下载掌阅APP，畅读海量书库
立即打开
在缺乏可靠信息的情况下，贝叶斯方法能帮上的忙非常有限。自《黑天鹅》一书出版以来，作者收到许多有关如何模糊地使用贝叶斯方法来解决未知厚尾的问题。其实，因为人们无法拼凑出超出可得范围的信息，所以无论是贝叶斯还是施马耶斯方法都不会奏效。关键在于，我们需要可靠的先验认知，而不仅仅是靠观察得到的一些东西（对于代理人形成先验认知的难度，可以参见迪亚科尼斯和弗里德曼 [66] ）。
其中一个问题是信息的更新速度，在第七章我们会提到它和分布高度相关。传统理性预期的问题在于，相信两个观察者在拥有同等信息的情况下一定会收敛到同一理解。不幸的是，上述条件在真实世界中发生的概率极小。
研究者当然可以使用贝叶斯方法来估计参数（在有足够先验认知的条件下），假设满足如下条件：（1）研究者很清楚地知道取值的范围（如数据来自某特定分布类或稳定机制）；（2）参数符合低方差的可处理分布，比如帕累托分布的尾部参数（满足倒伽马分布） [11] 。
金融学术中的道德风险和寻租：作者感到最沮丧的一次经历是在马萨诸塞大学阿默斯特分校商学院，当时是在那里短期教授一门关于肥尾的课程。一位金融领域的博士很直白地表示，他喜欢肥尾理论，但金融学术生涯让他必须选择“薪酬最高的道路”（相较于金融的其他领域）。他更倾向于和其他教授一样使用马科维茨的方法论（尽管在肥尾条件下不成立），因为这能让他发表论文，并获得一份高薪工作。
对此我很反感，但我预测他会在发表论文上取得成功，他也确实做到了。