ما در تشخیص اینکه پیروزی یک استاد بزرگ شطرنج بر یک تازه کار مهارت است ، و همچنین با فرض اینکه توانایی پل اختاپوس در پیش بینی بازی های جام جهانی به دلیل شانس است ، کمی مشکل داریم. اما در مورد هر چیز دیگر چه؟ مایکل مابوسین ، استراتژیست سرمایه گذاری ، چگونگی ترکیب شانس و مهارت در تجربه روزمره ما در کتاب جدید خود ، <cite> معادله موفقیت: مهارت گره گشایی و شانس در تجارت ، ورزش و سرمایه گذاری </cite>.
دنیای اطراف ما مکانی دمدمی مزاج و غالباً دشوار است. اما همانطور که ما ابزارهای ریاضی خود را با پیشرفت روزافزون توسعه داده ایم ، به نوبه خود توانایی خود را در درک دنیای اطراف بهبود بخشیده ایم.
و یکی از مکانهای به ظاهر ساده که این اتفاق می افتد ، رابطه بین شانس و مهارت است. ما در تشخیص اینکه پیروزی یک استاد بزرگ شطرنج بر یک تازه کار مهارت است ، و همچنین با فرض اینکه توانایی پل اختاپوس در پیش بینی بازی های جام جهانی به دلیل شانس است ، کمی مشکل داریم. اما در مورد هر چیز دیگر چه؟
مایکل مابوسین مدیر ارشد استراتژی سرمایه گذاری در شرکت سرمایه سرمایه Legg Mason است که عمیقا در مورد ایده هایی که بر دنیای سرمایه گذاری و تجارت تأثیر می گذارد فکر می کند. در کتاب های قبلی وی همه چیز از سوگیری های روانشناختی و چگونگی تفکر ما تا علم سیستم های پیچیده مورد بررسی قرار گرفته است. در جدیدترین کتابش معادله موفقیت: مهارت گره گشایی و شانس در تجارت ، ورزش و سرمایه گذاری ، او مشکل درک مهارت و شانس را حل می کند. این خواندن لذت بخشی است که از درک چگونگی ترکیب شانس و مهارت در تجربه روزمره ما ، از پیچیدگی و هیجان پرهیز نمی کند.
مابوسین ، یکی از دوستانم (و پدر یکی از همکارانم) ، لطف کرد پرسش و پاسخ را از طریق ایمیل انجام دهد.
ساموئل اربسمن: اول از همه ، مهارت و شانس چیزهای لغزنده ای هستند. در ابتدای کتاب ، شما تلاش می کنید تعاریف عملیاتی از این دو ویژگی زندگی ارائه دهید. چگونه آنها را تعریف می کنید؟
مایکل مابوسین: این مکان برای شروع واقعاً مکان مهمی است ، زیرا مسئله شانس به ویژه خیلی سریع به حوزه فلسفه می ریزد. بنابراین سعی کردم از برخی تعاریف کاربردی استفاده کنم که برای پیش بینی بهتر ما کافی باشد. من تعریف مهارت را درست از فرهنگ لغت خارج کردم ، که آن را به عنوان "توانایی استفاده م effectivelyثر و آسان از دانش خود در اجرا یا اجرا" تعریف می کند. در اصل می گوید شما می دانید چگونه کاری را انجام دهید و در صورت فراخوانی می توانید آن را انجام دهید. نمونه های بارز آن نوازندگان یا ورزشکاران است - بیا کنسرت یا زمان بازی ، آنها آماده اجرای برنامه هستند.
شانس پیچیده تر است. من دوست دارم فکر کنم که شانس دارای سه ویژگی است. اول ، این برای یک گروه یا یک فرد اتفاق می افتد. دوم ، می تواند خوب یا بد باشد. منظورم این نیست که متقارن خوب و بد است ، بلکه به این معنی است که هر دو طعم دارد. سرانجام ، وقتی منطقی است که باور کنیم ممکن است اتفاق دیگری رخ داده باشد ، شانس نقش دارد.
مردم اغلب از اصطلاح شانس و تصادفی به جای هم استفاده می کنند. من دوست دارم به تصادفی بودن در سطح سیستم و شانس در سطح فردی فکر کنم. اگر 100 نفر را جمع کنم و از آنها بخواهم که سکه بریزند ، تصادفی بودن به من می گوید که تعداد انگشت شماری ممکن است به طور متوالی پنج نفر را صدا کند. اگر اتفاقاً یکی از آن پنج نفر باشید ، خوش شانس هستید.
