蔡嘉文的博客

为什么说比特币是数字黄金？

2020-02-28T00:00:00+00:00

黄金和比特币都是特殊的商品——货币

为了理解货币是什么，不妨让我们把镜头移回没有货币的时代。在那个时代，人们为了得到自己想要的东西，要通过物物交换的方式。

假设我是物物交换世界里一个养牛娃，我想用一头牛去换一些大米。

我跑到市场上，找到了卖大米的人，想用牛换他的大米。不料他却说他不需要牛，他需要石头。

于是我又去找卖石头的人，卖石头的人说，他不需要牛，他需要的是木头。。

于是我又去找卖木头的人，他说他需要的是鸡。。。

我再去找卖鸡的人，哦，感谢上苍，他需要的正好是牛。

历经千辛万苦以后，我终于用牛换到了我想要的大米，具体的过程是这样的：

我用一头牛，换了30只鸡。用30只鸡，换了10块木头。用10块木头，换了20块石头。用20块石头，换了30斤大米。

在物物交换的设定下，交易的效率极其低下：

需要多次撮合才能做成自己想要的交换
每次撮合时，交换的比例难以确定

为了提高交易的效率，我们需要一种中介商品作为所有交换的媒介。这样的中介商品，就是我们所说的货币。

假设我从物物交换世界来到了有货币的时代，用牛换大米变得简单（假设货币叫作A币）：

卖掉一头牛，得到一千A币。再用一千A币，买50斤大米。

在我们的世界里，有多种货币：背靠各国政府信用的法定货币，黄金，白银，比特币….

我们不禁要问，什么样的商品适合做货币？

要回答这个问题，我们必须理解货币是用来做什么的。货币最重要的两个职能是：

支付手段：在使用货币交易时，货币是否好用
价值储藏：在不使用货币交易时，货币能否保存价值

之后两节，将分别从支付手段和价值储藏两个方面分析黄金和比特币的相似之处

黄金和比特币都擅长大额支付

货币是否适合做支付手段，主要取决于

货币的价值是否稳定
交易是否方便，快捷
- 日常的小额支付
- 大额支付与跨境支付

今天，我们日常用电子化的法定货币做小额支付。电子化的法定货币，不仅能保证货币价值稳定（一些货币政策有问题的国家货币除外，如阿根廷比索），还能让我们快捷地完成交易。

黄金在小额支付场景则显得笨拙不堪。假设我们想用黄金买一个1美元的东西，需要支付 1/1550盎司 = 0.018290015克黄金。你能想象用0.018克实物黄金交易吗？即使在古代，小额支付也主要用白银而非黄金。

而比特币在小额支付场景也有较多局限：一是价值波动较大，与法定货币和黄金这样较为成熟的”成年货币”不同，比特币是高速成长，混乱的”青少年货币” , 它经常暴涨暴跌。二是交易确认时间较长，在比特币网络上，一笔交易从发出到被确认需要1分钟到2小时不等的时间。对于需要瞬时完成的小额交易，这样的确认时间太长。第三，在比特币网络拥堵时，交易手续费过高。在网络极端拥堵的2017年末，平均交易手续费达到了50美元。如果你买一个5美元的东西，却花了50美元的手续费，你是不是会气到爆炸？

虽然黄金和比特币并不适合做小额交易，但在大额支付场景表现优秀。

黄金作为曾经的”世界货币”，频繁地用于国家之间的大宗买卖，在大额支付中的重要地位不必多言。

而比特币在大额支付场景也如鱼得水：2019年9月6日，比特币网络中浮现出一次金额为94504.1个BTC的巨鲸交易。令人惊叹的是，这次交易的成本——手续费只有0.0653个BTC(url)。比特币大额支付不仅手续费低廉，而且在交易时间方面也有较大优势，1分钟到2小时之间的交易确认时间，虽然在小额支付场景过长，但在大额支付场景，却比多数传统方式更快捷。

此外，在跨境支付中，比特币也能发挥作用。各国外汇管制手段，让国际间的资本往来受到限制。而比特币点对点交易的特性，能够避开大多数限制，更好地用于跨国支付工资等场景。

