预期价值计算

核心原理

预期价值（Expected Value, EV）是概率论和决策理论的基础概念，由布莱斯·帕斯卡和皮埃尔·德·费马在17世纪发展概率论时奠定。EV的计算公式为：EV = Σ (P_i × V_i)，其中P_i是第i个结果的概率，V_i是该结果的价值。在理性选择框架下，决策者应选择EV最高的选项。然而，行为经济学的研究表明，人类并非EV最大化者——前景理论揭示了"损失厌恶"（对损失的敏感度高于等量收益）、"概率加权"（对小概率过度反应）和"参考点依赖"（评估相对于参考点而非绝对值）。在更深层面上，EV分析面临"圣彼得堡悖论"的挑战：一个期望值为无穷大的赌博（掷硬币直到正面出现，奖金翻倍），理性人却不愿支付高价参与。这一悖论推动了效用理论（Bernoulli）和风险厌恶概念的发展——人们最大化的是期望效用（EU）而非期望货币价值。

跨学科背景

概率论中，大数定律保证了长期中样本均值收敛于期望值；统计学中，EV是估计量的核心性质（无偏性即估计量的期望等于真值）；博弈论中，纳什均衡假设参与者最大化期望收益；金融学中，期权定价（Black-Scholes模型）基于风险中性期望；机器学习中的"期望风险最小化"是监督学习的理论基础；决策分析中，多属性效用理论（MAUT）将EV扩展到多维价值；神经经济学中，fMRI研究揭示了大脑计算EV的神经机制（腹侧纹状体和前额叶皮层）。

应用场景

• 保险决策：计算购买保险的EV：EV = (损失概率 × 损失金额) - 保费。如果EV为负（通常如此），为什么还要购买？因为风险厌恶和"灾难性损失"的非线性效用。
• 创业投资：天使投资人评估初创公司时，计算：EV = (成功概率 × 成功回报) + (失败概率 × 失败回报)。即使单项目EV为负，投资组合层面的EV可能为正。
• 职业选择：比较两个工作offer时，不仅比较确定性的薪资，还要将职业发展、工作满意度、风险等因素概率化后计算综合EV。
• 医疗决策：在决定是否进行一项有风险的手术时，计算：EV = (成功概率 × 术后预期寿命/质量) + (失败概率 × 术后预期寿命/质量)。

落地方法

1. 概率分解：将复杂事件分解为独立子事件，用概率树计算联合概率，再计算EV。
2. 蒙特卡洛模拟：当概率分布复杂时，用计算机模拟数千次随机抽样，估计EV的分布而非单点值。
3. 敏感性分析：改变关键概率和价值假设，观察EV的变化，识别对结论影响最大的变量。
4. 期望效用替代：在涉及重大风险时，将货币价值转化为效用值（考虑风险厌恶），计算期望效用（EU）而非EV。
5. 信息价值计算：在收集更多信息前，计算"完美信息价值"（EVPI）和"样本信息价值"（EVSI），确保信息收集的成本不超过其价值。

故事 / 案例

18世纪，瑞士数学家丹尼尔·伯努利在圣彼得堡观察到一种赌博：掷一枚公平硬币，如果第一次就出现正面，赢得2元；如果第二次出现正面，赢得4元；第三次，8元；以此类推。这一赌博的期望值是：EV = (1/2)×2 + (1/4)×4 + (1/8)×8 + ... = 1 + 1 + 1 + ... = 无穷大。按照EV最大化，理性人应该愿意支付任意高的价格参与。但现实中，没有人愿意支付超过几十元。伯努利用"边际效用递减"解释了这一悖论：金钱的效用不是线性的，第100元的效用远低于第1元。因此，人们最大化的是期望效用而非期望货币价值。这一洞见奠定了现代经济学和风险理论的基础。在更现代的语境中，扑克职业玩家是EV计算的大师：他们不仅计算手牌获胜的概率，还要计算"隐含赔率"（implied odds）——如果击中想要的牌，能从对手那里赢得多少额外筹码。顶级玩家如道尔·布朗森（Doyle Brunson）强调："扑克不是关于赢得每一手牌，而是关于做出+EV（正期望值）的决策。长期来看，+EV决策必然盈利。"

常见误区

• 忽视效用曲率：将EV等同于"应该做的选择"，而忽视了风险厌恶和效用非线性；对大多数人，确定性的100元优于50%概率的200元（EV相同）。
• 小样本谬误：在样本量小的情况下，实际结果可能大幅偏离EV；EV是长期平均，短期波动可能极大。
• 概率估计偏差：EV的计算 Garbage In, Garbage Out；过度自信、可得性启发等偏差使概率估计系统性偏离真实值。

延伸阅读