可得性偏差：最近发生的事看起来更重要

上周BTC暴跌15%，你满脑子都是”市场崩盘”。你的大脑把这次暴跌的印象放大到极端——你觉得”暴跌是常态”、“市场风险极高”、“应该全部卖出”。但如果你看过去5年的数据，15%的回调在BTC历史上发生过几十次，大多数都只是正常的中期调整。为什么你这次觉得特别可怕？因为可得性偏差（Availability Bias）。

可得性偏差是指：人们倾向于根据”最容易回忆起来的信息”来判断事件的频率和重要性。最近发生的事、情绪强烈的事、媒体反复报道的事——这些信息在你大脑中”可得性最高”，因此你对它们的权重判断远超客观水平。

核心原理

1. 回忆越容易→判断越重要→权重越偏

可得性偏差的核心逻辑链：

• 回忆难度决定了你对事件频率的估计
• 越容易回忆的事件 → 你估计它发生的频率越高
• 越难回忆的事件 → 你估计它发生的频率越低

Tversky和Kahneman的经典实验：让受试者判断”以K开头的英文单词多还是以K作为第三个字母的英文单词多”。大多数人选择了前者——因为”以K开头的单词”更容易回忆（如Kite、King），而”以K作为第三个字母的单词”很难回忆（如awkward、acknowledge）。实际上后者数量是前者的3倍。

大脑用”回忆难度”替代了”统计频率”——这是一个根本性的判断错误。

2. 近因效应：最近的事占住大脑的工作记忆

可得性偏差最重要的来源是近因效应（Recency Effect）。最近发生的事占据了你大脑工作记忆的主导位置：

• 昨天的暴跌 → 工作记忆中清晰可及 → “暴跌随时可能发生”
• 3个月前的稳步上涨 → 已经淡出工作记忆 → “上涨似乎不太常见”
• 1年前的类似暴跌 → 完全不在工作记忆中 → “上次暴跌好像没那么严重”

近因效应让你对最近发生的事件赋予极端权重，而把历史中类似事件的权重降到几乎为零。这就像用1天的数据来预测1年的趋势——你的”样本”太小了，但你的”确信度”太大了。

3. 情绪放大：越强烈的体验越容易被回忆

可得性偏差的另一个重要来源是情绪强度。情绪越强烈的体验，回忆越容易：

• 亏损50%的痛苦 → 极强烈情绪 → 永远清晰可忆 → “亏损是常态”
• 稳定盈利2%的平静 → 微弱情绪 → 很快被遗忘 → “盈利不常见”
• 一次爆仓的恐惧 → 情绪爆炸级 → 成为终身记忆 → “交易很危险”

情绪放大效应造成了系统性偏差：痛苦事件比愉快事件更容易回忆，因此你对”市场风险”的估计远高于客观水平，对”市场机会”的估计远低于客观水平。

4. 媒体放大：反复报道=频繁发生

媒体是可得性偏差的强力放大器：

• 一个BTC暴跌事件 → 媒体连续3天报道 → 你觉得”暴跌一直在发生”
• 一百个BTC小幅上涨日 → 媒体一句话总结 → 你觉得”上涨似乎不多”
• 一个交易所倒闭事件 → 媒体连续一周报道 → 你觉得”交易所经常倒闭”
• 正常的交易活动 → 媒体不报道 → 你觉得”安全是常态”（这其实是对的但被忽略了）

媒体的选择性报道让你的大脑建立了一个扭曲的”事件频率数据库”——被报道的事件被严重高估，不被报道的事件被严重低估。币圈的媒体尤其如此——暴跌、崩盘、诈骗被反复报道，而稳步上涨、安全运营、正常建设几乎没有报道。

5. 个人经历偏差：亲身经历>统计数据

可得性偏差还受到个人经历权重的影响：你亲身经历过的事件比统计数据更重要：

• 你曾经在山寨币上亏了80% → “山寨币风险极高”（哪怕统计数据说大部分山寨币亏损在40-60%范围）
• 你曾经在BTC上赚了200% → “BTC经常翻倍”（哪怕统计数据说BTC翻倍的时间间隔在2-4年）
• 你身边有人被诈骗 → “币圈全是骗子”（哪怕统计数据显示诈骗比例远低于你的估计）

一个亲身的强烈体验可以推翻一百个统计数据。这就是可得性偏差的可怕之处——它让你用个人经验替代统计事实，而个人经验几乎总是极端的、非代表性的。

币圈应用

案例一：暴跌后的恐惧过度反应

2024年BTC某次从$100,000回调到$85,000（15%跌幅），社交媒体上弥漫恐慌情绪：

• 散户觉得”市场正在崩盘” → 可得性偏差：最近暴跌=经常暴跌
• 但实际上BTC历史上15%以上的回调平均每3个月就发生一次
• 15%回调是BTC的正常中期波动，不是”崩盘”
• 然而最近的暴跌占据了散户全部的工作记忆 → 客观历史数据被忽略

后果：大量散户在回调底部恐慌抛售，然后在BTC恢复上涨后后悔不已——他们的抛售决策完全被可得性偏差驱动，而非理性评估历史波动规律。

案例二：暴涨后的乐观过度膨胀

同样，BTC暴涨后可得性偏差会制造乐观过度膨胀：

• BTC从$60,000涨到$100,000 → 最近一直在涨 → “市场只会涨”
• 但BTC历史上这种暴涨之后通常会伴随20-30%的回调
• 最近暴涨占据了全部工作记忆 → 回调的历史规律被忽略

