7
Part II : Monkeys on Typewriters – Survivorship and Other Biases
- หากคุณปล่อยลิงจำนวนอนันต์ (infinite number of monkey )ไว้หน้าเครื่องพิมพ์ดีด แล้วปล่อยพวกให้มันจิ้มปุ่มไปมั่วๆ มีความเป็นไปได้สูงมากที่หนึ่งในนั้นจะตีพิมหนังสือ Illiad ขึ้นมาได้ แน่นอน ความน่าจะเป็นมันคงต่ำมากๆ – แต่หากมันเกิดขึ้นจริงๆ ถามว่าจะมีใครลงทุนเอาเงินทั้งหมดในชีวิตมาเดิมพันว่าลิงตัวนี้มันจะเขียนหนังสือ odyssey ได้ต่อไปหรือไม่?
- Thought experiment นี้ตั้งคำถามว่า past performance นั้นเกี่ยวข้องมากน้อยแค่ไหน กับการทำนาย future performance?
- ปัญหาของ induction นั้นมักพบเจอในเหล่าวิชาชีพที่ชอบเอาข้อมูลจากอดีตมาด่วนสรุปแล้วมันก็จะพากันตกหลุมพราง หลายๆครั้งยิ่งเรามี data มากเท่าไหร่ เรายิ่งตกหลุมง่ายขึ้น
- คนที่มีความรู้ในความน่าจะเป็นมาบ้าง ก็จะพยายาม base การตัดสินใจในหลักที่ว่า คนที่ทำสิ่งต่างๆได้ดีในอดีต โดยเฉพาะทำติดต่อกันได้นานนั้น ก็น่าจะต้องทำอะไรที่มันถูกต้องจริงๆ work จริงๆ จึงทำสั้นๆ นานๆ ยังสำเร็จได้
- ถ้าใครบางคนทำผลงานได้ดีกว่าคนอื่นๆในอดีต มันมีโอกาสมากที่เขาจะทำมันได้ดีกว่าคนอื่นๆเช่นกันในอนาคต แต่เราต้องระวังไว้ว่า มันไม่ได้แปลว่าจะทำได้ดีกว่าในอนาคตเสมอไป
- บางครั้งการมีความรู้เรื่อง probability ที่ใม่สมบูรณ์นั้น อันตรายกว่าไม่รู้หาอะไรเลย
It depends on the numbers of monkeys
- การคาดเดาว่าคนที่ทำอะไรได้ดีในอดีต จะเอาทำได้ดีเช่นกันในอนาคต เป็นสิ่งที่สมเหตุสมผล แต่มันอาจเป็นการคาดเดาที่ weak และอาจ weak จนไม่มีประโยชน์ใดสำหรับ decision making – ทำไมเป็นเช่นนั้น
- เพราะมันขึ้นกับปัจจัยหลักสองอย่างคือ
- 1. Randomness content of his profession และ
- 2. number of monkey in operation
- Sample size ตอนแรกเริ่มนั้นสำคัญมาก ถ้ามีลิงห้าตัว แล้วตีพิมโคตรนิยายมาได้ มันจะสุดยอดมาก แต่หากมีลิง 1พันล้านยกกำลัง 1 พันล้านตัว มันจะน่าแปลกใจที่ตีพิมผลงานมาได้แค่เล่มเดียว
- โลกของการเงินและธุรกิจนั้น เต็มไปด้วย randomness มากกว่าหลายๆสาขาอาชีพ ยิ่งมีจำนวนนักธุรกิจมากเท่าไหร่ มันก็มีโอกาสเป็นไปได้ว่าใครคนหนึ่งนั้นสามารถประสบความสำเร็จสุดๆ จากเพราะแค่เขาโคตรโชคดี
Vicious Real Life
- ปัญหาคือ ชีวิตจริงนั้น เราไม่รู้ว่าจริงๆแล้วมันมีลิงกี่ตัว อาจมีลิงหลบซ่อนอยู่มากมาย และเรามักจะเห็นแต่ผู้ชนะ และมันเป็นธรรรมชาติที่ผู้แพ้นั้นจะไม่อยู่สายตาเราเลย ดังนั้นแล้ว เราเห็นแต่เหล่า survivor โดยลืมจะคิดถึง probability – เหมือน Nero Tulip ที่แม้จะเรียนวิชาprobability มา ก็อดจะตอบสนองต่อ social pressure ไม่ได้
- Part I อธิบายว่าทำไมคนเรามักไม่ค่อยเข้าใจ Rare event ไม่เข้าใจว่ามันมีโอกาสเกิด และมีผลอันตรายแค่ไหน และให้ scope ความคิดของผู้เขียน
- Part II จะเป็นการเอาหลักการมาประยุกต์ให้เห็นภาพมากขึ้น จะนำเสนอประเด็นต่างๆที่มาจากผลของ Randomness เช่น –
- Survivorship bias – เราจะเห็นแต่ผู้ชนะ โดยลืมคิดถึงเรื่องโอกาสความน่าจะเป็น
- Luck is most frequently the reason for extreme success
- Biological handicap of our ability to understand Probability
Chapter 8 : Too many millionaires next door
How to stop the sting of failure
- เล่าถึงตัวละครสมมติ Marc , Marc โตมาในครอบครัวชนชั้นกลาง เขาเป็นคนมีปัญญาหลักแหลม เรียนจบ Harvard ต่อ Yale law school ทำงานไต่เต้าในสาขา corporate law ของบริษัทชื่อดังแห่งหนึ่งในนิวยอร์คและเป็น partner มา 7 ปี,