黄金是物理世界最好的价值储藏货币，比特币是数字世界最好的价值储藏货币

货币是否适合做价值储藏，主要取决于

货币的性质
- 稳定性
- 总量是否有限
- 总量的膨胀速度
能否经受住时间的考验

最早在古埃及，古罗马时代，黄金就被用作货币，衡量其他商品的价值。黄金的一系列物理属性让它脱颖而出：良好的延展性，物理稳定性极佳，不易腐蚀，便于分割和携带。

除了这些优良特性，一种有价值的货币，需要具有独一无二的稀缺性。黄金的总量有限，现在地面的黄金总库存为190040吨，如果把这些黄金做成一个立方体，边长只有21米。在地面库存之外，未开采的地下黄金储量估计为54000吨。

黄金总量的膨胀速度很慢，原因是挖矿很难。挖矿公司要做地形调查，成本估计，勘探，采矿等一系列工作才能挖到黄金。这些工作带来了高昂的成本，而高昂的成本限制了每年的黄金开采量。现在每年全世界黄金的开采量在3000吨左右。如果我们计算黄金的年化膨胀率，即每年新增的开采量占地面总库存的比例，只有1.6%，低于其他任何金属货币（与之相比，白银的年化膨胀率为4.5%）。

如果从几千年后往回看，我们可能正处于『古数字时代』。在大多数人还未注意时，数字时代已拉开帷幕，一切事物都开始从物理世界迁移到数字世界。

举个例子，过去我们在百货商城购物，而现在我们在亚马逊，淘宝上购物。物理世界的百货商城空间有限，限制了商品和顾客的数量，而数字世界完全不受这样的制约。在数字世界中，我们能更高效地促成信息交流和价值交换。

从物理世界到数字世界的迁徙刚刚开始，而数字时代的黄金——比特币也应运而出。比特币的设计和黄金非常相似：黄金的物理稳定性极佳，而比特币的账本分布在无数计算机上，具有超高的容错性；黄金易于分割，比特币也易于分割；黄金在地球上的总量有限，而比特币的总量被规定为2100万枚；挖黄金很难，挖比特币也很难。黄金是物理世界市值最高的商品货币，比特币是数字世界市值最高的商品货币。

现在比特币的年化膨胀率为4%（白银的年化膨胀率为4.5%，这也解释了为何现在比特币市值与白银市值相仿）。但是，每4年比特币的产出会减半，比特币的年化膨胀率也会相应减半。在最近2020年5月的减半之后，比特币的年化膨胀率开始逼近黄金。

最有价值的东西，必须经受住时间的考验。

趋炎附势，可能让你名盛一时；但惟有真知灼见才能历久弥新。

回望历史，尽管信用货币曾广泛使用，但真正能穿越时空的，还是黄金白银。

黄金已经走过三千年，而比特币的路才刚刚开始。

记忆—人脑的存储系统

2020-02-03T00:00:00+00:00

如果你的记忆只有几分钟，你将如何生活？

电影《记忆碎片》的主人公患上了“短时记忆丧失症”，只能记住几分钟的事情，为了替惨死的妻子报仇，他不得不用文身、纸条，快照相机等方式保存记忆，开展调查。

现实中，有一些类似电影主人公的失忆症患者，他们只有很短一段时间的记忆：之前见过的人，经历的事，很快便消失不见。

为什么他们无法形成新的记忆？还要从记忆的层次说起。

记忆的层次

在计算机中，存储设备被分为了多个层次，按照容量从大到小，可以分为硬盘，内存，CPU寄存器等。

当我们需要访问数据时，从小容量设备提取数据远远快于大容量设备。

为什么会有这样的差别？因为更大的空间增加了搜索的难度。假如我们捉迷藏，在小小平房里找人，比在巨型建筑物里找人更容易。

硬盘能存储大量数据，但是如果要在硬盘中直接搜索并处理数据，效率太低。内存和CPU寄存器虽然存储容量有限，但是可以快速访问和操作数据。人脑的记忆系统也不是单一层次的，分为小容量的工作记忆和大容量的长时记忆。下面的实验提供了证据：

