- 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》
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”。 一旦基座模型本身发生变动或封禁，这5个项目的极端风险会同时爆发，组合投资无法消灭底层肥尾风险。 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！
今年5月塔勒布还在Twitter上和AQR的Cliff相互Diss ，大概是： AQR 发布了两篇有问题的报告，声称用期权来对冲尾部风险的做法很“贵”，不管用（理论上）然后他们却没有告诉大家： 1、他们自己的风险溢价 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？ 所以，经验分布遇到肥尾就不再有效。 5、线性最小二乘法回归也不起作用，因为 Gauss-Markov 定理的失败（根据该定理，普通最小二乘法估计量在一定条件下是最佳的线性无偏估计）。 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 - 来自专栏用代码征服天下
剑指offer（5）——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。 int val; ListNode next = null; ListNode(int val) { this.val = val; } } 思路： 从尾到头 所以本题我们可以考虑用栈来解决 想到栈的同时我们也应该联想到递归 代码： 1 import java.util.Stack; 2 3 import org.junit.jupiter.api.Test; 4 5 = new ListNode(5); 53 ListNode1.next=ListNode2; 54 ListNode2.next=ListNode3; 55 ListNode3.next=ListNode4; 56 ListNode4.next=ListNode5; 57 System.out.println("采用栈：");
43020发布于 2019-09-11 - 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
但主要市场的超额峰度普遍在5-12之间。 这意味着什么？ 意味着极端事件的发生概率，被正态分布系统性低估了。峰值更高、尾部更厚——这就是著名的肥尾现象（Fat Tail）。 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 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 - 来自专栏程序员千羽
剑指offer | 面试题5：从尾到头打印链表
从尾到头打印链表 “Leetcode:https://leetcode-cn.com/problems/cong-wei-dao-tou-da-yin-lian-biao-lcof/ “GitHub:https main/algo-notes/src/main/java/com/nateshao/sword_offer/topic_05_reversePrint/Solution.java 输入一个链表的头节点，从尾到头反过来返回每个节点的值
35210编辑于 2021-12-29 - 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。 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。 5、注重产品功能设计 品牌在宣传某一产品的短视频时，要注意产品功能的全面介绍。 6、了解平台调性 除了上述的5点，了解不同平台的调性也是非常重要。 随着5G普及，短视频逐渐发展为现代人生活中不可分割的一部分，也为品牌创造了营销新机会。
1.5K00发布于 2020-04-07 - 来自专栏大白技术控的技术自留地
C++版 - 剑指offer 面试题5：从尾到头打印链表 题解
-面试题5：从尾到头打印链表 提交网址： http://www.nowcoder.com/practice/d0267f7f55b3412ba93bd35cfa8e8035? tpId=13&tqId=11156 本题知识点： 链表 题目描述 输入一个链表，从尾到头打印链表每个节点的值。
52220发布于 2019-03-05 - 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。 returns = (pm.get_data("SP500")) returns[:5] 正如你所看到的，波动性似乎随着时间的推移有很大的变化，但集中在某些时间段。
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。 returns = (pm.get_data("SP500")) returns[:5] 正如你所看到的，波动性似乎随着时间的推移有很大的变化，但集中在某些时间段。
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。 returns = (pm.get_data("SP500")) returns[:5] 正如你所看到的，波动性似乎随着时间的推移有很大的变化，但集中在某些时间段。
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。 returns = (pm.get_data("SP500")) returns[:5] 正如你所看到的，波动性似乎随着时间的推移有很大的变化，但集中在某些时间段。
69420编辑于 2023-04-12 - 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。 returns = (pm.get_data("SP500"))returns[:5]正如你所看到的，波动性似乎随着时间的推移有很大的变化，但集中在某些时间段。
1K10编辑于 2022-11-15 - 来自专栏用户3246163的专栏
4.1 市场风险
VaR基本概念和计算 1.VaR的实际含义： daily 5% VaR as $1000: 有5%的概率一天的损失大于¥1000 2.mean=0，方差算VaR ? 3.mean! 肥尾，斜度等分布的问题都不需要考虑 3. MDE(多变量密度估计)允许权重变化很大， 4. correlated scenario可以定位多个risk factor 缺点：有时不能产生精准的预测，增加模拟数量也不能提高预测 Stress Testing, 使用历史数据对相关性加压来建模传染性效应 measure is deceptive for various reasons 51.8 描述correlation breakdown对scenario analysis的影响 金融危机导致分散性收益由于传染效应 标准差无法准确度量风险， 无法度量获得不良收益的概率 52.3 定义VaR，描述收益分布的假设，解释VaR的限制 daily 5% VaR is $1000: 有5%的概率一天的损失大于¥1000 1.
3.8K40发布于 2018-09-14 - 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。 显著性，效应量。 热力熵，信息熵，统计熵。 RR，AR，OR，HR。 中心极限定理，大数定理，大偏差理论。 一般线性模型，广义线性模型，广义可加模型。 期望的概率函数，函数的期望回报。 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
64420编辑于 2023-04-27 - 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。 ("{}", cap_stats); // 5. 交叉分析 let cross_stats = cross_group_analysis(&df)?; println!
16610编辑于 2026-04-23 - 来自专栏钱塘小甲子的博客
FRM 数量分析笔记之概率分布
5、正态分布 接下来登场的是主角，正态分布了。这个分布的重要性就不要多说了，大多数分布，取个极限什么的，最后都会变成正态分布。 当然，这里都是双尾的，如果是单尾，那么就有1.65对应95%，1.96对应97.5% 6、t-分布 有一个和正态分布很像的分布，t-分布。为什么要有这个分布，这就得在后面说了。 我们只要把他当做正态分布的扁平修正体就可以了，用法和正态分布一模一样，形状也差不多，只是没有那么尖，而且尾肥。
1.7K30发布于 2019-01-29
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