勝算：賭的科學與決策智慧
1 L0 L) h! K6 g% X; y7 }; ]. L( m The Perfect Bet: How Science and Math Are Taking the Luck Out of Gambling
" B: n$ Y" i: |' {7 j 產品資訊
6 K, F) u/ o( L4 L# r 內容簡介6 b, N$ S, ~& H g, r
從「賽局理論」約翰?馮紐曼到《他是賭神，更是股神》愛德華．索普，6 U, J v0 W* i3 R4 D8 Y4 N
博奕的魔力吸引了古往今來各領域的頂尖腦袋，' d; [& a& P' L& T! r
他們的研究成果，對於理解運氣和決策有何啟發？
8 K3 G1 s2 W6 a$ K+ p1 L 又點出我們解讀事物的哪些常見盲點？
3 X) D; d) U; u: ^9 m ———《數學大觀念》作者亞瑟?班傑明口碑推薦！———
5 H' s/ e) G* }: V8 s5 t1 t 長久以來，各領域的頂尖頭腦都深受博奕吸引，他們不斷挑戰預測的極限，探究秩序與混沌的界限，以揭曉「機會」背後的學問。從賽局理論、混沌理論、統計學、心理學、物理學、經濟學乃至人工智慧，都因「賭」而拓展了探索的疆界。
. m/ m- Y8 |7 K+ S 我們常用「運氣」和「技巧」截然劃分事情的成因，問題是兩者的界線沒有那麼分明。了解賭的科學，你將學會洞察普遍存在的判斷盲點，更睿智地權衡風險與報酬，從而做出優質決策，控制運氣的影響。
% t& T7 V2 b! W4 x/ ]" J ●懂博奕，你會更洞察盲點7 Z [, H }; M4 z2 c. X
○輪盤贏錢策略的演進，反映出機率科學近一世紀來的發展……
0 \1 A- n Y- E ○賭場改用多達六副牌擾亂算牌客，為何效果適得其反？
, }! w/ e+ k8 y. X" |/ T, d$ e Z3 R ○研究放射性衰變與大腦神經元活動的「卜瓦松過程」與足球比賽何干？5 e) q/ L1 d9 E8 o) C5 f
○為何有些投注公司反其道而行，樂於吸引精明賭客來投注？
; I' Q! W5 N T8 Y6 r# {! f$ V ○投注業者改變賠率不是為了符合結果的真實機率，那是為啥？
A6 L# H, V# h2 z6 R& W( O ●懂博奕，你會更了解投資
6 t& q% e& ]( {( T ○為何股票市場「大變化後面往往還會出現大變化」，反之亦然？, `1 I4 s' \6 L0 k2 w! R
○交易機器人崛起後，金融市場的哪些現象你尤其該審慎解讀？
$ d4 _/ P6 |6 z' X1 g9 l2 S ○教人拿捏投資資金比例的「凱利準則」，用於賽馬時有何弱點？6 P; H" z5 V2 E7 O# \
○購買不同產業多家公司的股票，投資組合多樣性為何仍然不夠？2 n( J# O7 a, `+ r: f' A! W' d1 _
○投資領域的「基本分析法」，要注意什麼盲點？
6 C8 ~% g) r1 O v+ x ○購買擔保債券憑證時，要避免什麼錯誤假設？! W G- x8 \8 G$ i! b: [/ D
●懂博奕，你會更善於決策
3 n! S; f" j* D+ q! \- p/ W ○機會賽局中常見的「馬可夫鏈」，如何有助於尋找隱含資訊？2 k$ X8 x4 `7 } x, x2 d1 w
○撲克牌是許多生活實際狀況的完美縮影，因為它試圖處理缺漏的資訊。; D' m* o$ w. i7 C2 x. y
○賽局未達到最佳結果時，參與者的決定不會趨向平衡，而會大幅震盪。
5 g% L- t/ O) a& j# N- y0 M ○參與者易失誤或得在賽局中學習時，賽局理論不是找出最佳策略的好方法……3 m% w' m0 o. _ w
