反脆弱对我们的生活影响越来越大，随着我们共读这本书的深入，大家都越来越棒了，我们今天继续。
脆弱性，是直接源于非线性和凸性效应，以及凸性是可衡量的。
检测伤害是否加剧的技术适用于任何需要在不确定条件下做决策的情况，以及风险管理。这是我们进行检测的一个伤害，它是一个什么情况，所以在做决策之前，要进行分析，我们说人生规划重要不重要，你平时的规划都很重要。
这里有一些可以使用的技术，实际上是被作者称为脆弱性检测启发法的一种简单启发法，工作原理，比方说，你要检测一下一个小镇是否过度优化了。
如果你测量到，当车流量增加10万辆时，行车时间会延长10分钟。但是，如果车流量继续增加10万辆，行车时间会延长30分钟，那么这种加剧恶化的行车时间显示，镇上的车太多了，交通非常脆弱，必须减少车流量以缓解加剧恶化的情况（加剧恶化就是剧凹性，或者说负凸性效应）。
同样的，政府赤字在经济状况的变化面前显示出尤为明显的凹性。比方说，失业率每增加一单位的偏差——尤其是当政府负债时——都会让赤字增量恶化。
公司的财务杠杆也有同样的效应：你需要借越来越多的钱，以实现同样的效果。这如同一个庞氏骗局。
为什么任何一个国家政府，对失业率都非常非常的重视。
作者也说出来了根源，因为失业率每增加一单位的偏差，都会让赤字增量恶化。对于一个企业来讲，个人也一样，如果你总用财务杠杆去借钱，你就会发现，你借得越来越多，就像庞氏骗局一样，最后一定会崩盘。
大家看那个炒股自杀的人，他都是，几乎都是利用财务杠杆去借钱运作，他才会出现这种现象。
所以基于人们应该利用别人的愚蠢找乐子的黄金原则，作者邀请他的朋友杜尔迪与他合作，一起把简单的想法用最深奥的数学推导和半天才能弄明白的高深莫测的定理来表达。因为人们简单的事，谁都不信，哪有这么简单的事儿呀，所以他的意思是，那就找这些愚蠢的人找个乐子，我就给你弄复杂点，弄个数学公式之类的，迪皮尔和他在近20年的时间里都在不断地讨论为什么所有事情都涉及风险，这个理念站在期权专业人士的制高点上是可以被更严谨和清晰地证明的。
拉斐尔和他设法证明了非线性、对波动性的厌恶与脆弱性之间的联系。
令人惊讶的是，正如他想象的，如果你能用一些复杂的方式与深奥的定理来表达一个本来简单易懂的想法，即使这些复杂的方程式严格说来并不严谨，人们也会对其非常重视。
结果不出所料，人们对他们的理念做出了积极反应，并告诉他们这个简单的检测启发法非常“明智”。
也就是说非常简单的事情，如果你说简单了，人家就会觉得你的水平不行，所以他就给弄复杂点，结果就被人家认为他这个方法是非常明智的。
其实我们在现实生活当中，这种现象特别的多。你比如说血管SPA，我们做了之后觉得太神奇了，但是你跟谁说，谁都觉得怎么可能，哪有这么好的事儿？
就这么简单，就喝那个蔬菜汁，然后就那什么了，不可能，不可能。但如果，你给他弄一个原理，为什么是这样的，给弄一大堆，似是而非的道理，对方听着，有道理，我也可以尝试一下。大家想想是不是？
所以就像作者说的，利用别人的愚乐，找乐子，进行黄金原则。
所以大家如果你真的想让对方健康，你也可以这样故弄玄虚，明明很简单的事，就非得说成很复杂才相信，是吧，人性的弱点。
作者说，当他从事交易业务时，曾经犯过很多执行上的错误。
比如，他本来要买1 000手某只股票，结果第二天发现，买了2 000手某只股票。如果股价上涨，那么会有可观的利润。否则，就会遭受巨大的损失。
因此，从长远来看这些错误是中性的，因为它们会对你产生两个方面的影响。
有可能好，有可能坏。它们增加了变数，但不影响你的总体头寸走势。它们不能被片面地认定为好或者坏。
而且由于规模不大，这些错误仍可以控制——你进行了很多的小型交易，因此错误也都很小。通常情况下，到了年底，这些错误用业内人士的话说就是被“冲销掉了”。因为它很小。
但是，我们建立的大多数东西却不是这样的，而且错误是和脆弱性事物相关，结果产生负凸性效应。就是有些错误是不能犯的，比如说，美国航天局曾经那个事故，飞上天爆炸，造成上面的人都死了。原因是一个很小的错误，是什么呢，是胶带，就是一个胶带的事。所以这个就是产生负凸性效应。
这一类错误都有一个单向的结果，也就是负的结果，坏的，不像刚才那个股票，有可能涨有可能跌。
