名称：期望值描述：在结果可量化的不确定性下进行决策时使用，比较风险选项（投资、产品赌注、战略选择），按预期回报优先排序项目，评估是否进行赌博，或当用户提及期望值、EV计算、风险调整回报、概率加权结果、决策树，或需要在不确定替代方案之间选择时。

期望值

目的

期望值（EV）提供了一个框架，用于在不确定性下进行理性决策，通过计算所有可能结果的概率加权平均值。本技能指导您识别场景、估计概率和收益、计算期望值，并解释结果，同时考虑风险偏好和现实约束。

何时使用

在以下情况使用此技能：

投资决策：我们应该投资项目A（高风险、高回报）还是项目B（低风险、低回报）？
产品赌注：推出功能X（采用不确定）或专注于功能Y（更安全）？
资源分配：给定有限预算，哪些计划的预期回报最高？
执行/不执行决策：考虑成功/失败概率后，推出的期望值是否为正？
定价与谈判：接受与拒绝报价的期望值是什么？
保险与对冲：我们应该购买保险（保证小损失）还是冒大损失的风险？
A/B测试解释：哪个变体的预期转化率更高，考虑不确定性？
投资组合优化：多样化以最大化给定风险承受能力下的预期回报？

触发短语：“期望值”、“EV计算”、“风险调整回报”、“概率加权结果”、“决策树”、“我应该接受这个赌博吗”、“比较风险选项”

什么是期望值？

期望值（EV） = Σ (结果的概率 × 结果的价值)

对于每个可能结果，将其概率乘以其价值（收益），然后对所有结果求和。

核心公式：

EV = (p₁ × v₁) + (p₂ × v₂) + ... + (pₙ × vₙ)

其中：
- p₁, p₂, ..., pₙ 是每个结果的概率（必须总和为1.0）
- v₁, v₂, ..., vₙ 是每个结果的价值（收益）

快速示例：

场景：推出新产品功能。估计60%的成功概率（10万美元收入），40%的失败概率（-2万美元沉没成本）。

计算：

EV = (0.6 × 10万美元) + (0.4 × -2万美元)
EV = 6万美元 - 0.8万美元 = 5.2万美元

解释：平均而言，推出此功能产生5.2万美元。正EV → 推出是理性选择（如果风险承受能力允许）。

核心好处：

定量比较：在同一尺度上比较不同选项（预期回报）
显式不确定性：强制估计概率而非直觉
可重复框架：相同方法适用于投资、产品、招聘等
风险调整：按可能性加权结果，而非仅最佳/最坏情况
投资组合思维：长期最优策略是在多次决策中最大化期望值

工作流程

复制此清单并跟踪进度：

期望值分析进度：
- [ ] 步骤1：定义决策和替代方案
- [ ] 步骤2：识别可能结果
- [ ] 步骤3：估计概率
- [ ] 步骤4：估计收益（价值）
- [ ] 步骤5：计算期望值
- [ ] 步骤6：解释并调整风险偏好

步骤1：定义决策和替代方案

您在做何决策？有哪些互斥选项？参见资源/模板.md。

步骤2：识别可能结果

对于每个替代方案，可能发生什么？从最佳案例到最坏案例列出场景。参见资源/模板.md。

步骤3：估计概率

每个结果的概率是多少？使用基准率、参考类别、专家判断、数据。参见资源/方法论.md。

步骤4：估计收益（价值）

每个结果的价值（收益或损失）是什么？用量化方式表示，如美元、时间、效用。参见资源/方法论.md。

步骤5：计算期望值

将概率乘以收益，对每个替代方案的结果求和。参见资源/模板.md。

步骤6：解释并调整风险偏好

选择最高EV的选项？或调整风险厌恶、非货币因素、战略价值。参见资源/方法论.md。

使用资源/评估器/期望值评估标准.json进行验证。最低标准：平均得分 ≥ 3.5。

常见模式

模式1：投资决策（离散结果）

结构：执行/不执行选择，有3-5个离散场景（最佳、基准、最坏案例）
使用案例：产品推出、雇佣与不雇佣、接受投资报价、购买与租赁
优点：简单、直观、易于沟通（决策树可视化）
缺点：过度简化连续分布，二元框架可能遗漏细微差别
示例：推出产品功能（60%成功10万美元，40%失败-2万美元） → EV = 5.2万美元

模式2：投资组合分配（多选项）

结构：在N个项目间分配预算，每个有各自的EV和风险概况
使用案例：风险投资组合、研发预算、营销支出分配、团队能力
优点：多样化减少方差，可优化风险/回报权衡
缺点：需要估计许多变量，相关性重要（非独立）
示例：投资3个初创公司（每个5万美元），EVs = [2万美元，1.5万美元，-1万美元]。总EV = 2.5万美元。多样化组合降低风险，相对于单一15万美元赌注。

模式3：顺序决策（决策树）

结构：随时间的一系列决策，早期决策的结果影响后期选项
使用案例：临床试验（阶段I → II → III）、分阶段投资、探索然后利用
优点：捕捉灵活性（早期结果差时可停止），向后归纳找到最优策略
缺点：树指数增长，需要所有分支的概率
示例：阶段I药物试验（70%通过，100万美元成本） → 如果通过，阶段II（50%通过，500万美元） → 如果通过，阶段III（40%批准，5000万美元收入）。通过向后计算EV。