__Arbesman: __ مهارت و شانس در دنیای سرمایه گذاری بسیار مهم است. و بسیاری از نمونه های ورزشی در کتاب شما باعث می شود که خواننده احساس کند که شما کاملاً طرفدار ورزش هستید. اما ایده این کتاب چگونه بوجود آمد؟ آیا لحظه خاصی وجود داشت که شما را برای نوشتن آن تحریک کند؟
مابوسین: این موضوع در تلاقی بسیاری از علایق من قرار دارد. اول اینکه ، من همیشه ورزش را به عنوان یک شرکت کننده و طرفدار دوست داشته ام. من ، مانند بسیاری دیگر از مردم ، با داستانی که مایکل لوئیس در Moneyball تعریف کرده است همراه شدم - اینکه چگونه اوکلند A از آمار برای درک بهتر عملکرد در زمین استفاده کرد. و وقتی مدتی را با آمار مربوط به ورزشکاران می گذرانید ، به سرعت متوجه می شوید که شانس در برخی اقدامات بیشتر از سایرین بازی می کند. به عنوان مثال ، A’s تشخیص داد که درصد پایه شاخص قابل اطمینان تری نسبت به میانگین ضرب و شتم است و آنها همچنین اشاره کردند که این اختلاف در قیمت بازار بازیکنان منعکس نشده است. این فرصتی را برای ساخت یک تیم رقابتی ارزان فراهم کرد.
دوم ، واقعاً سخت است که در تجارت سرمایه گذاری حضور داشته باشید و به شانس فکر نکنید. کتاب پرفروش برت مالکیل ، پیاده روی تصادفی در وال استریت ، تقریباً خلاصه آن است. اکنون معلوم شد که بازارها در واقع پیاده روی تصادفی نیستند ، اما تمایز بین رفتار واقعی بازار و تصادفی بودن به برخی از ظرافت ها نیاز دارد.
سوم ، من در کتاب قبلی خود ، دو بار فکر کنید ، فصلی در مورد شانس و مهارت نوشتم و احساس کردم که به درستی موضوع را درمان نکرده ام. بنابراین من می دانستم که چیزهای بیشتری برای گفتن و انجام وجود دارد.
سرانجام ، این موضوع من را به خود جلب کرد زیرا در بسیاری از رشته ها گسترش می یابد. در حالی که جیب هایی برای تجزیه و تحلیل واقعاً خوب در زمینه های مختلف وجود دارد ، من واقعاً درمان کاملی از مهارت و شانس ندیده بودم. من همچنین اشاره می کنم که من می خواستم این کتاب بسیار کاربردی باشد: من علاقه مند نیستم فقط به شما بگویم که اقبال زیادی در آنجا وجود دارد. من علاقه مندم که به شما کمک کنم بفهمید چگونه و چرا می توانید برای تصمیم گیری بهتر با آن کنار بیایید.
Arbesman: شما یک رتبه بندی از چندین ورزش را در یک پیوستار بین شانس خالص و مهارت خالص نشان می دهید ، با بسکتبال بالاترین مهارت و هاکی نزدیکترین به پایان شانس:
و رتبه بندی کاملاً واضح نیست ، زیرا توجه داشته باشید که تعدادی از همکاران خود را پرس و جو کرده اید و بسیاری از آنها به طور جداگانه کاملاً از کار افتاده اند. (در واقع به یاد دارم که در این مورد از من س askingال کردید و آن را اشتباه گرفتید.) چگونه به این رتبه رسیدید و تفاوت های ساختاری در این ورزش ها چیست که ممکن است این تفاوت ها را رقم بزند؟
مابوسین: من فکر می کنم این یک تحلیل جالب است. من از تام تانگو ، محرمانه ساز محترم یاد گرفتم و در آمار آن را "تئوری نمره واقعی" می نامند. این را می توان با یک معادله ساده بیان کرد:
نتیجه مشاهده شده = مهارت + شانس
این یک شهود پشت آن است. بگویید در ریاضی امتحان می دهید. نمره ای کسب خواهید کرد که نشان دهنده مهارت واقعی شما است - چه مقدار از مطالبی که در واقع می دانید - بعلاوه برخی خطاها که س thatالات معلم را در آزمون منعکس می کند. بعضی روزها شما بهتر از مهارت خود عمل می کنید زیرا معلم شما را فقط روی مطالبی که مطالعه کرده اید آزمایش می کند. و بعضی از روزها شما از مهارت خود بدتر عمل می کنید زیرا معلم شامل مشکلاتی است که شما مطالعه نکرده اید. بنابراین نمره شما مهارت واقعی شما بعلاوه مقداری شانس را نشان می دهد.
