决策树——结构化决策

决策树分析：一种结合概率与期望值的可视化决策工具。

适用场景

✅适用于：

• 商业决策（投资、招聘、产品发布）
• 个人选择（职业发展、搬迁、大宗采购）
• 交易与投资（仓位管理、进出场时机）
• 运营决策（业务扩张、外包评估）
• 任何结果可量化的决策场景

❌不适用于：

• 存在真实不确定性的决策（黑天鹅事件）
• 需要快速反应的战术选择
• 纯情感/伦理问题

构建方法

决策树= 树状结构包含：

• 决策节点（方形）——代表可执行行动
• 机会节点（圆圈）——随机事件
• 终止节点（三角形）——最终结果

流程：

1. 定义选项——所有可能的行动
2. 定义结果——每个行动后可能发生的情况
3. 估计概率——每个结果的可能性（0-100%）
4. 估计价值——每个结果的效用/回报（金钱、积分、效用单位）
5. 计算期望值——期望值 = Σ（概率 × 价值）
6. 选择——期望值最高的选项

公式

EV = Σ (probability_i × value_i)

示例：

• 结果A：70%概率，+$100 → 0.7 × 100 = $70
• 结果B：30%概率，-$50 → 0.3 × (-50) = -$15
• 期望值 = $70 + (-$15) = $55

经典示例（来自维基百科）

决定：去派对还是待在家？

估算：

• 派对：+9效用（乐趣）
• 在家：+3效用（舒适）
• 不必要地带夹克：-2效用
• 感到冷：-10效用
• 冷的概率：70%
• 暖和的概率：30%

决策树：

Decision
├─ Go to party
│  ├─ Take jacket
│  │  ├─ Cold (70%) → 9 utility (party)
│  │  └─ Warm (30%) → 9 - 2 = 7 utility (carried unnecessarily)
│  │  EV = 0.7 × 9 + 0.3 × 7 = 8.4
│  └─ Don't take jacket
│     ├─ Cold (70%) → 9 - 10 = -1 utility (froze)
│     └─ Warm (30%) → 9 utility (perfect)
│     EV = 0.7 × (-1) + 0.3 × 9 = 2.0
└─ Stay home
   └─ EV = 3.0 (always)

结论：带夹克去（期望值 = 8.4）> 待在家（期望值 = 3.0）> 不带夹克去（期望值 = 2.0）

商业案例

决定：是否推出新产品？

估算：

• 成功概率：40%
• 失败概率：60%
• 成功利润：50万美元
• 失败损失：20万美元
• 不推出：0美元

决策树：

Launch product
├─ Success (40%) → +$500K
└─ Failure (60%) → -$200K

EV = (0.4 × 500K) + (0.6 × -200K) = 200K - 120K = +$80K

Don't launch
└─ EV = $0

结论：推出（期望价值 = +8万美元）优于不推出（0美元）。

交易示例

决策：建仓还是等待？

估算：

• 上涨概率：60%
• 下跌概率：40%
• 仓位规模：1000美元
• 目标：+10%（盈利100美元）
• 止损：-5%（亏损50美元）

决策树：

Enter position
├─ Rise (60%) → +$100
└─ Fall (40%) → -$50

EV = (0.6 × 100) + (0.4 × -50) = 60 - 20 = +$40

Wait
└─ No position → $0

EV = $0

结论：建仓具有正期望价值（+40美元），优于等待（0美元）。

方法局限性

⚠️关键要点：

1. 主观估算——概率常为“拍脑袋”决定
2. 未考虑风险偏好——忽略了心理因素（损失厌恶）
3. 简化模型——现实情况更为复杂
4. 不稳定性— 数据的小幅变动可能彻底改变决策树结构
5. 可能存在不准确性— 存在更精确的其他方法（如随机森林）

但是：该方法的价值在于构建思维框架，即使数值是近似值。

用户工作流程

1. 结构化

提问：

• 有哪些行动选项？
• 可能的结果是什么？
• 每个结果的价值/效用如何？
• 我们如何衡量价值？（金钱、效用单位、幸福点数）

2. 概率估算

通过以下方式帮助估算：

• 历史数据（如果可用）
• 类似情境
• 专家判断（用户经验）
• 主观评估（若无数据）

3. 可视化

用markdown绘制决策树：

Decision
├─ Option A
│  ├─ Outcome A1 (X%) → Value Y
│  └─ Outcome A2 (Z%) → Value W
└─ Option B
   └─ Outcome B1 (100%) → Value V

