2012年，一家叫Oculus的VR初创公司在Kickstarter上发起众筹。如果你当时是一个对图形渲染和显示技术有研究的硬件工程师，你可能会在自己的技术圈子里反复讨论过这家公司的方案是否可行、它的延迟指标是否真的能做到宣传的20毫秒以内、它的IMU传感器融合算法到底是用了卡尔曼滤波还是互补滤波。如果你当时因为这些技术判断而买了它的股票——假设它当时是上市的——你会觉得自己做了一笔基于深度专业分析的理性投资。
两年后，Facebook以20亿美元收购了Oculus。不是因为扎克伯格看懂了IMU传感器融合算法。是因为他看到了VR可能成为下一个社交平台载体的战略价值。他用的是完全不同的信号源来做判断。
你在技术层面上的分析可能是对的。你的采样精度可能高到能分辨出两个不同滤波算法之间的细微差异。但你采样的那个信号——技术实现方案——和最终决定这笔投资收益的那个信号——产业整合逻辑——根本不在同一个频段上。你用一台带宽2GHz的示波器去测一个频率只有0.1Hz的缓慢趋势，仪器再精密，测出来的波形也是全频段的底噪。
采样定理的致命误用：你每天看八次股价，却十年不看一次商业模式
奈奎斯特采样定理是数字信号处理的第一块基石。它告诉你，要把一个连续的模拟信号无失真地转换成离散的数字信号，你的采样频率必须大于信号最高频率成分的两倍。低于这个频率，信号就无法被完整重建。高于这个频率太多，你采集到的多余采样点不会带来任何新增信息，它们只是重复描述已经被前一个采样点捕获的同一个波形状态。
现在想一想，你每天打开交易软件看股价的频率是多少？开盘看一次，十点看一次，午休看一次，下午两点看一次，收盘看一次，晚上吃完饭再看一次，睡前再看一次——一天七八次是家常便饭，行情剧烈的时候你可能一整天都让分时图悬浮在手机屏幕最上层。你正在用一个足以捕捉分钟级波动的采样频率，去监控一个本质变化周期以季度甚至年度为单位的慢变量——企业的价值创造。
一家公司从研发一个新产品到它贡献实质性营收，通常需要两到三年。一项产业趋势从萌芽到形成护城河，至少需要五年。而你用来追踪这个过程的采样工具，是每天刷新八次的股价。股价在一天之内的波动，99%以上和企业价值的变化毫无关系。它是流动性的随机游走，是高频交易算法的博弈残留，是某个交易员因为和老婆吵架心情不好而下的情绪单。你把这些东西以每天八次的频率采集进你的大脑，然后试图从中提取出关于“这家公司值不值得长期持有”的信号。
这不是在做投资分析。这相当于你把一个温度计的读数每秒记录一千次，然后用这一千个数据点去预测明年的气候变化。温度计每秒的读数当然有波动——有人走过带起了一阵风，旁边的机器刚启动散了一点热，传感器本身有热噪声——但这些波动和气候没有任何因果关系。你记录的每一个数据点，都只是噪声样本。
而与此同时，那些真正包含企业长期价值信号的数据——它的商业模式是否在积累网络效应、它的客户留存率是在上升还是下降、它的供应商对它是否有议价权、它的管理层是否在有纪律地分配资本——你一个季度才看一次，甚至一年才看一次，或者只在它出了财报上了热搜之后才扫一眼摘要。你在低频信号上严重欠采样，在高频噪声上疯狂过采样。你把采样定理完全用反了。
混叠效应：过度采样让你在噪声里看见根本不存在的趋势
混叠是采样定理被违背之后产生的灾难性后果。当你的采样频率低于信号最高频率的两倍时，高频成分并不会直接消失。它们会被折叠进低频段，伪装成和你真正想捕捉的那个低频信号一模一样的样子。你在采样后的数据里看到了一条缓慢起伏的曲线，你以为那是趋势，实际上那是高频噪声被采样不足扭曲之后产生的幻影。
但投资里还有一种更隐蔽的混叠，它不是你采样太少造成的，恰恰相反，是你采样太多造成的。
当你以极高的频率去观察一个本质上完全是随机游走的价格序列时，你的大脑——这台经过了数百万年进化、专门用来从自然环境中识别模式和因果关系的模式匹配引擎——会自动在这些随机的价格跳动里“看出”规律。你今天看到一根长阳线，昨天看到的是缩量十字星，前天是三连阴。你的大脑不需要任何训练就会告诉你：这是“底部反转”的信号。你明天又看到一根阴线吞掉了今天的阳线，你的大脑立刻更新模型：这是“假突破，继续看跌”。