- Marc ทุ่มกับงานหนักมาก กลับดึก กินอาหารจนตัวอ้วน ไม่มีเวลาออกกำลังกาย เสาอาทิตมีไว้สำหรับนอนเท่านั้น เขามีภรรยา Janet ลูกสาม มีที่พักใน apartment ที่ park avenue และบ้านชานเมือง
- อย่างไรก็ตาม มองในมุมวัตถุนิยม ครอบครัว Marc ถือว่าอยู่ล่างสุด เทียบกับเหล่า CEO รวยๆ เหล่า trader ระดับสูง ซึ่งมันส่งผลต่อภรรยาเขา ที่เป็นคนบ้านๆ แต่ต้องมาอยู่ในแวดล้อมสังคมหรูหรา และรู้สึก Relative nonsuccess เวลาที่เหล่าแม่ๆชายตาดูถูกเธอ
- ทำไมสามีเธอไม่ประสบความสำเร็จแบบคนพวกนี้บ้าง? ทั้งๆที่เขาก็ฉลาด และขยันมากๆ คะแนนสอบก็ดี เรียนก็หรู
- กรณีนี้เป็น common case ของ survivorship bias – Janet รู้สึกว่าสามีเขานั้นล้มเหลว โดยการเปรียบเทียบ แต่นี่คือการเข้าใจผิดสุดๆในทางความน่าจะเป็น
- Janet กำลังใช้ distribution ผิดประเภทในการเรียงลำดับ rank ของสามีเธอ ถ้าใช้ความร่ำรวยมาเทียบ Marc นั้นทำได้ดีกว่าประชากรอเมริกามากๆ Marc คือ percentile ที่ 95% ของคนทั้งประเทศ ,
- ถ้าเทียบกับเพื่อน High school – Marc คือที่หนึ่ง ,
- ถ้าเทียบกับเพื่อนที่ Harvard – Marc ทำได้กว่าคนอื่นๆ 90% , เทียบกับเพื่อนที่ Yale school Marc ทำได้กีกว่าคนอื่น 60%
- แต่เทียบกับเพื่อนในละแวกบ้าน Marc คือที่โหล่! เพราะ Marc เลือกที่จะมาอยู่ในละแวกบ้านที่มีแต่คนประสบความสำเร็จ ไม่มี่ใครเลยที่ล้มเหลว นั่นคือ ใน sample นี้ ไม่มีคนทีล้มเหลวเลย – ในกรณีของ Marc และ Janet มันจึงทำให้พวกเขารู้สึกเครียดตลอดเวลา , Janet แต่งงานกับชายที่ประสบความสำเร็จมากๆ แต่ทุกอย่างที่เธอเคยนั้นคือ comparative Failure เพราะเธอไม่ได้เปรียบ Marc กับ sample ที่ยุติธรรมกับเขา
- นอกจากเรื่อง misconception ยังมีเรื่องของ Social Treadmill Effect : เมื่อคุณร่ำรวย ก็จะย้ายไปละแวกบ้านที่ร่ำรวย แล้วจะรู้สึกจนอีกครั้ง คุณเคยชินกับความร่ำรวย และต้องการกลับไปสู่จุดนั้นเรื่อยๆ
- แน่นอน ข้อเท็จจริงดังกล่าวนั้นไม่ได้ช่วยให้คนคิดได้และรู้สึกมีความสุขมากขึ้น (หรือถ้าช่วยก็ได้นิดๆหน่อยๆ) ! เพราะคนเรานั้นไม่ได้สร้างมาให้มีเหตุผล หรือคุมอารมณ์ไม่ให้รู้สึกเปรียบเทียบได้เลย ! การใช้เหตุผลมาข่มความเศร้านั้นมันไม่ practical – ในฐานะ trader เอง Taleb ก็รู้สึกถึงเรื่องนี้ดี
- ถ้าเป็นเขา จะแนะนำ Janet ให้ย้ายออกมา ไปอยู่ในละแวกบ้านชนชั้นกลาง ซึ่งจะทำให้พวกเขารู้สึกอับอายน้อยลง และ rise in pecking order
Double Survivorship Bias
- หนังสือ “The Millionaire Next Door” เป็นหนังสือขายดี เขียนโดย ผู้เชี่ยวชาญ ที่พยายามสรุปว่ามีคุณลักษณะไหนบ้างที่ common ในเหล่าคนร่ำรวย พวกเขาสังเกตเก็บข้อมูลจากคนรวยจำนวนหนึ่ง และได้ข้อสรุปว่าคนที่ร่ำรวยนั้นไม่ใช่คนที่อวดร่ำรวย แต่งกายหรูหรา มี lifestyle หลุดโลก เพราะเขาเหล่านี้จะผลาญเงินที่หามาได้เหมือนแก้วก้นรั่ว
- คนรวยนั้นจะป็นพวก Accumulator คือจะมีชีวิตเรียบง่าย ประหยัดมัธยัส ไม่ได้มี look แบบ ‘คนรวย’ แบบที่เห็นกันตามสื่อต่างๆ
- Taleb บอกว่าเขาไม่เข้าใจว่า พวกคนรวยๆนั้นมีความพิเศษ มีความ heroism ตรงไหน ทำไมเราชอบไปศึกษา และยิ่งรู้สึกไม่เข้าใจว่าคนที่มีเงินแต่ไม่ยอมใช้เลยนั้น มันพิเศษตรงไหน ดูประหลาดเสียอีก
- ตัว taleb เองไม่ได้อยากจะต้องปรับนิสัยส่วนตัว รสนิยมส่วนตัวไปมากมายจนไม่เป็นตัวของตัวเอง เพื่อให้เป็นแบบ Buffett – เขาไม่เข้าใจว่าทำไมคนต้องชื่นชม Buffett ว่ารวยแล้วยังใช้ชีวิตสมถะ เพราะถ้าสมถะจริงๆ ต้องนู่นเลย ไปเป็นพระไม่ก็ social worker – เราต้องไม่ลืมว่าการสร้างสะสมความร่ำรวยนั้นเป็น Selfish act ไม่ใช่ social act
