Больше, чем вы знаете. Необычный взгляд на мир финансов

Мобуссин Майкл

Несмотря на то что тысячи часов целенаправленной практики позволяют экспертам приобрести многочисленные знания в своей области, иногда это ведет к снижению когнитивной гибкости. А снижение когнитивной гибкости ведет к снижению эффективности экспертов по мере усложнения проблем.

Объяснить такое положение дел помогают две концепции. Первая – так называемая функциональная фиксированность, когда мы привыкаем использовать

предмет или думать о чем-либо определенным образом и затрудняемся предложить новое применение или новый взгляд на вещи. Мы стремимся придерживаться устоявшейся точки зрения и неохотно рассматриваем любые альтернативы.

Вторая психологическая концепция – склонность к упрощению – говорит о том, что мы склонны рассматривать нелинейные сложные системы (правая колонка в приложении 6.1) как линейные простые системы. Отсюда вытекает распространенная ошибка – оценка системы на основе качественных признаков без учета обстоятельств. Например, некоторые инвесторы фокусируются на статистически дешевых акциях (качественный признак) и не учитывают, действительно ли этот метод оценки отражает их стоимость (обстоятельства).

Особенно страдают от склонности к упрощению экономисты, которые пытаются моделировать и прогнозировать сложные системы при помощи инструментов и аналогий, взятых из более простых равновесных систем. Эта особенность человеческой психики приводит к ряду концептуальных проблем, включая неспособность рассматривать инновационные подходы и выявлять новые ключевые факторы и изменения системы.

Не хочу сказать, что эксперты похожи на тупые автоматы. В отдельных областях эксперты проявляют несопоставимую с новичками гибкость.

Психологи выделяют два типа гибкости. Первый тип предполагает, что эксперты усваивают многие характерные свойства и признаки, присущие данной области, поэтому правильно выявляют и реагируют на большинство ситуаций и их следствий. Такая гибкость эффективна в относительно устойчивых областях.

Второй тип гибкости более сложен. Он требует, чтобы эксперты осознавали, когда их когнитивные модели не будут работать, и выходили за пределы привычных и устоявшихся рамок для решения проблем. Эта гибкость критически важна для успеха в нелинейных, сложных системах.

Каким образом эксперты могут развить оба типа гибкости? Сторонники теории когнитивной гибкости утверждают, что степень гибкости эксперта в значительной мере зависит от его склонности к упрощению в своей профессиональной практике⁴. Стремление все упрощать может повышать эффективность, но вредит гибкости. Чтобы уменьшить склонность к упрощению, теория предписывает изучение разнообразных примеров, чтобы осознать важность зависимости от контекста. Так же полезно проводить исследования конкретных случаев, чтобы увидеть, когда правила работают, а когда нет.

Приложение 6.2 суммирует вышеизложенное и предлагает краткую справку по эффективности экспертов в различных типах когнитивных областей. Так же как в приложении 6.1, области перечислены в порядке возрастания сложности слева направо. Как видим, эффективность экспертов в значительной степени зависит от типа проблемы, к которой они обращаются.

В основанных на правилах системах с ограниченной степенью свободы компьютеры неизменно показывают лучшие результаты, чем отдельные люди⁵. Люди решают задачи хорошо, но компьютеры справляются с ними лучше и часто дешевле. Компьютерные алгоритмы превосходят человеческое мышление по ряду причин, установленных психологами: люди легко подпадают под влияние внушений извне, недавнего опыта и способа предоставления информации. Люди также плохо справляются с оценкой переменных величин⁶. Поскольку большая часть решений в этих системах основана на правилах, эксперты обычно сходятся во мнениях. История с чтением ЭКГ наглядный тому пример.

Следующий столбец относится к основанным на правилах системам с высокой степенью свободы. Здесь эффективность экспертов гораздо выше. Например, если Deep Blue удалось с небольшим перевесом выиграть шахматный матч у Гарри Каспарова, то ни один компьютер и близко не сравнится с лучшим игроком в го, которая представляет собой игру с простыми правилами, но с широким полем 19 x 197. Однако развитие вычислительных мощностей в конечном счете лишит экспертов преимущества и в данной категории. В этих областях согласованность мнений экспертов остается весьма высокой.

Далее идут вероятностные области с ограниченной степенью свободы. Здесь значение экспертов уменьшается, потому что исходы подчиняются законам вероятности, но эксперты придерживаются своей точки зрения в противовес компьютерам и коллективному суждению. В этих областях эксперты реже соглашаются друг с другом. Здесь статистика может улучшить принятие решений – идея, которая всесторонне развивается в бестселлере Майкла Льюиса Moneyball на примере отбора профессиональных игроков в бейсболе.

Правый столбец показывает самую сложную категорию: вероятностные области с высокой степенью свободы. Здесь факты свидетельствуют о том, что коллективное суждение неизменно превосходит по точности суждение экспертов⁸. Наглядный тому пример – фондовый рынок; поэтому неудивительно, что подавляющее большинство инвесторов не извлекают на нем выгоды. В этих областях эксперты часто придерживаются диаметрально противоположных мнений по одному и тому же вопросу⁹.

Мы часто полагаемся на экспертов. Но насколько хороши их прогнозы? Психолог Фил Тетлок попросил почти 300 экспертов сделать несколько десятков тысяч прогнозов на ближайшие 20 лет. Включая сложные прогнозы, касающиеся разрешения политических и экономических проблем, – аналогичные тем, с которыми сталкиваются инвесторы.

Подведение итогов оказалось неутешительным. По точности прогнозы экспертов лишь немного превзошли простые статистические выкладки. Более того, когда Тетлок поинтересовался у экспертов о причинах столь низкой точности, каждый из них сумел обосновать свой прогноз.

Тетлок не концентрирует внимание на том, что происходит, когда мнения экспертов соединяются воедино, но его исследование определенно доказывает: экспертные знания не гарантируют высокой точности прогнозов, когда речь идет о сложных проблемах.

Анализируя данные, Тетлок обнаружил, что, несмотря на общий низкий уровень, некоторые эксперты ошибались реже других. При этом точность прогнозирования зависела не от того, кем был эксперт или во что он верил, а от того, как он мыслил. Используя метафору греческого поэта Архилоха (позаимствованную из книги Исайи Берлина), Тетлок разделил экспертов на две группы: ежи и лисицы. Ежи знают «один большой секрет» и пытаются при помощи него объяснить все и вся, с чем они сталкиваются. Лисицы знают «много небольших секретов» и не пытаются стричь все сложные проблемы под одну гребенку.