- 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。 因为肥尾的存在，每次抽样的矩估计都不准确，所以高矩量将不再有参考意义或者压根就不存在。 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AustinDatabases
PostgreSQL KILL -9 用户连接进程 ， OMG 胆真肥
在数据库的服务器上通过linux 命令来将postgresql 杀死 例如 kill -9 xxxx,这样做到底会对postgresql 产生什么影响，不少人都曾经这样干过，为什么说这样做，糟糕透了。 并且对临时产生的文件不清理 4 term 这个命令就是就是我们熟悉的 kill 命令 5 hup 重新初始化线程的命令 6 用户调用定义 下面我们做一个test ， 看看我们要是kill -9 （问题答案将在文末给出） 那么我们翻过来的看一下，在kill -9 一个用户连接的process后会发生什么 1 用户的连接process 被kill -9 干掉2 2 终止任何其他活跃的服务器进程 24, got 0 redo done at 5/1C0000D0 database system is ready to accept connections OK 到这里你还敢随便 kill -9 （见上图） 所以你还在天天的kill -9 用户的process ，建议你住手。
1.5K20发布于 2019-12-17 - 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
一个被遗忘的问题 2008年9月29日，道琼斯单日暴跌778点，跌幅7%。 按照正态分布假设，这种级别的暴跌，概率约为 10^-158。 什么概念？宇宙年龄约 1.4 × 10^10 年。 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。 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。 如图3-9所示。 ? 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VRPinea
Enhance Games公布《俄罗斯方块效应》发售日为今年11月9日
《俄罗斯方块效应》将于2018年11月9日星期五，在PlayStation 4上发布。 正文共 1095 字 2 图；预计阅读时间 3 分钟 Enhance Games的某位开发者在Twitter上透露，《俄罗斯方块效应》将于2018年11月9日星期五，在PlayStation 4上发布。 《俄罗斯方块效应》除了包含《俄罗斯方块》的经典玩法以外，还在原版的操作上加入了各种各样绚丽的特效。除此以外，该游戏加入了30多个充满各种不同特色的关卡，以供玩家挑战。 据了解，《俄罗斯方块效应》在此前系列中都有的马拉松模式、短线关卡以及超级模式之外，还将加入各种新玩法，并提供难易度调整。不仅如此，该游戏还增加了一些节奏游戏元素。 正如Enhance Games的VR制作人Mark Macdonald说道：“有一种现象叫作‘俄罗斯方块效应’，就是当一个人玩《俄罗斯方块》玩多了以后，即使在睡觉的时候还会在眼前看到方块掉落。
55220发布于 2018-10-19 - 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6：分享信息，主要指推荐信息，用户评论，用户打分，商品信息，厂家信息等 法则7：考虑“和”，不要考虑“或”，从而产生产品的多样性 法则8：让市场替你做事，让市场来评测，让市场来选择 法则9： 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。 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
【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 - 来自专栏用户3246163的专栏
4.1 市场风险
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
3.8K40发布于 2018-09-14 - 来自专栏Devops专栏
python 面向对象基础语法
.: In [8]: tom = Cat() In [9]: tom.drink() ------------------------------------------------------- -------- AttributeError Traceback (most recent call last) <ipython-input-9- call last) <ipython-input-10-2c4e517d4867> in <module>() ----> 1 tom.eat() <ipython-input-7-5e70b89cbd9e self.nick) ...: In [17]: libai = DeadFatBoy() 这是一个死肥仔类 In [18]: libai.eat() 死肥仔一名 爱宅 In [19]: In [19]: renfei = DeadFatBoy() 这是一个死肥仔类 In [20]: renfei.eat() 死肥仔一名 爱宅 In [21]: 4.4 改造初始化方法 ——
73630发布于 2019-06-02 - 来自专栏雨临Lewis的博客
StringUtils.split()和string.split()的区别
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 public class Test { public static void main (final String[] args) { final String str = "老肥,老肥;是个,逗比"; final String seperator = "; 老肥 是个 逗比 ############分割线########### 老肥,老肥;是个,逗比 StringUtils.split()和string.split()的区别 StringUtils.split 最后附上StringUtils.split()的部分底层实现： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 //standard case ++i; continue; } lastMatch = false; match = true; i++; } 警告 本文最后更新于 April 9,
2.9K20编辑于 2022-01-12 - 来自专栏育种数据分析之放飞自我
栾生老师 || 线性混合效应模型教程
2 引子：线性混合效应模型可以做什么 我们从一个简单的问题开始。对虾是有性别的，分雌雄。如果你对对虾没有任何了解，你可能会想知道，雄虾和雌虾的体重差别大吗？我们测定了4282尾虾的体重。 ” 3 线性混合效应模型简介 模型1 表示一尾虾的体重由性别和随机误差决定。其中Sex作为固定效应，ε作为随机效应。后者表示所有影响体重的不可测量的效应总和，是随机和不可控制的。 从数据中我们发现，一尾虾的体重还受它所在的测试池和所在家系的影响。因此，这两个效应也需要放到模型中。模型进一步变为： 模型2 模型3 新加入的两个变量，Tank和Family，如果都作为固定效应。 图5 我们根据模型5来预测一尾雄虾的体重,假定它的混养前体重为5g，那么它的混养后体重为26.0340769g。 ? 4.3 包括交互效应的线性模型 模型已经变的越来越复杂了。 我们看一下，基于模型9（不包括家系的随机效应），预测四个群体家系的性能，如下图所示：你会发现，每个群体中特别大的家系效应，已经被剔除掉了。
9.1K97发布于 2020-02-14
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