- การจะร่ำรวยในระบบทุนนิยมนั้นคือการหาประโยชน์จากความโลภของผู้คน ซึ่งมันไม่ต้องรับการชื่มชมราวกับมันมีศีลธรรมหรือฉลาดล้ำอะไร – การร่ำรวยนั้นไม่ใช่ Moral Achievement
- Hero ในหนังสือ Millionaire next door นั้นคือคนที่เก็บหอมรอมริบ ไม่ใช้จ่ายเงินเพื่อเอามันมาลงทุน ซึ่งไม่ปฏิเสธว่ากลยุทธ์นี้มันอาจได้ผล แต่ว่ามันไม่จำเป็นที่กลยุทธ์นี้มันจะพาคนไปได้ไกล เพราะ sample หนังสือเล่มนี้เอามาสรุปข้อมูลนั้น มันเป็น double dose of survivorship bias
- Survival ship Bias แรกนั้น มาจากเหล่าคนรวยที่หนังสือหยิบยกมา ซึ่งเปรียบเหมือนการเลือกลิงที่พิมหนังสือได้ ผู้แต่งเลือกมาแต่accumulator ผู้ชนะ ไม่ได้กล่าวถึงเหล่า accumulator ที่ดันสะสมผิดสิ่ง เช่น ค่าเงินที่ไม่มีค่า สะสมหุ้นบริษัทที่กำลังจะล้มละลาย บางคนนั้นอาจโชคดีล้วนๆที่เลือกลงทุนถูกบริษัท – ทางแก้ อาจจะลดค่าเฉลี่ยความร่ำรวยของเหล่าเศรษฐีลง เช่นลดไปสัก 50%ซึ่งจะช่วยให้มีตัวอย่างมากขึ้น และอาจเปลี่ยน conclusion
- Survivorship Bias ที่สองนั้น เกิดจาก problem of induction – เรื่องราวในหนังสือนั้นอยู่บนพื้นฐานที่ว่าราคาหุ้นจะขึ้นไปเรื่อยๆ ซึ่งช่วงเวลาของเหล่า sample ในเล่มนั้น focus อยู่ในช่วงที่ผิดปกติในประวัติศาสตร์ นั่นคือ ช่วงที่ตลาดหุ้มบูมมากๆติดต่อกันอย่างยาวนานมาหลายสิบปีและให้ผลตอบแทนทบต้นแบบมหาศาล การเอาเงิน 1$ ไปลงทุนในหุ้นทั่วๆไปนั้น ให้ผลตอบแทนถึง 20 เท่า ตั้งแต่ปี 1982
- ซึ่ง sample ในหนังสือนั้นก็มาจากเหล่าคนที่ลงทุนในหุ้นที่ทำผลงานได้ดีกว่าค่าเฉลี่ยและได้รับประโยชน์จาก asset price inflation กันทั้งนั้น – ลองจินตนาการว่าถ้าหนังสือถูกเขียนขึ้นโดยวิธีเดียวกัน ในปี 1982 ที่พึ่งจบจาก recession หรือ ปี 1935 ที่ตลาดหุ้นพึ่งล่วงลงมา เรื่องราวจะเป็นยังไง – หรือ ง่ายๆกว่านั้น จินตนาการว่า มี accumulator ชั้นยอดเช่นกัน ที่ไม่ได้ลงทุนหุ้นเมกา แต่ไปลงทุนในตราสารหนี้เลบานอน (ปู่ของ taleb)
- Survivorship Bias เป็นอะไรที่เรื้อรังมากๆในคนทั่วไป และอาจจะมากสุดในพวกมืออาชีพ ปัญญาชนต่างๆ เพราะเราถูกฝึกมาให้สนใจข้อมูลที่อยู่ต่อหน้าเรา และลืมนึกถึง information ที่เราไม่ได้เห็น , ณ ขณะที่ Taleb เขียนหนังสือเล่มนี้ พวกกองทุนบำนาญหรือบริษัทประกันก็เชื่อว่า ในระยะยาว ตลาดหุ้นจะให้ผลตอบแทน 9% “เสมอ” โดยมีสถิติย้อนหลังสวยงามมาเป็นข้อสนับสนุน – สถิติพวกนี้ถูกต้อง แต่มันคือ ข้อมูลในอดีต
- Surivivorship Bias ทำให้เราเห็นแต่สิ่งที่ทำได้ดีที่สุด เพราะผู้แพ้นั้นตายไปแล้ว
A Guru’s Opinion
- ธุรกิจกองทุนบริหารหลักทรัพย์นั้น มีแต่เหล่า Guru – สายงานธุรกิจนี้เต็มไปด้วย randomness มันจึงต้องมีกูรูที่พาคนอื่นตกหลุมแน่ๆ โดยเฉพาะถ้าพวกเขาไม่มี proper training ในการใช้เหตุผล เช่น มีกูรูคนหนึ่งเสนอว่าให้ลงทุนโดยใช้กลยุท Robinhood โดยเอาบทสรุปมาจากการทำ model ใน computer มาคิด
- โดยทั่วไปแล้ว การลงทุนนั้นก็จะเลือกผู้จัดการกองทุนที่ชนะๆบ่อย และเอาเงินจากผู้จัดที่พ่ายแพ้ มาให้คนชนะจัดการต่อ
- แต่ทฤษฎี Robinhood เสนอให้ทำตรงข้าม คือ ให้เราเอาเงินจากผู้จัดการที่เก่งๆ มาให้คนที่แย่สุดมาบริหาร จะได้ผลงานที่ดีกว่าเสียอีก! แน่นอนงานวิจัยนี้มีข้อผิดพลาดที่นักเรียนที่ไม่จบยังรู้ คือเอามาแต่ Survivor , พวกเขาไม่ได้เอาเหล่านักลงทุนฝีมือแย่ที่ถูกไล่ออกไปแล้วมาใช้คำนวณด้วย – Sample พวกเขามีแต่ manager ที่ผลงานไม่ดี แต่ฟื้นมาได้ตอนหลัง ซึ่งมันก็แหงอยู่แล้ว ถ้าเราเข้าถูกจังหวะก่อนที่ผลงานจะฟื้น ผลตอบแทนมันก็ต้องบวกมหาศาล!!
