Чтение онлайн

Гальтон рассчитал усредненный прогноз группы – глас народа, а также среднее значение. Он обнаружил, что усредненный прогноз находился в пределах 0,8 % от правильного веса, а среднее значение догадок – в пределах 0,01 %. Чтобы показать, как появился этот ответ, Гальтон привел график распределения всех ответов. Проще говоря, ошибки компенсировали друг друга, и результатом стала дистиллированная информация4.

Итак, мы увидели, как глас народа раз за разом демонстрирует удивительную способность к решению проблем – нужно ли найти выход из сложного лабиринта, угадать количество горошин в банке или найти пропавшую бомбу5. Однако, чтобы это произошло, необходимо соблюдение нескольких условий: наличие механизма агрегирования информации, наличие стимулов для правильного ответа и разнородность группы.

В предыдущих примерах группа индивидов определяла конкретное состояние: вес быка, количество конфет в банке, местонахождение бомбы, – но не делала прогнозов о будущем состоянии. Есть ли различие между оценкой того, что есть, и оценкой того, что будет?

Масса убедительных данных свидетельствует о том, что глас народа довольно силен в прогнозировании будущего. Например, исследователи из компании Hewlett-Packard обнаружили, что даже небольшие группы могут прогнозировать результаты лучше, чем отдельные люди. Внутренний рынок, созданный специалистами в Hewlett-Packard, дал более точные прогнозы по будущим объемам продаж, чем официальные корпоративные эксперты6.

Итак, коллективы показали себя способными соединять искателей и исследователей, определять текущее и будущее состояние. Но как все это применимо к фондовому рынку?

Фондовый рынок отличается от вышеописанных рынков тем, что там нет ответа – у акций нет строго установленного временного горизонта или стоимости. (За исключением тех случаев, когда компания соглашается на приобретение и цена акций, как правило, очень точно отражает конечную стоимость.) В результате инвесторы склонны к подражанию, потому что могут заработать прибыль, продав бумаги тому, кто готов заплатить за них более высокую цену. Другими словами, на фондовом рынке часто нарушается одно из трех условий эффективного сбора информации – разнородность группы.

Однако я бы решился утверждать, что для толпы заблуждения и безумства являются скорее исключением, чем правилом. Понимание того, каким образом и почему рынки являются эффективными, помогает инвесторам лучше понять, каким образом и почему рынки иногда становятся неэффективными, и лучше справляться с такими ситуациями. Кроме того, инвесторы, способные распознавать компании, где умело используют коллективное суждение – глас народа, получают для себя важное преимущество.

В своем письме к акционерам от 2001 г. Уоррен Баффетт сделал акцент на различии между опытом и оценкой подверженности риску. Несмотря на то что Баффетт говорил в контексте страхового бизнеса Berkshire Hathaway, высказанные им идеи применимы к любому упражнению, затрагивающему субъективные вероятности. Опыт смотрит в прошлое и оценивает вероятность будущих исходов на основе прошлых событий. В отличие от этого оценка подверженности риску имеет дело с вероятностью – и потенциальным риском – события, которое могло не происходить в прошлом (особенно в недавнем прошлом). Баффетт утверждает, что в 2001 г. страховая отрасль предполагала высокий риск терактов, но не соизмеряла с ним страховые премии, потому что была сосредоточена на прошлом опыте, а не на оценке подверженности риску.

Инвесторы также должны видеть различия между опытом и оценкой риска. Оглушительные крушения хедж-фондов Виктора Нидерхоффера и крупнейшего Long Term Capital Management – наглядное тому подтверждение. Однако традиционная финансовая теория плохо справляется с объяснением и прогнозированием экстремальных событий. Ее сторонники исходят из предположения о том, что движение цены акций является случайным, подобно броуновскому движению пыльцы в воде, когда ее бомбардируют молекулы1.

Ставя удобство моделирования выше эмпирических результатов, традиционная финансовая теория рассматривает изменения цены как независимые, идентично распределенные случайные переменные и в целом исходит из того, что доходность удовлетворяет нормальному или логнормальному распределению. У указанных предположений есть безусловный плюс: инвесторы могут использовать несложные вероятностные расчеты для определения среднего значения и дисперсии, что позволяет им предсказывать возможные процентные изменения цен со статистической точностью. Хорошая новость заключается в том, что эти предположения справедливы большую часть времени. Но есть и плохая новость, которую так точно выразил физик Филип Андерсон: миром часто правят «толстые хвосты» распределения.

Нормальное распределение – краеугольный камень в финансовой науке, включая модели случайных блужданий, ценообразования на финансовые активы, оценки инвестиционных рисков (VaR-модели) и модель Блэка-Шоулза.

Возьмем VaR-модели, которые пытаются количественно оценить предельную величину убытков для данного портфеля с заданной вероятностью. При том что существует много разновидностей VaR-моделей, базовый вариант использует в качестве меры риска стандартное отклонение. В случае нормального распределения рассчитать стандартное отклонение и, следовательно, риск относительно просто. Но, если изменения цены не подчиняются нормальному распределению, стандартное отклонение может быть чрезвычайно недостоверным показателем риска2.

Исследования (некоторые из них охватывают период с начала 1960-х гг.) показывают, что изменения цен не соответствуют нормальному распределению. В приложении 31.1 приведено частотное распределение дневной доходности индекса S&P 500 за период с 1 января 1978 по 30 марта 2007 г. и нормальное распределение, выведенное на основе этих данных. Приложение 31.2 наглядно иллюстрирует разницу между фактической доходностью и нормальным распределением. Анализ различных классов активов и временных горизонтов дает похожие результаты3.

Эмпирические данные показывают следующее:

• небольшие изменения появляются чаще, чем предсказывает нормальное распределение;

• изменений средней величины происходит меньше, чем подразумевает модель (примерно от 0,5 до двух стандартных отклонений);

• хвосты распределения толще, чем предполагается стандартной моделью. Это говорит о том, что значительные изменения происходят чаще, чем ожидается.