成长投资、动量和机器学习看起来是三种方法，真正共同下注的却是同一件事：样本外仍是样本的延长线。
01 / 最普遍的隐藏赌注
成长投资赌增长延续，动量赌涨势延续，机器学习赌历史统计延续。三者使用的语言不同：一个讲产业空间，一个讲价格趋势，一个讲特征与概率；但在真正下注的那一刻，它们都需要一个共同前提——过去观察到的关系，在未来仍有足够部分成立。
这就是可外推性。
它几乎藏在所有金融判断背后。估值要把未来现金流折回今天，趋势要假设方向不会立刻反转，模型要把训练样本中的规律带到样本外。没有任何外推，行动无从发生。
问题不是能不能外推，而是你是否知道自己正在外推，以及什么会让外推失效。
02 / 为什么延长线如此诱人
人脑喜欢连续性。一个指标连续增长几年，我们会自然补出下一年；一段上涨持续几个月，我们会把趋势画到未来；模型在回测中表现稳定，我们会相信统计关系已经被发现。
延长线给人一种秩序感：未来虽然未知，却似乎只是过去的下一格。它让复杂世界变得可计算，也让决策显得有根据。
可市场不是一张静止的表格。参与者会学习，规则会变化，资本会拥挤，价格本身会反过来改变行为。过去的数据不仅记录规律，也记录当时的制度、参与者、估值、流动性与激励。只要环境改变，原来的关系就可能不再属于同一个分布。
03 / 三种方法，同一处脆弱
成长投资的脆弱，不只是增长会不会下降，还包括增长是否已被价格提前支付。公司可以继续高速增长，投资仍可能因为起点估值过高而失败。
动量的脆弱，不只是趋势会不会反转，还包括拥挤程度、流动性和止损是否集中。越多人依据相同信号行动，趋势结束时的出口越可能同时收窄。
机器学习的脆弱，不只是模型会不会过拟合，还包括数据生成机制是否改变。训练集上的高准确率，无法证明政策变化、市场结构变化或极端情境下，特征与结果仍保持原来的关系。
三者都可能有效，也都可能长期有效。真正危险的是：把“过去有效”误写成“机制不会改变”。
04 / 负油价不是异常点那么简单
第一章谈过负油价。它的意义不只是价格跌到了历史样本之外，而是原本被忽略的物理约束突然成为定价核心：交割、储存、运输、期限与持仓能力共同决定了价格可以穿过零。
如果模型只从过去价格序列学习，它可能把零当作天然下界；如果判断只沿历史区间外推，负价格就像“不可能事件”。但世界从未承诺遵守样本边界。样本没有出现过，只能说明样本里没有，不能说明机制上不可能。
负油价提醒我们的不是“以后要预测所有黑天鹅”，而是：极端情境常常由平时不重要的约束接管。外推之前，必须先理解数据背后的生成机制。
05 / 怎样检查外推资格
每次准备把过去延伸到未来，先回答四个问题：
① 延续的究竟是表面相关，还是有可解释的因果机制？
② 机制依赖哪些制度、流动性、估值与参与者条件？
③ 规模扩大、方法拥挤或规则改变，会不会反过来破坏它？
④ 出现什么事实，我会承认样本外已经不再属于原来的分布？
如果答不出第四个问题，你拥有的不是模型，而是一种不可证伪的信仰。
06 / 祛魅检查
外推无法被彻底取消。只要对未来行动，就必须从有限经验出发。成熟的做法不是拒绝一切历史，而是把外推当作有条件的暂定判断，并让仓位服从失效风险。
理解机制，寻找断点，限制暴露，保留修正能力。你不需要证明未来一定重复过去，只需要确保：未来不重复过去时，自己仍能活着更新判断。
样本外不欠样本一条延长线。所有外推都应附带条件，所有条件都应附带证伪线。
本文讨论外推、模型风险与投资判断，不构成任何投资、交易或机器学习模型使用建议。历史关系可能因制度、估值、流动性、参与者行为与数据生成机制变化而失效。