HOS定理的主要内容-HOS 定理主要内容

HOS 定理说白了就是个讲概率的“保险网”。它最核心的意思就是：当你要做预测，比如猜房价涨跌、猜天气，要么猜股票会涨也没涨过，这时候不能光靠最近那几条数据硬刚，得看看那会儿一万条、一百万条数据里的整体分布。
要是只盯着最近那几天，那简直是找死。 举个例子，你想预测今晚下雨的概率。
要是你只看今天的数据，可能会出于乌云密布就拼命往 80% 上靠，结局实际上明天可能大晴天。
要么你只看上周的雨天，认定概率是 60%，但最近一周全是晴天，这时候光看那会儿一万条数据的平均值，可能会让你误当作“平均下来”该下雨的概率是 60%，别看这并不准，但起码让你知道得看大样本。HOS 定理就是告诉我们要把注意力从“当下这一秒”要么“最近这一周”抽出来，放到整个历史长河里去衡量。它不关心你最近是不是跌了，也不关心你是不是涨得快，它只关心你站在这个大河里，站在我的这一边，还是站在我的对岸。 这就好比在街上跑，你只看最近这 10 个人，可能全是跑着跑着摔的，这时候你会认定全场人都跑不动了，便拍板慢下来；但要是你是用 HOS 定理，你就得把这 10 个人往旁边一看，发现居然有 50 个人在往那边跑。
这时候你再回头看，你的直觉可能就变成了“这片地实际上有人情味，别看最近大家都不忒好，但整体趋势还是有点乐观的”。HOS 定理就是那个让你跳出最近这 10 个人的小圈子，去观察整片大地的具体数据分布，有时候你会认定有点累，出于它让你得看那会儿一万条数据，但它有时候能救你的命，让你不至于出于最近的一点点波动就乱了阵脚。 还有个事儿，就是它的适用范围。
这东西一启动就是专门用来解决那些“没形成过”的事。
比如你想预测明天会不会下雨，那会儿一万天里压根儿没下过雨，那 HOS 定理就会告诉你，明天不下雨的概率极高，要么明天下雨的概率别看低但也不是零。
要是你目前硬要预测，可能会出于少了数据而瞎猜，故此它是用来处理“概率未知”这种尴尬情况的。
要是你目前知道明天务必下雨，要么明天肯定不下雨，那 HOS 定理可能就没那么关键了，这时候你就直接用常识要么绝对值来预测。 再举一个具体的例子，咱们拿做金融投资来说。假设你有个公式想预测房价接下来会不会涨。
要是你只看着前 10 天的数据，发现它涨了 5%，你就挺淡定地跟第 11 天说：“我认定还能涨，你看这趋势。”可是，一旦你引入了 HOS 定理，你就会去查查那会儿一万天的数据。你会发现，这前 10 天里，确实只有 3% 的日子房价是涨的，剩下的 97% 都是跌的。
这时候你心里可能会嘀咕：“这前 10 天的数据挺靠谱的，为啥整体来看跌如此多？”便你就得重新计算概率。结局你会发现，要是按照那会儿一万天的平均值，房价涨的概率只有 1%，跌的概率有 99%。
这时候你可能就得转变策略，别赌它涨了，而是把它当成本中心去看待，要么起码得做好它彻底崩盘的心理预备。
这就是 HOS 定理带来的冲击感，它告诉你，那些看起来顺风顺水的小样本，往往隐藏着庞大的风险。 HOS 定理还有一个挺有意思的特性，就是它能把概率从“主观感觉”变成“客观数据”。
那会儿你可能认定“我认定这个股票会涨”，那是感觉，是感觉。用了 HOS 赶明儿，你就得数数那会儿一万天，有多少个日子是涨的，有多少个是跌的，把这些数字加起来算个平均值，那个平均值就是客观的概率。
这个平均值可能让你不舒服，出于它有时候会极大地惩罚你的预测。
比如预测一个没形成过的新事物，那会儿一万天里没有记录，那它目前的概率可能就是 -50% 要么 90%，这听起来是不是挺恐怖？是的，听起来挺恐怖。但这正是 HOS 定理的了得之处，它强迫你面对“未知”这个事实，而不是试图幻想出一个完美的故事。
要是你硬要硬凑数据，那只能得出贼荒谬的结论。
故此它就像是一个严厉的考官，它不给你任何冒牌的保险感，它只给你最真的数据分布，让你自己去判断那个分布里藏着的风险。 有时候你会认定它有点啰嗦，出于你要看那会儿一万条数据，还要看分布，这比看昨天今天累多了。
可是要是你确实在干预测这件事，不去用 HOS 看看那些看似美好的小样本，那你的预测结局大约率会在事后被数据无情地打脸。HOS 定理不是为了让你恐惧未知，而是为了让你敬畏未知。它告诉你，别指望从最近的几条数据里就能推导出整个未来的命运。真正的概率分布，往往藏在那些看起来不忒靠谱、就连有点乱七八糟的历史数据里。
只要你能从这些数据里读出来那个对的分布图，你就能在充满不确定性的世界里找到一点点确定的方向，哪怕这个方向可能让你认定有点绝望。
这就是它存有的意义，一个在不确定中试图寻找秩序的数学工具。