Джеймс Рикардс - Путь к руинам. Как не потерять свои деньги в следующий экономический кризис

Находку Канемана следует изучить с точки зрения эволюционной психологии и, таким образом, пересмотреть определение рациональности. Представьте, что вы кроманьонец времен последнего ледникового периода. Вы покидаете свое убежище и видите перед собой две охотничьи тропы. Одна тропа обещает хорошую добычу, но на ее пути лежат большие валуны. Второй путь не сулит богатый улов, но на нем нет преград. На современном языке первая модель предполагает более высокий ожидаемый доход.

Однако эволюция будет благосклонней к тем, кто выберет небогатый в плане добычи путь. Так почему же? Может оказаться, что за одним из валунов, лежащих на первом пути, прячется саблезубый тигр. И если он действительно там окажется, то охотник погибнет, а его семья будет обречена на голод. Путь к меньшей добыче покажется не таким уж иррациональным, если учесть все существующие риски. Саблезубый тигр – недостающее млекопитающее в современной экономике. Обычно в первую очередь академики подсчитывают первоочередную выгоду (добычу) и игнорируют вероятные риски (тигр). Данная книга поможет инвесторам увидеть саблезубых тигров.

Вторым новым элементом в экономическом инструментарии будет теория сложности. Ключевой вопрос в экономике звучит следующим образом: являются ли рынки капитала сложными системами? В случае утвердительного ответа каждую модель равновесия, используемую в финансовой экономике, следует считать устаревшей.

Ответ на этот вопрос дает физика. Динамическая сложная система состоит из автономных агентов. Каковы характеристики автономных агентов в сложной системе? В сумме их четыре: разнообразие, взаимосвязанность, взаимодействие и адаптация . Система, агенты которой в меньшей степени обладают данными характеристиками, стремится к состоянию неподвижности. Система, агенты которой обладают высокой степенью этих характеристик, стремится к хаосу. Система, агенты которой демонстрируют идеальный баланс характеристик, которые не слишком высокие или не чересчур низкие, представляет собой сложную динамическую систему.

Разнообразие рынков капитала можно наблюдать в поведении «быков» и «медведей», в позициях лонгов и шортов, по индексу жадности и страха [1] CNN Money Fear & Greed Index. ( Прим. перев. ) . Разнообразие в поведении представляет собой квинтэссенцию рынков.

Взаимосвязанность рынков капитала также является очевидной. В условиях использования индекса Доу-Джонса, Томсон Рейтер, Блумберг, Фокс Бизнес, имейлов, чатов, текстов, Twitter и телефонов трудно представить более плотно связанную систему, чем рынки капитала.

Взаимодействие на рынках капитала измеряется триллионами долларов в акциях, облигациях, валютах, сырье и в операциях с деривативами, проводимых ежедневно, при этом в каждой из них участвуют закупщик, продавец, брокер или стороны обмена. Ни одна другая социальная система и близко не стоит рядом с рынками капиталов по степени взаимодействия, измеряемой количеством транзакций.

Адаптация также служит характеристикой рынков капитала. Хедж-фонд, теряя деньги на позиции, быстро адаптирует свое поведение так, чтобы выйти из сделки или по возможности удвоить ставку. Фонд меняет свое поведение, основываясь на поведении других игроков, отражаемом на рыночных ценах.

Рынки капиталов представляют демонстративно сложные системы: ничто другое с ними не сопоставимо.

Недостатки преобладающих моделей риска заключаются в том, что сложная система ведет себя совершенно не так, как система равновесия . Вот почему модели равновесия Центрального банка и Уолл-стрит показывают неизменно слабые результаты в прогнозах и в управлении рисками. Каждый анализ производится на основе одних и тех же данных. Однако, когда вы вводите эти данные в неполноценную модель, вы получаете неполноценный результат. Инвесторы, использующие теорию сложности, оставят приверженцев популярных методик далеко позади и смогут получить куда более надежный прогноз.

Третьим инструментом в дополнение к поведенческой психологии и теории сложности является байесовская статистика – раздел этиологии, также называемый причинным выводом. Оба эти термина берут свое начало из теоремы Байеса – уравнения, впервые описанного Томасом Байесом и посмертно опубликованного в 1763 году. Одна из версий этой теоремы впоследствии была детально разработана независимо (от Байеса) и представлена в более формализованном виде французским математиком Пьером-Симоном Лапласом в 1774 году. В последующие десятилетия Лаплас продолжил работу над ней. Статистики двадцатого века разработали более строгую формулировку этой теоремы.

Фундаментальная наука, к которой относится и экономика, накапливает большие объемы данных и использует дедуктивные методы для создания проверяемой гипотезы, основанной на имеющейся информации. Эти гипотезы часто задействуют корреляции и регрессии, при помощи которых создаются прогнозы будущих событий, при этом предполагается, что они в большей степени будут походить на события прошлого. Схожие методы задействуют использование стохастики или случайных чисел для моделирования по методу Монте-Карло, который является высокопроизводительной версией многократного подбрасывания монеты или игральной кости для определения вероятности будущих событий.

Что делать в случае отсутствия информации или наличия небольшого объема данных? Каким образом можно рассчитать вероятность секретного соглашения среди небольшой группы глав центральных банков? Байесовская вероятность предлагает средства для осуществления подобных расчетов.

Экономисты, придерживающиеся традиционных взглядов, предполагают, что будущее похоже на прошлое в рамках границ, определенных путем случайного распределения. Байесовская теорема ставит эту систему взглядов с ног на голову. Байесовская вероятность гласит, что развитие определенных событий носит зависимый характер. Это означает, что некоторые события не происходят независимо, в отличие от результатов случайного броска монеты. Они случаются под влиянием того, что им предшествовало. Теорема Байеса начинается с четкой предварительной гипотезы, сформированной индуктивным методом из комбинации ограниченных данных, исторических фактов и здравого смысла.

Байесовская вероятность является точной наукой, а не обычным предположением, поскольку предварительная гипотеза проходит проверку обновляемыми данными. Новая полученная информация, как правило, подтверждает либо опровергает гипотезу. Показатели по двум типам данных непрерывно обновляются по мере поступления новой информации. Основываясь на обновленных показателях, гипотеза либо выбраковывается (в этом случае формируются новые гипотезы), либо принимается с большей долей уверенности. Короче говоря, байесовская теорема служит способом решения проблемы при дефиците изначальных данных для удовлетворения требований, необходимых для выполнения статистических вычислений на основе нормального распределения.