介绍
# Decision Trees — Structured Decision-Making
决策树分析：一种利用概率和期望值进行决策的可视化工具。
## 适用场景
✅ **适用于：** - 商业决策（投资、招聘、产品发布） - 个人选择（职业、搬迁、购买） - 交易与投资（仓位规模、进出场） - 运营决策（扩张、外包）- 任何具有可衡量后果的情况
❌ **不适合：** - 存在真正不确定性的决策（黑天鹅事件） - 快速的战术选择 - 纯粹的情感/伦理问题
## 方法
**决策树** = 树状结构，其中： - **决策节点**（方块）— 你的行动 - **机会节点**（圆形）— 随机事件 - **终点节点**（三角形）— 最终结果
**流程：** 1. **定义选项** — 所有可能的行动 2. **定义结果** — 每个行动后可能发生的事情 3. **估算概率** — 每个结果发生的可能性 (0-100%) 4. **估算数值** — 每个结果的效用/回报（金钱、分数、效用单位） 5. **计算 EV** — 期望值 = Σ (概率 × 数值) 6. **选择** — 具有最高 EV 的选项
## 公式
``` EV = Σ (probability_i × value_i) ```
**示例：** - 结果 A：70% 概率，+$100 → 0.7 × 100 = $70 - 结果 B：30% 概率，-$50 → 0.3 × (-50) = -$15 - **EV = $70 + (-$15) = $55**
## 经典示例（来自维基百科）
**决策：** 去参加派对还是待在家里？
### 估算： - 派对：+9 效用（有趣） - 在家：+3 效用（舒适） - 不必要地带夹克：-2 效用 - 感到冷：-10 效用 - 变冷的概率：70% - 变暖的概率：30%
### 树：
``` Decision ├─ Go to party │ ├─ Take jacket │ │ ├─ Cold (70%) → 9 utility (party) │ │ └─ Warm (30%) → 9 - 2 = 7 utility (carried unnecessarily) │ │ EV = 0.7 × 9 + 0.3 × 7 = 8.4 │ └─ Don't take jacket │ ├─ Cold (70%) → 9 - 10 = -1 utility (froze) │ └─ Warm (30%) → 9 utility (perfect) │ EV = 0.7 × (-1) + 0.3 × 9 = 2.0 └─ Stay home └─ EV = 3.0 (always) ```
**结论：** 去并带上夹克 (EV = 8.4) > 待在家里 (EV = 3.0) > 去不带夹克 (EV = 2.0)
## 商业示例
**决策：** 推出新产品？
### 估算： - 成功概率：40% - 失败概率：60% - 成功时的利润：$500K - 失败时的损失：$200K - 不推出：$0
### 树：
``` Launch product ├─ Success (40%) → +$500K └─ Failure (60%) → -$200K
EV = (0.4 × 500K) + (0.6 × -200K) = 200K - 120K = +$80K
Don't launch └─ EV = $0 ```
**结论：** 推出 (EV = +$80K) 优于不推出 ($0)。
## 交易示例
**决策：** 建仓还是等待？
### 估算： - 上涨概率：60% - 下跌概率：40% - 仓位规模：$1000 - 目标：+10% ($100 利润) - 止损：-5% ($50 损失)
### 树：
``` Enter position ├─ Rise (60%) → +$100 └─ Fall (40%) → -$50
EV = (0.6 × 100) + (0.4 × -50) = 60 - 20 = +$40
Wait └─ No position → $0
EV = $0 ```
**结论：** 建仓具有正 EV (+$40)，优于等待 ($0)。
## 方法局限性
⚠️ **关键点：**
1. **主观估算** — 概率往往是“拍脑袋”得出的 2. **不考虑风险偏好** — 忽视心理学（损失厌恶） 3. **简化模型** — 现实更为复杂 4. **不稳定** — 数据的微小变化可能会极大地改变决策树 5. **可能不准确** — 存在其他更精确的方法（随机森林）
**但是：** 即使数字是近似值，该方法对于**梳理思路**也是非常有价值的。
## 用户工作流
### 1. 结构化
询问： - 行动选项有哪些？ - 可能的结果有哪些？ - 每个结果的数值/效用是多少？ - 我们如何衡量数值？（金钱、效用单位、幸福点数）
### 2. 概率估算
帮助估算的方法： - 历史数据（如果可用） - 可比情况 - 专家判断（用户经验） - 主观评估（如果没有数据）
### 3. 可视化
在 markdown 中绘制树：
