这是我第一次玩“现金流”游戏，由于看过《富爸爸穷爸爸》≈没看过，所以“现金流”认知模型智能从零开始。
第一个问题：如何做信息采集，也就是收集游戏流程关键点。由于对流程基本完全没有直接的认知，无法做数据埋点，只能一步一步地通过实验了解游戏进程及其相应的规则和条件。一共踩了三个坑：第一，为了找到数据边界，盲目做了高风险的尝试，给第一次破产埋了种子；第二，对游戏的核心——“风险”理解不够准确，过于注重避害，导致没有收集到趋利的样本信息；第三，采集的信息高度有偏，只能通过游戏不断试错，缺乏收集试对的经验。
第二个问题：流程是如何表达的？这里有一件事是我疏漏的，就是没有对每一步前进做好总结和记录。几乎每一个前进的步骤都是通过感觉实施的，这意味着对将要进行建模的数据做无效编码。一个可行的方案是复盘时将游戏中所面临的问题封层，以后每一次游戏体验都是每一个层次的细化，将游戏流程表达为决策树。
第三个问题：数据该如何建模。模型风险的核心是结构风险最小化。首先我们要建立一个风险最小化函数。先考虑最简单的情况，假设收益之间是独立的，总收益=资产收益+售卖现金流+工资。每个收益要考虑风险，并加上市场行情变化，那么总收益=(资产收益*(静默风险+市场风险)*a+售卖现金流*(机会风险+市场风险)*b+工资*失业风险*c)*买保险的概率+d，abc分别是三种收入相对于总收益的权重参数，d是偏置项。我们的目标就是优化这四个参数，使总收益最大。收益值和风险概率都可以从每一次的游戏中得到。由于第一个目标是突围到大赛道，那么可以将总收益换成1和0的形式，即是否能突围大大赛道，1是能，0是不能。至此，进入大赛道的目标函数确定了，一个带四个参数的二分类问题。
第四个问题：如何计算和使用四个参数？这个没有任何捷径，不断地练习和收集其他伙伴的游戏信息作为训练数据集。
第五个问题：模型得到之后怎么用？模型得到之后，我们就可以进行实时的预测了。由于所有的牌都是有限的闭区间，那么在足够的伯努利实验下，风险值基本是固定的。我们把当前的资产收益、售卖现金流和工资带到我们的模型里，如果预测为1，那么在风险中我们胜出的概率就很大，否则需要通过归因分析判断当前的主要风险点在哪个方面。
总结：意识突围很重要，精细化每个点的风险和收益是核心手段，收集好每次的结果数据是有效捷径。