主试用口述或视觉的方式先后给被试呈现一系列数字，每个符号不超过半秒钟，如

1 0 1 0 1 0 1 1 0 0 1 0

数字呈现后马上让被试复述。

你可以试试能回忆出几个数字。在实验中，大多数被试都无法回忆出全部12个数字，他们能够复述的数字在7个左右。而一小段时间后，被试会完全忘记这串没有意义的数字。

实验表明，人脑有一套容量有限的记忆系统，专门存储并处理一小部分临时信息，我们把这套系统称为工作记忆。在工作记忆中的信息，如果没有被转化进入长时记忆，会在一段时间后被遗忘。类似《记忆碎片》主角的失忆症患者，大多是大脑海马体受损，失去了把工作记忆中的信息转入长时记忆的能力。

记忆的编码

在前面的实验中，如果被试事先知道数字由0和1组成，其实是有方法记住所有数字的。我们可以每3个数字一组，把对应的一组数字从二进制转换为十进制，例如

$101 = 2^2*1 + 2^1*0 + 2^0*1 = 5$

利用进制转换，上面的12位数字

1 0 1 0 1 0 1 1 0 0 1 0

可以转化为4位的十进制数字『5262』，而记忆4个十进制数字，对于普通人来说是非常简单的任务。从这个例子可以看出，虽然工作记忆有容量限制，我们可以重新编码数据，在工作记忆中存放更多的信息。

从信息论的角度来看，二进制数字1 0 1 0 1 0 1 1 0 0 1 0 和十进制数字 5262 的信息量是相同的，均为12比特。这说明工作记忆容量的单位不是比特。

工作记忆容量的单位是什么？研究发现，工作记忆的容量没有精确的度量单位，可以用一个相对模糊的概念『组块』作为测量工作记忆的最小单位。

『组块』顾名思义，是把一些需要记忆的，又有较强联系的东西合成信息块。举个例子，在记忆我们的手机号码时，我们通常把11位数字分割为3到4个部分，例如：

178 - 1138 - 5838

这里的178，1138，5838就构成了3个组块。

组块不一定都由数字或字母构成，图像化的组块能够帮助我们有效记忆。如果你要去购物，需要记住购物清单上的辣椒，牛奶和鸡，你可以想象一只鸡在辣椒牛奶里游泳的画面。这样就把三个单词组块变成了一个图像组块，大大降低了工作记忆的负荷。

长时记忆与理解

能记住一串毫无意义的数字，可能让你显得很聪明。但是，你在生活中不会用到这串数字，会很快忘记这串数字，换句话说，这串数字不会进入你的长时记忆。

在现实生活中处理事务时，我们通常用到的是长时记忆。当我们看到一只老虎时，我们会从长时记忆中调取与老虎相关的信息：老虎皮毛的条纹和颜色，老虎饿了要吃人……在这些信息的帮助下，我们可以预测老虎的行动，作出合理的应对。

成人在处理世事时通常比小孩更加成熟老练，这是因为他们更有经验，换句话说，他们的长时记忆中的信息更加丰富，更加准确。如果一个小孩不知道老虎饿了要吃人，那当他看到老虎时，可能会像看到家里的猫一样去摸它的头，后果可想而知。

长时记忆中内容的数量和质量，直接决定了一个人的处事能力。既然长时记忆这么重要，我们该如何高效地升级自己的长时记忆呢？

在1979年，斯坦和布兰斯福德做了如下实验，他们让被试记忆10个句子，例如

胖子正在阅读提示牌

在一段时间后，让被试做如下完型填空

___正在阅读提示牌

在学习这个句子的同时，有3种学习条件：

在基线条件下，被试只学习句子
在不相关细节条件下，给被试呈现与测试无关的细节，例如”提示牌有两米高”
在相关细节条件下，给被试呈现与测试相关的细节，例如”提示牌上写的是冰面易碎，禁止步行”

在基线条件下，被试回忆出了10个测试中的4.2个。在不相关细节条件下，被试只能回忆出10个测试中的2.2个。在相关细节条件下，被试的回忆效果最好，能回忆出10个测试中的7.8个。

