家庭作业：我的投资方法论

在小说阅读器中沉浸阅读

混沌的第一次课后作业是『基于多元思维模型，推到第一性原理和投资的方法论』。不仅要求在7周内完成，还要在第二次课程上做15min演讲和团队互评。

毫无疑问，看到这个『不可能完成』的任务，我的内心是崩溃的。一方面，要在一个多月的时间里建立自己的『投资理论体系』（感觉四年都没建立），而且要大言不惭的在N多前辈面前讲15分钟，压力实在太大。还好Deadline是第一生产力，鉴于明天就要交稿，先试着把临阵磨枪的一点结果写下来，和各位看官们探讨。

我认为这个题目很难，主要难在『破题』。首先，究竟什么是『第一性原理』（First Principles）？在Wikipedia中给的解释是『A first principle is a basic, foundational, self-evident proposition or assumption that cannot be deduced from any other proposition or assumption.』基本可以理解为几何学中的『公理』（Axiom），或者物理学中不基于经验参数的『从头计算』（ab initio）。But，理解了这个定义无济于事，因为投资本身过于复杂，单一的假设（市场有效性，人是非理性的，etc.）很难推导出有意义的投资体系。

再来看教授给出的例子：

1\. 牛顿的第一性原理是『万有引力』，基石假设是『引力』和『惯性』两个概念，方法论是『机械论』；

2\. 熊彼特的第一性原理是『创新』，基石假设是『动态经济』和『企业家要素』，方法论是『创造性破坏』；

3\. 马斯克的第一性原理是『物理学思维』，基石假设是『非连续性』和『科技』，方法论是从头计算；

4\. 达尔文的第一性原理是『自然选择』，基石假设是『遗传变异』和『生存竞争』，方法论是自组织；

不需要更多的例子了，运用一点归纳法，可以看到以上的第一性原理只是某个理论体系的名字，而理论体系的核心由两部分构成：基石假设和方法论。我认为方法论是对某类事物运营规律的抽象建模（黄晓杰的例子，信息传播的基本模型包括『信息——媒介——受众』）——就像汽车的发动机；基石假设可以体现了模型运用者对事物的洞察（黄晓杰：VR需要从极客扩展到早期早期大众）——为发动机提供了燃料。再举一例，芒格将投资比为赛马场的下注（动态博弈过程），而多学科的公理体系则为他参与博弈提供了诸多视角和领先优势（edge）。

一个基石假设：幂次定律（the Power Law）

回到教授的题目，如果要在投资这件事上应用『第一性原理』，我认为也应当首先对投资（早期一级市场投资）进行抽象建模，然后找到自己的基石假设。

Wikipedia对投资的定义是『To invest is to allocate resource, in the expectation of some benefit in the future』。其关键在于『Expectation』，即对一个项目/公司未来的预期。

道行甚浅的段郎，很难讲对某家公司的看法有什么独到之处，回看之前的项目和会议纪要，甚至大多数时候的看法都是片面，不得要领的。如果硬要找一条关于投资的基本观点，那就是我深切感受到了幂次定律的作用。

首先是LP历史数据带来的洞察。之前总听说VC回报来自少数几个头部项目，去年硅谷团建时有幸和某知名FOF做了交流，从这家美国FOF过去30年（1985-2015）的大数据来看，3%的项目贡献了恰好50%的总回报，而58%的项目是亏损的，只贡献了3%的回报。换成绝对金额，头部6.5亿美元的投资带来了660亿的汇报（>25x），而230亿的投资只有37亿的『残值』，恰似两道完美的双曲线，可谓触目惊心。

虽说是LP给的『大数据』，但段郎仍然觉得隔了一层（终究还是感性动物）。过去几年有幸近距离观察了头条，快手，OFO等几个热门项目，也错过了像喜马拉雅，途虎，VIPKID等项目。毫无例外的是每轮都觉得很贵，但每次Review时更加痛心疾首。

