在大部分学科中，这种不对称无关紧要。很遗憾，财务学使用的技术，往往是从其他领域引进的。财务学还是个相当年轻的学科（肯定称不上是“科学”）。在财务学以外的大部分领域中，当不同的结果所获回报的差距不是很显著时，把极端值从样本中剔除并不会造成问题，譬如教育和医学便是如此。教授在计算学生的平均分数时，可以把称做离群值（outliers）的最高和最低分数剔除，然后计算剩余分数的平均值，这种做法没什么不好。一般预测天气时，也可以如此对待落在上下两个极端的气温资料，因为异常的温度可能扭曲整体的结果——不过接下来将谈到，预测冰帽未来的特征时，这么做可能酿成大错。学财务的人借用了这种技术，因而也忽视不常发生的事件，不去注意稀有事件可能导致一家公司破产的影响。

许多自然科学家也这么笨，误解统计数字的意思。有关全球变暖效应的辩论，便是很有名的一个例子。许多科学家在全球变暖效应发生的早期阶段，并没有注意到这件事，因为他们把温度突升从样本中剔除，认为这种事情不可能再度发生。规划度假行程时，将极值从平均温度的计算中剔除可能是好法子，但在研究气象的物理特征时却不能这么做。科学家起初忽视了，温度突升的现象虽然少见，却会对冰帽的融化产生巨大的累积性效果。和财务学的领域一样，某个事件虽然罕见，但如果会带来巨大的后果，就不能视而不见。

图6-1(www.daowen.com)

图6-1从Wo的起始水准起，画下一连串的点，止于标示的期间。这张图可以看成你偏爱的操作策略获得的成果、一位投资经理人的绩效记录、文艺复兴时期佛罗伦萨一般豪宅每平方英尺的价格、蒙古股票市场的股价走势，或者美国与蒙古股票市场的价格差距。它由W1、W2等一系列的观察值依序构成，后面的观察值在前一个观察值之后产生。如果我们面对的是凡事确定的世界，也就是说，这个世界少了随机性（“混为一谈表”中的右栏），而且我们十分确定情况正是如此，那么事情处理起来会相当容易。这个序列形态会揭露很多可以预测的信息，你能够在一天前、一年前，甚至10年前就准确预测到会发生什么事。我们不需要统计学家，二流的工程师就已够用了。他甚至不需要取得现代的学位，只要受过19世纪的拉普拉斯变换（Laplace）训练，就能解这些微分方程式或者运动方程式，因为我们研究的是实体的位置随时间而变化的动态过程。

如果我们在面对的世界里，将随机性考虑在内，那么事情处理起来也一样容易，因为我们已经为此创造出一整个研究领域，称做计量经济学（Econometrics）或时间序列分析（Time Series Analysis）。你可以找来脾气很好的计量经济学家，请他用他的软件运行数据，根据他的诊断，告诉你是否值得投资有这种绩效的交易员，或是否值得采用那种交易策略。你甚至可以用低于999美元的价格，买到他的软件，在下次下雨的周末自己运行程序。但是我们没办法确定我们的世界真的那么清楚明白。我们会发现，从分析过去的特征而得出的判断，偶尔可能有用，但也可能缺乏意义，有时甚至会误导你往相反的方向走。有些时候，市场数据成了陷阱，让你看到和它的本质相反的形貌，促使你投资错误的证券，或者害你管理风险不当。举例来说，有史以来最为稳定的货币，却最容易崩跌。投资人为了安全而选择马来西亚、印尼、泰国等国紧盯美元的货币，竟然在1997年夏天尝到苦涩的经验。这些国家为求消除汇率的波动，采取货币盯住美元的制度，到头来却仍免不了突然巨幅贬值。

根据过去的信息来预测未来时，我们可能太过马虎，也可能太过严格。我无法接受单靠过去的一个时间序列，作为未来表现的指针。除了数据，我还需要更多的东西。我的主要理由在于稀有事件，但还有更多的其他理由。

表面上看，我在这里提出的看法，和先前指责人们没有从历史学到够多东西的说法相互抵触。问题在于我们太重视肤浅的近代历史，而说出“这种事情以前从未发生”之类的话。如果去看更宽广的历史，我们会发现，某个地方从来没有发生的事，最后往往会发生。换句话说，历史告诉我们，以前从未发生的事，后来竟然发生了。狭隘的时间序列没有教的东西，历史却教了我们许多。视野越宽广，我们学到的教训就越多。历史教我们不应该像天真的经验论一般，只观察偶然遇到的历史事实。