Больше, чем вы знаете. Необычный взгляд на мир финансов

Сама по себе вероятность выигрыша недостаточна, когда выигрыши ей не соответствуют.

Чтобы разобраться с этим вопросом, давайте рассмотрим другую концепцию из области поведенческих финансов: боязнь потерь. По вполне разумным эволюционным причинам люди стремятся избегать потерь, когда выбирают между рискованными исходами. Конкретнее: негативное влияние убытка на психику человека в два с половиной раза сильнее, чем позитивное влияние от прибыли того же размера. Мы любим оказываться правыми, поэтому часто делаем выбор в пользу событий с высокой вероятностью

.

Акцент на вероятности разумен в том случае, когда исходы симметричны, но нецелесообразен, когда выигрыши асимметричны. Известно, что примерно 90 % всех позиций по опционам теряют деньги. Значит ли это, что держание опционов – плохая идея? Ответ зависит от того, сколько денег вы зарабатываете на тех 10 % позиций, которые оказываются прибыльными. Если покупаете 10 опционов по $1 и на девяти из них теряете деньги, но один приносит $25, то у вас при ужасающе низкой доле успешных попыток будет вполне приличная прибыль

.

Вот почему с точки зрения ожидаемой ценности некоторые позиции с низкой вероятностью могут быть очень привлекательны, а некоторые позиции с высокой вероятностью – нет. Скажем, существует 75 %-ная вероятность того, что компания достигнет прогнозной прибыли на акцию и ее акции, оцененные с учетом достижения плановых показателей, вырастут в цене на 1 %, и 25 %-ная вероятность того, что компания не достигнет своих плановых показателей и ее акции упадут на 10 %.

.

3. Вопреки неопределенности нужно действовать. Хотя мы вынуждены основывать подавляющее большинство наших решений на несовершенной или неполной информации, тем не менее мы должны принимать решения на основе разумного анализа доступной информации.

Руссо и Шумейкер отмечают расхожее заблуждение, будто большее количество информации позволяет нам точнее спрогнозировать будущее и улучшить принятие решений.

В качестве доказательства они провели исследование среди игроков на скачках. Сначала попросили игроков спрогнозировать результаты заездов на основе пяти единиц информации. Затем попросили сделать такие же прогнозы на основе 10, 20 и 40 единиц информации по каждой лошади. В приложении 1.