从我自己深度参与过的项目中反思，更是真切。我们在14年时反复看了所有菜谱类的应用，下厨房聊了3次，和Tony也挺投缘。后来种种原因还是投了另一家当时增速很快的同类项目。今天看来，Power Law还是非常残酷的。当然也有正面的例子，包括Ninebot（后来收购了美国Segway），华米（小米手环，目前全球出货量第一）等，不再展开。

我认为幂次定律（马太效应）背后的逻辑在于：

1\. 多种原因带来的正反馈/负反馈：领先的企业会在用户本身（快手），人才（华米），市场（喜马拉雅），资本（蔚来汽车），社会影响力（OFO），政策等多个纬度形成循环，通常不易打破

2\. 互联网/新媒体的渗透，会把幂次定律带到更深的社会层面：例如我们看到的工业自动化检测，细分的消费品品类等，看起来很『传统』的行业，都会被互联网+资本改造，产生强者愈强的『幂次定律』效应

一个方法论：贝叶斯过滤器

那么问题来了，如何在早期『识别』出头部的项目呢？说实话，回顾13-14年的项目纪要，喜马拉雅，途虎，富途，下厨房等在各自领域中，和竞品比较并没有数量级上的差异。我个人的主要失误，一方面，优质项目来的时候没有识别出来（有眼不识泰山）；另一方面，在『长尾』的公司上花了太多的时间（一叶障目）。

我认为，『投资决策』这个节点，其实是个模式识别的过程，或者说是投资经理扮演的是『人肉筛选器』。Paul Graham在12年写过一篇『A Plan For Spam』，讨论了如何用贝叶斯方法来筛选垃圾邮件（Spam）。与此类似，我们尝试把整个投资思考过程抽象化，假设：

• W：代表观察项目得到的信息/特征；

• S：代表没有价值的没有价值的长尾项目（Spam）；

• H：代表有价值的项目

套用一下条件概率的公式：

P（S|W）代表当前观察到的项目是长尾项目（Spam）的概率。它取决于：

• P(S）：所有看过的项目中，长尾项目（Spam）的比例。如果整体项目质量不高，新来的这个项目大概率仍然是Spam;

• P(W|S)：在低质量项目中，出现某个特征的概率。就像垃圾邮件中经常出现『Discount』，『Sex』这样的热词，长尾项目也会高频出现『风口』，『跟投已确定』，『连续创业者』等特征；

• P(W|H): 在高质量项目中，出现某个特征的概率。靠谱的项目也有一些特征，例如创始人是行业大咖，清晰的成本结构展示，或明确的技术细节讨论；

我花了一天半的时间，快速复盘了一遍自己过去4年多看过的1255家公司。有几点启发：

1\. 高估了整体项目质量：按照相对宽松的标准，当时决定跟进的有210家（16.7%），事后发现有价值应当花时间的有73家（5.8%）。这意味着我应当用3倍的时间去研究头部的项目，或者将跟进的标准再提高3倍；

2\. 高质量项目的特征：在73家事后认为真的有价值的公司中，48家的创始人是相关领域10年以上经验的老司机（65.7%）；

3\. 值得花时间的领域：18个估值最高的项目中，出现在消费电子和技术领域的有10个（56%）；

4\. 核心在于项目来源的质量：当特征概率不是很高的时候（例如P(W|S)=70%），P(S|W)和P(S)是非常接近的。也就是说，新项目是好项目的概率，和看到的特征关系不大，和整体项目质量关系很大；

总结：

幂次定律无处不在（流星的体积，数据封包的大小，人口密度等），但它本身是反人性的，也和多数人的价值观（公平正义，平均主义）相冲突，因此从心底接受它是困难的。万维刚老师说，人的一生只应该做两件事：1）顺应古老的基因，尽量长的高颜值；2）顺应幂次定律，尽量擅长某件事。第一点受之父母，唯有坦然接受，就从第二点做起吧！