真正的高手,都是在高价值区,做正确的事

现如今是一个机会更多、选择更多的时代,很多人都认为既然有这么多机会可选择,那做的越多,赢的概率就一定越大,其实不尽然,因为机会越多,意味着概率越小,越是有多种可能性,越是需要专注于核心竞争力。

就拿投资这件事来说,以前我经常听到这样一种理财观,叫做“不要把鸡蛋放在同一个篮子里”。原理相信大家都懂,对于普通大众而言,这是一种财务上的避险策略,但对于那些投资界的高手来说,他们的做法刚好相反。



1992年索罗斯大战英格兰央行的时候,他的基金经理人德鲁肯米勒认为这是一次难得的好机会,甚至建议把所有钱都押上,当他把这个想法告诉索罗斯的时候,索罗斯说这“太荒谬了……你知道这种事情多久才能出现一次吗?所以,要做的不是把所有的钱押上去,而是要把所有能搞到的钱,都押上去。”结果他们加上杠杆,总共投了100亿美金,最终大获全胜。

德鲁肯米勒说:“我从索罗斯身上学到很多,但最重要的并不是你对还是错,而是在你正确时你赚了多少,而错误时你赔了多少。”

很明显,索罗斯的策略就是:专攻要害,一击致命。

在股神巴菲特的办公室里,贴着一张美国棒球手的海报,海报中的棒球手正准备挥杆,而旁边是一个标识着每个击球位置的长方形矩阵,这是对巴菲特投资理念影响极大的一个人——波士顿红袜队的击球手泰德·威廉斯。



泰德被称为“史上最佳击球手”,在美国《体育新闻》杂志评选的史上百位最佳运动员中,排在第八位。其在棒球界的位置,一点儿都不比巴菲特在金融圈的声望低。

在棒球运动员中,有两类击球手。

一类是什么球都打,每次击球都全力以赴,力求全垒打,但这需要耗费很多体力,很多人甚至不惜服禁药来保持体能。

另一类人则是聪明的击打者,他们并不强求全垒打,而是只打高概率的球。

世界排名前十的击球手,都是后面这类人,而泰德·威廉斯就是这类人中的高手。

泰德在其影响深远的教科书《击打的科学》中,提出一个观点:高击打率的秘诀是,不要每个球都打,而是只打那些处在“甜蜜区”的球。

他把击打区划分为77个小区域,每个区域只有一个棒球大小,只有当球进入理想区域时 ,才挥棒击打,这样才能保持最高的击打率。否则如果去击打处于边缘位置的球,击打率会非常低。所以,在比赛当中,对于非核心区的球,即使嗖嗖从身边飞过,泰德也绝不挥棒。

这种策略听起来简单,但在实际比赛中却非常难操作,特别是在决定胜负的关键时刻。几万名观众绷紧了神经,用期待的眼睛看着你,当球飞过来的时候,如果不打,就将迎来全场的嘘声。这时,坚持“只打高价值的球”就需要极强大的定力和冷静的内心。

泰德·威廉斯说:“要成为一个优秀的击球手,你必须等待一个好球。如果我总是去击打甜蜜区以外的球,那我根本不可能入选棒球名人堂。”



受泰德·威廉斯影响,巴菲特把这种策略应用到了投资领域,形成了自己独特的投资哲学:只投资高价值、有护城河的公司,其他的根本不看。

巴菲特在2017年的纪录片《成为沃伦·巴菲特》中说:

“我能看见1000多家公司,但我没有必要每个都看,甚至看50个都没必要。投资这件事的秘诀,就是坐在那儿看着一次又一次的球飞来,等待那个最佳的球出现在你的击球区。人们会喊——打呀。别理他们。”

“股票的确有一种倾向,让人们太快太频繁地操作。人们很多年来发明了各种过滤器来筛选股票。而我知道自己的优势和圈子,我就待在这个圈子里,完全不管圈子以外的事,定义你的游戏是什么,有什么优势,非常重要。”

从巴菲特的投资效果来看,也印证了他的说法,就像他的合伙人查理·芒格所说的:“如果把我们最成功的10笔投资去掉,我们就是一个笑话。”



看上去巴菲特和泰德采用的是一种最稳妥、最保守、动作最少的打法,但他们却是最强的进攻者。只是因为他们找到了高价值区,在战略上专注,并用最有把握的方式取胜。这种战略,可以称之为“高手战略”。具体分为三个步骤:

1、找到“甜蜜区”:找到自己最擅长,并且能产生高价值的领域。

2、战略性专注:只打“甜蜜区”里的球,战略性忽略低价值的事。

3、等待机会,持续迭代:在高价值领域,用最不取巧的方式做事。

人的时间、经历、智商都是差不多的,高手之所以比普通人做的更好,其中一个秘诀就是“专注”,或者说是一种价值定位并敢于舍弃的能力,对人来说,这往往是反本能的。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发性能、可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发性能、可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了效的技术支持。
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