我们在做决策时经常会受到一些外部事件的影响，进而可能会动摇我们最初的决定。比如，从经验上来说，我们在上班路上遇到突然降雨的概率可能不足1%，因此只要出门的时候还没有下雨，我们就很少会选择带伞出门。但如果出门时天气阴沉的话就不一样了，因为我们知道阴天下雨的概率是会显著高于平常的，所以此时带伞出门或许才是最优的选择。这一决策过程虽然简单，但却是经典的贝叶斯推断中的一个典型案例，即我们在获得一些相关信息的更新后，可以据此对决策集的先验分布进行调整，进而得到更精确的后验分布，以提高决策水平。

贝叶斯推断在投资中也可以有所作为，其中最著名的莫过于Black-Litterman模型了，也可以简称为BL模型，是一个能够将外部信息有机融合到投资决策中的方法。在BL模型最初设定的情境中，假设对市场没有观点的投资者都会对市场均衡组合进行投资，所以投资者面对的先验分布也就来自于市场均衡收益，而在投资者具备了主观观点（即获得了与市场相关的外部信息）后，市场组合显然就不再是一个最优投资方案了，最后BL模型要解决的就是如何计算融合了主动观点的后验分布并藉此进行投资的问题。

当然，我们也可以更直观的去理解和应用BL模型，因为BL模型的设计初衷就是让投资组合向人们的主观预期靠拢。比如，在我们看好某一项资产却不知如何去调整自己的初始组合的时候，就可以通过BL模型去计算一个明确的资产配置方案。不过在我们向BL模型输入一个明确的观点时，还需要同时输入一个信心变量和资产间的协方差矩阵。其中信心变量的输入同样是至关重要的，因为它决定了BL模型对先验分布的调整力度。举个简单的例子，假如我们认为某项资产会在未来一年获得相对市场20%的超额回报，且我们对该观点具有100%的信心（即信心变量的取值为100%），那么对我们来说，最优决策一定是大比例买入该项资产，而此时是否运用BL模型就显得无关紧要了；相反，如果我们的信心水平只有50%，我们自然很难通过拍脑袋的方式去获得一个适中的投资方案，这时就可以求助于BL模型。