模式4：连续分布（蒙特卡罗模拟）

结构：结果是连续的（收入可能0-100万美元），使用概率分布
使用案例：财务建模、项目时间线、资源规划、敏感性分析
优点：捕捉全不确定性，避免离散场景偏差，提供置信区间
缺点：需要分布假设，计算密集，沟通困难
示例：收入 ~ 正态分布(50万美元，10万美元标准差)。运行10,000次模拟 → 均值 = 51万美元，90% CI = [35万美元，67万美元]。

模式5：竞争游戏（收益矩阵）

结构：您的结果取决于竞争对手的选择，创建收益矩阵
使用案例：定价策略、产品推出时间、谈判、拍卖出价
优点：纳入战略互动，找到纳什均衡
缺点：需要估计竞争对手的概率和收益，博弈论复杂性
示例：高价 vs. 低价，竞争对手高价 vs. 低价 → 2×2矩阵。给定对竞争对手的信念，计算每个策略的EV。

护栏

关键要求：

概率必须总和为1.0：如果列出结果，其概率必须详尽（覆盖所有可能性）且互斥（无重叠）。检查：p₁ + p₂ + … + pₙ = 1.0。
不要在没有风险调整的情况下对一次性、高风险决策使用EV：EV是长期平均。对于罕见、不可逆决策（赌上所有积蓄、关键手术），考虑风险厌恶。1%机会赢得10亿美元（EV = 1000万美元）并不意味着您应该赌上房子。
量化不确定性，不要隐藏它：概率和收益是估计，通常不确定。使用范围（乐观/悲观）、敏感性分析或分布。不要假装虚假精度。
考虑非货币价值：以美元计的EV方便，但有些结果具有金钱未捕获的效用（声誉、学习、灵活性、士气）。转换为共同尺度或使用多属性效用。
概率必须校准：不要使用无根据的直觉概率。使用基准率、参考类别、数据、专家预测。测试：您的“70%自信”预测是否正确70%的时间？
考虑相关结果：如果结果不独立（经济衰退影响所有投资组合公司），相关性减少多样化好处。建模依赖关系。
金钱的时间价值：不同时间的收益不等价。将未来现金流折现到现值（NPV = Σ CF_t / (1+r)^t）。EV应使用NPV，而非名义值。
停止规则和期权价值：在顺序决策中，向后归纳找到最优策略。不要忽略早期停止、调整或等待更多信息的选项。

常见陷阱：

❌ 忽略风险厌恶：EV(10万美元，50/50) = EV(5万美元，确定)但大多数人偏好确定5万美元。对风险厌恶代理使用效用函数。
❌ 锚定单一场景：“最佳案例是100万美元！” → 但概率5%。关注EV，而非精选场景。
❌ 虚假精度：“概率 = 67.3%”当您猜测时。使用范围，表达不确定性。
❌ 沉没成本谬误：过去成本是沉没的，不要包含在前瞻性EV中。仅未来成本/收益重要。
❌ 忽略尾部风险：低概率、高影响事件（0.1%机会损失1000万美元）可能主导EV。不要四舍五入为零。
❌ 静态分析：假设无法更新信念或改变方向。真实决策允许学习和调整。

快速参考

关键公式：

期望值：EV = Σ (pᵢ × vᵢ)，其中 p = 概率，v = 价值

期望效用（风险厌恶）：EU = Σ (pᵢ × U(vᵢ))，其中 U = 效用函数

风险中性：U(x) = x（EV = EU）
风险厌恶：U(x) = √x 或 U(x) = log(x)（凹函数）
风险寻求：U(x) = x²（凸函数）

净现值：NPV = Σ (CF_t / (1+r)^t)，其中 CF = 现金流，r = 折扣率，t = 时间期间

方差（风险度量）：Var = Σ (pᵢ × (vᵢ - EV)²)

标准差：σ = √Var

变异系数（风险/回报比）：CV = σ / EV（越低 = 风险调整回报越好）

盈亏平衡概率：p* 当 EV = 0。求解：p* × v_成功 + (1-p*) × v_失败 = 0。

决策规则：

最大化EV：选择最高EV的选项（风险中性、重复决策）
最大化EU：选择最高期望效用的选项（风险厌恶、纳入偏好）
最小最大遗憾：最小化跨场景的最大遗憾（保守、避免最坏错误）
满意化：选择第一个高于阈值EV的选项（有限理性）

敏感性分析问题：

概率需要变化多少才能翻转决策？
最佳案例的EV是什么？最坏案例？哪些变量影响最大？
在何概率下EV盈亏平衡（EV = 0）？

关键资源：

资源/模板.md：决策框架、结果识别、EV计算模板、敏感性分析
资源/方法论.md：概率估计、收益量化、决策树分析、效用函数
资源/评估器/期望值评估标准.json：质量标准（场景完整性、概率校准、收益量化、EV解释）

所需输入：

决策：您在哪些之间选择？（2+互斥替代方案）
结果：对于每个替代方案，可能发生什么？（通常3-5个场景）
概率：每个结果的可能性？（总和为1.0）
收益：每个结果的价值（收益/损失）？（美元、时间、效用）

产生输出：

期望值分析.md：决策框架、带概率和收益的结果场景、EV计算、敏感性分析、带有风险考虑的推荐

期望值分析Skill expected-value

期望值

目录

目的

何时使用

什么是期望值？

工作流程

常见模式

护栏

快速参考