《噪声》是2020年诺贝尔经济学奖得主，丹尼尔·卡尼曼的新作，其主要讲解了一个公式引发的巨大的问题：

决策错误=偏差+噪声

其中噪声是人们往往忽略的，对决策产生重大影响的变量，书中的核心思想是应该尽可能降低噪声以提高决策正确率。所谓噪声，就是指对相同问题进行判断的过程中产生的差异性。

我自己想到了一个例子来说明噪声的存在，以及可能产生的巨大影响。

当我们拿尺子去量一根铅笔的长度的时候，为了获得一个相对准确的数字（该数字为最终的判断与决策），我们可能会量11次，并取其平均值或者中位数，以降低最后的误差确定笔的长度。

这里面我们量的11次数据可能都不相同，这是客观存在的偏差，而这11次操作实际上代表了我们在尝试降低误差。但是我们选择平均值还是中位数来做判断，就属于人类的一种思维方式带来的行为，这就属于噪声。从实际上来讲，使用平均数的准确率更高，但是的确会有人去使用中位数，进而导致决策的错误，这就是一种人类自我产生的噪声。

这种小小量笔的案例，尚且存在这样的噪声影响，进而产生蝴蝶效应，更不用说去进行预测股票、经济、案件、医疗并进行相关决策了，事实上这种噪声对股票预测者、法官、医生的影响是巨大的，不可能忽视的，是必须尽可能消除的项目。

在我们的投资过程中，碰到过一些投资者，仅仅因为茅台卖的是白酒，好像没有社会价值就不去分析这个股票，忽略了其独一无二的奢侈品商业模式属性，或者是自己去体验了产品觉得不好就否定整个赛道，亦或是因为这个公司卖的是国货或自主品牌，就放弃研究，都会错过重大的投资机遇（何理总结）。

在书中，详细列举了部分法官因为被告是有色人种就加刑3年等等的情况时有发生，医生的医疗决策经常被噪声所影响，且上述的决策者并不知道自己被噪声严重影响而且自信满满，这类情况的普遍存在，最终酿成了数不清的重大决策失误。

为了去消除噪声，作者提出了几个简单有效的方式，可以进行使用，这里的方法可以混合使用，而不是只使用一个：

1.开会时让预测最准确的人作为核心预测者，但是一定要让与事件相关度最低的人先发言，以防止严重误导情况的发生；

2.使用一个参照物的方式进行决策评估，并将所有的独立预测结果取平均值，作为最终的结果进行判断决策；

3.使用独立评估-讨论-综合评估的方式，实现不同成员的独立评估与汇总探讨，最终得到答案的方式形成决策。

这样的消除噪声方法，可以使用在面试、评估股票、预测事件等等的最终判断，特别是对我们这类主观多头策略的私募（点击跳转），有很好的参考价值。