这些“形态”在数学上有没有预测能力？没有。过去五十年里，学术界用全球各个市场、各个时期的数据反复检验过技术分析的有效性。结论是一致的：在扣除交易成本之后，没有任何一种广为人知的技术形态——头肩顶、双底、金叉死叉、波浪理论——能够持续产生超过市场基准的超额收益。一个都没有。但这些形态在你的大脑看来就是真的，因为你用高频采样喂给它的数据量太大了，大到它不可能不拟合出虚假的相关性。
这就是过度采样导致的认知混叠。你给决策系统输入了远超过它分析能力的噪声数据，这些噪声在系统内部互相卷积，折叠出一堆貌似有意义的低频信号。你以为你看到了趋势，实际上你看到的只是噪声经过你大脑傅里叶变换之后的混叠伪影。
如果你只每周看一次收盘价，那些日内的“双底”、“金叉”、“突破回踩”根本就不会出现在你的视野里。你会看到一条平滑得多的曲线，它可能还在跌，可能还在涨，但至少你不会被那些只存在于分钟级尺度上的幻影所欺骗。降低采样频率，本身就是最简单的抗混叠滤波器。
量化噪声：你把商业世界强行塞进PE和PB的模具里，挤掉的那些东西才是关键
模数转换的时候，有一个不可避免的误差来源叫量化误差。连续的模拟电压有无限多个可能的值，但ADC只能用有限位数的二进制数字去近似它。8位ADC只能分辨256个不同的电平，12位可以分辨4096个。无论位数多高，真实值和量化值之间永远存在一个无法消除的舍入误差。这个误差就是量化噪声。
你在投资中使用的每一个财务指标——PE、PB、ROE、毛利率、净利率——都是一次对真实商业世界的模数转换。一家公司的真实价值不是一个数字，而是一个高维度的、动态变化的、包含无数模糊变量的复杂系统。它的技术护城河有多宽？它的创始人对产品的偏执程度有多深？它的员工离职率是在下降还是上升？它的客户在社交媒体上对它产品的抱怨是在变多还是变少？这些东西，你没有办法压缩进一个PE倍数里。
但PE倍数好算。打开任何一个股票软件，PE直接标在K线图旁边，精确到小数点后两位。它看起来是那么确定，那么客观，那么科学。你忍不住用它来做比较——这只25倍，那只30倍，所以这只更便宜，应该买。你正在把一个高度复杂的模拟信号，用14.99元这个粗糙的量化器转成一个离散数值，然后基于这个已经被量化误差污染过的数值做出几十万级别的投资决策。
量化噪声最危险的地方在于，它给你一种“我很精确”的错觉。你觉得自己在做定量分析，和那些凭感觉炒股的散户不一样。但实际上，你用精确到小数点后两位的PE去衡量两家商业模式完全不同、所处行业周期完全不同、管理层能力完全不同的公司，就好比用同一把卡尺去测量一块海绵和一块钢板的“质量”——尺子是精确的，但测量对象和测量工具的错配，让这个精确的读数失去了全部参考意义。
巴菲特说过一句被反复引用但极少被真正理解的话：“模糊的正确远胜于精确的错误。”他说的就是量化噪声。他在做投资决策的时候，不是在比较精确到小数点后两位的财务比率。他在问一个模糊得多但也重要得多的问题：这家公司十年后还会存在吗？它的护城河到时候是比现在更宽还是更窄？这些问题没有精确答案，但它们指引的决策质量，远超那些用精确数字伪装成客观真理的量化指标。
这一节讲的不是投资技巧，而是一种认知的转向。你被训练成一个用高频、高精度仪器去测量世界的工程师，你天然地认为更高的采样频率、更精确的量化指标就一定会带来更好的决策质量。但在投资这个领域里，这两样东西恰恰是你最大的噪声源。
你需要学着把采样频率从分钟级降到季度级，你需要学着接受“模糊但正确”的判断而放弃“精确但无关”的数字，你需要给你的信号链路最前端加上一个抗混叠低通滤波器，先把那些高频噪声挡在外面，再谈后面的信号处理。这个滤波器应该长什么样——是接下来几节要讲的全部内容。
