Принципы. Жизнь и работа

Моделирование рынков машинным методом

Я с головой погрузился в рынки крупного рогатого скота, мяса, зерна и масличных культур. Они нравились мне своей конкретностью и тем, что были меньше, чем акции и облигации, подвержены искаженным представлениям о ценности. Курсы ценных бумаг могли быть завышенными или заниженными из-за того, что «большие дураки» продолжают их продавать или покупать, а мясо быстро оказывается на прилавке, где его цена определяется тем, сколько готов заплатить потребитель. Я мог визуализировать процессы, предшествовавшие продажам, и видел причинно-следственные связи, лежащие в основе. Поскольку крупный рогатый скот питается зерном (преимущественно кукурузой) и соей и поскольку кукуруза и соя конкурируют за посевную площадь, эти рынки тесно связаны. Я узнал о них все, что только можно вообразить: объем посевных площадей и обычный урожай в каждой из основных сельскохозяйственных областей; как конвертировать количество осадков в разные недели посевного периода в оценку будущего урожая; как прогнозировать объем урожая, затраты на хранение и поголовье скота по весовой группе, местоположению и уровням прироста массы; а также как прогнозировать выход при разделке (туш), маржу розничных продавцов, предпочтения потребителей и объем забоя скота в каждом сезоне. Этому всему я учился не по книжкам: практикующие специалисты показывали мне, как устроено сельское хозяйство, а я собирал из полученных знаний модели, учитывающие взаимодействие этих отдельных фрагментов во времени.

Например, зная, каково на сегодня поголовье крупного рогатого скота, птицы и свиней, сколько зерна они съедают и с какой скоростью набирают вес, я мог прогнозировать, когда и сколько мяса появится на рынке, когда и сколько зерна и сои будет потреблено. Аналогичным образом, зная объем посевных площадей, засеянных зерновыми и соевыми культурами во всех сельскохозяйственных областях, применяя регрессии, показывающие, как уровень осадков влияет на потенциальный урожай в каждой из аграрных областей, а также учитывая прогноз погоды и вероятные периоды дождей, я мог прогнозировать время и качество урожая зерновых и соевых культур. В моем представлении это был прекрасный алгоритм с логичными причинно-следственными связями. Благодаря их пониманию я мог формулировать правила принятия решений (или принципы), которые мог заложить в основу модели.

Эти первые модели лишь отдаленно напоминают те, что мы используем сегодня. Они представляли собой упрощенные наброски, проанализированные и переведенные в компьютерные программы с помощью технологий, которые я мог себе позволить. В самом начале я строил регрессии на карманном калькуляторе Hewlett-Packard HP-67, графики чертил от руки цветными карандашами и фиксировал каждую сделку в толстой тетради. С появлением персонального компьютера я получил возможность вводить данные в компьютер и наблюдать, как они преобразуются в прогнозы вероятного будущего в формате сводных таблиц. Зная, что происходит с поголовьем скота, свиней и птицы на каждом этапе производства, как они конкурируют за деньги потребителей, сколько готовы потратить покупатели и почему, как норма прибыли мясокомбинатов и розничных продавцов повлияет на их поведение (например, какой кусок мяса они покажут в рекламе), компьютер выдавал мне цены на мясо крупного скота, свиней и птицы, на которые я мог сделать ставку.

При всей незамысловатости этих ранних моделей мне нравилось их строить и совершенствовать, к тому же они были достаточно точными, чтобы зарабатывать на них. Мой подход к ценообразованию отличался от того, которому меня учили на занятиях по экономике, где в основе спроса и предложения лежал объем проданного товара. Я обнаружил, что гораздо практичнее измерять спрос как потраченный объем (а не объем купленного), а также смотреть, что представляют собой продавец и покупатель и почему они покупают и продают. Подробнее я остановлюсь на этом в следующей своей книге, посвященной принципам экономики и инвестирования.

Этот подход стал одной из основных причин, по которым мне удавалось улавливать экономические тренды и движения рынка, которые остальные пропускали. С этой позиции каждый раз, когда я анализировал любой рынок: товары, акции, облигации, валюту, что угодно, – я видел и понимал дисбаланс, который упускали другие, кто определял спрос и предложение традиционным образом (как категории, уравнивающие друг друга).

Визуализация сложных систем машинным методом, выявление в них причинно-следственных отношений, определение принципов для работы с этими системами и ввод их в компьютер, чтобы он мог принимать решения за человека, – все это стало стандартной практикой.

Не поймите меня неправильно. Мой подход был далек от идеального. Я как сейчас помню одну «верную» сделку, которая обошлась лично мне в $100 000. Эта сумма примерно равнялась моему собственному капиталу на тот момент. Хуже всего, что эта сделка негативно отразилась и на моем клиенте. Болезненный урок, который я извлек из этой ситуации: никогда нельзя быть уверенным ни в чем. Всегда есть риски, которые могут проявиться в самый неожиданный момент, а потому лучше в любом случае считать, что вы что-то упускаете из виду. Этот урок изменил мое отношение к процессу принятия решений, что будет прослеживаться на протяжении всей книги, и именно это в значительной мере определило мой успех. К сожалению, я совершил еще не одну ошибку, прежде чем мне удалось полностью изменить свое поведение.

Теория «большего дурака» (Greater fool theory) утверждает, что можно делать деньги, покупая ценные бумаги независимо от их качества и от того, переоценены они или нет, а позже продавая их с прибылью, потому что всегда найдется кто-то (глупее, «больший дурак»), кто также рассчитывает быстро перепродать актив с прибылью. Прим. перев.