职场是一场投资,活在未来的人比活在当下拥有更多“财富”

640?wx_fmt=jpeg

那天和朋友聊到职场选择逻辑,讨论了一个问题:


我们是不是还没优秀到要考虑机会成本?


对于初入职场的人,面对两个选择:公司A和B。


640?wx_fmt=jpeg


公司A提供的收入要高于公司B,但A是一家上升空间很小的企业,能学到的东西相对有限;


而公司B处在行业上行风口,接触的资源和行业知识从长期来看更有价值,但收入不那么有吸引力。


如果我们在比较公司A和B的时候,会选择哪个企业就职?


如果选择公司A的话,我们看到的是显性的收益,而显性往往和短期和确定性挂钩。也就是说我们更趋向选择越有确定性的,而不考虑未来可能更大的回报。


因为我们对当下的把控力可以让我们减少对未来未知收益的焦虑,这也是为什么很多职场选择,现阶段薪水的高低对职场选择起到了更重要因素。


选择的机会成本:如何建立选择机制,假设建立在“如果失败”还是“如果成功”?


面对职场选择的时候,其实和商业活动一样,需要考虑这样一个经济学原理:机会成本。


机会成本是我们在选择和权衡机会时,需要放弃其他机会给我们带来的价值。


背后的启示也就是——选择需慎重,因为我们可能冒着损失可能到来的其他机会。


其实这就像投资,这里我整理了两个思维模式:


  • 甲:如果我选择了A这件事,万一失败的话,我有什么损失?


  • 乙:如果我选择了A这件事,万一成功的话,我有什么收益?


上面两个假设,有没有发现什么差异?


最直观的差异,就是甲、乙两种思维建立在对未来不确定性,也就是预期风险的态度和立场:一个是悲观的,一个是积极的。


640?wx_fmt=jpeg


不可否认,在权衡利弊的时候,对未知风险进行预期和评估,这是实践中值得应用的理性行为。


但采用不同的思维模式,会给行动带来不一样的影响。而认知不同的根本原因,在于对风险的解读和预判。


在投资领域,针对投资者风险的偏好,分为风险追求型投资者、风险回避者和风险中立者。


  • 风险追求:当预期收益相通时,选择风险大的,因为这会给他们带来更大效用。


  • 风险回避:当预期收益相通时,偏好于具有低风险的资产,因为这样的投资惧怕损失。


从上面归纳的问题可以看到,对风险的分析,甲乙两个思考方式差异在于:


  • 甲是风险回避型投资者,乙是风险追求型投资者。


  • 甲基于的假设模型是风险导致“失败”,而乙基于的假设模型是风险导致“成功”。


  • 甲把做这个事情看作成本,而乙看成“未来现金流入”,也就是收效。


深层次看,甲考虑的是失败,是源自对失败的恐惧心理。而乙是正向反馈,看到选择后的机遇和成长。


其实这两种思维模型,不仅仅广泛应用于投资领域,在我们日常选择的时候,也经常用到甲乙这两个模式。


职场和投资:主观出发点是立足失败,还是立足成功?


我归纳了三个值得思考的问题:


640?wx_fmt=jpeg


  • 如何看待选择?


  • 如何看待风险?


  • 采用甲乙哪种模式思考问题,立足失败还是立足成功的假设?


面对不确定性,也就是隐性机遇时,不妨问问自己:如果不去做这件事,我可能会失去什么?


互联网领跑者马云是大家熟知的成功企业家,但是马云曾说自己能取得今天的成就,离不开他背后的四个人——孙正义、杨致远、金庸、蔡崇信。


如果非得选一个最感谢的,应该就是蔡崇信了。


1996年,在阿里巴巴团队还是十八罗汉的时候,蔡崇信在瑞典银瑞达集团(Investor AB)的香港公司做投资,代表AB投资公司去看要不要投资马云,当时的阿里巴巴雏形只是运行了几个月的网站。


当时蔡崇信在投资方的年薪是580万,他在和马云聊了之后,突然说:“你要成立公司,要融资,我懂财务和法律,我可以加入公司帮你做”。


马云难以相信:“你再想一想,我付不起你那么高的薪水,我这里一个月只有 500 块工资。”


一晃到了2016年,蔡崇信在耶鲁商学院的访谈中谈到当初为什么加入马云的创业团,他这样分析:


耶鲁法学院的学位是这世上少见的珍宝,在政府和商业世界里都很稀缺。


换句话说,我去冒险,风险收益是不对称的(asymmetrical) ,下行风险(downside risk)很小,上行收益(upside benefit)可能很大。


说到底,如果我去阿里巴巴干半年,公司不行了,我还是可以再回头去干税务律师或者做投资。


640?wx_fmt=jpeg


因为风险收益杠杆的不对称,下行风险很小,上行收益可能很大,一旦成功,回报率会远远超出原有水平。(When you take a risk, your down side is only so limited, but your up side is huge. )


640?

1.2018年第10期《单片机与嵌入式系统应用》电子刊新鲜出炉!

2.同是嵌入式工程师,为什么有人月薪8千,有人年薪快40万?

3.编程语言 10 月排行榜:C++ 重回前三!

4.初学者如何“勾搭”STM32?

5.Arm联手赛灵思提供免费Cortex-M处理器,助力嵌入式开发!

6.程序员能靠技术渡过中年危机吗?

640?wx_fmt=gif

免责声明:本文系网络转载,版权归原作者所有。如涉及作品版权问题,请与我们联系,我们将根据您提供的版权证明材料确认版权并支付稿酬或者删除内容。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值