البته ، ما یکی از مفاهیم معادله خود را - نتیجه مشاهده شده - می دانیم و می توانیم شانس را تخمین بزنیم. برآورد شانس برای یک تیم ورزشی بسیار ساده است. شما تصور می کنید که هر بازی تیم انجام می شود با یک سکه بازی حل می شود. توزیع سوابق باخت و برد تیمهای حاضر در لیگ از توزیع دو جمله ای پیروی می کند. بنابراین با چسباندن این دو اصطلاح ، می توان مهارت و سهم نسبی مهارت را تخمین زد.
برای اینکه تکنیکی تر باشیم ، به واریانس این اصطلاحات نگاه می کنیم ، اما شهود این است که شانس را از آنچه اتفاق افتاده کم کنید و با مهارت باقی بمانید. این به نوبه خود به شما امکان می دهد سهم نسبی این دو را ارزیابی کنید.
برخی از جنبه های این رتبه بندی منطقی است و برخی دیگر آنچنان واضح نیستند. به عنوان مثال ، اگر یک بازی مانند تنیس یک بر یک انجام شود و مسابقه به اندازه کافی طولانی باشد ، می توانید از برنده شدن بازیکن بهتر مطمئن باشید. همانطور که بازیکنان را اضافه می کنید ، نقش شانس به طور کلی افزایش می یابد زیرا تعداد تعاملات به شدت افزایش می یابد.
سه جنبه وجود دارد که بر آنها تأکید خواهم کرد. مورد اول مربوط به تعداد بازیکنان است. اما این فقط تعداد بازیکنان نیست ، بلکه این افراد باید بازی را کنترل کنند. بسکتبال و هاکی را به عنوان مثال در نظر بگیرید. هاکی در یک زمان شش بازیکن روی یخ دارد در حالی که بسکتبال 5 بازیکن در زمین دارد ، به ظاهر مشابه. اما بسکتبالیست های بزرگ ، اگر نگوییم همه ، بیشتر اوقات در این بازی حضور دارند. و شما می توانید هر بار که از کف زمین پایین می روید توپ را به لبران جیمز بدهید. بنابراین بازیکنان ماهر می توانند تفاوت زیادی ایجاد کنند. برعکس ، در هاکی بهترین بازیکنان فقط کمی بیشتر از یک سوم مواقع روی یخ هستند و آنها نمی توانند به طور م theثر پنجه را کنترل کنند.
در بیس بال نیز ، بهترین هیترها فقط کمی بیشتر از یک در 9 بار به صفحه می آیند. فوتبال و فوتبال آمریکایی نیز در هر زمان تعداد بازیکنان مشابهی دارند که فعال هستند ، اما بازیکن خط حمله تقریباً همه چیز را برای یک تیم فوتبال می گیرد. بنابراین اگر اکشن از طریق یک بازیکن مهارت فیلتر شود ، در پویایی تأثیر دارد.
جنبه دوم اندازه نمونه است. همانطور که در اوایل کلاس آموختید ، نمونه های کوچک واریانس بیشتری نسبت به نمونه های بزرگتر از همان سیستم دارند. به عنوان مثال ، واریانس نسبت دختران به پسران متولد شده در بیمارستانی که فقط چند نوزاد در روز زایمان می کند ، بسیار بیشتر از واریانس در بیمارستانی است که صدها نفر در روز زایمان می کند. از آنجایی که اندازه های نمونه بزرگتر تأثیر شانس را از بین می برند ، با دقت بیشتری مهارت را نشان می دهند. در ورزش ، من به تعداد دارایی های یک بازی بسکتبال در کالج در مقابل یک بازی لاکچری کالج نگاه کردم. اگرچه بازی های لاکراس طولانی تر هستند ، تعداد دارایی های یک بازی بسکتبال تقریباً دو برابر یک بازی لاکروس است. بنابراین این بدان معنی است که تیم ماهرتر زمان بیشتری را خواهد برد.
