错误分析有哪些局限性？
什么是错误分析
错误分析是一种结构化的方法，用于检查过去的决策，以了解哪里出错以及原因，目标是改进未来的决策。在实践中，它通常包括：（1）描述当时的情境，（2）识别所采取的行动，（3）说明当时的预期结果，以及（4）将该预期与实际发生的情况进行比较。
由于这种方法是回顾性的，无法直接观察所有隐藏变量。它依赖于你收集的输入信息（例如你当时写下的推理过程、操作时间以及你的系统所经历的条件）。这种对输入的依赖性造成了第一个主要局限。
实践中的运作方式
一个典型的工作流程将决策视为一组假设。你根据当时理解的情况重建情境，然后评估结果是否与这些假设不一致。
有两个因素影响准确性：
-
稳定的机制 vs. 可变的条件
某些因素相对稳定——例如你是否遵守了规则、你的推理是否内在一致，或你是否在行动前评估了信息。而其他因素则会变化——例如市场流动性、波动性、执行质量、点差，以及交易执行环境中的任何程序性限制。 -
任何计算背后的假设
如果你比较“预期”与“实际”结果，你实际上隐含地假设了在相同条件下你会得到什么。当这个假设错误或不完整时，分析可能会归因于错误的原因。
即使没有实时数据，该分析仍可用于理解决策过程。其局限在于，它可能无法充分解释结果，从而无法预测或防止类似的失败。
证据与示例：为什么结果可能产生误导
考虑一个简化的情景：某项决策表现不佳。错误分析可能得出结论，问题在于“当时的判断错误”。但糟糕的结果也可能源于原始推理中未包含的条件，例如执行滑点或与你模型中不同的交易成本。
这就导致了一种常见失败模式：归因错误。分析会归因于一个符合结果的单一原因，即使多个因素可能共同导致了问题。当你无法区分这些原因时（因为缺失的数据无法恢复），关于“下次该怎么做”的结论就会变得不确定。
第二种失败模式是选择偏差。如果你只分析出错的决策，你可能会高估相同“错误”导致亏损的频率。如果你只分析那些容易重建的决策，你可能会错过决策背景的全部范围。
局限性与风险
1) 对真实原因的不确定性
错误分析可以澄清发生了什么，但可能无法证明为什么会发生。隐藏因素可能包括执行差异、时间效应，或你当时可获得信息的局限性。因此，这种方法可能产生看似合理但无法验证的解释。
2) 历史结果不能确立未来关系
即使你发现某种模式——例如“在X条件下做出的决策表现更差”——这种关系也不一定持续。市场状况、参与者行为和成本都可能变化。因此，过去决策风格与结果之间的关联可能在未来不再成立。
3) 条件和成本可能改变相同决策的意义
两个在推理上看似相同的决策，如果所处环境不同，可能导致不同结果。交易成本、执行质量和操作规则可能使相同的“错误”显得更严重或较轻微。如果你的分析未考虑这些差异，可能会夸大结论。
4) 过度拟合单一叙事
错误分析可能演变为试图用单一故事解释复杂结果。这可能导致狭隘的教训，无法推广。当你无法检验相互竞争的解释时，你可能会把一个方便的解释误认为是正确的解释。
验证与后续问题
要验证一次错误分析，请将其结论视为假设，而非事实。一个实用的检查方法是：使用相同的条件和输入假设，判断该解释在类似案例中是否保持一致。
如果你想更独立且准确，请明确以下问题：
- 决策时实际可获得的信息有哪些？
- 哪些环境因素发生了变化？这些变化是否被记录？