●懂博奕，你會更過好人生9 k% p/ k0 l3 g9 l8 S- v
○為什麼選擇最簡單的解釋，往往反而明智？; _7 `; s+ ^2 S" v
○為何最快的解決方法，有時像在走回頭路？/ z5 c; `- y! R; ]6 P
○人性偏誤會導致我們誤判賽事的哪些方面？
+ I1 Y) N ^. J ○優秀的機器人程式不能只有蠻力，還要懂心理學才行。
" y. I# n3 j7 }7 ?# T l; } 〔各章內容簡介可以參見目錄的引文〕
( k E" j/ i9 f: z0 t 好評推薦, h5 S* `0 k1 V( A1 u. A
●庫拉斯基以風趣的寫作，介紹必勝投注法的歷史和最新進展，讓我們了解數學和電腦如何成為強大的博奕、運動比賽、虛張聲勢和投資的輔助工具。——《數學大觀念》作者亞瑟?班傑明
5 X4 _( ?! k+ q2 M/ j0 B6 t/ ^- H ●這本書闡述博奕、科學與數學間的交互作用，寫得趣味橫生……記敘輕鬆連貫，而且將背後的原理寫得淺顯易懂。——英國《展望》雜誌& M; c1 x9 i% K
●賭客和數學迷都會喜歡本書探討真實世界問題的切入角度。——《柯克斯書評》7 E) T. }( e5 D$ F: N
●作者將博奕如何影響科學、科學又如何影響博奕的故事，寫得相當成功。本書淺顯易讀，但同時具備深厚的學術底蘊。——牛津大學教授J?杜恩?法馬
+ Y" F G( W+ ~+ v1 v7 v( f ●這本書用許許多多的故事，敘述這些鬼才如何運用數學、統計學和科學嘗試超越機率。讀過這本書後，我開始有那麼點想賭兩把了。——劍橋大學教授大衛?史匹格赫爾特
5 T3 x" n6 Q- ? H 目錄$ k P a4 B: p- u8 l% m2 o$ T; g( w
0. 前言 Introduction
5 M! a& h( ~/ O- ^6 U 數學家理查?愛普斯坦說：「賭徒可說是機率理論的乾爹。」其實不只是機率，長久以來，各領域的頂尖頭腦都深受博奕吸引，他們不斷挑戰預測的極限，探究秩序與混沌的界限，以揭曉「機會」背後的學問。從賽局理論、混沌理論、統計學、心理學、物理學、經濟學乃至人工智慧，都因「賭」而拓展了探索的疆界。了解賭的科學，你能學會洞察普遍存在的判斷盲點，更睿智地權衡風險與報酬，從而做出優質決策，控制運氣的影響。
2 j$ E% O9 ?! P2 ? M1 \+ S 第1章 三種程度的無知 The Three Degrees of Ignorance: @; P' u1 P V) H1 f) l
輪盤的小球最終落在哪一格，是隨機的嗎？數學家亨利?龐卡赫認為，這類事件看似隨機，是因為我們不知道成因；他建議我們依照對問題的無知程度來分類問題。龐卡赫還主張，簡單的物理過程可以簡化到表面看來像是隨機——這個想法構成七十年後混沌理論的重要部分。卡爾?皮爾森仰賴統計學，藉由找出數據的重覆型態，來預測球會落在哪。資訊理論先驅克勞德?夏農與後來成為「計量金融之父」的愛德華．索普則發明史上第一具穿戴式電腦，帶到賭場蒐集資料、即時預測小球的落點。輪盤贏錢策略的演進，反映出機率科學近一世紀來的發展……
9 q8 M4 F8 v! {$ D* Z- N2 F* w 第2章 靠蠻力賺錢的事業 A Brute Force Business
7 D' A3 u: c! g. j$ W) [0 o% p 怎麼做才能讓某樣東西分布得既隨機又均衡？創立現代統計學的隆納德?費雪研究怎麼在廣大農地上灑農藥時，面臨這個問題。今日的彩券業者設法限制中獎彩券的數量，以及避免中獎彩券過度集中時，也面臨類似挑戰。包牌買彩券要贏錢，前提是什麼？投注彩券時，你的競爭對手除了莊家，還有誰？麻省理工學院的投注團隊，比競爭對手多了解了什麼，而抱得大獎歸？這一章介紹賭徒們怎麼破解美國歷來的各種彩券，以及彩券要仰賴多大的「蠻力」……
