【從賽局思考到趨勢預測，全方位實戰課套書】(勝算：賭的科學與決策智慧+傳染力法則：網紅、股災到疾病，趨勢如何崛起與消長)

▎《勝算：賭的科學與決策智慧》
▎前言 
數學家理查・愛普斯坦說：「賭徒可說是機率理論的乾爹。」其實不只是機率，長久以來，各領域的頂尖頭腦都深受博奕吸引，他們不斷挑戰預測的極限，探究秩序與混沌的界限，以揭曉「機會」背後的學問。從賽局理論、混沌理論、統計學、心理學、物理學、經濟學乃至人工智慧，都因「賭」而拓展了探索的疆界。了解賭的科學，你能學會洞察普遍存在的判斷盲點，更睿智地權衡風險與報酬，從而做出優質決策，控制運氣的影響。
 
▎第一章　三種程度的無知　
輪盤的小球最終落在哪一格，是隨機的嗎？數學家亨利・龐卡赫認為，這類事件看似隨機，是因為我們不知道成因；他建議我們依照對問題的無知程度來分類問題。龐卡赫還主張，簡單的物理過程可以簡化到表面看來像是隨機——這個想法構成七十年後混沌理論的重要部分。卡爾・皮爾森仰賴統計學，藉由找出數據的重覆型態，來預測球會落在哪。資訊理論先驅克勞德・夏農與後來成為「計量金融之父」的愛德華．索普則發明史上第一具穿戴式電腦，帶到賭場蒐集資料、即時預測小球的落點。輪盤贏錢策略的演進，反映出機率科學近一世紀來的發展……
 
▎第二章　靠蠻力賺錢的事業　
怎麼做才能讓某樣東西分布得既隨機又均衡？創立現代統計學的隆納德‧費雪研究怎麼在廣大農地上灑農藥時，面臨這個問題。今日的彩券業者設法限制中獎彩券的數量，以及避免中獎彩券過度集中時，也面臨類似挑戰。包牌買彩券要贏錢，前提是什麼？投注彩券時，你的競爭對手除了莊家，還有誰？麻省理工學院的投注團隊，比競爭對手多了解了什麼，而抱得大獎歸？這一章介紹賭徒們怎麼破解美國歷來的各種彩券，以及彩券要仰賴多大的「蠻力」……
 
▎第三章　從洛沙拉摩斯國家實驗室，到蒙地卡羅賭場
愛德華．索普靠著算牌狂贏「廿一點」，賭場改成用六副牌擾亂算牌客，為何效果適得其反？賭場最後索性見到專業算牌客便擋在門外，但賭香港賽馬可不用露臉。在這裡你會認識冷門偏誤、迴歸分析，了解用分析過的賽事數據來檢驗預測，其實不是好方法。奧坎剃刀原理則教你，為何選擇最簡單的解釋反而明智（想建立某真實過程的模型，就該排除不必要特徵）。研究氫彈的數學家，對於預測賭馬結果有何啟發？投資領域的「基本分析法」要注意什麼盲點？機會賽局中常見的「馬可夫鏈」，如何有助於尋找隱含資訊？為何一味求進展往往找不出最佳解決方法，最快的解方有時會像在走回頭路？教人拿捏投資資金比例的「凱利準則」，用於賽馬時又有什麼弱點？
 
▎第四章　博士行家
用來預測洪水、地震、森林大火和保險損失的「極值理論」，如何跨進運動賽事？研究放射性衰變與大腦神經元活動的「卜瓦松過程」，在預測足球比賽時能起什麼作用？人性偏誤會導致我們誤判賽事的哪些方面？為何有些投注公司反其道而行，樂於吸引精明賭客來投注？投注業者改變賠率不是為了符合結果的真實機率，那是為了啥？購買不同產業多家公司的股票，投資組合多樣性為何仍不夠？購買擔保債券憑證，你要避免什麼錯誤假設？買賣股票時若持股時間不長，常被比做賭博而非投資，然而已有研究指出，運動投注可達成與投資股市相仿的風險與報酬平衡。網際網路如何改變博奕活動的面貌？博奕合法化又有哪些有別於道德面的思考角度？
                                                            
