大致），即关于均值的四阶矩大于具有相同方差的正态分布的相同统计量。 这意味着观察到更多的极端回报和更少的中等回报，“尖峰”意味着实际分布中靠近均值的天数更多，“厚尾”表示极端收益率出现的频率高于正态分布的预测，比如出人意料的“黑天鹅事件”。 事实上，肥尾和波动性聚类是同一枚硬币的两个方面。众所周知，分布的混合，例如根据正态分布分布的价格变化，但具有随机方差，可以复制肥尾。 然而，通过直接将基础价格分布建模为具有肥尾，可以同样很好地解释肥尾和波动性聚类。另一个经验事实是波动机制的持续存在，存在高波动期和低波动期，而不仅仅是随机事件。
69420编辑于 2023-04-12 - 来自专栏博文视点Broadview
统计学是博学者的捷径、万物理论的圣杯
现代风险学实践大师塔勒布也喜欢波普尔，并发展出了自成一派的肥尾哲学。 肥尾统计的开拓者、当代令人敬畏的风险管理理论学者 Nassim NicholasTaleb。 人工智能先驱、“贝叶斯网络之父”Judea Pearl。 不管怎么说，“独立思考”都是一个枯燥又空洞的词。 p 值，效应量。 布朗运动，几何布朗运动。 指数族分布，幂律分布，稳定分布。 样本分布，抽样分布，先验分布。 无偏估计，有偏估计。 回归分析，方差分析。 等效性，劣效性，优效性。 本书将分为独立的两个部分： 上篇介绍统计学理论四大派别的思想和主要工具，主要包括从逻辑到统计、频率统计、贝叶斯统计与最大熵、Fisher 统计和肥尾统计； 下篇从工程学、医学、金融学、社会科学、心理学及个人决策等多个角度入手 发布：刘恩惠 审核：陈歆懿 如果喜欢本文欢迎 在看丨留言丨分享至朋友圈 三连< PAST · 往期回顾 > 423世界读书日 | 10本爆款新书，带你稳扎稳打，引领未来！
64420编辑于 2023-04-27 - 来自专栏拓端tecdat
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享|附代码数据
我们考虑了一些经济解释，并将它们与手头的主题联系起来：厚尾 现在普遍接受的是，资产收益的经验分布是尖峰的意思（大致），即关于均值的四阶矩大于具有相同方差的正态分布的相同统计量。 这意味着观察到更多的极端回报和更少的中等回报，“尖峰”意味着实际分布中靠近均值的天数更多，“厚尾”表示极端收益率出现的频率高于正态分布的预测，比如出人意料的“黑天鹅事件”。 事实上，肥尾和波动性聚类是同一枚硬币的两个方面。众所周知，分布的混合，例如根据正态分布分布的价格变化，但具有随机方差，可以复制肥尾。 然而，通过直接将基础价格分布建模为具有肥尾，可以同样很好地解释肥尾和波动性聚类。另一个经验事实是波动机制的持续存在，存在高波动期和低波动期，而不仅仅是随机事件。
1K10编辑于 2022-11-15 - 来自专栏量化投资与机器学习
【HFT系列】高频价格动态策略
高频价格与每日价格 HF return - significantly smaller mean and variance, but sharper peak and fatter tail（肥尾） 代码展示 Quantitative Finance, 10(7), p.761-782. [2] Cartea, A., Jaimungal, S., and Peñalva, J. (2015).
2.6K51发布于 2018-06-22 - 来自专栏LCHub低代码社区
低代码指南100问：10低代码统一开发平台下的聚合效应指的是什么？
低代码统一开发平台下的聚合效应指的是什么？ 低代码尝试将所有与应用开发相关活动都收敛到同一个平台（one platform）上后，将会产生更多方面的聚合效应与规模收益：人员聚合：除了上一点所提到的各职能角色紧密协作以外，人员聚合到统一的低代码开发平台进行作业后
35200编辑于 2023-06-11 - 来自专栏Rust
Rust 量化统计实战系列 第 3 篇：描述性统计 · Polars 一行搞定均值、方差、偏度与分组对比
你有 5000 只股票、10 年的日收益率数据，老板要你 5 分钟内给出：全市场平均收益、各行业差异、大市值 vs 小市值谁更稳。 你还在逐个计算、手动拼接？ 尾巴有多肥？ 偏度和峰度暴露极端事件的概率 这三个问题搞不清，后面所有建模都是空中楼阁。 指标速查表 指标 金融含义 关键判断 均值 平均收益 正值≠赚钱（看分布） 标准差 波动率/风险 越大越不可预测 偏度 不对称性 负偏=暴跌概率更大 峰度 极端值概率 >3 = 肥尾（黑天鹅温床） Sharpe 肥尾确认。这不是异常值——这是金融市场的常态。 分组对比：行业 × 市值的交叉分析 全市场统计是地基，分组对比才是楼房。
16610编辑于 2026-04-23 - 来自专栏实验盒
CVPR 2014｜ BioCLIP：生命之树的视觉基础模型
文章还创建了 TreeOfLife-10M 生物图像数据集，代码和数据集均已开源。 摘要 文章指出，自然世界图像的收集变得越来越普遍，这些图像是生物信息的重要来源。 数据集 模型的训练离不开一个庞大且多样化的数据集：TREEOFLIFE-10M。文章介绍了 TREEOFLIFE-10M 数据集的创建过程，包括图像和元数据的聚合。 文章总结 作者介绍了 TREEOFLIFE-10M 和 BioCLIP，并展示了 BioCLIP 在生物学细粒度分类任务中的表现。 真实案例测试 Github 中提供了一个 demo，我在 demo 中上传了一张自己的肥尾守宫（Hemitheconyx caudicinctus）照片，可惜因为太过小众没识别成功。 Demo 识别出的概率最大的豹纹守宫（Eublepharis macularius，Leopard gecko）与肥尾守宫很相似，但也有一些比较显著的差别。
90710编辑于 2024-06-05 - 来自专栏日常撸知识
python scipy.stats计算单样本假设检验(1 sample test)
返回的第一个值t是假设检验计算出的t值 第二个值是p是双尾检验p值。因为scipcy计算出的是双尾检验的t值和p值，如果要求左尾检验， 根据对称性，双尾检验的的p值对应单尾的2倍。''' :假设检验如果是显著的，那么有必要报告自变量效应量大小。 #效应量判断：结果取绝对值：0.20 小的效应，0.50中等效应，0.80高的效应 #如果结果不具有统计显著性，并且还需要继续进行决策的话，那么需要计算功效。 #效应量（effect size）：样本间差异或相关程度的量化指标. Cohen's d std=dataSer.std() d=(mean-pop_mean)/std #相关度指标 #样本大小 n=10 #自由度 df=n-1 r2=(t*t)/(t*t+df) print
2.7K10发布于 2020-08-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号