ЦЕНА ШУМА И ВЕС ТИШИНЫ: КАК ПРАВИЛЬНО ОБНОВЛЯТЬ УБЕЖДЕНИЯ
Часть 2/2

🔼 Начало истории - в предыдущем посте

👉 ПОЛЕЗНЫЕ ВЫВОДЫ

1. Новизна ≠ надёжность

Самая свежая информация не обязательно самая ценная. Квартальный отчёт может быть зашумлён разовыми факторами, сезонностью, бухгалтерскими корректировками. Детальная модель с историей — часто точнее несмотря на время.

Правильный вопрос не «когда появился сигнал» а «насколько он точен».

2. Надёжность важнее громкости

Когда два источника дают разные оценки — не усредняйте их механически и не доверяйте автоматически тому который новее или громче. Спросите: какой из них исторически ошибается меньше?

Точному источнику нужно дать больший вес — и не просто «немного больше». Если один источник ошибается вдвое меньше — его вес не вдвое, а вчетверо больше. Потому что оптимальный вес пропорционален не обратной ошибке а обратному квадрату ошибки. Именно поэтому скромная модель с погрешностью ±10 руб. весит 80% против 20% у яркого отчёта с погрешностью ±20 руб. — хотя интуитивно кажется что разница должна быть меньше.

3. Математически похожий принцип лежит в основе нейросетей

Механизм внимания (attention) — на котором построены GPT, Gemini и другие языковые модели — использует похожую математическую форму: нормированное взвешивание сигналов.

Когда вы задаёте модели вопрос, она не читает контекст с равным вниманием ко всем словам. Каждое слово «спрашивает»: какие другие слова наиболее важны для меня прямо сейчас? Для каждой пары слов вычисляется оценка релевантности — через скалярное произведение двух векторов: «запроса» (что ищу) и «ключа» (что предлагаю). Затем оценки нормируются через softmax — превращаются в веса от 0 до 1 с суммой равной 1.

Форма та же: взвешенная сумма сигналов с нормировкой. Но критерий весов разный. В байесовском подходе вес отражает статистическую надёжность источника (1/σ²). В attention — релевантность токена для текущей задачи (QKᵀ). Именно поэтому GPT может дать огромный вес слову «не» — не потому что оно надёжнее других, а потому что оно критично для смысла.

Инвестор который взвешивает точный фундаментальный анализ выше зашумлённого отчёта реализует родственный принцип: важность определяется качеством сигнала, а не его новизной или громкостью.

4. Два шумных сигнала лучше одного точного

Парадокс: объединив модель (±10) и зашумлённый отчёт (±20) мы получаем оценку точнее исходной модели (±8,9). Каждый дополнительный независимый сигнал — даже слабый — снижает неопределённость. Именно поэтому диверсификация источников информации имеет математическое обоснование.

5. Последняя новость важнее ста предыдущих — и это ошибка

Большинство инвесторов переоценивают последнюю яркую новость и недооценивают накопленную информацию. Это recency bias — смещение в пользу недавней информации — один из самых распространённых когнитивных искажений в инвестициях. Усиливает его якорный эффект: последнее число которое видит инвестор невольно становится точкой отсчёта для всех последующих суждений. Байесовское обновление — математическая защита от обеих ловушек.

#доходъзадачки

Пошла 16-я неделя падения индекса МосБиржи.

🔻-4.23% сегодня и 🔻-16.21% с начала года.

Ценовой индекс был на этих уровнях в Мае 2022 года, Марте 2020 года, Мае 2018-года и Январе 2017-года. Нужно будет как-нибудь посчитать, какая вмененная дивидендная доходность рынка была во все эти даты. Кажется, что около 9%. Почитаем, напишем.

=====
Котировки: https://www.dohod.ru/ik/analytics/stockmap

Вот и у нас на рынке так же уже 16-ю неделю)