سرانجام ، جنبه نحوه امتیازدهی بازی وجود دارد. به بیس بال برگردید. یک تیم می تواند بازیکنان زیادی را از طریق بازدید و پیاده روی در محل بازی بدست آورد ، اما هیچ بازیکنی اجازه ندارد از زمان عبور از محوطه خارج شود. از نظر تئوری ، یک تیم می تواند 27 ضربه داشته باشد و صفر اجرا شود و تیم دیگر یک ضربه داشته باشد و بازی را 1-0 پیروز شود. البته بسیار بسیار بعید است اما به شما تأثیر روش نمره دهی را می دهد.
بسکتبال بازی است که بیشترین مهارت را دارد. فوتبال و بیس بال فاصله زیادی با یکدیگر ندارند اما تیم های بیس بال بیش از 10 برابر بازی هایی که تیم های فوتبال انجام می دهند انجام می دهند. به عبارت دیگر ، بیس بال به تصادفی نزدیک است - حتی پس از 162 بازی ، بهترین تیم ها فقط در 60 درصد از بازی های خود پیروز می شوند. هاکی نیز بسیار تصادفی است.
یک فکر جالب این است که اتحادیه ملی بسکتبال و لیگ ملی هاکی در فصول متوالی قفل کرده اند. هر دو لیگ یک برنامه منظم از 82 بازی را انجام می دهند. قفل NHL حل نشده است و امید است که آنها فصل کوتاهی مانند NBA در سال گذشته بازی کنند. اما یک نکته اساسی وجود دارد: حتی با یک فصل کوتاه ، می توانیم بگوییم کدام تیم ها در NBA بهترین هستند و از این رو شایسته حضور در مرحله پلی آف هستند. اگر فصل NHL با کسری از تعداد نرمال بازی ها پیش برود ، نتایج بسیار تصادفی خواهد بود. شاید بهترین تیم ها دارای برتری باشند ، اما تقریباً می توانید اطمینان داشته باشید که غافلگیر کننده هایی نیز در این زمینه وجود دارد.
Arbesman: شما مقداری به پدیده بازگشت به میانگین توجه می کنید. بیشتر ما فکر می کنیم که آن را درک می کنیم ، اما اغلب اشتباه می کنیم. راه هایی که ما با این مفهوم اشتباه می کنیم چیست و چرا این اتفاق غالباً می افتد؟
مابوسین: مشاهدات شما کاملاً مشخص است: با شنیدن تغییر حالت متوسط ، اکثر مردم آگاهانه سر خود را تکان می دهند. اما اگر افراد را مشاهده کنید ، مورد به مورد را مشاهده می کنید که آنها نتوانند وارونه به متوسط رفتار خود را حساب کنند.
در اینجا مثالی است. به نظر می رسد که سرمایه گذاران بازدهی معادل دلار دارند که کمتر از متوسط بازده صندوق های سرمایه گذاری مشترک است. به عنوان مثال ، طی 20 سال گذشته تا سال 2011 ، S&P 500 سالانه حدود 8 درصد بازده داشته است ، متوسط صندوق سرمایه گذاری بین 6 تا 7 درصد (هزینه ها و سایر هزینه ها نشان دهنده تفاوت است) ، اما متوسط سرمایه گذار کمتر از 5 درصد درآمد کسب کرده است . در اولین سرخ شدن ، به سختی می توان فهمید که چگونه سرمایه گذاران می توانند از سرمایه هایی که در آنها سرمایه گذاری می کنند ، کار بدتری انجام دهند. بینش این است که سرمایه گذاران تمایل به خرید پس از بالا رفتن بازار - نادیده گرفتن برگشت به سطح متوسط - و فروش پس از پایین آمدن بازار دارند - دوباره ، بدون بازگشت به میانگین. رویه خرید بالا و کم فروش چیزی است که باعث می شود بازدهی با وزن دلار کمتر از متوسط بازده باشد. این الگو چنان مستند است که دانشگاهیان آن را "اثر پول گنگ" می نامند.
https://www.wired.com/2012/11/luck-and-skill-untangled-qa-with-michael-mauboussin/