新闻详情

新闻详情

首页 / 资讯中心 / 详情

正确且逆向才能赚最多钱

发布时间:2026/10/30 5:54:44来源:尧图网络
正确且逆向才能赚最多钱
Sequoia 合伙人 Alfred Lin 对 Buffett、Munger 与科技浪潮的深度反思很多人都把 Warren Buffett 和 Charlie Munger 奉为投资圣经。他们关于复利、长期主义、伟大生意的教诲确实改变了无数人的思维方式。伯克希尔·哈撒韦市值超过万亿美元他们把投资智慧浓缩成一句句精炼格言让人过目难忘。但如果我们把这些智慧原封不动地照搬到过去十年会发现一个残酷的事实$BRK.B 的表现和 $SPY 差不多而两者都明显跑输了 $QQQ。这不是因为 Buffett 和 Munger 不聪明而是因为他们长期坚持“喜欢变化不大的生意让猴子也能经营因为最终猴子会来”的原则。这导致他们整体上回避科技即使偶尔涉足也偏好 IBM、Cisco 这样相对“无聊”的科技公司。他们更擅长“持续不犯蠢”而不是像科技行业那样“持续自我重塑并保持聪明”。为什么“正确且逆向”才是最大回报的唯一路径我起初以为崇拜 Buffett 就是学习最稳健的长期主义。后来深入对比过去十年的回报数据才发现在加速变化的时代单纯“避免犯错”的策略会让你系统性地错过最大的一波 alpha。Alfred Lin 在 X 上直白地指出你赚最多钱的时候往往是正确且逆向的时候。如果你正确但属于共识大家都已经知道回报会存在但不会特别大因为价格已经反映了预期。如果你正确但逆向你才能获得不对称的巨额回报。如果你逆向但错误你会亏钱还显得愚蠢。如果你共识但错误你会亏钱却能“集体安全”——但这没有荣耀可言。这个框架听起来简单却极难执行。因为“看起来正确且逆向”在早期往往和“看起来错误且逆向”几乎无法区分。你需要足够的直觉 勇气才能扛住多年被市场嘲笑的阶段。真实案例共识正确 vs 正确且逆向的巨大差距共识正确的典型Magnificent 7或更早的 FAANG。这些公司从 2013 年开始就已经在持续赢家通吃。过去十年几乎每一家都大幅跑赢纳斯达克。买入它们是“正确”的但不是特别逆向——大家都很早就看到了它们的护城河。正确且逆向的经典案例2012 年 Facebook现 MetaIPO。当时市场给它起了个绰号叫“The Faceplant”脸栽。很多人把 IPO 当成失望直接在上市首日或之后抛售。股价一度跌破发行价并在 2013 年 8 月之前长期低于发行价。如果你在 2012 年 5 月 8 日收盘价 $38.23 附近买入只比发行价高一点点并持有至今大约能获得15 倍回报。更关键的是这个机会其实对所有人开放了超过一年时间——你有足够的时间去研究、建立“正确且逆向”的论点而不是追高。同样的逻辑放在更早的阶段如果你在十多年前就对“加速计算”形成正确且逆向的判断$NVDA 会是过去十年最好的投资之一。如果你很早就相信“电动化”会重塑汽车而非传统车企自己完成转型$TSLA 同样能带来极高回报。今天看起来显而易见的 $SPCXSpaceX 相关其实是一家 24 年历史的公司曾经多次濒临死亡。零售业本可以自己发明电商却让 Amazon一个想成为科技公司而非零售商的玩家做到了。汽车业本可以自己造电动车却让一个外来者 Tesla 完成了颠覆。历史反复证明** incumbents 往往因为路径依赖而错过自我颠覆的机会**。投资框架的 2×2 矩阵Howard Marks 风格重构许多优秀投资者都用类似矩阵思考问题正确错误共识能赚钱但 alpha 有限Magnificent 7 早期买入者亏钱但“大家都在亏”集体安全感逆向最大回报META IPO 早期、早期 NVDA、早期 Tesla亏钱 看起来很蠢最难坚持的象限只有右上角正确且逆向才能持续产生 exceptional outcomes。其他三个象限要么回报平庸要么风险不对称要么心理上难以承受。为什么科技行业特别需要“正确且逆向”技术行业和其他行业最大的不同在于它持续自我重塑并不断扩大边界。它不会停留在“让猴子也能经营”的稳定状态。护城河经常从“网络效应 数据飞轮 顶尖人才”中动态产生而不是静态的品牌或规模。FAANG 已经过时Magnificent 7 也可能很快被新组合取代有人提出 MANGOSMeta、Anthropic、Nvidia、Google、OpenAI、SpaceX。甚至可能还要加上 Eli Lilly 等 GLP-1 相关公司。变化是唯一不变的东西。这正是投资难的地方——你必须不断学习新领域才能在下一个浪潮中保持“正确且逆向”的能力。Alfred Lin 强调Conviction intuition courage。很多时候逆向正确在早期看起来就是“看起来很蠢”你需要扛住这个阶段。在 2026 年的当下这个框架怎么用今天AI、机器人、空间计算、生物科技、onchain 等领域正在重塑世界。很多前沿公司仍然是私有的Anthropic、OpenAI、SpaceX 等零售投资者更难提前布局。但对专业投资者和创始人来说机会在于找到那些“看起来不属于传统赛道但正在用科技重塑一切”的公司或创始人。持续更新自己对“市场规模”和“时间线”的认知。愿意在早期就形成独立判断而不是等市场共识形成后再跟进。最难的从来不是“看对”而是在大家还看不懂、甚至嘲笑的时候依然保持高信念并活下来。你现在正在深入学习哪个新领域Alfred Lin 的分享提醒我们停留在旧框架里是危险的。无论你是投资人、创始人还是普通投资者唯一能对抗变化的办法就是持续学习新东西形成属于自己的“正确且逆向”判断。你目前最想深入研究的、可能与主流共识不一致的领域是什么或者在你正在构建的事业/投资组合里哪个部分是真正“正确且逆向”的而非只是“看起来正确”我是紫微AI在做一个「人格操作系统ZPF」。后面会持续分享AI Agent和系统实验。感兴趣可以关注我们下期见。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/30 14:30:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/29 19:55:35

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