实验表明，信息能否进入长时记忆，主要取决于我们是否对信息进行了深层次的加工，即是否深入理解信息的含义。

在不相关细节条件下，有关提示牌高度的信息，让被试将注意力放在了提示牌上，却忽略了是谁在读提示牌。而在相关细节条件下，『冰面易碎』与『胖子』微妙的联系，增加了记忆的细节。这样的深层次加工，让提取记忆变得更加容易。在提取记忆时，不仅可以直接提取『胖子』的信息，当我们想到『冰面易碎』时，也能提取出『胖子』的信息。

深层次的加工，或者说理解信息，其实是在新的信息和长时记忆中已有的信息之间建立联系。当物理老师在教授『原子结构』时，如果学生之间已经学过了『太阳系结构』，老师可以使用类比的方式，让学生找出两者之间的相似性，学生可以通过『太阳系结构』相关知识，对『原子结构』建立一定理解。但是，如果一些学生之前上课睡觉，没有理解『太阳系结构』，那么他可能也无法理解『原子结构』。

在新信息和原有的信息之间建立联系，是记忆和理解的钥匙。长时记忆中的信息越多，当我们遇到新信息时，就越有可能建立有意义的联系，我们就越容易记住和理解新信息。我们记住的东西越多，就能够记住更多的新东西；理解的东西越多，就能够理解更多的新东西。

天才陨落启示录

2019-06-15T00:00:00+00:00

假设你递给我一把枪，里面有 1000 个弹仓、100 万个弹仓，其中只有一个弹仓里有一颗子弹，你说：“把枪对准你的太阳穴，扣一下扳机，你要多少钱？”我不干。你给我多少钱，我都不干。 ——巴菲特

LTCM(long term capital management)是这样一支对冲基金：

他们有经验最丰富的团队——16个交易员的经验加起来超过了300年；

他们有最聪明的合伙人——2位诺贝尔经济学奖得主默顿和斯科尔斯都是团队的成员；

他们是资金量最大的对冲基金——1996年春，旗下资产1400亿美元，是第二大对冲基金的4倍；

他们有最稳定的盈利记录—— 从1993年末到1997年，净值翻了接近3倍，最大单月亏损是2.9%。

但一切的一切都终结了：在1998年，俄罗斯发生债务危机，各项不同期限债券的价差被无限拉大，资金杠杆接近40倍的LTCM在短短几个月内亏损了92%(净值从4.11变为0.33)，迅速从高空跌落……

统计套利

LTCM是一家主要做统计套利的对冲基金。

假设市场上有两种标的(例如现票和期票），它们具有的内在联系保证它们的价格朝一致方向运动，并且在某个时间点两种标的的价差必然会收敛到某个值附近。

假设有两种标的A和B，它们的价差（A-B）总会收敛到x。

当A-B大于x时（例如x+n），可以卖出A买入B，等待价差收敛到x，获利n。

当A-B小于x时（例如x-m）, 可以买入A卖出B ，等待价差收敛到x, 获利m。

由于市场上有大量套利者存在，当价差偏离时，会有力量牵引着价差回归，一般情况下 n 相比于 x 非常小。

这意味着如果不加杠杆，盈利空间十分有限。使用p倍的价差杠杆，如果价差收敛，盈利可以扩大p倍，变为p*n。

但天下没有只赚不赔的生意：

当价差朝着更加发散的方向继续运行时，账面会出现亏损。

假设我们在价差为 x+n 时卖出A买入B，当价差扩大到x+N（N>n）时，如果不加杠杆，亏损是N-n 。p倍的杠杆会让亏损同样扩大p倍，变为 p*(N-n) 。

杠杆是一把双刃剑，LTCM用杠杆从市场脱颖而出，也因此而全军覆灭。

他们的的统计套利遍布各个领域：俄罗斯市场，日本债券，股票配对交易，垃圾债券等等，按理来说，即使出现极端事件，也不会影响所有市场的价差。但是当1998年俄罗斯出现危机后，这些市场的价差无一例外地单边运行。LTCM的净值一路下降，直到在1998年的”营救行动”中被14家银行联合接管。

