81决策树与蒙特卡洛模拟（Decision Trees / Monte Carlo）

Decision Trees / Monte Carlo通用性 2 · 解释力 3 · 决策价值 5 · 总分 10证据硬

费曼学习法：一句话讲明白

你面前有两个选择，每个选择之后又会有新的选择，每一步都有运气成分。

要在脑子里推演所有可能？很快就会乱掉——你会漏掉分支，或者重复计算，或者忘记某些结果的前提。

决策树的做法很简单：把它画出来。

从一个点出发，每个可能的选择画一条线，每个可能的运气结果再画一条线，每条线标上概率，末端标上结果。画完之后，从末端往回算——每一层的期望值一目了然。

而当分支太多、概率是连续的（比如"成本在 80 到 150 万之间的某个值"），就换成蒙特卡洛：让电脑随机模拟几千次，看看结果落在哪里。

两种方法解决的是同一个问题：人脑不擅长在不确定性下做多步推演，所以把它外化。

决策树：把多阶段决策画成树状图——方形节点代表"你能选择"，圆形节点代表"运气决定"，分支标概率与结果，从末端向前倒推（反向归纳），算出每个决策点的最优选择。

蒙特卡洛模拟：当变量多、分布连续、解析解难求时，用随机抽样模拟成千上万次可能的结果，从而得到结果的分布，而不是一个单一数字。

它们相对"直接算期望值"的优势：

最重要的实用价值是最后一条：它强迫你把假设摊开。 你必须给每个概率和结果填上一个数——而填数的过程，会暴露出你其实不知道的东西。

输出的质量完全取决于输入。 概率估计错误、变量遗漏、相关性忽略（假设变量独立，实际不然）——这些会让精美的模型产出错得离谱的结果。 "垃圾进，垃圾出"在这里体现得最彻底。→ 见 #7 地图≠疆域
别被精度迷惑。 模拟出一万个样本，给出"期望收益 237.4 万"，这个小数点的精度是假的——它只是把输入的误差用更精确的方式表达出来。重点看分布形状和最坏情况，不看那个小数。 → 见 #2 概率思维
相关性与肥尾是两大杀手。 2008 年危机的核心错误之一，就是假设房价波动之间相关性很低，且服从温和分布。在真正的风险分析中，必须检验这两个假设。 → 见 #21 肥尾风险
它无法处理"不知道自己不知道"。 决策树只能枚举你列得出的分支。对未知的未知，仍然需要冗余与可逆性设计。 → 见 #73 冗余备份、#87 黑天鹅
对小决策不值得。 建模本身有时间成本。只在赌注大、不可逆、或者直觉已经给出矛盾答案时使用。 → 见 #9 边际思维
它给出的是分析，不是决策。 模型告诉你在给定假设下哪个选项期望值更高，但"要不要赌"还涉及你能承受什么——那是 #46 安全边际和 #60 遍历性的领域。