Майкл Мобуссин - Больше, чем вы знаете. Необычный взгляд на мир финансов Страница 43

Насколько успешно работает Innocentive? Делать выводы пока рано, но первые результаты воодушевляют. Возьмем, например, Procter & Gamble, чей бюджет расходов на исследования и разработку в 2002 г. составил $1,7 млрд, а исследовательской деятельностью занимаются порядка 9500 сотрудников, в том числе 1200 докторов наук. Глава департамента НИОКР Ларри Хастон объясняет, что компания использует Innocentive, потому что «существуют трудные проблемы, с которыми мы не можем справиться своими силами». Из первой группы предложенных проблем научное сообщество Innocentive помогло P&G успешно решить почти 45 %, хотя компания изначально рассчитывала не более чем на треть.

Успех P&G подчеркивает, сколь важно разнообразие исследователей. Вот что говорит Хастон: «Наша первая проблема была решена юристом из Северной Каролины, который специализируется на патентном праве, а по ночам занимается химическими исследованиями в домашней лаборатории, пока его жена читает любовные романы. Со второй проблемой нам помог аспирант из Испании, с третьей – житель Бангалора (Индия), с четвертой – химик-консультант, фрилансер»2.

Нетрудно представить массу других областей, где может оказаться полезным подобное соединение проблем с теми, кто может найти их решение. Несмотря на существование ряда серьезных вопросов, в частности связанных с правами на интеллектуальную собственность и опасностью распространения инсайдерской или конкурентной информации, модель Innocentive значительно упростила поиск иголки решения в стоге идей3.

Глас народа и быки

Создание рынка из коллектива – еще один действенный способ агрегирования информации и решения проблем. В этом случае, вместо того чтобы соотносить проблему с конкретными людьми, способными ее решить, группа решает проблему сама – и делает это лучше, чем любой отдельно взятый индивид, даже эксперт.

Эрудит викторианской эпохи Фрэнсис Гальтон был одним из первых, кто задокументировал указанную способность группы к агрегированию информации. В статье «Глас народа», опубликованной в журнале Nature в 1907 г., Гальтон описывает соревнование по угадыванию веса быка на Выставке откормленного скота и птицы в Плимуте. В состязании участвовали 787 человек, каждый из которых должен был купить шестипенсовый билет и указать в нем свое имя, адрес и прогноз. (Простая мера, чтобы отсеять явных шутников.) Публика была разношерстная – как мясники и фермеры, искушенные в оценке веса скота, так и далекие от животноводства люди. Последние, как предположил Гальтон, руководствовались «той информацией, которую смогли услышать» или «чистыми догадками».

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.

Как использовать глас народа для оценки принтеров

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.

А как насчет фондового рынка?

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 временно́го 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.

Глава 31

Миром правят толстые хвосты

Толстые хвосты и инвестирование

[Виктор Нидерхоффер] рассматривал рынки как казино, где люди действуют подобно игрокам, а их поведение может быть понято путем наблюдения за игроками. Он регулярно зарабатывал небольшие суммы, действуя на основе этой теории. Однако в его подходе заключалась и ошибка. Если на рынке возникал… прилив… он мог серьезно пострадать, поскольку не обладал надежным механизмом защиты от ошибок.

По моим подсчетам, я провел около двух миллионов сделок, получив в среднем $70 прибыли на каждой. Значение квадратичного отклонения такой цифры средней прибыли от случайной равняется примерно 700. Вероятность того, что подобное отклонение могло возникнуть случайно, равна вероятности того, что детали, разбросанные по автомобильной свалке, сами собой образуют «Макдоналдс».

В среду Нидерхоффер объявил инвесторам трех хедж-фондов под его управлением, что в понедельник их паи были «съедены» убытками фондов, которые достигли максимальных значений после трехдневного падения на фондовом рынке и серьезных потрясений в начале этого года в Таиланде.

Толстые хвосты правят реальным миром в той же мере, что и средние значения: исключения, а не норма; катастрофа, а не постепенное изменение; горстка самых богатых, а не средний класс. Нам нужно освободиться от мышления на основе «среднего».

Опыт против риска

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 бо́льшую часть времени. Но есть и плохая новость, которую так точно выразил физик Филип Андерсон: миром часто правят «толстые хвосты» распределения.