Тел.факс: +7(831)437-66-01
Факторинг  Рынок капитала 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 [ 70 ] 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86

Однако эмпирических данных в поддержку этой гипотезы в настоящее время недостаточно. Опыт инвестиционной стратегии Веге весьма короток и в основном охватывает фазу бычьего рынка с 1982 г., включая крах 1987 г. Первым подтверждающим фактором являются результаты Д/б-анализа из гл. 9. Фрактальная гипотеза подразумевает, что рынок пребывает первоначально в фазе неустойчивого перехода, когда мы имеем неэффективный рынок; он не проявляет когерентность или случайных блужданий. Однако R/S-анализ находит среднее состояние рынка, которое в соответствии с гипотезой когерентного рынка может также быть фазой неустойчивого перехода.

Недостаток эмпирческих данных не отрицает значимости этой теории. Хотя она до сих пор достаточно не изучена, эта теория выглядит согласующейся с экспериментом. Ситуация на рынке бывает разной в различные времена. Представляется существенным дальнейшее эмпирическое изучение, и я верю, что оно будет выполнено.



Глава 15

Частичное соответствие:

нечеткая логика и поведенческие финансы

Нас окружают сложные объекты и ситуации. Мы исследуем качественные аспекты сложных систем, не имея возможности точно измерить их. Деревья, почерк и даже стулья -это все объекты, которые, будучи индивидуальными, имеют еще и общие характеристики. Сложность предполагает, что они отличны в деталях и в то же время подобны концептуально. Следовательно, они локально случайны и детерминированны в своей общности. Подобно треугольнику Серпинского, они к тому же фрактальны. Принятие решения зависит от возможности классифицировать эти сложные объекты в соответствии с их общими характеристиками. Мы видим медведя? Если так, что мы должны делать? Мы находимся на медвежьем рьгаке? Если это так, что нам делать? Как нам известно, каждый медведь и каждый медвежий рынок отличаются между собой, но если мы знаем их общие характеристики, то можем принять решение: покупать или продавать.

Большая часть исследований по проблемам принятия решений выполнена в двух разных областях: нечеткой логике и поведенческой психологии. В психологии поведения (и ее подмножестве - поведенческих финансах) мы имеем богатые эм- PHTfCKHf данные отпопттслт.пп того, клк тюдп ггрттппм.-гют решения, основываясь на правилах большого пальца, именуемых эвристиками. Однако бихевиористы не имеют математической модели, которая позволила бы нам использовать это знание. К тому же, бихевиористы утверждают, что индивиды принимают субоптимальные решения, сравнивая при этом то, что люди в действительности делают, с тем, что они должны были бы делать, основываясь на хорошем байесовском анализе. В лице нечеткой логики мы имеем - какова ирония! - ответвление строгой математики, которая может количественно формулировать правила принятия решений, но одновременно - полное отсутствие эмпирических данных, подтверждающих ее валидность как когнитивной модели. Имеется мало работ, проводящих различие между оптимальными решениями



нечеткой логики и оптимальными верятностными решениями. Эти две группы выглядят не связанными друг с другом. Каждая из них также имеет свой подход к понятию рациональности.

В этой главе мы будем изучать обе дисциплины и сравнивать их. В результате этого изучения мы сделаем вывод относительно того, как это сложное поведение может отражаться во фрактальной статистике, которая была описана выше. Мы не можем здесь углубляться в эти темы детально. Тот, кого они заинтересуют, должен обратиться за помощью к источникам, ссылки на которые будут даны по тексту.

НЕЧЕТКАЯ ЛОГИКА

Нечеткая логика исходит из того, что люди классифицируют предметы в определенном порядке, чтобы их познать. Подобным образом они классифицируют ситуации в соответствии со своим прошлым опытом с целью принятия решений. Начиная с XIX века предполагалось, что люди должны принимать рациональные решения. Это означает, что для каждого возможного исхода мы должны оценивать его вероятность. К несчастью, возможности нашего мозга слишком ограничены, чтобы достигать столь идеальной рациональности мышления. Вот почему было столько восхищения, когда был создан компьютер. Появилась машина, которая могла рассчитывать рациональную оценку ситуации при наличии достаточного количества информации. Предполагалось, что это будет истинная оценка даже при использовании первых компьютеров, предназначавши.чся для решения весьма ограпичптптпго круга проблем.

Вначале компьютеры были применены для игры в шахматы. До того, как были развиты методы искусственного интеллекта (ИИ), компьютеры рассматривали все возможности и выбирали наилучший вариант на основании статистических предположений. Поскольку люди не могут рассчитывать все возможные комбинации (оценку вероятности успеха оставим в стороне), предполагалось, что ни один человек не может превзойти компьютер в шахматной игре. Тем не менее, нИ один компьютер, использующий этот метод грубой силы , не смог достигнуть уровня гроссмейстера. Живые гроссмейстеры всегда побеждали. При том, что гроссмейстер не располагал даже той небольшой компьютерной вычислительной моШ



1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 [ 70 ] 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86