Взаимодействие на рынках капитала измеряется триллионами долларов в акциях, облигациях, валютах, сырье и в операциях с деривативами, проводимых ежедневно, при этом в каждой из них участвуют закупщик, продавец, брокер или стороны обмена. Ни одна другая социальная система и близко не стоит рядом с рынками капиталов по степени взаимодействия, измеряемой количеством транзакций.
Адаптация также служит характеристикой рынков капитала. Хедж-фонд, теряя деньги на позиции, быстро адаптирует свое поведение так, чтобы выйти из сделки или по возможности удвоить ставку. Фонд меняет свое поведение, основываясь на поведении других игроков, отражаемом на рыночных ценах.
Рынки капиталов представляют демонстративно сложные системы: ничто другое с ними не сопоставимо.
Недостатки преобладающих моделей риска заключаются в том, что сложная система ведет себя совершенно не так, как система равновесия. Вот почему модели равновесия Центрального банка и Уолл-стрит показывают неизменно слабые результаты в прогнозах и в управлении рисками. Каждый анализ производится на основе одних и тех же данных. Однако, когда вы вводите эти данные в неполноценную модель, вы получаете неполноценный результат. Инвесторы, использующие теорию сложности, оставят приверженцев популярных методик далеко позади и смогут получить куда более надежный прогноз.
Третьим инструментом в дополнение к поведенческой психологии и теории сложности является байесовская статистика – раздел этиологии, также называемый причинным выводом. Оба эти термина берут свое начало из теоремы Байеса – уравнения, впервые описанного Томасом Байесом и посмертно опубликованного в 1763 году. Одна из версий этой теоремы впоследствии была детально разработана независимо (от Байеса) и представлена в более формализованном виде французским математиком Пьером-Симоном Лапласом в 1774 году. В последующие десятилетия Лаплас продолжил работу над ней. Статистики двадцатого века разработали более строгую формулировку этой теоремы.
Фундаментальная наука, к которой относится и экономика, накапливает большие объемы данных и использует дедуктивные методы для создания проверяемой гипотезы, основанной на имеющейся информации. Эти гипотезы часто задействуют корреляции и регрессии, при помощи которых создаются прогнозы будущих событий, при этом предполагается, что они в большей степени будут походить на события прошлого. Схожие методы задействуют использование стохастики или случайных чисел для моделирования по методу Монте-Карло, который является высокопроизводительной версией многократного подбрасывания монеты или игральной кости для определения вероятности будущих событий.
Что делать в случае отсутствия информации или наличия небольшого объема данных? Каким образом можно рассчитать вероятность секретного соглашения среди небольшой