5 t5 K# ? ~% V 第3章 從洛沙拉摩斯國家實驗室，到蒙地卡羅賭場 From Los Alamos to Monte Carlo8 M+ X% m9 }1 x1 ]6 x
愛德華．索普靠著算牌狂贏「廿一點」，賭場改成用六副牌擾亂算牌客，為何效果適得其反？賭場最後索性見到專業算牌客便擋在門外，但賭香港賽馬可不用露臉。在這裡你會認識冷門偏誤、迴歸分析，了解用分析過的賽事數據來檢驗預測，其實不是好方法。奧坎剃刀原理則教你，為何選擇最簡單的解釋反而明智（想建立某真實過程的模型，就該排除不必要特徵）。研究氫彈的數學家，對於預測賭馬結果有何啟發？投資領域的「基本分析法」要注意什麼盲點？機會賽局中常見的「馬可夫鏈」，如何有助於尋找隱含資訊？為何一味求進展往往找不出最佳解決方法，最快的解方有時會像在走回頭路？教人拿捏投資資金比例的「凱利準則」，用於賽馬時又有什麼弱點？+ ]# S# o1 u" j7 J
第4章 博士評論員 Pundits with PhDs7 Y8 p. }* A w- W
用來預測洪水、地震、森林大火和保險損失的「極值理論」，如何跨進運動賽事？研究放射性衰變與大腦神經元活動的「卜瓦松過程」，在預測足球比賽時能起什麼作用？人性偏誤會導致我們誤判賽事的哪些方面？為何有些投注公司反其道而行，樂於吸引精明賭客來投注？投注業者改變賠率不是為了符合結果的真實機率，那是為了啥？購買不同產業多家公司的股票，投資組合多樣性為何仍不夠？購買擔保債券憑證，你要避免什麼錯誤假設？買賣股票時若持股時間不長，常被比做賭博而非投資，然而已有研究指出，運動投注可達成與投資股市相仿的風險與報酬平衡。網際網路如何改變博奕活動的面貌？博奕合法化又有哪些有別於道德面的思考角度？6 F. [1 p- |3 b$ b$ H/ v6 e
第5章 機器人興起 Rise of the Robots. n9 a1 `" E' @: M. g+ T
人需要時間處理資訊、會猶豫，而且很難同時做很多事情——這正是機器人的機會。現在有許多機器人程式四處尋找失誤賠率，藉以套利；另一些機器人功能相反，會盡可能掩蓋這些資料。另外就如《快閃大對決》一書所述，有的大券商為了比競爭對手提早幾毫秒得知新事件，甚至大費周章炸山鋪路，好鋪設自己的電纜以攔截資訊。只是機器人雖然「能人所不能」，麻煩的是它的行動未必總符合人類主人的利益。騎士資產管理公司由於更新高速交易軟體時出錯，程式自顧自不斷買進與賣出股票，鉅額損失導致該公司當年底就被收購。2013年駭客假造新聞，稱歐巴馬因爆炸而受傷，金融市場反應速度似乎並非出自人類交易員之手，這是好是壞？機器人崛起後，傳統金融理論已經遠遠不足，我們應該把投注或金融市場視為生態系，而非固定不變的經濟法則，那麼我們對生態系的理解，哪些正確、哪些有誤呢？
4 E4 r; O$ }. H( L' J 第6章 虛張聲勢闖天下 Life consists of Bluffing5 j. g0 _! H: \, o* _6 x% B9 _
賽局理論用在資訊全部已知的賽局上效果最好，那麼若是運用在複雜到難以理解的情境時，會出現什麼狀況？西洋棋與許多種撲克牌玩法非常複雜，不論是人類或電腦都還找不出最佳策略。金融市場也有類似問題——許多重要資訊雖已隨手可得，但有更多交互作用的影響因子難以掌握。賽局沒有達到最佳結果時，參與者的決定不會趨向平衡，反而會大幅震盪，混亂難解的決策變得更加常見，就如同碎形理論之父本華?曼德博所發現違反一般直覺的現象：股票市場「大變化後面往往還會出現大變化，小變化之後往往會接連出現小變化」。在玩家容易失誤或必須在賽局中學習時，賽局理論也不是找出最佳策略的好方法……( S9 U0 @2 P* n' ?