- one mention of the much idealized buzzword of optimism. Optimism, it is said, is predictive of success. Predictive? It can also be predictive of failure. Optimistic people certainly take more risks as they are overconfident about the odds; those who win show up among the rich and famous, others fail and disappear from the analyses. Sadly.
Chapter 9 : It Is Easier to buy and sell than fry an egg
- ในกรณีของหมอฟันนั้น เรามั่นใจได้ว่าที่เขามาจุดนี้ ไม่ใช่เพราะโชค (โอกาสน้อยมากๆ) การที่เขาสามารถทำข้อสอบจนจบ ทำฟันให้หลายพันคนโดนไม่ถูกร้องเรียน รักษาฟันได้หายจริงๆ โดยทั้งหมดทั้งมวลเกิดจากความโชคดีนั้น มันมีโอกาสน้อยมากๆ
- นักดนตรีเก่งๆก็เช่นกัน คงยากมากที่เขาจะเล่นดนตรีมั่วๆ จนได้รับการยอมรับ
- ข้างต้นคือวิชาชีพหรือธุรกิจที่ใดๆที่ operate ในสิ่งแวดล้อมที่มี randomness น้อยๆ ซึ่งไม่ใช่กับโลกของการเงิน เช่น ผู้จัดการกองทุนนั้นอาจมีผลงานในอดีตดีแค่ไหนก็ได้ แต่มันมีโอกาสเสมอที่มันเกิดจากดวงเป็นส่วนใหญ่
- Concept ของ survivorship bias นั้นเป็นอะไรที่มีพบอยู่มากใน financial field เพราะนี่คือสาขาวิชาที่มีข้อมูลมากมาย (เช่น price series) แต่มันมักจะทำการทดลองแบบฟิสิกไม่ได้ สาขานี้จึงพึ่งพา past data เป็นหลัก (Because it is one of the rare areas of investigation where we have plenty of information (in the form of abundant price series), but no ability to conduct experiments as in, say, physics. This dependence on past data brings about its salient defects.)
Fooled By Numbers
- ตัวเขาเองมักถูกชี้หน้าว่ากล้าดียังไง ถึงมาบอกว่าคนอื่นโชคดีถึงมาได้ถึงจุดนี้ – ไม่มีใครที่คิดว่าตัวเองสำเร็จเพราะโชคดี
- หากใช้ MCS เราสามารถสร้างแบบจำลองให้มีคนที่มีคุณสมบัติที่เราต้องการได้ และให้มันดำเนินไปในรูปแบบที่ผลงานมาจากโชคล้วนๆ
- สมมติเรารู้ structure of randomness – ใช้ MCS จำลองสถานการณ์ว่ามีผู้จัดการกองทุนในจินตนาการ 10,000 คน และ assume ว่าแต่ละคนนั้นมีโอกาส 50% ที่จะทำเงิน 10,000 และ 50% ที่จะเสียเงิน 10,000 มีกฏเพิ่มว่า ผู้จัดการคนใดที่มีแค่ single bad year ก็จะถูกขับออกจาก sample ทันที – นั่นคือ เรากำลังหาผู้จัดการกองทุนที่ไม่มีรอยด่างเลย! – ในปีแรก เราคาดว่าจะมีผู้จัดการเหลือประมาณ 5000 คนที่ยังรอด ในปีถัดมาเหลือรอด 2500 คน หารสองไปเรื่อยๆ จนเหลือผู้จัดการ 313 คนที่มีกำไรจากดวงล้วนๆ ในปีที่ 5
- ในชีวิตจริง คนที่มีสถิติแบบดีตลอด 5 ปีนี้ก็พอแล้วจะสร้างชื่อและมีแต่คนมาสนใจว่าเขาเป็นคนยังไง วันๆกินอะไรบ้าง ทำไมเก่งแบบนี้ โตมาครอบครัวแบบไหน และสมมติให้ปีถัดไปผลงานเขาตก ก็จะกลายเป็นว่าเขาเริ่มไม่ใช่คนเดิม มีอะไรผิดไปเล็กน้อย ทั้งๆที่ความเป็นจริงคือ เขาหมดโชคแล้ว
- คราวนี้ลองเปลี่ยนกติกาเป็นว่า เราสร้างผู้จัดการกองทุนที่ผลงานแย่ คือมี negative expected return คือมีโอกาส 45% ที่จะทำเงินได้ 10,000$ – ผลที่ได้คือ ปีแรกจะเหลือผู้จัดการที่ทำกำไรได้ถึง 4500 และเหลือ 184 คนที่ยังทำกำไรติดต่อกันจนถึงปีที่ 5 – นี่คือผู้เหลือรอด 2% นี้จะเป็นเหล่า superstar -> จะเห็นได้ว่า แม้แต่ในประชากรของเหล่าผู้จัดการที่ผลงานไม่ดีนั้น ก็มีผลงานที่ดีได้ จาก volatility ของตลาด
