Ознакомительная версия. Доступно 18 страниц из 87
Наконец, фондовый рынок можно оценивать на основе частоты. Например, возьмем годовую доходность рынка за период с 1926 по 2006 г. Это распределение доходности имеет среднее арифметическое 12,0 % со стандартным отклонением 20,1 % (если применяется статистика нормального распределения). Предположив, что в будущем распределение годовой доходности останется таким же, как в прошлом (т. е. если считать последние 80 лет правомочной референтной группой), мы можем составить суждения о вероятностях будущей годовой доходности5.
Из трех вышеописанных методов оценки вероятностей академическое финансовое сообщество склоняется к последнему. Большинство финансовых моделей предполагает, что изменения цены подчиняются нормальному распределению. Например, в модели ценообразования опционов Блэка – Шоулза одним из ключевых входных параметров является волатильность или стандартное отклонение будущих изменений цены.
Но изменения цены акций не подчиняются нормальному распределению, что влияет на наши представления о риске и неопределенности, маркет-тайминге и управлении активами. А конкретнее: изменения цены акций распределяются с высоким эксцессом – среднее значение выше, а хвосты толще, чем при нормальном распределении. (Мы все же должны признать, что существует распределение, характеризующее рынок; просто это ненормальное распределение.) Выбросы (экстремальные значения) доходности представляют собой особый интерес для понимания характеристик доходности фондового рынка по прошествии времени.
Чтобы проиллюстрировать эту мысль, я взял дневные изменения цены индекса S&P 500 за период с 3 января 1978 г. по 30 марта 2007 г. Годовая доходность индекса (без учета дивидендов) за этот период составила 9,5 %. Затем я исключил 50 худших и 50 лучших дней из выборки, составившей более 7000 дней. Если бы вам каким-то образом удалось избежать 50 худших дней, то ваша годовая доходность выросла бы до 18,2 %, что почти на 9 % выше фактической. Но без 50 лучших дней ваша доходность составила бы всего 0,6 %.
Хотя этот анализ привлекает внимание, ему недостает контрольной точки. Чтобы обеспечить лучший контекст, я рассчитал среднее значение и стандартное отклонение на основе фактических базовых данных и использовал эту статистику для создания случайной выборки с таким же размером и характеристиками. Когда я исключил 50 худших дней из созданной мной выборки, доходность составила всего 15,2 % (по сравнению с 18,2 % для реальных данных). Аналогичным образом, когда я исключил 50 лучших дней, доходность составила 3,5 %, что существенно выше, чем для реальных данных.
Проще говоря, этот анализ показывает, что дни с экстремальными значениями доходности оказывают гораздо большее влияние на общую доходность рынка, чем предполагается нормальным распределением. Кроме того, это весомый аргумент против маркет-тайминга – разве что у инвестора есть какой-либо способ систематически предвидеть дни с экстремальной доходностью.
И последнее замечание по поводу дней с выбросами доходности: они не распределены в случайном порядке по временно́му ряду, а стремятся в кластеры (см. приложение 5.1). Наш анализ, исключивший дни с максимальной и минимальной доходностью, на самом деле не очень реалистичен, потому что в реальной жизни дни с экстремальной волатильностью идут группами.
Как прогнозы влияют на величину выигрыша
О прогнозировании можно сказать очень много, но в настоящей дискуссии о риске и неопределенности я хочу показать, как на рынке действия на основе прогнозов могут изменить прогнозируемый исход.
Чтобы понять, как это происходит, давайте сравним игру в рулетку с тотализатором. При игре в рулетку ваши прогнозы никак не влияют на ее исход. Прогнозируемый исход не зависит от самого прогноза. Сравните это с прогнозированием на скачках. Если вы считаете, что какая-либо лошадь способна показать результаты лучше, чем предполагают ставки, вы ставите на нее. Но ваша ставка влияет на коэффициент выплат. Например, если все игроки прогнозируют победу определенной лошади, то такой прогноз отразится на коэффициенте выплат и рентабельность инвестиции окажется низкой.
Эта аналогия применима и к фондовому рынку. Если вы считаете, что акция недооценена и начинаете ее покупать, то способствуете росту цены, что снижает потенциальную доходность. Эта точка зрения подчеркивает важность ожидаемой ценности – центральной концепции в любом вероятностном анализе. Концепция ожидаемой ценности оформляет идею о том, что рентабельность ваших инвестиций является продуктом вероятностей различных результатов и выигрышей при каждом исходе6.
Питер Бернстайн как-то заметил, что «фундаментальный закон инвестирования – неопределенность будущего». Наша задача как инвесторов научиться переводить эту неопределенность в вероятности и выигрыши при поисках привлекательных ценных бумаг. И умение классифицировать вероятностные суждения может оказаться очень полезным на этом поприще.
Глава 6
Вы эксперт?
Эксперты и рынкиВсе свидетельствует о том, что от экспертов мало пользы. …Удивительно, но я не нашел ссылок ни на одно исследование, которое подтверждало бы преимущество экспертных мнений.
Скотт Армстронг. Теория жатого ситца: ценность экспертов в прогнозировании1Человек против машины
Если вы обращаетесь в больницу с жалобой на боли в груди, врач сразу отправляет вас на электрокардиографическое исследование (ЭКГ). Электрокардиограф регистрирует электрические импульсы вашего сердца и изображает их в виде волнистой линии на бумаге. На основе анализа кардиограммы врач определяет, есть ли у вас инфаркт или нет. Иногда показания ЭКГ четкие. Но очень часто ЭКГ не позволяет сделать однозначных выводов, поэтому постановка правильного диагноза всецело зависит от экспертных знаний врача.
Но насколько хорошо врачи читают ЭКГ? В 1996 г. исследователь из Университета Лунда Ларс Эденбрандт выставил свой компьютер против д-ра Ханса Олина, ведущего шведского кардиолога. Специалист по искусственному интеллекту Эденбрандт обучил свою машину чтению ЭКГ, введя в программу тысячи кардиограмм и указав, какие из них соответствуют сердечному приступу. 50-летний Олин обычно читал в год около 10 000 ЭКГ в рамках своей врачебной практики.
Эденбрандт отобрал больше 10 000 ЭКГ, половина из которых принадлежала пациентам, перенесшим инфаркт, и дал их машине и человеку. Олин целую неделю изучал графики и раскладывал ЭКГ на две стопки. Это состязание напоминало знаменитый поединок между Гарри Каспаровым и компьютером Deep Blue, и Олин хорошо знал о своих шансах.
Когда Эденбрандт подсчитал результаты, победитель стал очевиден: компьютер правильно распознал 66 % случаев инфаркта, тогда как Олин – всего 55 %. Компьютер значительно лучше, чем ведущий кардиолог, справился с этой стандартной задачей, где точность может быть вопросом жизни и смерти2.
Ознакомительная версия. Доступно 18 страниц из 87