后果：散户在暴涨后大举追高，完全不考虑回调风险。可得性偏差在牛市中制造”只会涨”的幻觉，在熊市中制造”只会跌”的幻觉——两者都是偏误。

案例三：诈骗事件的可得性放大

币圈诈骗事件被可得性偏差严重放大：

• 一个交易所倒闭（如FTX）→ 媒体连续数月报道 → 你觉得”交易所随时可能倒闭”
• 实际上主流交易所安全运营的年份远多于倒闭的案例
• 但倒闭事件的可得性远高于安全运营 → 你对交易所风险的估计远超客观水平

这种偏差导致一些人把所有资金存放在硬件钱包中（虽然安全性确实更高，但便利性大幅降低），或者完全退出币圈（因为”可得性记忆”中全是负面案例）。

实战场景

场景一：历史数据校准

当你对某个市场事件产生强烈情绪反应时，做”历史数据校准”：

1. 当前感受：“BTC暴跌15%，市场崩盘了”
2. 搜索历史数据：BTC历史上15%以上的回调发生了多少次？
3. 统计频率：平均多久发生一次？
4. 回调后恢复：历史上每次回调后BTC多长时间恢复？
5. 重新评估：这次回调是”异常事件”还是”正常波动”？

数据校准的结果可能让你惊讶：你觉得”异常”的事件，在历史数据中可能只是”常态”。可得性偏差让你把常态当成异常，因为最近的事件太容易回忆了。

场景二：情绪标记分析

对交易日志中的每一笔交易标注”情绪标记”（1-5分）：

• 情绪标记1 = 平静无感（小幅盈利/小幅亏损）
• 情绪标记5 = 极端情绪（爆仓、大赚、恐慌抛售）

然后分析：你对情绪标记5的事件的记忆权重是多少？对情绪标记1的事件的记忆权重是多少？

通常你会发现：你对5个情绪标记1的事件的记忆权重加起来，可能还不如1个情绪标记5的事件。这意味着你的”市场风险评估”主要由少数极端事件决定，而非大量正常事件的整体分布。

场景三：媒体信息解构

每周做一次媒体信息解构：

1. 本周看到的10条最重要新闻是什么？
2. 这些新闻的情绪倾向是什么？（正面/负面/中性）
3. 这些新闻代表的事件，在过去1年中发生了多少次？
4. 媒体报道频率 vs 实际发生频率的对比

你很可能发现：负面新闻的报道频率远高于其实际发生频率，正面新闻的报道频率远低于其实际发生频率。媒体给你的”可得性信息库”是扭曲的——你需要用统计数据来校准它。

常见误用

误用一：把”历史数据”当成”绝对真理”

用历史数据校准可得性偏差是好方法，但历史数据本身也有局限——市场环境在变化，过去3年的波动规律可能不完全适用于未来。数据校准应该用于”调整极端偏误”而非”否定当前市场信号”。如果你的可得性偏差让你觉得15%回调是”崩盘”，数据校准告诉你这是”常态”——但这不代表你应该完全忽略回调风险。

误用二：用可得性偏差否定所有直觉

“我的直觉只是可得性偏差的产物”——这过于极端。直觉中确实包含可得性偏差，但也包含大量隐性经验积累。完全否定直觉会让你变成纯数据驱动的机器，这在币圈中可能不够灵活——因为币圈的数据历史本身就很短。

误用三：只校准负面偏差不校准正面偏差

大多数人只意识到可得性偏差对恐惧的放大作用，而忽略了它对乐观的放大作用。在牛市中，最近的暴涨同样被可得性偏差放大，让你觉得”市场只会涨”。你需要同时校准负面和正面偏差——恐惧过度时用数据降温，乐观过度时用数据警示。

误用四：认为统计数据本身没有可得性偏差

统计数据也可能被可得性偏差影响——你选择查看哪些统计数据本身就是一种可得性选择。你可能只看”BTC涨幅”的数据（因为你最近在赚钱），不看”BTC回调”的数据（因为你不想面对）。数据的选择性获取也是可得性偏差的一种表现形式。

总结

可得性偏差是交易中最普遍的信息处理偏误。它让你用”回忆难度”替代”统计频率”，用”最近事件”替代”长期规律”，用”情绪强度”替代”事件权重”。在币圈，媒体、社群、个人经历的叠加效应让可得性偏差被急剧放大。

对抗可得性偏差的核心方法：用历史数据校准你的主观估计。当你觉得某个事件”很常见”或”很罕见”时，先查数据——你的感觉几乎总是偏离客观频率的。不是让你变成纯数据驱动，而是让数据成为你主观判断的校准工具。

在币圈，信息的可得性严重偏向负面（暴跌、诈骗、崩盘的报道远多于稳步上涨、安全运营、正常建设的报道）。如果你只依赖可得性信息做判断，你会觉得币圈比实际更危险（在熊市中）或比实际更乐观（在牛市中）。数据校准是唯一的解药。

更多实战方法见帝门交易。