4. 期望值计算

对于每个选项：

EV_A = (X% × Y) + (Z% × W)
EV_B = V

5. 建议

期望值最高的选项 = 最佳选择（理性上）。

但需考虑以下背景因素：

• 风险承受能力（用户能否应对最坏情况）
• 时间跨度（何时需要结果）
• 其他因素（声誉风险、情感因素、道德伦理）

各领域应用示例

交易与投资

仓位规模：

• 选项：投入资金的5%、10%、20%
• 结果：不同概率下的盈利/亏损
• 价值：以美元计算的绝对利润

入场时机：

• 选项：现在入场、等待下跌5%后入场、等待下跌10%后入场
• 结果：价格上涨/下跌
• 价值：机会成本与更优入场价格的权衡

商业策略

产品发布：

• 选项：发布 / 不发布
• 结果：成功/失败
• 价值：收入、市场份额、成本

招聘决策：

• 选项：聘用候选人A / 候选人B / 不聘用
• 结果：成功入职 / X个月后离职
• 价值：生产力、成本、机会成本

个人决策

职业变更：

• 选项：维持现状 / 换工作 / 创业
• 结果：在新岗位成功 / 失败
• 价值：薪资、满意度、成长、风险

房地产：

• 选项：购买房屋A / 房屋B / 继续租房
• 结果：价格上涨 / 下跌 / 个人情况变化
• 价值：净资产、月度开销、生活质量

运营

产能规划：

• 选项：扩大生产 / 外包 / 维持现状
• 结果：需求增加 / 减少
• 价值：利润、利用率、固定成本

供应商选择：

• 选项：供应商A / 供应商B / 内部自建
• 结果：质量、可靠性、故障
• 价值：总拥有成本

计算器脚本

使用scripts/decision_tree.py进行自动化期望价值计算：

python3 scripts/decision_tree.py --interactive

或通过JSON：

python3 scripts/decision_tree.py --json tree.json

JSON格式：

{
  "decision": "Launch product?",
  "options": [
    {
      "name": "Launch",
      "outcomes": [
        {"name": "Success", "probability": 0.4, "value": 500000},
        {"name": "Failure", "probability": 0.6, "value": -200000}
      ]
    },
    {
      "name": "Don't launch",
      "outcomes": [
        {"name": "Status quo", "probability": 1.0, "value": 0}
      ]
    }
  ]
}

输出：

📊 Decision Tree Analysis

Decision: Launch product?

Option 1: Launch
  └─ EV = $80,000.00
     ├─ Success (40.0%) → +$500,000.00
     └─ Failure (60.0%) → -$200,000.00

Option 2: Don't launch
  └─ EV = $0.00
     └─ Status quo (100.0%) → $0.00

✅ Recommendation: Launch (EV: $80,000.00)

最终检查清单

在给出建议前，确保：

• ✅ 覆盖所有选项
• ✅ 每个分支的概率总和为100%
• ✅ 数值是现实的（非幻想）
• ✅ 最坏情况对用户清晰明了
• ✅ 风险/回报比率明确
• ✅ 提及方法局限性
• ✅ 添加定性背景（不仅仅是期望价值）

方法优势

✅简单——人们能够直观地理解树状结构 ✅可视化——结构清晰 ✅数据需求少——可以使用专家预估 ✅白盒模型——逻辑透明 ✅最坏/最好情况——极端情景可见 ✅多决策者——能够考虑不同利益

方法缺点

❌不稳定——数据微小变化 → 树结构大幅改变 ❌不精确——通常存在更精确的方法 ❌主观性强——概率估计“拍脑袋决定” ❌复杂——结果过多时变得难以处理 ❌未考虑风险偏好– 假设风险中性

重要

这种方法对于结构化思考很有价值，但数字常常是凭空捏造的。

更重要的是过程——迫使自己思考所有分支并明确评估后果。

不要将决策宣传为“科学证明”——它只是一个用于有意识选择的框架。

进一步阅读

• 运筹学中的决策树
• 影响图（适用于复杂决策，更为紧凑）
• 效用函数（考虑风险规避）
• 蒙特卡洛模拟（用于更高的准确性）
• 实物期权分析（适用于战略决策）