▎第五章　機器人興起　
人需要時間處理資訊、會猶豫，而且很難同時做很多事情——這正是機器人的機會。現在有許多機器人程式四處尋找失誤賠率，藉以套利；另一些機器人功能相反，會盡可能掩蓋這些資料。另外就如《快閃大對決》一書所述，有的大券商為了比競爭對手提早幾毫秒得知新事件，甚至大費周章炸山鋪路，好鋪設自己的電纜以攔截資訊。只是機器人雖然「能人所不能」，麻煩的是它的行動未必總符合人類主人的利益。騎士資產管理公司由於更新高速交易軟體時出錯，程式自顧自不斷買進與賣出股票，鉅額損失導致該公司當年底就被收購。2013年駭客假造新聞，稱歐巴馬因爆炸而受傷，金融市場反應速度似乎並非出自人類交易員之手，這是好是壞？機器人崛起後，傳統金融理論已經遠遠不足，我們應該把投注或金融市場視為生態系，而非固定不變的經濟法則，那麼我們對生態系的理解，哪些正確、哪些有誤呢？
 
▎第六章　虛張聲勢闖天下
賽局理論用在資訊全部已知的賽局上效果最好，那麼若是運用在複雜到難以理解的情境時，會出現什麼狀況？西洋棋與許多種撲克牌玩法非常複雜，不論是人類或電腦都還找不出最佳策略。金融市場也有類似問題——許多重要資訊雖已隨手可得，但有更多交互作用的影響因子難以掌握。賽局沒有達到最佳結果時，參與者的決定不會趨向平衡，反而會大幅震盪，混亂難解的決策變得更加常見，就如同碎形理論之父本華・曼德博所發現違反一般直覺的現象：股票市場「大變化後面往往還會出現大變化，小變化之後往往會接連出現小變化」。在玩家容易失誤或必須在賽局中學習時，賽局理論也不是找出最佳策略的好方法……
 
▎第七章　機器對手　
繼電腦「深藍」於1997年打敗西洋棋王卡斯帕洛夫之後，2004年IBM又設計了「華生」參加機智問答節目，照樣電慘人類對手。不過深藍只需用電腦的方式下棋——運用大量運算能力審視接下來的可能棋步，評估可用策略。卡斯帕洛夫指出這種「蠻力」具備的智慧不多：「它不是擁有人類的創意和直覺，能以人類的方式思考和下棋的電腦。」同樣的「華生」不需假扮人類也能取勝。電腦科學家達斯・畢靈斯說：「西洋棋不夠看，那我們來試試撲克牌好了。」電腦打撲克牌時，其實是在解決一個我們十分熟悉的問題：如何處理缺漏的資訊。生活中有許多狀況都是不完全資訊賽局，撲克牌是這類狀況的完美縮影。電腦打撲克牌時不僅搜尋勝利策略困難得多，為了取勝還必須觀察對手，評估大量選擇——電腦需要有顆大腦才行……
 
▎第八章超越算牌　
經營撲克牌館的迪克里斯提納被判經營非法賭場後，請來經濟學家藍道爾・希柏擔任專家證人，要務是說服法官撲克是技巧賽局，因此不是非法賭博。希柏認為最重要的問題是：技巧對牌局的影響，需要多久才能超越機率？我們很容易把賽局分成「運氣」（賭博）和「技巧」（投資）兩類，問題是兩者的界線沒有我們想的那麼分明。我們以為是隨機的過程，通常很不隨機；如果選擇正確，我們容易歸因於技巧，選擇失敗的話則偏向說運氣不好。關於成功投注的報導普遍從數學角度切入，「決定」被簡化成基本機率，但以撲克為例，賭客還要解讀對手的行為。馮紐曼發展出賽局理論來解決這問題時，發現採用虛張聲勢等詐騙策略其實是最佳方案——賭客一直都作對了，只是不知道原因。有時人性因素是影響事態的主要因素，優秀的機器人程式單單知道機率仍不夠，還要結合數學與心理學。
 
