TL;DR
期望值： 将每个可能结果乘以其概率，然后对所有结果求和。结果是如果你多次做出这个决策会获得的平均回报——你比较任何不确定替代方案的理性基础。
期望值（EV）是概率论中的一个概念，回答一个基本问题：如果一个具有不确定结果的情况被重复多次，平均结果会是多少？
公式很简单：EV = Σ（结果概率 × 结果价值）——对所有可能结果求和。
对于一个掷硬币，正面赢 100 美元，反面输 50 美元：EV = (0.5 × $100) + (0.5 × -$50) = $50 - $25 = 正 EV 25 美元。如果你重复玩这个游戏，平均每次掷硬币会赢 25 美元。任何理性的决策者都应该玩这个游戏。
期望值的力量不在于它能预测任何单一结果——它不能。它预测的是长期平均值，这对于重复的决策或一系列类似决策才重要。一次掷硬币可能输 50 美元。但以这个 EV 进行一千次掷硬币将产生约 25,000 美元的利润。
期望值思维是区分职业赌徒与业余赌徒、熟练投资者与幸运投资者、系统性决策者与直觉决策者的关键。它将"这会成功吗？"——在不确定性下无法回答的问题——转化为"这个决策有正期望值吗？"——可以用诚实的概率评估来回答。
实际挑战不在公式而在输入：大多数现实决策中的概率并不精确已知。这需要在不确定性下进行校准估计——一种通过刻意练习、参考类别数据和诚实承认未知领域而发展的技能。
步骤 1：列举可能的结果
识别有意义的场景，而非每一个可能的状态。
对于大多数决策，3-5 个场景就能捕捉分布。
步骤 2：估计每个结果的概率
— 当有历史基础率时使用。
— 咨询参考类别（在可比情况下发生了什么？）
而非依赖内部视角。
— 概率必须总和为 100%。
步骤 3：估计每个结果的价值
— 以可比单位表达（金钱、时间、战略价值）。
— 包括具有负价值的下行结果。
— 对现实最坏情况保持诚实。
步骤 4：计算 EV
EV = (p₁ × v₁) + (p₂ × v₂) + ... + (pₙ × vₙ)
步骤 5：与替代方案比较
— 具有最高 EV 的决策是理性上应偏好的。
— 根据风险承受能力调整（方差重要，不仅仅是 EV）
对于涉及生存或毁灭的决策。
示例：
初创公司投资：10 万美元支票
场景：
- 60% 概率：损失全部 10 万美元 = -6 万美元加权
- 25% 概率：回报 2 倍（20 万美元） = +5 万美元加权
- 10% 概率：回报 10 倍（100 万美元） = +10 万美元加权
- 5% 概率：回报 50 倍（500 万美元） = +25 万美元加权
EV = -6 万 + 5 万 + 10 万 + 25 万 = +34 万美元
如果你的概率估计正确，这是正 EV 投资。职业扑克玩家使用期望值计算做出每一个重要决策。一位玩家面对 1000 美元的底池，需要跟注 500 美元来继续游戏。她估计如果跟注有 40% 的概率赢得底池。
跟注的 EV：(0.4 × $1,500 赢得) - (0.6 × $500 跟注) = $600 - $300 = +$300。
这是正 EV 跟注——无论她是否赢得这一手牌，重复做这个跟注将随时间产生正收益。这是职业玩家在每个重要决策、每一手牌上做的计算。依据 EV 而非情绪或恐惧行事的纪律是区分职业和业余玩家的主要因素。
同样的逻辑适用于诈唬：当诈唬的期望值（成功概率 × 赢得的底池）超过成本（失败概率 × 失去的赌注）时，诈唬就是正确的。EV 计算使决策机械化而非直觉化。
一家制药公司正在决定是否将一个候选药物推进到二期临床试验，这将花费 5000 万美元。处于这一开发阶段药物的历史数据：
EV = (0.40 × -$5000 万) + (0.35 × -$2 亿) + (0.20 × $1 亿) + (0.05 × $18 亿)
= -$2000 万 - $7000 万 + $2000 万 + $9000 万 = +2000 万美元正 EV