但是大多数事情，它不是，它是单向的，比如航班往往会延迟到达，而非提前到达；战争往往会变得更糟，而不是变得更好。只要是有战争，就肯定会槽糕，会死人。
正如我们看到的有关交通的例子，路上的变数（现在称为干扰）往往会增加行车时间，而不可能缩短这一时间。
由于这种差错给人们带来的更多是伤害而不是益处，因此，这些片面性会导致我们低估随机性及其带来的危害。
即使从长远来看，随机性来源的变化在某个方向上与另一个方向上一样多，但它带来的危害将远远超过收益。
所以大家想想，既然如此，那我们应该怎么办，我们是不是要未雨绸缪。这就是为什么细节决定成败，我们可以通过三个简单的区别来划分事物——这也是三元结构的关键：
喜欢干扰的事物、对干扰持中性态度的事物，以及厌恶干扰的事物。干扰，就叫错误，到现在为止，我们已经看到，进化的过程是喜欢干扰的，试错；探索发现的过程是喜欢干扰的；一些预测会受到不确定性的伤害；
此外，就像行车时间一样，你总是需要留出一定的缓冲时间。航空公司一般都会考虑到这点，这个就是说，我们提前去进行干扰。
所有的小概率在差错面前都是非常脆弱的，我们所作假设的一个微小变化就可以大幅提高事情的发生概率，从百万分之一上升到百分之一。事实上，概率往往都被低估了一万倍。
所以为什么坐飞机，包括开车，都要戴安全带，法律规定，你一定要戴，你不戴，那是风险很大的。
戴呢，它可能是你出事的机率百万分之一，但是如果你不戴，那么就上升到了百分之一。
比如说，我身边的人，我都建议大家，在这种大城市，不要骑电动车。每天我开车送孩子的过程当中，几乎都会看到电动车被撞到。昨天又一个，去送的时候就躺在地上了，回来还在地上躺着，我就是明白为什么没叫120，我们的路程不是很远，如果你是步行，又锻炼了身体，你就会走人行道，不会出问题，出问题的机率太低了，那你如果骑共享单车，也一样，你会走单车道，而且，那是你自己脚控制的快慢，看到有现象你就停了，大家看这个区别，而且即使有问题，摔得也不会那么狠。所以这个就是我们在解释，作者讲的那个，这个小例子你就更加容易听懂，所以你认为它是小概率，但是一旦发生，就是非常可怕的。
曾经有人问我说，开车好还是骑车好，这又是一个问题，大家觉得是开车好，还是骑车好？除了锻炼，开车。因为开车，你是大铁架把你放在里面了呀，那风险要比那个要小得多，大家说是不是？
同样，开好一点的车好，还是开最廉价车好，开中档车好，还是开高档车好？这个大家都可以想一想啊，你就会发现，你要开的是那个坚硬的车，对不对，一般来说，是中档的，对吧？那你要是低档的，它很脆弱，但是你要很高档的，你就会带来另一种风险，被人盯上。大家说对不对，你看你开这个，你有钱呀，那得抢你。所以大家想想，如果我们这些道理都明白了，你就不会去冒那种出现小概率的风险。
所以这个方法可以向我们显示，经济模型所用的数学在哪里是假的——或者说，哪些型是脆弱的，哪些不是脆弱的。
只需对假设进行一个小小的变更，看看影响有多大，以及这种影响是否会持续加剧。如果影响加剧，就像房利美的案例一样，那么就意味着依赖于该模型的人会在“黑天鹅”效应影响下遭受毁灭之灾。
所以经济学与计量经济学课上教授的很多东西，包括公式，都应立即被废除，这就解释了为什么经济学在很大程度上是一门骗人的学科。
作者是说得很尖锐，那么他认为，经济学在很大程度上是一门骗人的学科，脆弱的推手，总是带来脆弱！确实是啊，最近有几个人就跟我经常在说，上当了。听人家说房子被跌到什么什么情况了，结果呢，现在反而涨，自己原来可以买得起的房子买不起了。上当了。
作者虽然说得过于尖刻，但并不是没有道理。比如说要买房，如果你是刚需，你为什么要相信这个呢？你是要怎么都得买的，结果我们很多人是刚需，他给自己耗得买不起了。
你又不是为了投资，你更要多方面分析，不能相信某一种说法，所以大家看这个反脆弱重要不重要，所以作者说非线性效应：在这种情况下，平均数——也就是一阶效应——根本不重要。
这是进入炼金石讨论之前的第一步。
就像说到刚才的那种情况，平均数根本不重要。因为你小概率很可怕，如果一条河的平均深度是4英尺，就千万不要过河。因为这个深度，你要去过河，你又不是特别厉害的游泳健将，那么这个深度造成被淹死的可能性它就有了。
