人在系统

系统为什么不愿依赖一个人

前段时间，一个曾经熟悉的名字又出现在网络热闻里。我看了他前后几次发言，感觉事情已经超出了一般的利益争执，逐渐变成了一个人与整个系统的公开对抗。

其中的是非，我了解得不够，也不打算在这里评判。这件事倒让我想起《庄子》里的一句话：

泉涸，鱼相与处于陆，相呴以湿，相濡以沫，不如相忘于江湖。

人该怎样与自己身处的系统相处？以前我觉得，只要有能力，做出了成绩，就应该得到相应的回报。后来才慢慢发现，一个人的专业能力、做出的成果和他在组织里的位置，并不总是相称。

每个组织都有自己的运行方式。谁能做决定，资源分给谁，哪些规矩必须遵守，还有哪些事情没写进制度，大家却早已有了默契。这些都会影响一个人在组织里的处境。

组织需要有能力的人，也会衡量留住这个人的成本：他负责什么，别人能不能接手，他离开后会影响哪些环节，为了迁就他的特殊要求，又要付出多少代价。

这样想来，系统不愿过度依赖英雄，也不难理解。英雄有自己的个性、判断和要求，而组织要长久运转，就希望流程稳定，人员可以替换，关键环节有人或方案可以接替。即使某个人很重要，组织也会设法减少对他的依赖。

凭能力取得成功，当然值得肯定。只是成绩再好，也不能保证组织会按自己的意愿运行。如果把成功当成不受规则约束的理由，冲突就很容易发生。

习惯做题

想到这里，我也开始回头看自己。这些年，我一直在一个别人已经替我定义好问题的系统里学习和工作。

从小到大，我学的都是怎样把题做对。考试有标准答案，习题有解题步骤。做科研时，围着论文题目、实验任务和评价指标转；工作以后，面对的则是业务需求、项目目标和技术方案。我从中学到了不少知识，也逐渐能够熟练地处理一些复杂问题。

但我越来越想知道：一直解决别人定义好的问题，究竟让我的认识加深了多少？又有多少进步，只是完成任务更熟练了？

比如在公司里，项目做什么、投入多少资源、做到什么程度算成功，都由别人决定。我负责设计模型、优化算法，把任务完成。这当然能让我学到技术，也可能把其中一部分做得很好。可我未必理解为什么要做这个项目，为什么现在做，为什么把资源投给它，而不是另一个方向。成功后谁受益，失败后谁承担损失，我可能也没有想过。

我能理解一个模型，却未必理解业务为什么需要它；能优化一个算法，却未必弄清楚整个系统是怎么运转的。时间久了，我习惯一遇到问题就找解法，很少追问这个问题本身是否合理。

何勇《钟鼓楼》（都是正确答案）

现实中却没有那么多现成的题目。很多时候，没人告诉你该解决什么，光是找到值得做的事就很难。也可能努力了很久，才发现一开始就选错了方向。

同样的信息，能看出什么

前段时间，我读到黄奇帆在2019年前后对房地产长期需求和发展趋势的判断，比起他有没有精确预测后来的房价，我更想知道，他是怎样理解那些普通人也能看到的信息的。

拿2019年上半年的房地产数据来说，当时开发投资仍保持较高增长，商品房销售面积略有下降，土地购置面积却已经明显收缩。

如果当时看到这组数据，我会得出什么结论？

只看开发投资和按揭贷款，行业似乎还很有活力。可土地购置面积下降这么多，又该怎么理解？开发商可能改变了对未来市场的判断，也可能受到了融资环境、土地供应等因素的影响。单看这一项，没法确定房地产什么时候会转向。

同样一组公开信息，有人看到的是眼前的增长，有人会接着问：支撑增长的条件变了吗？当下的投资增长，能不能说明开发商对未来仍有信心？我想学的是怎样提出这些问题。

黄奇帆长期参与土地、财政、融资和产业政策相关工作。对他来说，这些数字对应着具体的参与者：地方政府、开发商、银行和购房者，各有自己的利益，也各有难处和限制。

土地、资金、销售和预期怎样相互影响，政策怎样改变各方的行为，这些变化又怎样影响后来的市场，仅靠读几篇研究报告，很难弄明白。长期在其中做事，确实有机会形成不同的认识。

这也让我想到，早一点拿到信息、早一点看懂信息，以及有了判断后愿意采取行动，是不同的能力。公开信息未必难找，难的是理解它意味着什么，并据此做出决定、付诸实践。

巴菲特也是一个类似的例子。很多人买股票，最关心的是价格：今天涨了多少，明天会不会跌，跌了以后什么时候反弹。巴菲特更愿意花时间研究企业怎么赚钱、竞争优势能维持多久、未来能产生多少现金流，再看眼下的股价相对于企业价值是否合理。

同一次股价下跌，两个人看着同一张行情图，想的可能完全不同。一个人在猜明天会不会反弹，另一个人在查企业本身有没有变化，就需要足够高的认知对企业。

到市场里检验自己的判断

这些道理，我可以从书里、论文里读到，也可以向 AI 提问。但理解之后，应该去做一件足够复杂的事，看看这些认识用到现实中会怎样。

金融市场恰好提供了这样的环境：理论讲得通，模型足够复杂，研究做得认真，但是没用。

数据可能有缺漏或错误，过去有效的因子可能只是碰巧有效。市场参与者会改变行为，原先的规律也可能随之消失。策略给出买入信号，未必能按预定价格成交；模型判断会上涨，最后也未必能赚钱。资金怎么分配，交易成本有多高，什么时候止损，连续亏损怎么办，都会影响结果。

更麻烦的是，赚了钱也未必能证明自己判断正确。一笔交易可能只是运气好。历史表现出色的策略，可能用了当时根本拿不到的数据，也可能只是反复试过之后，恰好选中了最幸运的一组参数。

从原始数据入手，尝试理解市场，提出假设、构造因子，再训练模型、制定交易规则，接着处理资金管理、风险控制和实际执行中的问题。如果最后只做出一个预测涨跌的模型，靠回测曲线判断成败，我还是没有走出原来的习惯。

真实交易里，预测只是一步。为什么选这只股票，什么时候买，投多少钱，都要自己决定。判断失败后怎么办，什么时候承认错误，也要事先想清楚。再往后，如果整个策略失效了，我又根据什么决定停用它？

这些问题会相互影响。模型有一定预测能力，也可能因为仓位不合理、交易成本太高，或者根本不具备执行条件，最后做成一套亏钱的策略。反过来，策略暂时赚了钱，也不能说明它有可靠的预测能力。

事上磨

回头看，我过去太习惯在已有框架里找答案。模型表现不好就换模型，指标不够高就调参数，实验没效果就找论文、看别人怎么做。

如果框架一开始就现行了，问题一开始就定义错了，重要的变量根本没放进模型，甚至连系统的目标和限制都理解错了，再怎么优化又能有多大用？

夫大块载我以形，劳我以生，佚我以老，息我以死。故善吾生者，乃所以善吾死也。