投资具有正期望值。公司应该推进——但了解分布也告诉他们，在 75% 的情况下，他们会亏钱。正 EV 是由 5% 的极端上行驱动的。这就是为什么制药研发需要组合思维：任何单一候选药物在大多数情况下都是亏损的；一个正 EV 赌注的多元化组合才能产生可靠的回报。
一位自由顾问正在进行合同谈判。她可以接受当前 15,000 美元的报价，或者还价 20,000 美元。如果她还价：
还价 vs 接受的 EV = (0.5 × $5,000) + (0.3 × $2,500) + (0.2 × -$15,000)
= $2,500 + $750 - $3,000 = 250 美元正 EV
还价的期望值略微为正。但分布在这里很重要：有 20% 的概率失去 15,000 美元——考虑到她当前的财务状况，这可能不可接受。EV 计算说还价；风险承受能力和方差可能说接受。这就是凯利准则和破产风险考虑修正纯 EV 思维的地方。
✅ 对于任何重复决策或决策组合。 EV 在决策重复或你在做许多类似赌注时最有用——长期平均值才是重要的。
✅ 当比较具有不同概率/回报特征的选项时。 90% 概率赢 10 美元和 10% 概率赢 80 美元并非自明可比——EV 解决了这个问题（$9 vs $8；选 90% 的选项）。
✅ 在评估是否值得追求某个行动方案时。 正 EV 的决策应该被拒绝，无论上行看起来多吸引人。
✅ 在构建必须随时间一致表现的投资或资源配置框架时。
❌ 对于方差主导 EV 的真正一次性决策。 如果一个决策可能毁灭你——用毕生积蓄赌一个正 EV 结果——仅靠 EV 计算不够，还需考虑生存约束。
❌ 当概率完全不可知时。 EV 需要概率估计。在完全没有参考类别的真正新颖情况下，任何概率估计都是推测，EV 计算继承了那种不确定性。
模型组合：
误用 1：过度自信的概率估计。 EV 计算的可靠性与其概率输入一样。大多数人系统性地高估成功概率，低估失败概率。使用基础率和参考类别预测至关重要。
误用 2：在一次性决策中忽视方差。 对于结果是存亡性的决策——破产、毁灭、不可逆伤害——纯 EV 最大化不够。你还必须独立于 EV 考虑灾难性结果的概率。
误用 3：垃圾进、垃圾出的精确度。 一个格式整齐、数字看起来非常精确的 EV 表格，如果基础概率估计是猜测，会制造虚假信心。承认输入的不确定性范围，将 EV 表达为范围而非点估计。
凯利准则： EV 的数学延伸，确定应分配给正 EV 赌注的最优资本比例。
贝叶斯思维： 提供更新概率估计的框架——任何 EV 计算的输入。
非对称风险： 将 EV 思维特别应用于上行相对于下行不成比例地大的情况。
如果我无法精确估计概率怎么办？
不精确的概率估计仍然有用。将不确定性表达为范围："我认为成功概率在 20% 到 40% 之间"产生 EV 范围而非点估计。这更诚实，通常也更有用。对于大多数现实决策，EV 的符号（正或负）比其确切大小更重要，粗略概率估计通常足以确定符号。
何时 EV 作为决策框架会失效？
EV 在以下情况失效：（1）决策是真正的一生一次事件，长期平均无关紧要；（2）方差大到与均值同等重要（1% 毁灭概率加上 99% 小收益，即使公式说是正 EV，在有意义意义上也是负 EV）；（3）概率真正不可知——完全没有有意义的参考类别。
学习期望值的最佳资源是什么？
对于正式基础，任何概率论入门教材都严格涵盖 EV——Sheldon Ross 的《概率论基础课程》是标准教材。对于应用决策，Richard Zeckhauser 关于"已知与未知"的论文（在 SSRN 搜索）非常出色。对于投资应用，Howard Marks 的《最重要的事》（2011）和 Michael Mauboussin 的《不止于此》（2006）详细涵盖了 EV 思维。
在 话老师 中描述你的决策和你看到的可能结果。AI 将帮助你结构化概率估计，计算期望值，并与替代方案比较——包括标记你的概率假设可能需要校准的地方。
🚀 在 话老师 中应用期望值 →
本页面是 话老师 心智模型知识库 的一部分。
心智模型是"知道"，练成肌肉记忆才是"会"。去 AI 陪练用这个场景过一遍，或在训练营里找对应实战课。
🤖 AI 陪练 🗓️ 30 天训练营 🎨 生成海报