1999年1月，LTCM被接管以后，公司的备忘录上写着：

恶性循环暴跌导致市场形势的极端化超出了基金的风险管理水平和止损能力。

他们是如何确定杠杆倍数的？又是什么让他们在亏损时拒不减仓？从他们的传奇故事里，我们能够看到一系列极其隐蔽的陷阱，这样的陷阱甚至让天才交易员和诺贝尔奖得主也不慎落入其中。

结果的局限

俄罗斯政府宣布违约前，俄罗斯央行主席把卢布的利率提高3倍以防止资金外逃，俄罗斯的经济已经进入了接近崩溃的边缘。在这个时间段，俄罗斯债券的价差已经开始单边扩大，LTCM基金账面开始遭受损失。

但是交易员们却拒绝降低仓位，这样的自信来源于哪里？可能是来源于经验，LTCM并不是没有经历过金融危机：他们经历过墨西哥的金融危机，以及之后的亚洲金融危机，但是在这几次危机中，他们都挺到了最后。穿越危机的经验给了他们信心，他们相信这一次同样可以安全渡过。

事实证明，这一次他们判断错了。由于情形不同，过往的结果并不能作为判断的依据。

在内在随机且信息不完全的金融市场，历史的结果存在着巨大的局限性：

假设有一个德州扑克高手，从长期来看，他相对对手具有策略优势，但并不代表下面的情形不会出现：

他摸到了一把烂牌，输掉了一轮比赛。
他做出了事后看起来错误的决策：他在最后一轮选择了弃牌，但实际上他的牌比对手更大。

在内在随机的游戏中，结果是运气和技能综合的产物。由于运气的存在，我们并不能完全地信赖少量的结果。高手输了并不代表他不是高手，菜鸟赢了并不代表他不是菜鸟。

而信息不完全则使决策的质量与结果相分离：在有限的信息里，弃牌可能确实是最好的选择，即使在完全信息的结果里并不是这样。这说明好决策可能得到坏结果，而坏决策可能得到好结果：LTCM在前面的危机中选择不止损，最后大获全胜，并不代表不止损是好的决策。

好决策的优势应该是概率意义上的：每一次决策的期望收益都为正数，并且致死概率应该为0。LTCM的天才们当然不会不懂这个道理，它们有一整套模型来计算各种事件发生的概率。

模型的局限

每年LTCM都会发布给投资者的信，信中附有学术明星默顿和斯科尔斯撰写的附件。在附件中，教授们详细地列出了发生亏损的概率，例如基金有12%的概率出现超过5%的亏损，此外他们也一并估计了亏损超过10%，15%，20%的概率。

这样的概率是如何计算得出的呢？

在物理世界中，水分子撞击悬浮微粒，使其做无规则运动的现象叫做布朗运动，这种运动可以用一个随机过程来刻画，给定初始位置和移动速率，我们可以计算出悬浮微粒一段时间后所在位置的概率分布。

同样地，我们可以假设股票，债券等金融标的的对数价格走势符合类似的随机过程，在给定的微小时间内，价格像是在掷一个两面的骰子：向上和向下的概率是相同的。一旦我们确定了单位时间内移动的幅度，就可以算出任意时间后价格的概率分布。

这样的模型非常有趣，但是市场的参与者并不是水分子，在微小时间内价格的变化也并不是在掷骰子。

金融市场中的参与者结构十分复杂，我们可以把其中的参与者简化为趋势交易者和基本面交易者。趋势交易者在价格上升时买入，价格下降时卖出。而基本面交易者在价值高于价格时买入，低于时卖出。在大部分情况下，趋势交易者和基本面交易者的相互作用是基本平衡的，在这种情况下，掷骰子的假设可能是合理的。但是，在趋势形成时，趋势交易者的数量大幅上升，这会使得平衡被打破，在这样的强烈趋势下，每一个时间窗口内的价格涨跌与前面时间窗口的涨跌高度相关，独立同分布的”掷骰子”假设并不成立。

历史数据的局限

在LTCM的模型中，非常重要的一点是确定微小时间内向上向下的幅度，这个幅度一般被称作波动性。波动性的估计，一般只能依赖于历史数据。

历史数据可以预测未来吗？

马克吐温说过，历史的进程虽然相似，但永远不会完全重复。

金融市场每时每刻都在书写新的篇章:

新型衍生品，数字货币等等前所未有的标的在形成新的市场

而新的风险在暗地悄悄滋长：增长的房产贷款违约，主权货币的持续贬值….

