引言：容易想起≠常见

实验（Tversky & Kahneman）：

问题：英文中，以"K"开头的单词多，还是第三个字母是"K"的单词多？

多数人答：以K开头的多

真相：第三个字母是K的多3倍

原因：

  • 以K开头的更容易想起（King, Kitchen…）
  • 第三个字母是K的难想起（Acknowledge, Bike…）
  • 容易回忆→高估频率

交易启示：

  • 新闻=容易记住
  • 高估新闻事件的概率

第一部分：可得性偏差基础

定义

可得性偏差（Availability Bias）：

  • 用"容易回忆的程度"判断"发生概率"
  • 容易想起→高估频率
  • 难以想起→低估频率

公式：

感知概率 ∝ 回忆难易度

而非：
感知概率 = 真实概率

机制

大脑捷径：

  • 评估概率很难
  • 捷径：“容易想起→肯定常见”
  • 多数时候有效（常见的确实容易记住）
  • 但被显著性事件误导

显著性：

  • 生动、情绪化事件→容易记住
  • 平淡事件→难以记住
  • 媒体放大显著性

第二部分：交易中的可得性偏差

表现1：暴涨新闻→高估涨概率

场景：

  • 新闻：“某新能源股5天5涨停”
  • 投资者：涌入新能源板块
  • 想法：“新能源股都在涨”（可得性偏差）

真相：

  • 涨停的只是极少数
  • 媒体不报道普通涨跌
  • 大多数新能源股可能仅+2-3%

数据：

  • 暴涨股：5只（占比2%）
  • 平淡股：245只（占比98%）
  • 但记住的：暴涨股（可得性）

表现2：崩盘恐慌→高估暴跌概率

场景（2020年3月）：

  • 新闻：“全球股灾"“熔断四次”
  • 投资者：极度恐慌，不敢买入
  • 想法：“市场会继续暴跌”

真相：

  • 历史上暴跌后多数会反弹
  • 但暴跌记忆生动→高估持续暴跌概率

数据（标普500历史）：

  • 单月-10%+事件：共25次
  • 后续3个月反弹：18次（72%）
  • 但投资者记住的：2008年继续暴跌（可得性）

表现3：成功故事→高估成功概率

场景：

  • 新闻：“90后炒股赚1000万”
  • 投资者：“炒股能致富”
  • 涌入市场

真相：

  • 成功者<1%
  • 亏损者>90%（不被报道）
  • 媒体只报道极端成功（可得性）

幸存者偏差：

  • 只看到成功者
  • 失败者"不可得”
  • 高估成功概率

第三部分：媒体放大

新闻选择偏差

媒体倾向报道：

  • 暴涨/暴跌（极端）
  • 丑闻、危机（负面）
  • 成功故事（励志）

媒体不报道：

  • +0.5%涨幅（平淡）
  • 稳定盈利（无聊）
  • 普通失败（不吸引眼球）

结果：

  • 投资者记住：极端事件
  • 高估：暴涨暴跌频率
  • 低估：稳定收益价值

案例：茅台vs妖股

媒体报道频率（2020-2023）：

类型年涨幅新闻量
某妖股+800%（3个月），然后-90%500+篇
贵州茅台+180%（3年持续）200篇

投资者认知（可得性）：

  • 妖股：印象深刻（容易想起）
  • 茅台：印象平淡

真相：

  • 妖股最终：+80% → -90% = -82%
  • 茅台稳定：+180%

可得性陷阱：

  • 记住妖股暴涨（生动）
  • 忘记妖股暴跌
  • 忽视茅台稳健

第四部分：克服可得性偏差

方法1：数据替代记忆

原则：不靠记忆，看统计数据

例：

想法："最近股市总暴跌"（可得性）

数据检验：
- 查过去30天涨跌
- 计算：涨X天，跌Y天
- 真相：涨17天，跌13天（并非总跌）

结论：记忆被近期1次-5%暴跌影响（可得性）

方法2：基准率思维

技术：用历史基准率判断，而非新闻

案例：

新闻："某股5涨停"
可得性反应："涨停很常见"