即使是小概率，发生了你就不存在了。
作者说是如何失去祖母的，他举这么一个例子，假设你刚刚被告知，在接下来的两个小时内，你祖母所在地方的平均温度非常宜人，大家听清楚，这里有一个关键点，接下来的两个小时之内，你祖母所在地方的平均温度非常宜人，约为21摄氏度。
是不是很棒，你想，21摄氏度对老人来说是最适宜的温度。由于你读过商学院，所以你是一个关注“大局”的人物了，这个摘要信息对你来说是再满意不过了。我祖母在那儿太好了。
但是还有第二组数据，事实证明，你的祖母第一个小时，两个小时之前，处于零下8摄氏度的环境下，而在第二个小时处于60摄氏度的环境下，平均温度则是非常理想的地中海温度，也就是21摄氏度。
因此，这样看来最后你肯定会失去你的祖母，一冷一热，这个老人就死了，你还得为她举办一个葬礼在所难免，大家看这里面的问题在哪儿？
我们经常犯错就犯在这里，你没有注重细节，你只是听说接下来的两个小时之内，平均温度是21摄氏度，这么好，是吧？但是你并不知道这个过程是什么样的。
所以显然，当温度偏离21摄氏度越远，伤害就越大。正如你所看到的，第二组数据，也就是有关温度变化的信息，要比第一组数据更重要。
如果一个人在变化面前是脆弱的，那么平均数的概念就是没有任何意义的，平均21度管什么用呢，所以温度的偏差远比平均温度重要。
你的祖母对温度的变化和天气的波动是脆弱的。让我们将第二组数据称为二阶效应，或者更确切地说，叫作凸性效应。
我们觉得很可笑，哪有这种事儿呀？但你要看你生活当中，其实到处都是这种事儿。所以你自己出现不好的结局的时候，那都是有原因的，如果你明白这个道理，你就提前可以发现，也可以避免的。
平均数的概念可以是良好的简化信息，也可以是削足适履的典型。
所以平均数有的时候是比较好的，比如一个简化信息，就是它波动性不是很大的那种平均数，但也可以是削足适履的典型，就是骗你。
有关平均温度为21摄氏度的信息其实并没有简化你祖母的处境。也是科学模型常犯的错误，因为模型从本质上来说就是现实的简化。但是，你总不会想让这种简化歪曲真实情况，以至于带来伤害吧。是不是？
图19–1显示了祖母的健康在温度变化面前的脆弱性。如果用纵轴计量健康，用横轴计量温度，那么大家就会看到到一个向内弯曲的曲线——一个“凹”型，或者负凸性效应。这是脆弱的。
如果祖母的反应是“线性”的（呈直线，而非曲线），那么21摄氏度以下的温度带来的伤害会被温度升高后带来的利益所抵消。但事实是，祖母的健康程度一定会有个最高值，因为她的健康状况不可能随着温度的升高一直改善下去。
比如说我们的温度，大家想想，冬天过去了，我们是零下，逐渐地通过春天，大家看这个过程，然后到夏天，你的温度逐渐上升，我们会有一个舒适的过程。但是到夏天你开始不舒服了，就这个意思。
然后呢，你的健康状况，并不是越升高越好，不是一直升高就一直好。到40度以上，你开始非常难受，如果再到高温，像印度那样，就开始死人了。所以它都是这种凸性，负凸性效应。
所以在我们接下来讲述更一般的属性之前，那先记住以上这些信息。就祖母的健康对温度的反应来说：（1）其反应是非线性的（不是一条直线，不是“线性”的），（2）曲线过度向内弯曲，那么，因此会怎么样呢，最后，（3）反应越是非线性，平均数的相关性就越低，围绕平均值保持稳定的重要性就越高。所以它是负凸性。
那我们接下来呢，来聊聊这个炼金石许多中世纪的人一心想寻找炼金石。我们有必要记住，化学一词是从炼金术而来的。炼金术的本质就是从物质中寻找化学力量，炼金师主要致力于通过嬗变法将金属变成黄金，从而创造价值。炼金术的重要力量来自于炼金石，许多人为之着迷，甚至包括一些很有名的人物，比如说，罗杰·培根这些学者。
那么嬗变法被称为最伟大的作品，所以作者认为，我们现在正在讨论的这些，是最接近于炼金石的本质的。
如果你对反脆弱性了解透彻了，那你身体会更加健康，你的事业会更加发达，你的生活会更加幸福，那就相当于炼金石。所以他又把自己夸大了一下，自己相当于那个炼金师。
那么以下注意事项能使我们了解，什么呢？
（1）混为一谈问题的严重程度是非常厉害的。就像前面讲过的，将石油价格上涨归结为
