- 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 但塔勒布指出，如果底层分布是肥尾，它们相加后依然是肥尾，根本无法通过简单叠加来消灭极端风险。AI创业启示：如果你同时做了5个高度依赖某一家闭源大模型API的应用，不要以为这叫“多元化产品线组合”。 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）。 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。 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。 如果一个统计指标并不能随着分布的变化而改变的化，就不能称之为稳健指标。 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 - 来自专栏同步文章1234
【剑指offer|4.从尾到头打印单链表】
0.从尾到头打印单链表 单链表：一般给的都是无头节点的 另外：在面试中，如果我们打算修改输入的数据，则最好问一下面试官是不是允许修改 下面这种先把链表节点的值按链表序放到数组中，然后来一个算法库中的
39340编辑于 2023-04-09 - 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EdisonTalk
剑指Offer面试题：4.从尾到头打印链表
一、题目：从尾到头打印链表 题目：输入一个链表的头结点，从尾到头反过来打印出每个结点的值。 ? 到解决这个问题肯定要遍历链表。遍历的顺序是从头到尾的顺序，可输出的顺序却是从尾到头。 ，最后使用递归版从尾到头打印链表。 （2）正常的多元素链表 // 1->2->3->4->5 static void PrintTest1() { Console.WriteLine("TestCase1 linkedList.Add(1); linkedList.Add(2); linkedList.Add(3); linkedList.Add(4) SingleLinkedList<int>(); linkedList.Add(1); PrintTestPortal(linkedList.Head); } （4）
66740发布于 2018-08-20 - 来自专栏域名资讯
同一卖家秒下三枚“CP”尾4声域名
[图片] 很显然，上面这三枚4声母均是“CP”结尾的类型，gncp.com有“功能CP、功能产品、公牛产品、工农产品”等含义；rtcp.com有“日淘产品、乳糖产品、人头产品”等含义；rlco.com
1K00发布于 2017-12-25 - 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- 来自专栏拓端tecdat
R语言LME4混合效应模型研究教师的受欢迎程度
安装R软件包 lme4，和 lmerTest。 步骤1：设定 如果尚未安装所有下面提到的软件包，则可以通过命令安装它们 install.packages("NAMEOFPACKAGE")。 library(lme4) # for the analysislibrary(haven) # to load the SPSS .sav filelibrary(tidyverse) # needed 1 [girl] 24 5.3## 4 4 1 3 1 [girl] 24 4.7## 5 5 1 5 1 [girl 它检查如果删除了某种随机效应（正式称为似然比检验），则模型是否变得明显更差，如果不是这种情况，则随机效应不显着。 除了残差是正态分布的之外，多级模型还假设，对于不同的随机效应，残差的方差在组（类）之间是相等的。确实存在跨组的正态性和方差相等性的统计检验，但是本教程仅限于视觉检查。
1.5K10发布于 2020-08-10 - 来自专栏拓端tecdat
R语言LME4混合效应模型研究教师的受欢迎程度
安装R软件包 lme4，和 lmerTest。 步骤1：设定 如果尚未安装所有下面提到的软件包，则可以通过命令安装它们 install.packages("NAMEOFPACKAGE")。 library(lme4) # 用于分析 library(haven) # 加载SPSS .sav文件 library(tidyverse) # 数据处理所需。 1 [girl] 24 5.3 ## 4 4 1 3 1 [girl] 24 4.7 ## 5 5 1 5 1 [girl 然而，没有给出对随机效应的显着性检验，但是，可变性别的斜率的误差项（方差）估计很小（0.0024）。这可能意味着类别之间的SEX变量没有斜率变化，因此可以从下一次分析中删除随机斜率估计。 它检查如果删除了某种随机效应（称为似然比检验），则模型是否变得明显更差，如果不是这种情况，则随机效应不显着。
1.5K20发布于 2021-01-28 - 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。 二、短视频营销面临的问题 尽管短视频具备传统营销无法比拟的优势，但这并不意味着品牌主在策划短视频营销时就没有困境了，目前，品牌布局短视频营销仍面临4大问题。 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。 4、和用户玩在一起 有了硬广实现广而告之，又有KOL带动热度，接下来怎样引发全民参与，加强用户互动呢？ “端着的品牌，很难得到消费者的喜爱”。 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。 法则1：让存货集中或分散 法则2：让顾客参与生产，即众包（crowdsourcing） 法则3：一种传播途径并不适合所有人 法则4：一种产品并不适合所有人 法则5：一种价格并不适合所有人 法则 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 - 来自专栏拓端tecdat
R语言LME4混合效应模型研究教师的受欢迎程度|附代码数据
1 \[girl\] 24 5.3## 4 4 1 3 1 \[girl\] 24 4.7## 5 5 1 5 1 \ 本文选自《R语言LME4混合效应模型研究教师的受欢迎程度》。本文中的受欢迎数据分享到会员群，扫描下面二维码即可加群！ 、分层线性模型HLM、混合效应模型研究教师的受欢迎程度R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model分析藻类数据实例R语言混合线性模型、多层次模型、 回归模型分析学生平均成绩GPA和可视化R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例 mixed effect modelR语言LME4混合效应模型研究教师的受欢迎程度R语言 线性混合效应模型实战案例R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）R语言基于
1.2K30编辑于 2022-10-31 - 来自专栏拓端tecdat
R语言LME4混合效应模型研究教师的受欢迎程度|附代码数据
1 [girl] 24 5.3## 4 4 1 3 1 [girl] 24 4.7## 5 5 1 5 1 [girl 本文选自《R语言LME4混合效应模型研究教师的受欢迎程度》。 、分层线性模型HLM、混合效应模型研究教师的受欢迎程度R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model分析藻类数据实例R语言混合线性模型、多层次模型、 回归模型分析学生平均成绩GPA和可视化R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例 mixed effect modelR语言LME4混合效应模型研究教师的受欢迎程度R语言 线性混合效应模型实战案例R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）R语言基于
1.5K10编辑于 2023-02-02 - 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。
1K10编辑于 2022-11-15
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