全新任務中心上線了!
會員專屬好禮都在這

立即前往
任務中心
2021 《魔球》書籍讀後感:看懂運動統計威力,應用在投資上!
收藏文章
很開心您喜歡 美股隊長 的文章, 追蹤此作者獲得第一手的好文吧!
美股隊長
字體放大


分享至 Line

分享至 Facebook

分享至 Twitter


2021 《魔球》書籍讀後感:看懂運動統計威力,應用在投資上!

2021 年 8 月 1 日

 
展開

想寫《魔球》,已有多年。試過偷用別人名字,在雜誌寫過兩篇,可惜寫得甚為膚淺。越來越覺得一本書,沒看了三、四年,不應隨便品評。因為沒多年深入反覆思量,介紹都是浮光略影,未能將核心內容融匯貫通,徒然浪費好書。

《魔球》故事背景

言歸正傳:《魔球》講述一支北美職業棒球隊,其管理層的故事。棒球於北美流行,日本、台灣有職業棒球,香港人卻不太熟識。簡單講解故事背景:作者米高路易斯(Michael Lewis)筆下的球隊,是奧克蘭運動家隊(Oakland Athletics)。此球隊以缺錢聞名,班主至為孤寒(貧困)。北美職棒與歐洲足球一樣,不同 NBA,因為後者有「薪酬上限」,每隊的總薪酬大致相若,不可濫用銀彈攻勢。可是如英超的曼聯、車路士,又或是西班牙的巴塞、皇馬,就可以本傷人,大灑金錢,購入最好的球員,以強凌弱。美職棒的系統,同樣是班主肯買單,便可貴搶球員。

《魔球》的主角,是運動家隊的總經理比利.比恩(Billy Beane)。書中所講的,是十年前的運動界,並未流行大數據分析。當時流行的輪選新秀的方法,都是以退役球員為球探,派去全國各地,觀察當地的大學生、中學生作賽,評估其球技和潛質,再回報高層。每年選秀,都是靠腿上功夫,不遠千里,實地觀戰來調查。

內文-魔球(上)─大數據的實際應用-01

 運動家隊「家境清貧」,不可能在自由市場購入明星球員,只能靠年輕新秀爭標。北美職棒的規則,是新球員比老手便宜得多(NBA 也是同一系統)。選中球技好的廉價勞工,才能保持競爭力。一到球員成熟,老手便離隊,一如英超的情況,上位球星一旦大熟大勇,便會被名門搶走。

隨着故事推進,比恩在 2002 年選新人時,極為大膽地做了一個實驗:不採用球探的報告,而是單靠數據分析,來做出決定。這位數據分析「大師」,年紀輕輕,完全沒打過職業棒球。這名後生開發了一個統計系統,分析大學生、中學生球員比賽時的攻守數據,提煉數據,研發指標,用以選出最佳球員。

比恩不怕炒魷魚,兵行險著,原因是 2001 年,分析「大師」曾擬出一新秀名單,請球探跟進。眾球探根據他們的「專業眼光」,或不願長途跋涉調查、或憑感覺立刻「彈三彈四」、或覺得那些球員「不符主流」,例如身材不標準、過重、投球手法怪異。豈料這批由數據分析挑選出來的精英,一年後於實戰中,在別隊中大放異彩。反觀比恩當日依循舊法,唯球探意見是瞻,選來的球員,全為蝦兵蟹將,自然氣上心頭。舊法廢絕地球,便狠下決心,於翌年純用數字揀卒,最終成就傳奇故事。

運動家隊該季除新人外,也透過交易,買入外隊棄將,結果常規賽成績極佳,打個比方,就如英超中西布朗忽然脫胎換骨,升上聯賽第二位的震憾度,而且是靠一隊仿似「少林足球」的「三尖八角」球員。2002 年,運動家隊常規賽連勝連贏廿場,勇破美國聯盟(American League)歷史紀錄。整季 103 勝,在班費少敵隊一半的情形下,稱霸美國聯盟。

當路易斯將故事成書後,體育界才驚覺運動統計的威力。現時所有北美的職業球隊,必聘數據分析專才,重要性不下於傳統球探。

內文-魔球(上)─大數據的實際應用-02

球探

越來越喜歡《魔球》一書,皆因講出一堆選擇面前,人性的重大缺點:就是太喜歡憑感覺、直覺,去作無根據的決定。例如面試就是一個好例子:求職面試,考官僅有五至十分鐘,去評估應聘者的能力、人格。部份人面試時,表現滿分,一報到,表現跟預期相去甚遠。但絕多數人仍相信,面試五至十分鐘,就可選到最佳人選。

比恩的眾球探,便是實例。北美地域廣闊,千里迢迢,去看一場賽事,目標球員可能在整場賽事中,只揮棒數次;又或投球數十。球探僅憑幾個小時的印象,去評定該球員的綜合實力、未來十年八載的進步空間,根本是天荒夜譚!又不是風水堪輿大師,能從面相、掌相,判斷人的一生!或許當日球員身體抱恙、心情欠佳,不在狀態,怎能預料?這就是美國大部份球隊,最後轉為依賴數據的原因。數據的場數夠多:一個中學生、大學生,隨時出賽過百,可靠度必然大於球探在某場比賽,隨意窺探為高。

篇幅太長,明天繼續。

美股隊長》授權轉載

【延伸閱讀】

 
週餘
 
 
分享文章
分享至 Line
分享至 Facebook
分享至 Twitter
收藏 已收藏
很開心您喜歡 美股隊長 的文章, 追蹤此作者獲得第一手的好文吧!
美股隊長
分享至 Line
分享至 Facebook
分享至 Twitter
地圖推薦
 
推薦您和本文相關的多維知識內容
什麼是地圖推薦?
推薦您和本文相關的多維知識內容