可能性理论的发展

　　在可能性理论诞生之前，最为普遍的预测理论是贝叶斯统计(Beyesian Statistics)，贝叶斯统计的发明人是英国18世纪的数学家、英国长老会牧师Thomas Bayes。Bayes发明了给不同事件的发生可能性加权的方法，并由此去计算另一事件将发生的概率。Howard Raiffa在上个世纪六十年代将贝叶斯统计引入商业环境，这一理论从那时起开始风靡起来。根据贝叶斯理论，管理人员应该以各种可能事件结果发生的可能性为基础来制定决策。通过对各可能性结果进行加权，然后取和，决策者们就可以计算出决策的“期望值”。如果期望值为正，则决策可行；如果为负，则决策应该被放弃。

　　贝叶斯统计一眼看上去很像中规中矩的工作方法，但是，贝叶斯理论至少对于两种现象无从下手：

　　1.对下跌风险的避免。赌博的时候，如果有50%的机会赢10美元，人们通常会决定赌一把。但是，人们为什么又往往会在同样的机率上拒绝赢100万输50万的赌博呢。

　　2.如何应对不可知的风险。有一些风险，它的发生机率是不可知的，尤其是在商业环境中充满这样的风险。为什么管理人员倾向于可知风险，而拒绝不可知风险。

　　如果用可能性理论的“风险阈值”(Risk Threshold)来替代贝叶斯理论的“期望值”(Expected Value)，上述两个问题则迎刃而解。跟其他预测理论相同，可能性理论评估的也是可能性结果的范围。但不同的是，它关注的是可能性的阈限点——类似于可接受风险将会造成的净损失。例如：如果造成（巨大）损失的风险值超过2%，那么于此相关的盈利决策就将被放弃。很明显，可能性理论弥补了贝叶斯统计的两个不足：管理人员极力避免不可接受的下跌风险，以及管理人员极力避免的未知风险。