第7章 機器對手 The Model Opponent
# V8 q2 F: j) m 繼電腦「深藍」於1997年打敗西洋棋王卡斯帕洛夫之後，2004年IBM又設計了「華生」參加機智問答節目，照樣電慘人類對手。不過深藍只需用電腦的方式下棋——運用大量運算能力審視接下來的可能棋步，評估可用策略。卡斯帕洛夫指出這種「蠻力」具備的智慧不多：「它不是擁有人類的創意和直覺，能以人類的方式思考和下棋的電腦。」同樣的「華生」不需假扮人類也能取勝。電腦科學家達斯?畢靈斯說：「西洋棋不夠看，那我們來試試撲克牌好了。」電腦打撲克牌時，其實是在解決一個我們十分熟悉的問題：如何處理缺漏的資訊。生活中有許多狀況都是不完全資訊賽局，撲克牌是這類狀況的完美縮影。電腦打撲克牌時不僅搜尋勝利策略困難得多，為了取勝還必須觀察對手，評估大量選擇——電腦需要有顆大腦才行……
; {/ O+ T- }/ A# p- j& J" O' K 第8章 超越算牌 Beyond Card Counting$ @) k% Z. J6 v' a
經營撲克牌館的迪克里斯提納被判經營非法賭場後，請來經濟學家藍道爾?希柏擔任專家證人，要務是說服法官撲克是技巧賽局，因此不是非法賭博。希柏認為最重要的問題是：技巧對牌局的影響，需要多久才能超越機率？我們很容易把賽局分成「運氣」（賭博）和「技巧」（投資）兩類，問題是兩者的界線沒有我們想的那麼分明。我們以為是隨機的過程，通常很不隨機；如果選擇正確，我們容易歸因於技巧，選擇失敗的話則偏向說運氣不好。關於成功投注的報導普遍從數學角度切入，「決定」被簡化成基本機率，但以撲克為例，賭客還要解讀對手的行為。馮紐曼發展出賽局理論來解決這問題時，發現採用虛張聲勢等詐騙策略其實是最佳方案——賭客一直都作對了，只是不知道原因。有時人性因素是影響事態的主要因素，優秀的機器人程式單單知道機率仍不夠，還要結合數學與心理學。
- z% m+ X6 q; ?/ b- l7 O 作者介紹
: ~ W" |, s* g2 ` 作者簡介
7 b5 g( W! q* r6 Q; C, } 亞當庫查司基（Adam Kucharski）5 i: b2 o( v5 D; A/ f: G/ [
為倫敦衛生與熱帶學院數學建模助理教授及科普作家，畢業於英國華威大學，於劍橋大學取得數學博士學位，曾經獲得2012年惠康科普著作獎，現居倫敦。
3 E z2 ]' r6 Z( j6 k 譯者簡介0 t0 S* I/ T" b" L; g
甘錫安
6 v& \& V+ g# u# O) X3 b! T 專職譯者。曾擔任Discovery頻道與資訊雜誌編譯，現仍為《科學人》及《BBC知識》等雜誌翻譯。書籍譯作包括《決斷的演算：預測、分析與好決定的十一堂邏輯課》、《品嚐的科學》（合譯）、《愛因斯坦1905》、《現代主義烹調》、《獵光聖經》等，熱愛吸收各類知識，正努力朝「全方位譯人」的目標邁進。# \' m: x8 J. O# Z, w/ u% w
2 U: _/ | u3 Y勝算：賭的科學與決策智慧epub格式游客,本下载内容需要支付 3共享币，购买后显示下载链接立即支付
0 ?/ {! f) j8 G i% P7 M |
楼主
