为了进行比较，1/N 的朴素多元化对所有资产均等加权，这称为等权重投资组合。在夏普比率、确定性等价性和周转率方面，该策略比所有优化规则实现了更好的样本外预测。而优化模型经过较长时间的估计后取得了较好的结果。要超过 25 项资产投资组合的 1/N，估计窗口需要超过 3,000 个月，并且参数要根据美国股市进行校准。这表明，对于具有高度不确定性的大型市场，简单的启发式方法优于优化模型，驳斥了第一个假设。
因此，启发式方法在不确定的世界中效果更好，并且比优化策略更好。但为什么？一种解释是偏差-方差困境。我们希望我们的模型能够准确预测未来，但这需要付出努力。它导致准确性和努力之间的权衡。通过 室内设计师服务电子邮件列表 优化，我们不断减少预测误差。我们计算的越多，我们的准确性就越高。但这只有在我们能够衡量我们的表现时才有效。我们真的能更好地预测决策的结果吗？在一个充满不确定性的世界中，这一点很难衡量。另一方面，启发式方法使用的信息和计算要少得多。他们经常出于单一原因而快速、谨慎地做出决定，并忽略其他线索。
来更高的准确性？为了做出决定，我们应该检查过去的数据。我们已经知道什么？在拟合过程中，我们尝试识别支持我们第二步预测的模式。拟合当然很重要，但预测才是重要的一步，因为我们是否做出好的预测可以决定我们能否生存。人会忘记，机器不会。因此，他们有更多的数据可用于拟合。在大量的数据中，我们可以发现很多异常值。在统计学中，这些异常值会造成数据的方差，并且由于对测试数据的微小波动敏感，通常会导致拟合错误。这称为过度拟合。
现在，我们可以通过了解异常值来调整数据，并通过拉直直线并找到良好的折衷方案来简化数据。然而，学习算法中的错误假设可能会导致拟合不足和过度简化。这里我们讨论的是欠拟合或过度简化。
顺便说一句，偏差-方差困境仍然是监督学习中的一个问题，例如分类和回归。尽管已经表明大型开放人工智能语言模型已经应用了某些类型的启发式方法。