伊莉莎白女王的質問：專家為何總沒法做出準確預測？

都說世事難料，而且大小事皆然。政局、股市、球賽，不時迸現意想不到的狀況，事前沒人說得準──相關「專家」通常也預測不準。

上波金融海嘯收尾之際，當時的英國女王伊莉莎白二世見市場滿目瘡痍，曾在倫敦政經學院（LSE）質問一群英國最頂尖的經濟學者：為何沒法預測金融危機的到來？

女王的質問，也是眾人常有的疑問。無論是下回大地震什麼時候將在哪兒發生、哪支股票還會大漲、某對新人是否能白頭偕老等等，專家們都做得出言之成理的預測，但這些預測的準確率卻常經不起檢驗。

影響變數龐雜、變數間關係混沌的開放系統，讓你捉摸不準

生活中充滿著預測，所幸並非所有的預測都不準。譬如在幼兒園門口等候的家長，如果沒出什麼意外，可以準確預測到自己何時會接到小朋友。譬如看著車子儀表板的油表指針，駕駛可以有一定信心地預測車子不加油是否能到達目的地。這些容易預測的事，共通點是它們都處於相對「封閉」的系統中──例如幼兒園的課表、一部車的耗油量。只要沒有意外發生，都能在相對清楚而簡單的因果關係確定下，讓我們在系統裡做出通常不會太離譜的預測。

但如果要預測的事象是鑲嵌在一個變數多且難以掌握的「開放系統」中，那麼想要做出精準預測，就難很多了。不管是算命、數理模型還是現在眾人嚷嚷的AI，絕大多數的預測邏輯是「過往的歷史會在未來複製」。當預測場景碰上像總體經濟、商業競爭、個人發展等「開放系統」，影響結果的變數龐雜到沒有邊界，且大多變數未來會怎麼樣都難以預測時，無論建了多厲害的模型、有多龐大的數據量、涵蓋了多繁複的歷史變數，進行預測時都可能因為（1）沒納入特定、稀少發生的關鍵變數（這些年大家說的「黑天鵝事件」）、（2）沒法預測這些變數未來的走向、（3）這些變數（模型裡的自變數）與欲預測事項（模型裡的因變數）間未來關係的改變等等因素，而讓預測失準。

大家常將「解釋現象」與「預測未來」畫上等號，錯以為「能解釋就必能預測」。圖片來源：Kiefer Photography／Shutterstock

能妥切解釋，不等於能精準預測

談預測的失準，常見人們將「解釋現象」與「預測未來」畫上等號，錯以為「能解釋就必能預測」。

譬如在商業世界裡，廠商銷售各種預測系統（股價預測、客群行為預測等等）時，會做出諸如「預測精準度達92%」之類的保證。如果追根究柢，「精準度92%」的宣稱儘管不是胡說，多半也只是透過歷史數據訓練出一套模型後，再將同一組歷史數據倒入該模型中，所「還原」出來的結果。這代表，該系統對過去的歷史能掌握「解釋」92%，但絕不是能「預測」未來至92%的準度。

看多了世間對「解釋現象」與「預測未來」的混淆，據說諾貝爾物理獎得主Niels Bohr曾挖苦地感慨道：「預測實難，對未來做預測尤其困難！」(“Prediction is very difficult, especially if it's about the future.”)

專家的功能與限制：分清楚，就不糾結了

掌握了一個系統相對「封閉」或「開放」的區別，也認知到「解釋」與「預測」的差異，便能把一般倚賴專家的事情，切分為2 X 2的4種情境。有了這樣的分類架構，便可務實地探討專家的能與不能。

	相對「封閉」的系統	相對「開放」的系統
對現實做解釋	情境Ａ 說明晶片如何設計 生產線作業流程的系統分析 個別企業的財務狀況分析	情境Ｂ 分析中南海的決策背景 詮釋熱銷商品大賣的原因 探討一家企業為何大起又大落
對未來做預測	情境Ｃ 1965年摩爾預測積體電路發展的「摩爾定律」 工廠估算接單到出貨所需的時間 個別企業預估下年度需償債務與應付利息	情境Ｄ 預測解放軍何時攻台 企劃「爆款」商品上市 判斷一家企業10年後的股價

首先，貨真價實的特定領域專家，必然能對領域內的現實作出細緻而有所本的解釋。如果該領域屬於封閉系統，那麼每個領域內專家對同一事象的解釋容易趨同。而如果面對的是開放系統，則不同專家會從自己熟悉的角度（理論、變數、方法、資料等等），做出言之成理的解釋。簡言之，無論是封閉（情境Ａ）或開放系統（情境B），專家總能做出比一般人到位很多的解釋。

至於預測，如果是相對封閉系統內的事，譬如積體電路的效率、橋梁的最大承重一類工程問題，那麼相關領域內掌握到因果關係的專家，除了可以有條不紊地對現實解釋清楚外，也能就著那清楚的因果關係，對於封閉系統裡的事象做出合理的預測（情境C）。

但若欲預測的事象是在一個相對開放的系統中（情境D），無論是婚配、投資、總體經濟、國際變局，不同專家如瞎子摸象，就各自摸到的部分描繪未來，遂見天差地別的各種預測。在開放系統中，事後做得出看來漂亮的解釋，跟事前能做出不離譜的預測是兩回事，前者無法保證後者。

	相對「封閉」的系統	相對「開放」的系統
對現實做解釋	Ａ 專家可以有條不紊地解釋得非常到位。	Ｂ 不同專家從自己熟悉的角度，做出不同但都言之有物的解釋。
對未來做預測	Ｃ 專家可以做出相對精準的預測。	Ｄ 不同專家從自己熟悉的角度（訓練、資料、方法等等），做出結論大相逕庭、準確程度有限的預測。

簡言之，遇到情境A、B、C，只要找到對的專家，基本上可以搞定。但遇到情境Ｄ的預測，專家乃至AI能產生的真正貢獻，就相對少很多了。

真正的專家知道：自己長期研究的開放系統難以精準預測

1987～2006年間擔任美國聯準會主席的葛林斯潘（Alan Greenspan），有著比一般人「沉重」許多的預測經驗。幾十年的經驗讓他卸任後這麼總結：「我們其實沒法預測得多到位，卻總假裝我們能，但我們真的不行。」(“We really can't forecast all that well, and yet we pretend that we can, but we really can't.”)

總體經濟專家頭頭都說得這麼直白了，面對開放系統裡的種種，若有人自稱能持續在某一領域中精準預測，通常是個江湖郎中。但如果江湖跑得溜、故事說得圓，仍能吸引各方膜拜為「大師」──斯世大師多矣！

先把大師放一邊，面對開放系統，學理上以及實證上，都能見到「雞尾酒式」結合多方預測結果而成的「綜合預測」（combined forecast），能相對較不離譜地預測複雜事象。至於現實世界中需透過預測以做成決策的關卡，面對開放系統的「不可預測性」，常見且較有道理的作法包括：

1. 如果相信統計技術，就依據機率分布下的區間而不是單點去進行預測；

2. 質性地設定各種不同情境（考量各關鍵變數的出象組合），綜合不同情境下分歧的預測結果以決策；

3. 打造「選擇權」（若在金融市場則購買選擇權），降低預測導致決策錯誤的相關損失。

分享圖文請註明出處，未經本站同意不得轉載

瀏覽次數：1347