关于假设的问题
现在是时候从自我欺骗带来的问题，转向另一类问题，即启发式简化(heuristic simplification)。启发式方法是一种形象的说法，用于处理大量信息的经验方法。在很多场合，启发式方法提供了获得“正确”答案的合理的捷径，但偶尔也会让我们做出一些奇怪的决定。
举个例子，测量木头的经验方法，比如说2*4块木料是2英寸宽4英寸长(至少在美国是这样)。如果你有10块这样的木料叠放在一起，按照启发式方法或者经验方法，你有20英寸厚的木板。但是，实际的厚度是1.875英寸，所以总的厚度应该是18.75英寸。如果你只是在计算皮卡的拖斗能装多少木板，这个问题就不算什么了。但如果你试图在30个货车车厢里装满木板，你的货运单就会出现明显的偏差。
第二类偏见有效地表达了信息处理过程中的错误。我们不得不承认，我们不能像无限动态最优化的超级计算机一样处理问题，错误也就来源于此。
当面对不确定性的时候，人们会抓住几乎所有可以得到的东西去形成自己的意见。在特沃斯基和卡尼曼1974年那个经典试验中，一些人被问到诸如加入联合国的非洲国家的比例是多少这类常识性问题。在测试者面前，有一个旋转轮盘，上面刻有数字1-100。特沃斯基和卡尼曼负责旋转这个轮盘，让它停在10或者65这两个数上。然后问参加测试的人，他们的答案是比轮盘上显示的数字大还是小，他们认为应该是多少。看到数字10的那组人给出的中值是25，而肴到数字65的那组人给出的中值是45!很有效是吧?人们在形成自己的意见时，抓住的是所有不相关的锚。这种现象被称为锚定。
我们从估值的角度考虑一下这个问题。如果缺乏任何可靠的信息，过去的价格就可能成为现在价格的锚。分析师给出的目标价格高于现价的28%,你觉得奇怪吗?
用折现现金流法(DCF)作出的估值总是锚定在现价附近。蒙迪耶提到一些个案，一些分析师会千方百计地让DCF预测的值和现价非常接近，很明显他们是根据已确定的价格来调整其DCF预测值。
在做股票估值时，解决这个问题的最佳方法是采用逆向工程DCF法。这意味着，对当前的价格进行解构，看看是否和你的观点一致。比如，美国股市当前的股息率大概是1.5%,假设投资者想获得3.5%的风险加成，而名义债券收益率是4.4%，我们可以看到，只有股息率每年都增长6.4%，才能和证券的当前价格保持一致!然而，只要你改变对风险加成的比例，你想要什么样的数字都可以轻而易举得到。遗憾的是，实证结果表明，这样的增长率几乎是不可能实现的。但是很多分析师都忽略这一点，因为这与他们的偏见不符合。