当1997年俄罗斯金融危机，2008年次贷危机这样的黑天鹅事件出现时，历史数据是无能为力的，仅仅依赖数据，你怎么能预测你从未见过的东西呢？

几乎所有的统计预测模型都强烈依赖于历史数据，而历史数据所有具有的局限性，让市场预测这种行为本身也变得不那么可靠。

天才陨落的启示

一家天才云集的基金公司就这样直升云霄，又急速陨落。

坚决的交易，优雅的模型，完美的业绩，证明了他们无与伦比的才智。

选择性忽视模型缺陷，被过往的成功蒙蔽，在失败时拒绝承认，则表现出他们在理智层面存在缺陷。

在投资领域，理智也许比才智更重要。

如果把决策系统看作出水机，才智就是入水的速率，而理智则是出水的速率。

LTCM有非常高的入水速率（假设是20L/s）, 却有着并不匹配的出水速率（假设是2L/s）。

然而出水机的效率取决于出口：一个入水速率和出水速率都是4L/s的出水机，最后的出水效率更高。

为了在市场中持续地成长壮大，只有在理智的领域不断精进，尽可能地思考并化解决策系统中的隐患，这是最大程度释放才智的唯一途径。

思维的结构

2019-06-09T00:00:00+00:00

思维的结构

思维网络

孙宇晨前段时间连续做了2次成功的营销：一是用400万美元拍下了巴菲特的慈善晚宴，二是翻出了几年前被王小川鄙视的对话视频。这2个事件迅速在网络中蔓延，引起了各界人士的关注。

为什么这样的事件能够抓住所有人的眼球，制造大量话题呢？我们试图搭建一个概念网络来表示这2个事件：

我们可以从网络中发掘出大量有趣的链接：传统投资和新型投资观念的差异，区块链生态和互联网企业的估值和未来，不同类型人才的差别….

正是这样繁多的链接，为事件制造了大量的话题和强悍的生命力，造就了一次经典的短期爆发式营销。

当我们思考时，有一个潜藏在大脑深处的概念网络在悄无声息地编织。这个网络把不同的概念联系在一起，让孤立的概念产生无限的可能性。

我们需要认识到自己大脑中潜伏的概念网络，并通过发现概念之间隐藏的重要联系，点亮不同概念之间的链接：毕竟这个世界上的伟大观念，都开始于这样的链接：星球和苹果之间的链接，基因和个体行为之间的链接，价值和价格之间的链接…..

思维树

网络为每两个节点之间提供了链接的可能性，这催生出巨大的复杂度。而树则是一种简单，层次分明的结构，在一棵树中，链接必须存在于上一层级与下一层级之间。举个例子，我们用一棵树来表示食物的分类：

在这棵树里，我们可以发现不同的抽象层次：像培根一样的具体食物位于树的最底端，向上是食物的原材料(猪肉)，再向上是食物原材料的品种(肉类)，最上层的是最抽象的概念(食物)。

我们可以发现，树的作用在于不同层级的抽象：把类似的概念组织在一起，用一个更为抽象的概念代表它们。最终形成的树，由顶端最抽象的概念统筹下面的所有概念。

自上而下地看，我们可以借助树把抽象的大问题分解成小的子问题，通过分而治之的方法处理小问题。这是解决困难问题极为有效的方法。

自下而上地看，具体的概念通过组合能够形成更抽象的概念，这让我们可以更加从容地处理一个范畴而不是一些具体的小问题，显著降低了认知的负载。

正如文件系统让电脑更好地组织数据，我们可以借助树的结构更好地组织思想。

MOOC证书

2019-06-05T00:00:00+00:00