“前两章的内容展示了如何使用和利用噪声和随机性；但噪声和随机性也可以使用和利用你，特别是在完全不自然的情况下——依靠网络或者媒体获取大量数据的情况下。 你越频繁地寻找数据，你会发现，你找到的噪声（而非被称为信号的宝贵数据）的比例就越高，噪声–信号比就越高。噪声和信号的混淆并非心理问题，而是数据本身所固有的问题。假设你每年查看一次数据，比如股价、你岳父工厂生产的化肥的销售情况，或符拉迪沃斯托克的通胀数据。再假设，当你观察数据的频率为每年一次时，信号–噪声比为1∶1（一半噪声，一半信号），这意味着，大约有一半的变化是真正的改善或恶化，而另一半的变化来自随机性。这个比例是你每年观察一次会得到的比例。但如果你每天查看一次同样的数据，那么这些数据的构成就会变成95%的噪声和5%的信号。如果你观察[…]”

摘录来自 反脆弱:从不确定性中获益 纳西姆•尼古拉斯•塔勒布 此材料可能受版权保护。

“前两章的内容展示了如何使用和利用噪声和随机性；但噪声和随机性也可以使用和利用你，特别是在完全不自然的情况下——依靠网络或者媒体获取大量数据的情况下。 你越频繁地寻找数据，你会发现，你找到的噪声（而非被称为信号的宝贵数据）的比例就越高，噪声–信号比就越高。噪声和信号的混淆并非心理问题，而是数据本身所固有的问题。假设你每年查看一次数据，比如股价、你岳父工厂生产的化肥的销售情况，或符拉迪沃斯托克的通胀数据。再假设，当你观察数据的频率为每年一次时，信号–噪声比为1∶1（一半噪声，一半信号），这意味着，大约有一半的变化是真正的改善或恶化，而另一半的变化来自随机性。这个比例是你每年观察一次会得到的比例。但如果你每天查看一次同样的数据，那么这些数据的构成就会变成95%的噪声和5%的信号。如果你观察[…]”

摘录来自 反脆弱:从不确定性中获益 纳西姆•尼古拉斯•塔勒布 此材料可能受版权保护。