▎《傳染力法則：網紅、股災到疾病，趨勢如何崛起與消長》
▎自序
說到「感染」，浮上我們心頭的，固然往往是傳染疾病或電腦病毒，但有傳染力的擴散現象實則百百種，其中造成傷害者有之，但也不乏好的流行，前者如惡意軟體、暴力或金融危機，後者如創新發明和文化傳播。有傳染力的擴散現象不一定都長一個樣，研究這類事物的傳播現象時，我們需要有辦法釐清它們具備哪些獨有特徵，不同於使傳染擴散的基本原則。這種分析方法能跳開過於簡單的解釋邏輯，並針對觀察到的發展曲線，揭開背後的真實本質。本書的討論過程中，讀者能針對乍看風馬牛不相及的問題，觀察到一條條線索浮出，串接這種種問題。
 
▎第一章　事件發展論
羅納德．羅斯駐派印度時，發現當地蚊子猖獗，瘧疾盛行。返英後他探訪萬巴德醫師請教傳染疾病問題時，得知萬巴德判斷蚊子是瘧疾的媒介，羅斯先前便已耳聞這項關聯，但萬巴德的論點是第一個說服他的。羅斯持續研究瘧疾後出版了《瘧疾的預防》一書，其分析既顯示可能撲滅瘧疾的方法，也蘊含一項更深奧的洞見，能一舉改寫我們對於「傳播」的看法。羅斯觀察到，處理疾病分析的方法有二：「描述性分析法」和「機械性分析法」。當時多數研究都使用前者，即開始作業時使用真實數據，並往回推出可預測的模式。羅斯採用了後者，他一來沒有收集數據，二來沒有針對觀察到的趨勢找出能加以描述的模式，他一開始的做法，是概述過去影響了疾病傳播的主要過程……
 
▎第二章　恐慌與大流行
英格蘭銀行首席經濟學家安迪．霍爾丹指出，SARS疫情可堪比擬2008年金融危機的不良影響。他指出，大眾通常會以兩種方式面對疫情：逃或藏。金融界的「逃跑」之舉比如：為了停損而出清所有資產，導致資產價格崩跌；銀行的「藏身」方式則可能是囤積資金。霍爾丹早在2004年便指出，我們已經進入「超系統性風險」的時代。金融網絡在某些情況下可能很健全，而在另一些情況下卻非常脆弱。這在生態學已經是個成熟的概念，不幸的是，等到大型崩潰發生時，大家才終於聽進這樣的概念。雷曼兄弟垮台後，銀行業上上下下都開始思考傳染病學的概念。霍爾丹指出，「如果不從感染傳播的角度切入，你很難講清楚為何雷曼兄弟會拖垮金融體系。」
 
▎第三章　社會傳染「友」關係
社交互動不僅會促進社區傳播，還能將感染傳到其他地方。2009年流感大流行初期，病毒並未在各國間直線傳播。當3月份在墨西哥爆發時，迅速到達中國等遠處，但花了更長的時間才在巴貝多等附近國家現身。究其原因，如果以地圖位置來定義「近」、「遠」，代表使用了錯誤的距離觀念。感染的傳播者是人，連接墨西哥和中國的主要航線，數量多於往返巴貝多等地的航線，如果改為根據航空公司乘客流量來定義距離，則此次流感的蔓延會更容易解釋。社交連結的重要性很容易遭到低估。20世紀初羅斯和哈德森撰寫「事件發展論」論文時，認為意外、離婚和慢性疾病等事情是獨立事件，即如果某人發生了這件事，並不會影響其他人面臨同一件事的機率，也就說人際之間沒有傳播因子。在21世紀初，研究人員開始質疑是否真是如此。
 
▎第四章　事情醞釀中
犯罪演算法的侷限超出人們的想像。蘭德公司研究人員曾歸納了有關預測型警務監察的四大迷思。一是電腦能確切知道未來會發生什麼事。研究人員補充：「演算法預測的是未來事件的風險，而不是事件本身。」二是從收集犯罪數據到提出適當建議，電腦無所不能。實際上，電腦在協助人類執行警政分析和決策時的表現最佳，而無法全面取代人類。三是警力需要一個強大模型來做出優良決策，而問題往往出在是否能掌握正確數據。蘭姆解釋：「有時候你手上的那組數據裡面，並沒有你預測時所需的資訊。」第四個迷思或許最難以消滅，就是預測得準，犯罪也會自動減少。蘭德團隊表示：「預測的本質，就只是預測。要實際減少犯罪，必須根據預測採取行動。」
 