基准率检验：
- A股历史涨停概率：0.5%/股/日
- 连续5涨停概率：(0.5%)^5 ≈ 0.000003%
→ 极其罕见

决策：不追涨停（小概率事件）

方法3：反向搜索

问题：媒体只报一面

技术：主动搜索反向信息

例：

新闻："新能源爆发"

反向搜索：
- 新能源股下跌的有多少？
- 失败案例？
- 行业风险？

平衡信息

方法4：日志记录

实践：

  • 记录所有交易（成功+失败）
  • 月度统计：胜率、平均盈亏
  • 对抗记忆偏差（只记住极端案例）

格式：

月度统计：
- 总交易：20笔
- 盈利：11笔（胜率55%）
- 亏损：9笔
- 平均盈利：+3.2%
- 平均亏损：-2.1%

vs 记忆：
- 只记住：最大盈利+15%，最大亏损-8%
- 忽视：18笔普通交易

第五部分：案例

案例：刘刚的可得性陷阱

2021年1月（新能源热潮）：

信息输入：

  • 每天新闻：“XX新能源股涨停”
  • 朋友聊天：“新能源赚翻了”
  • 社交媒体：晒收益截图

刘刚认知（可得性）：

  • “新能源股都在暴涨”
  • “不买就错过了”
  • 高估：新能源股上涨概率

决策：

  • 重仓新能源（40%仓位）
  • 买入时机：高位（PE>90%分位）

真相检验（事后统计）：

2021年1月新能源板块：

  • 总共：80只股票
  • 涨停（>9%）：5只（6%）
  • 上涨（0-9%）：25只（31%）
  • 下跌：50只（63%）

媒体报道：

  • 涨停5只：50篇新闻
  • 下跌50只：2篇新闻

刘刚买入的：

  • 5只股票（跟风媒体热点）
  • 结果（3个月）：-28%
  • 原因：都在高位追入

2021年4月觉醒：

学习基准率：

  • 统计历史数据
    • 板块涨停频率：6%（正常）
    • 媒体让他觉得：60%（可得性）

建立系统：

规则：
1. 看到热点新闻→不立即行动
2. 查数据：整个板块统计（而非媒体选择的案例）
3. 计算：基准率、估值分位
4. 决策：基于数据，非新闻

2021-2024实践：

  • 避开3次媒体热点（事后都暴跌）
  • 年化+14%
  • “数据替代记忆，让我避开陷阱”

第六部分：实践

每日新闻免疫

晨间新闻后：

看到新闻："XX板块爆发"

步骤：
1. 记录第一反应（可得性驱动）
2. 查数据：整个板块涨跌分布
3. 计算：平均涨幅、涨停比例
4. 对比：第一反应vs数据真相
5. 决策：基于数据

基准率卡片

制作常用基准率卡片：

A股历史基准率：
- 日涨停概率：0.5%
- 连续2涨停：0.003%
- 单月+50%+：1%
- 年化+100%+：3%
- 职业交易者胜率：55-60%

用途：新闻说"常见"时，查卡片验证

月度统计表

每月1日统计：

上月交易：
- 总数：?笔
- 盈利：?笔（?%）
- 亏损：?笔（?%）
- 平均盈利：?%
- 平均亏损：?%

vs 我记住的：
- 最大盈利：?%（可得性）
- 最大亏损：?%（可得性）

真相：多数交易平淡

结语

核心洞察：

  • 容易想起≠常见
  • 新闻=显著性事件=过度可得
  • 媒体放大极端，忽视平淡

克服方法：

  1. 数据替代记忆（统计，非回忆）
  2. 基准率思维（历史概率）
  3. 反向搜索（主动找反面信息）
  4. 日志统计（对抗记忆偏差）

实践工具：

  • 新闻免疫流程
  • 基准率卡片
  • 月度统计表

关键转变：

从："新闻说XX，肯定常见"（可得性）
到："新闻选择偏差，查数据验证"（理性）

下一步：

  • 7月18日：后见之明偏差

Daniel Kahneman：

“The world in our heads is not a precise replica of reality; our expectations about the frequency of events are distorted by the prevalence and emotional intensity of the messages to which we are exposed.”

参考文献

  1. Tversky, A., & Kahneman, D. (1973). Availability: A Heuristic for Judging Frequency and Probability. Cognitive Psychology, 5(2), 207-232.
  2. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.