``` Decision ├─ Option A │ ├─ Outcome A1 (X%) → Value Y │ └─ Outcome A2 (Z%) → Value W └─ Option B └─ Outcome B1 (100%) → Value V ```
### 4. EV 计算
对于每个选项： ``` EV_A = (X% × Y) + (Z% × W) EV_B = V ```
### 5. 建议
具有最高 EV 的选项 = 最佳选择（理性上）。
**但要补充背景：** - 风险承受能力（用户能否承受最坏情况） - 时间跨度（何时需要结果） - 其他因素（声誉风险、情绪、伦理）
## 按领域的应用示例
### 交易与投资
**仓位规模：** - 选项：资金的 5%、10%、20% - 结果：具有不同概率的利润/损失 - 数值：以美元为单位的绝对利润
**入场时机：** - 选项：现在入场、等待 -5%、等待 -10% - 结果：价格上涨/下跌 - 数值：机会成本 vs 更好的入场价格
### 商业策略
**产品发布：** - 选项：发布 / 不发布 - 结果：成功 / 失败 - 数值：收入、市场份额、成本
**招聘决策：** - 选项：招聘候选人 A / 候选人 B / 不招聘 - 结果：成功入职 / X 个月后离职 - 数值：生产力、成本、机会成本
### 个人决策
**职业变更：** - 选项：留任 / 换工作 / 创业 - 结果：新角色中的成功 / 失败 - 数值：薪水、满意度、成长、风险
**房地产：** - 选项：购买 A 房 / B 房 / 继续租房 - 结果：价格上涨 / 下跌 / 个人情况变化 - 数值：净资产、每月成本、生活质量
### 运营
**产能规划：** - 选项：扩大生产 / 外包 / 维持现状 - 结果：需求增加 / 减少 - 数值：利润、利用率、固定成本
**供应商选择：** - 选项：供应商 A / 供应商 B / 内部完成 - 结果：质量、可靠性、故障 - 数值：总拥有成本
## 计算器脚本
使用 `scripts/decision_tree.py` 进行自动 EV 计算：
```bash python3 scripts/decision_tree.py --interactive ```
或者通过 JSON：
```bash python3 scripts/decision_tree.py --json tree.json ```
JSON 格式：
```json { "decision": "Launch product?", "options": [ { "name": "Launch", "outcomes": [ {"name": "Success", "probability": 0.4, "value": 500000}, {"name": "Failure", "probability": 0.6, "value": -200000} ] }, { "name": "Don't launch", "outcomes": [ {"name": "Status quo", "probability": 1.0, "value": 0} ] } ] } ```
输出：
``` 📊 Decision Tree Analysis
Decision: Launch product?
Option 1: Launch └─ EV = $80,000.00 ├─ Success (40.0%) → +$500,000.00 └─ Failure (60.0%) → -$200,000.00
Option 2: Don't launch └─ EV = $0.00 └─ Status quo (100.0%) → $0.00
✅ Recommendation: Launch (EV: $80,000.00) ```
## 最终检查清单
在给出建议之前，请确保：
- ✅ 涵盖了所有选项 - ✅ 每个分支的概率总和为 100% - ✅ 数值是现实的（而非幻想） - ✅ 用户清楚最坏的情况 - ✅ 风险/回报比是明确的 - ✅ 提及了方法局限性 - ✅ 添加了定性背景（不仅仅是 EV）
## 方法优势
✅ **简单** — 人们凭直觉就能理解树状图 ✅ **可视化** — 结构清晰 ✅ **数据需求量小** — 可以使用专家估算 ✅ **白盒** — 逻辑透明 ✅ **最好/最坏情况** — 可见极端场景 ✅ **多位决策者** — 可以考虑不同的利益
## 方法劣势
❌ **不稳定** — 微小的数据变化 → 巨大的树状变化 ❌ **不准确** — 通常存在更精确的方法 ❌ **主观** — 概率估算“来自头脑” ❌ **复杂** — 结果众多时会变得笨拙 ❌ **不考虑风险偏好** — 假设风险中性
## 重要提示
该方法对于**梳理思路**很有价值，但数字往往是凭空捏造的。
更重要的是过程 — **强迫自己思考所有分支**并明确评估后果。
不要将决策宣传为“科学证实”的 — 它只是一个用于有意识选择的框架。
## 延伸阅读
- 运筹学中的决策树 - 影响图（对于复杂决策更紧凑） - 效用函数（考虑风险厌恶） - 蒙特卡洛模拟（为了更高的准确性） - 实物期权分析（用于战略决策）