- Magnitude ของคนที่ชนะตลาดได้ดีที่สุดนั้น (Expectation of the maximum)มาจาก initial sample size มากกว่าความสามารถของแต่ละปัจเจกชน หรือให้มองว่า จำนวนผู้จัดการกองทุนฝีมือเยี่ยมในตลาดใดๆนั้น ขึ้นกับว่ามันมีคนในวงการกี่คน มากกว่าความสามารถของแต่ละคน แต่ในกลุ่มคนที่ทำผลงานไม่ดีนั้น average performance มันก็ไม่ดีจริงๆ แต่มันก็ไม่มีใครสน ที่เราสนคือ the best เท่านั้น นั่นแปลว่าเราจะเจอ the best manager ได้มากกว่าในช่วงปี 2006 เทียบกับ 1998 ในกรณีที่มีหน้าใหม่เข้ามาในวงการในช่วงปี 2001 มากกว่าปี 1993
- ในกรณีของกีฬาก็เช่นกัน อาจจะมีนักกีฬาคนหนึ่งที่ มือขึ้น ในช่วงเวลาหนึ่ง และโด่งดังสุดๆ (ในทำนองเดียวกันก็จะมีคนห่วยสุดๆ แต่ไม่มีใครสนใจ) นี่เป็นปรากฏการของ Regression to the mean
- โยนเหรียญหัวก้อยติดต่อกันเยอะๆ เราจะได้ series หัวก้อยมาจำนวนหนึ่ง เราอาจได้ series ที่มีหัว 8 ครั้งติดก็ได้ถ้าโยนเหรียญเยอะพอ ซึ่งแน่นอนว่า แม้จะโยนหัวได้ติดกัน 8 ครั้ง ครั้งต่อไปมันก็มีโอกาส 50% ที่จะออกหัวก้อย การ deviate from the norm นี้เกิดขึ้นจากโชคล้วนๆ – ซึ่งในชีวิตจริงก็เช่นกัน ยิ่งมันดูเบี่ยงเบนจาก norm เท่าไหร่ โอกาสมากขึ้นที่มันจะมาจากโชคมากกว่าทักษะจริงๆ แม้คนนั้นจะมีสิทธิ์ชนะมากกว่า เช่น 55% แต่โอกาสชนะ 10 ครั้งมันก็น้อยมากๆ
- ตัวอย่างก่อนหน้าที่ 3% ของประชากรเริ่มแรกเท่านั้นจะทำเงินได้ 5 ปีติด ยังแสดงคุณสมบัติที่เรียกว่า Ergodicity – นั่นคือ เวลาจะช่วยจัดการ effect of randomness – ในอนาคต เราคาดว่าพวกผู้จัดการที่ผลงานดีมา 5 ปีติดนั้นจะต้องมีผลงานย่ำแย่สักปีแน่นอน
- Remember that nobody accepts randomness in his own success, only his failure – Taleb เคยบอก trader มือเทพคนหนึ่งในอดีตว่า ผลงานที่ผ่านมานั้นไม่ได้บอกอะไรมากมาย trader คนนั้นโกรธมากๆ แต่สุดท้ายก็เจ๊งจริงๆ ในปี 1994 หลังจากมี bond market crash และชื่อของพวกเขาก็หายเลย
- Survivorship Bias นั้นขึ้นอยู่กับ size ของ initial population – ข้อมูลที่ว่ามีคนทำกำไรได้ในอดีตนั้นไม่สำคัญ ไม่ช่วยบอกอะไร ถ้าเราไม่รู้ size of population ที่คนๆนั้นอยู่ข้างใน ถ้าประชากรแรกนั้นมีแค่ผู้จัดการ 10 คน คน 1 เดียวที่ทำกำไรได้นั้นคือ โคตรเก่ง แต่ถ้าเขามาจากกลุ่มผู้จัดการกองทุนที่มีอยู่ 10,000 คน ผลงานดีๆของเขาอจะบอกอะไรไม่ได้เลย
Life In Coincidental
- ในแต่ละวันนั้นเรามี Bias ในการกระจายตัวของ coincidence มากมาย เช่น
- The Mysterious Letter – คุณได้รับจดหมายปริศนาในเดือนมกราว่าเดือนนี้ หุ้นจะขึ้น แล้วมันก็เป็นจริง เดือนกพ. คุณได้จดหมายปริศนาอีก บอกว่าหุ้นลง แล้วมันก็ถูกจริงๆ เดือนมีนา เดือนเมษา เดือนมิถุนา ก็ถูกหมดเลย ทันใดทันนั้นเอง เดือนกรกฎา จดหมายปริศนานั้นก็ชวนคุณมาลงทุนกับกองทุนพิเศษเฉพาะคนที่ถูกเลือก คุณตื่นเต้นมาก เพราะเห็นๆกันอยู่ว่าฝีมือแค่ไหน ทายถูกหมด 6 ครั้งรวด คุณเลยจัดเงินออมทรัพคุณไปทั้งหมด แล้วเงินคุณก็หายไปทันที ตอนหลังคุณรู้ว่าเพื่อนบ้านก็ได้จดหมายปริศนาเหมือนกัน แต่จดหมายก็ไม่ส่งมาแล้วตั้งแต่เดือนกพ. เพราะว่ามันทายผิด เกิดอะไรขึ้น? – มิชฉาชีพนั้นเอาชื่อมา 10,000 รายการจากสมุดหน้าเหลือง ครึ่งหนึ่งส่งจดหมายไปว่าหุ้นขึ้น อีกครึ่งก็ส่งไปว่าหุ้นลง อันไหนที่ทายผิด ก็ไม่ส่งไปอีกแล้วเดือนถัดไป ทำแบบนี้ รายชื่อแต่ละเดือนจะหารสองไปเรื่ออยๆ สัก 500 คน ใน 500 คนนี้มีคนที่เชื่อจริงๆจังสัก 200 คนก็พอแล้วที่จะได้เงินล้านมาแบบง่ายๆ แลกกับต้นทุนค่าแสตมป์
