http://zhidao.baidu.com/daily/view?id=231 如何科学地挑选中意的伴侣？ 作为一个做事有条理的人，他决定约见11位女士。根据亚历克斯·贝洛斯在他的新书The Grapes of Math 中的描述，开普勒记录了自己的寻爱历程。 亚历克斯·贝洛斯写到，开普勒需要的是最优策略——这种方式不能确保成功，但却能使成功的几率最大化。并且事实证明，数学家们认为他们找到了一个可循的准则。 无论你是在挑选妻子或丈夫的人选，毕业舞会的约会对象，求职者还是汽车修理厂的技工，任何时候，这个策略都能起到作用。规则很简单：在开始阶段，你必须定下选择的总数（这么说吧，如果你在一个小镇里生活，约会对象是有限的，汽车修理厂也只有那么几家），列一个清单——清单一旦列好不能改动——然后你一一约见清单上列出的人。再次申明，我要说的法子不一定总能带来让人高兴的结果，但是相比随机情况而言，这样做的成功几率要高得多。对数学家们而言，这就足够了。 他们甚至为这个方法起了个名字。在20世纪60年代，这被称为“婚姻问题”，之后又称为“秘书问题”。 怎样操作 亚历克斯写到：“想象你正在面试20个人，想在其中为自己找一位秘书（或者配偶、汽车修理厂技工等），在每次面试结束之后，你必须做出决定，是否让这位求职者得到职位。”如果你决定让某人入职，游戏就结束了。你不能再继续面试其他人。“如果在见到最后一位人选之时，你仍然没有做出决定，那么职位就落到这最后一位的头上了。” 亚历克斯写道（并非假设所有的秘书都是女性——他只是遵循了上世纪60年代的观点）。 所以记住：每次面试结束后，要不就定下人选，要不就继续面试。如果面试过的人中，没有一个能让你做出决定，你就别把职位交给他们中的任何一个。当你决心定下某人时，游戏也就此结束了。根据马丁·加德纳在上世纪60年代对准则的描述（一部分建立于前人的基础上），最好的方式是面试（或约见）前36.8%的人选。不要雇佣（或是迎娶、嫁给）这其中的任何人。但当你遇到比这些人中最好的还要棒的人选时——那就选他(她)吧！是的，最佳人选也可能出现于前36.8%的人中——也许你还能遇到第二人选，并为他(她)的出现而烦恼，但是，如果你倾向于获得有利的机会，这仍然是最好的办法。 为什么是36.8%？答案涉及到数学家们称之为"e"的数字，这个数字出现在以下公式中： 1/e =0.368或 1/e =36.8%。获取更多详细信息，请点击这里，或是参考亚历克斯的书。但很明显，这个公式在各种控制情况之下都证明有效。虽然它不能保证让人愉快或满意，但它的确为人们提供了36.8%的机会——就拿从11位可能成为妻子的人中做选择这件事儿来说——36.8%是一个不错的成功概率。
http://www.appannie.com/books/ibooks-store/book/506098240/ The Grapes of Math 京东和amazon有同名的儿童图书，不是同一本。 http://product.dangdang.com/1408134308.html 秘书问题与行为决策 这是同主题的另一本书，从实验角度出发的。
你把老婆看成拦截次数道理一样。 盈利后拦截会有N个阶段，N的选择问题。 因为机会只有一次不选就过去了。 最后反正一个拦截。 其实有点综合评选了， 条件X 控制评选分数， N控制次数。 通过历史统计 获得最优化X的分数， 那么只要X到达 即可拦截 ，反之等待下一次。 但是依旧会等不到最终拦截， 因此可以继续优化。 当连续 低于X评分出现N次后拦截， 因为可能更坏在后面。
我现在对于优化是否真的有用持怀疑态度。 个人觉得能优化的前提是：＃1 变量组成的空间不管有多大，至少应该是封闭的；＃2 概率分布应该能以某种模型描述。 而实际上，金融市场上的数据（和变量）组成的空间就算不是封闭的也是趋于非常非常大，而且各种黑天鹅，决议，干预都可以扰乱根据历史数据回归出来概率分布模型。 那么，基于历史数据回归得到的模型有多少用处？ 回到这个36％的问题上也是一样，打算面试20个人或者面试200个人，面试到总数36％时确定的基准，哪个更好是不言而喻的。 感觉这个方法也就是从主观概率上让自己觉得＂心安＂罢了。
你当成绝对统计了，实质这是一个 cache 属于还要考虑有效命中。 假设80%的 cache 都在有效， 20%不可控制不足以毁灭前面的80%这个 cache 基本就实现了。 无非是可靠性能否提高到85% 以及不可控的可控精度提高。 但不能说这个 cache 100% 这是无意义的。
样本总数受其他条件限制，比如一个市场中的所有股票数量、一个股票的K线数量。 1/e 大致是为了获得相对较好的结果，在总数中归纳判断标准需要的比例。 另外可以找一下 马丁·加德纳（Martin Gardner) 的书。
如果这样，那结果就是没选到最优对象。该方法不保证一定选到最优对象，只是说可以使选到最优对象的概率最大。 总数越大，选到最优对象的概率越逼近1/e。总数较小的时候，选到最优的概率偏离1/e会比较大（例如3选1，最优方法是用第一个做基准，选到最优的概率为0.5）。