▎第五章　病毒式瘋傳
2001年1月，裴瑞帝向耐吉（Nike）下了戰帖——他訂購幾雙客製化球鞋，要求印上「血汗工廠」。耐吉以「使用不當俗稱」為由，通知他訂單無法成立。雙方以電子郵件交手數回後，耐吉不動如山，於是裴瑞帝將整串電子郵件轉寄給若干朋友。其中許多人再次轉發，沒幾天便送到數千人手上，3月時此事件躍上國際媒體。後來一家多媒體非營利機構聘用裴瑞帝擔任「傳染力媒體實驗室」主管，針對線上內容展開網路實驗。接下來數年，他著手研究網路人氣的特徵，像是搭上新聞潮流如何驅動網站流量，標題兩極化如何增加露出，內容求新求變則能增加使用者的黏著度。裴瑞帝團隊甚至新創了「轉發」功能，這項概念日後成為社群網路上內容傳播的基本功能。想像一下：如果Twitter拿掉「轉推」的選項，Facebook移除「分享」按鍵，結果會有何不同？
 
▎第六章　如何宰制網際網路
美國哥倫比亞大學與法國國家研究院合作，探討Twitter使用者提到的主流新聞報導，發現有將近60%的連結，其他使用者從未點選，但其中有些報導持續傳播。說穿了，許多人樂在分享，而不是閱讀文章。曾於Facebook擔任數據科學家的迪恩．艾克斯指出，想要讓人與社交媒體簡單互動，不用太傷腦筋。他說：「那是相對容易產生的行為。我們這邊在談的行為，是在說你的朋友會不會對貼文按讚或留言。」一旦做起來不用太費事，實際行動就容易得多。這對行銷人員形成挑戰。行銷活動或許帶來高按讚與點閱次數，但行銷人員希望的終究是消費者掏錢購買產品，或是相信行銷內容，而非只是和活動本身互動。就好比追隨者多，不見得就能大量帶動分享潮，行銷內容的點閱或分享次數再多，也無法自動轉換成獲利或支持度。
 
▎第七章　溯源追追追
施密特醫生某夜造訪外遇對象珍妮絲，為她注射一劑「維生素」。隨後數週珍妮絲出現類流感症狀，數月後確診愛滋病，她懷疑該夜施密特注射的其實是HIV病毒，便將他告上法庭。當時雖已普遍採用DNA檢測來協助辦案，但珍妮絲一案更為棘手。HIV一類的病毒演化進程相對較快，因此珍妮絲血液中的病毒不見得就是當初感染的病毒。施密特面對指控時辯稱，珍妮絲體內的 HIV病毒與遭懷疑的原患者病毒大不相同，因此說後者是感染源並不合理。演化生物學家大衛．希爾斯團隊拿珍妮絲與施密特病患兩人的病毒，與拉法葉當地 HIV患者身上的其他病毒相比較。對於施密特病患和珍妮絲身上的病毒，希爾斯在證詞中說：「兩者是分析中序列最相近的，並且是從兩個個體身上所分離出來的病毒序列中，所能找到最密切相關的。」施密特因而獲判有罪，此案為親緣關係分析首次用於美國刑事案件的例子。自此，全球各地其他審案也陸續採用此項技術。
 
▎第八章　亂中整亂
分析擴散現象時，重中之重並非做對了什麼，而是發現哪裡搞錯。認知到有東西看起來不對勁，像是注意到發展曲線很特別，或是原以為是法則，卻發生例外。隨著我們日益認識有傳染力的擴散現象，傳染病研究領域中所探討的許多想法，目前也應用於其他類型的擴散現象。2008年金融危機後，各國中央銀行開始採信網絡關係的結構會擴大傳染，這是性病研究人員在1980年代和1990年代提出的先驅概念。近年來，將暴力視為一種具傳染力的擴散現象，而非單純當作「壞人」導致的結果，這作法則呼應了1880年代和 1890年代時對「壞空氣致病論」的駁斥。目前，針對創新和網路內容的傳播，研究界透過再生數等概念加以量化，而用於研究病原體基因定序的方法，則顯示文化的傳播和演變。