- An interrupted Tennis Game – โฆษณากองทุนที่เราเห็นในทีวีหรือสื่อต่างๆนั้น ต้องเป็นกองทุนที่เอาชนะตลาดทั้งหมด เพราะไม่งั้นก็ไม่เสียเงินค่าโฆษณา ซึ่งสิ่งนี้จะทำให้เกิด Adverse selection – เลือกมาแต่กองทุนที่ดีๆมาเสนอ กองอื่นๆของบริษัทอาจจะเละเทะก็ได้ – เมื่อเราต้องพิจารณา choice ที่วิ่งมาหาเรานั้น ต้องระวัง selection bias อย่างมาก สิ่งที่เขาเอามาโฆษณาให้เรานั้น มันอาจประสบความสำเร็จเพราะโชคล้วนๆ ก็ได้
- Reverse Survivors – ตรงกันข้ามกับ Survivor bias คนที่ไม่รอดนั้นอาจจะเป็นคนที่มีฝีมือแต่ดันซวย และผลตอบแทนไม่ดีติดต่อกันสองปีก็เลยโดนไล่ออกจากอาชีพการลงทุน – หลายๆคนที่อยากอยู่รอดก็เลยต้องพยายาม maximize โอกาสโดยยอมรับความเสี่ยง black swan risk (เหมือน john และ carlos) คือทำผลงานได้ดี แต่มีความเสี่ยงจะล่มจมทุกเมื่อ
- The Birthday Paradox – ในงานปาตี้วันเกิดของคุณที่เชิญแขกมามากหน้าหลายตา มีโอกาสเท่าไหร่ที่คุณจะเจอคนที่เกิดวันที่และเดือนเดียวกัน? คำตอบคือ หนึ่งใน 25 ทีนี้ลองมองอีกมุมว่า สมมติให้งานวันเกิดนั้นมีคนอยู่ 23 คน มีโอกาสเท่าไหร่ที่จะมี 2 คนในงาน ที่เกิดวันเดียวกัน ? คำตอบคือ 50% ซึ่งมันมากกว่าที่ Sense ทั่วไปจะคิดถึงมากๆ
- It’s a small world! – เวลาคุณเจอเพื่อนหรือญาติๆในสถานทีที่ไม่น่าจะเจอ คุณจะรู้สึกว่า โลกกลมจัง! ซึ่งเอาจริงๆโลกมันกว้างใหญ่มากๆ แต่ประโยคนี้เกิดจากแง่มุมที่ว่า เราเจอ any person ที่คุ้นหน้า in any place in any period concerned ซึ่งมันจะมีความน่าจะเป็นสูงกว่ามากๆ มากกว่าเราคิดว่าเราเจอ specific person in specific place and specific time – ปรากฏการนี้เปรียบได้กับเวลานักสถิติมองหา correlation ระหว่างเหตุกาณ์ใดเหตุการหนึ่ง เช่น ศึกษาความสัมพันธ์ระหว่างประกาศนะโยบายการเมืองกับความผันผวนของตลาดหุ้น เราสามารถ take result seriously ได้ เพราะโอกาสมันไม่เยอะจริงๆ แต่ถ้าเรามีข้อมูล แล้วหา any relationship สิ่งที่ได้คือ fake connection มากมาย เช่น เราอาจจะพบความสัมพันธ์ระหว่างหุ้นขึ้นหุ้นลง กับความยาวกระโปรงผู้หญิงในแต่ละช่วง เป็นต้น
- Data mining ,Statistics and Charlatanism – มีโอกาสเท่าไหร่ที่คุณจะชนะ lottery สองครั้งในชีวิต? คำตอบคือ 1 ใน 17 ล้านล้าน แต่เชื่อไหมว่าก็มีคน เคยถูกสองครั้งจริงๆ? แต่ถ้าเปลี่ยนโจทย์ว่า มีความเป็นไปได้เท่าไหร่ที่คนไหนก็ได้ ในอเมริกาจะถูกล็อตเตอรี่สองครั้งในชีวิต โอกาสจะเป็น 1/30 ทีเดียว!! – ปรากฏการนี้เองเป็นหาได้ในการทำ Data mining (หาความสัมพันระหว่างขุดข้อมูลใน big data) Mechanism นี้เป็นเหตุสำคัญของ Conspiracy theories ทั้งหลาย เช่น Taleb บอกว่าเขาก็สามารถเอาภาพวาดโบราณหลายร้อยหลายพันรูป มาเชื่อมโยงความเหมือน แล้วบอกว่ามันเป็น secret message สักอย่าง และมีเป้าประสงค์ลับจาก สารลับนี้ เขาอาจจะแต่งหนังสือขายดีแบบ the davinci code ก็ได้