战争。
（2）为什么任何具有可选择性的事物都具有长期优势——以及如何来衡量它。
（3）以上两点合并：混为一谈和可选择性。那可选择性就是反脆弱对不对？
那么，回想一下我们在前面讨论过的交通问题，第一个小时有9万辆汽车，后一个小时有11万辆车，虽然平均每个小时有10万辆车，但将造成可怕的交通拥堵。
另外，假设在两个小时内，每小时都有10万辆车通过，则交通将保持畅通，行车时间也不会很长。
所以不能看平均数，而是它实际情况，汽车数量是某种东西，也是一个变量；交通时间是该变量的函数，而函数的行为与变量的行为，正如我们所说的，“不是一回事”。在这里我们可以看到，由于非线性，某个变量的函数与某个变量的行为会有很大差别。（1）非线性越大，变量的函数与变量本身的行为差异就越大。如果交通是线性的，那么先是9万辆车，然后是11万辆车，与始终是10万辆车这两种情况下的交通时间不会有什么区别。
（2）变量越不稳定，即不确定性越强，则函数与变量本身的区别就越大。
（3）如果该函数呈现凸性（反脆弱性），那么变量函数的平均值将比变量平均值的函数要高。这就是炼金石。
所以我们来看一个例子，假设我们讨论的函数是平方函数（数字乘以本身）。这是一个凸函数。
拿一个传统的骰子（六面），掷到几点，你的回报就是几点，也就是你获得的收入与骰子显示的数字相等——掷到1点，那么你的收入就是1，掷到2点，你的收入就是2，最高的收入是6，如果你能掷到6点的话。
那么预期（平均）收益的平方就是（1 +2 +3 +4 +5 +6除以6）2 = 3.52，即12.25。因此，收入平均值的函数等于12.25。
但是函数的平均值的计算方法如下，拿每种收益的平方12+22+32+42+52+62除以6，就得到了函数的平均值，等于15.67。
所以，既然平方函数是凸函数，那么收益平方的平均值就比平均收益的平方要大。在这里，15.67和12.25之差就是作者所说的反脆弱性的隐性利益——这里有28%的差异。这段话大家能够理解吗，你算一下你就理解了。
这里面有两个偏见：一个是基本的凸性效应，导致人们误将某样东西的平均数（这里是3.5）的特点，和某样东西的凸函数平均数（这里是15.17）混为一谈。
第二个偏见比较复杂，是误将函数的平均数当作平均数的函数，这里是指误将15.17当作12.25，后者代表可选择性。那这个，大家拿笔计算一下你就会理解了。
如果我们的收益是线性的，那么我们在50%以上的时间内都不能犯错。而如果我们的收益是凸性的，不能犯错的时间就要少得多。
反脆弱性的隐性利益在于，你犯的错可以多于随机性错误，但最后仍有出色业绩。
这里少不了可选择性的力量——变量的函数是凸性的，所以你可以在犯错的情况下仍有不错的收益——不确定性越高越好。
就像那个卖错了股票，因为是不确定性，它是具有反脆弱性的。如果这是线性的，就是一定是怎么怎么样，这是很脆弱的，比如像我们刚才说的一些例子，不能出现问题，出现问题就是灭顶之灾。那我们看看相同的例子，只不过这次是平方根函数（与平方函数恰好相反，它是凹性的，但其凹性要小于平方函数的凸性）。
预期（平均）收益的平方根是（1 +2 +3 +4 +5 +6除以6）2开平方，等于3.5的平方根，即1.87，也就是平均值的函数等于1.87。
但是，函数的平均值的计算方法是取每种收益的平方根12+22+32+42+52+62，除以6，就是收益平方根的平均值，也就是该函数的平均值等于1.80。
两者的差额就是所谓的“负凸性偏见”。那么脆弱性的隐性伤害是，你的预测需要比随机预测的结果好得多，你得知道你要往哪里去，才能抵消负面影响。所以你都可以算一下，你就会理解。
所以呢，作者的论点是什么呢？如果你拥有有利的不对称性，或正凸性（选择权是特例），从长远来看，你会做得相当不错，在不确定的情况下表现优于平均数。
虽然不确定，但是不确定性越强，可选择性的作用越大，你的表现就越好。这个属性对人生来说非常重要。
就像我们现在直播一样，你经常出点小问题，并不是坏事，会增强你的反脆弱性，但是如果就是什么问题都不出，突然出现，那是很脆弱的，今天的内容呢，其实也非常的重要，但是你得真正地去理解，所以大家需要去复盘。