- The best book I Have Ever Read! – เวลาเลือกซื้อหนังสือ Taleb เองก็ชอบซื้อจากคำโปรย คำนิยมบนหน้าปกและหลังปก ซึ่งก็ต้องระวัง survivorship bias เช่นกัน เพราะสำนักพิมจะเลือแต่คำชมมาใส่เท่านั้น บางครั้งอาจล้ำเส้นถึงขนาด คำรีวิวโดยรวมเป็นลบ แต่ตัดมาเฉพาะท่อนบวก
- The Backtester – ระบบ Backtest ในการ trade หุ้นนั้น ก็คือการทำ Data snooping แบบหนึ่ง คือเราจะมี trading rule มาอันหนึ่งแล้วกำหนดcondition ว่าถ้าใช้มันแล้ว ผลตอบแทนในแต่ละหุ้นจะเป็นยังไง เป็นการเอากฏไปใช้กับข้อมูลอีกที ซึ่งเมื่อได้ลองเปลี่ยนหลายๆกฏไปใช้ จะได้สูตรtrade ที่มันทำงานได้ดี – เพราะ random series ในอดีตนั้นมันจะต้องมี pattern อะไรบ้างอย่าง เช่น เขาเชื่อว่ามันจะมีตราสารทุนหรือหนี้บางชนิดในโลก ที่ 100% correlate ไปกับการเปลี่ยนแปลงของระดับอุณหภมิในมองโกเลีย – ลองคิดดูว่า trading rule ในโลกนี้มีอยู่กี่หมื่นกี่แสนแบบ และความเป็นไปได้ที่เมื่อเราใช้มัน มันจะให้ผลดีใน backtesting มาเสมอ จากเรื่องของโชคล้วนๆ – เป็นอีกตัวอย่างหนึ่งของ Survivorship bias
- A more Unsettling Extension – การแพทย์ก็เช่น ที่ใช้ข้อมูลในทางสถิติมาตัดสินใจวิธีการรักษาต่างๆ ซึ่งแน่นอนว่ามันอาจจะมีการรักษาบางอย่างที่ได้ผล จาก random reason – นักวิจัยทางการแพทย์น้อยคนที่จะเป็นนักสถิติ และนักสถิติน้อยคนนักจะเป็นแพทย์ จึงไม่แปลกถ้าจะมีปัญหาเรื่อง data mining bias – randomness ในโลกการแพทย์อาจไม่มากมายเทียบเท่ากับ การเงิน แต่มันมีแน่นอน เช่น มีงานวิจัยหนึ่งบอกว่าการสูบบุหรี่ link กับ การลดลงของ breast cancer – ซึ่งมันขัดแย้งกับ common sense สุดๆ
- The Earning Season: Fooled By the Results – เหมือนกับการเอาผลงานย้อนหลังมาเป็นตัวทำนายผลงานในอนาคต (Track Record Problem) สมมติให้ มีบริษัท 10,000 แห่งที่โดยเฉลี่ยให้ผลตอบแทนแบบ treasury bond (Risk-Free Rate) พวกเขาทำธุรกิจที่มี volatility สูง ในแต่ละสิ้นปี เราจะได้บริษัทที่โดดเด่นมีกำไร 5000 แห่ง แต่ที่ขาดทุน 5000 แห่ง หลังจากสามปี จะเหลือบริษัทที่ยังกำไร 1250 แห่ง – Broker ของคุณจะให้ list บริษัทเหล่านี้มา และบอกคุณว่าบริษัทเหล่านี้คือ Strong Buy ทั้งๆที่หลายๆบริษัทใน list นี้อาจชนะติดต่อกันสามปีเพราะโชคล้วนๆก็ได้
- ในทำนองเดียวกัน สมมติเราเป็นผู้จัดการกองทุนที่กำลังจะเลือกหุ้นในปี 1900 โดยทั่วไปคุณก็จะไม่ลงทุนเฉพาะตลาดหุ้นในเมกา (ซึ่งเป็นประเทศ emerging ในช่วงนั้น) แต่คุณอาจจะลงทุนในจักรวรรดิรัสเซียด้วย ซึ่งแน่นอนว่าผลคือหุ้นในรัสเซียจะกลายเป็นแค่ใบหุ้นติดฝาบ้าน – คำพูดหรูๆจากผู้เชี่ยวชาญที่บอกว่า ตลาดหุ้นจะขึ้นเสมอใน any twenty-year period จึงไม่จริงแต่อย่างใด
Comparative Luck
- เวลาเราเปรียบเทียบ performance กันระหว่างของสองสิ่ง นอกจากเราจะถูก fooled by randomness ได้ง่าย โดยเฉพาะเวลาดูแค่ single time series , การเปรียบเทียบระหว่างสองสิ่งยังมีเรื่องของความโชคดีละหว่างสองสิ่งนั้นต่างกันอีก เราอาจถูกหลอกได้ง่ายขึ้นอีก หากผลของโชคระหว่างของสองสิ่งนั้นต่างกันมาก
- Cancer Cures – อาจเคยเห็นพวกโฆษณายาสูตรพิเศษ หรือวิตามิน ที่จะมีคนเป็นมะเร็งมาพูดว่า มะเร็งหายขาดหลังจากกินยาอาหารเสริมตัวนี้ ซึ่งมันอันตรายมากๆหากผู้ป่วยเชื่อและทิ้งการแพทย์ปกติไปพึ่ง การแพทย์ทางเลือก อย่างไรก็ตาม พวกคนที่มาโฆษณานั้นเขาก็หายจริงๆ โดยไม่ใช่ยาปัจจุบัน ทำไม? มีสิ่งที่เรียกว่า “Spontaneous Remission” คือมีคนเป็นมะเร็งน้อยมากๆที่อยู่ดีๆ เซลล์มะเร็งก็หายไปได้เอง โดยกลไกที่เราก็ยังไม่มีข้อมูลมาก
- Randomness Does Not Look Random! – Karl Pearson เคยรวบรวมข้อมูลของ roulette wheel ที่หมุนประมาณ 1 ล้านกว่าครั้ง และพบว่าข้อมูลมันมี high degree of statistical significance – นั่นคือ การหมุนของกงล้อไม่ได้ purely random! คำอธิบายคือผลจากการหมุนกงล้อนั้นมันอาจขึ้นอยู่กับคุณภาพของอุปกรณ์ เช่น ล้อหมุนไม่ได้ balance จริงๆ หรือลูกบอลเหล็กไม่ได้เป็นทรงกลมจริงๆ สิ่งนี้เรียกว่า Reference Case Problem นั่นคือในทางปฏิบัตินั้น เราจะไม่ได้สิ่งที่เรียกว่า true randomness (it exists only in theory)
- แต่ที่จริงในทางปฏิบัติแล้ว แค่ random series ไม่จำเป็นต้อง look random (Random series of runs need not exhibit a pattern to look random) ข้อมูลที่ perfectly patternless ด้วยซ้ำ ที่น่าสงสัยมากๆว่าจะเกิดจาก mandmade! Single random run นั้นมีโอกาสที่จะมี some pattern ถ้ามันมีคนตั้งใจหาจริงๆ
- ตัวอย่างเช่น Cancer cluster – สมมติ เรามีกระดานสี่เหลี่ยมใบหนึ่ง ที่มีช่องเล็กๆ 16 ช่องเท่าๆกัน และให้มีลูกดอก 16 ลูก ปาไปบนแผ่นกระดานแบบสุ่ม โดยที่ลูกดอกนั้นมีโอกาสจะไปโดนตรงจุดไหนก็ได้ เท่าๆกัน โอกาสคือ โดยเฉลี่ยแล้วแต่ละช่องก็ควรมีลูกดอกแค่ 1 ลูก แต่นั่นคือ in average เพราะในทางปฏิบัตมันมีโอกาสน้อยมากๆ ที่ลูกดอกจะกระจายตัวอย่างสม่ำเสมอ มันจะมีบางช่องที่มีลูกดอกมากกว่า 1 และบางช่องที่ไม่มีลูกดอกเลย เกิดเป็น pattern ที่เราเห็นว่ามันมี cluster ของลูกดอก ที่นี้ลองคิดว่า cluster ลูกดอกเป็น cluster โรคมะเร็ง -> มันอาจทำให้เราเข้าใจผิดว่าบางภูมิภาคมีคนเป็นมะเร็งมากกว่าอีกที่ก็ได้ เป็นต้น
- The Dog That did not bark – Surviviorship bias ที่สำคัญอย่างหนึ่งในวงการวิทยาศาสตร์ คือการที่งานวิจัยที่ไม่มีผลสรุปเจอความแตกต่างนั้น หรือเจอประเด็นอะไรใหม่ๆนั้น มักจะไม่ได้ตีพิมพ์ มันนำมาซึ่งการผสมมั่วระหว่าง finding of absence and absence of finding – มันอาจจะมีข้อมูลดีๆก็ได้ จากงานวิจัยที่บอกว่า Nothing took place อีกอย่างคือมีงานวิจัยมากมายที่ไม่ได้ตีพิมเพราะไม่มี statistical significant แต่ก็อาจจะมีข้อมูลดีๆอยู่
I Have No Conclusion
- แล้วเมื่อไหร่หละ ที่จะบอกว่าคนๆนั้นไม่ได้สำเร็จเพราะโชค? ในโลกการเงินนั้น ก็มีบ้าง เช่น trader ที่ทำหน้าที่แบบ market makers ที่หาเงินโดยการกินส่วนต่างระหว่างคำสั่งซื้อและขาย เขาจะได้ทีละน้อยๆ แต่วันนึงจะมีหลาย transaction ซึ่งการหารายได้แบบนี้จะมีrandomness ที่น้อยกว่า , trader แนวนี้จะไม่ได้มีรายได้มากมาย แต่จะมีรายได้สม่ำเสมอ เหมือนกับเป็นหมอฟันในโลกการเงิน
- นอกเหนือจากงานstyle นี้แล้ว ในโลกการเงินมันยากมากที่จะบอกว่าคนนี้เก่งจริงหรือแค่โชคดี – ที่เขาบอกได้คือใครโชคน้อยกว่ากัน แต่หลักฐานสนับสนุนมันจะอ่อนมากจน meaningless
- เขาชอบที่จะรู้สึกตั้งแง่ไว้ก่อนเสมอ – ซึ่งผู้คนมักเข้าใจผิดว่า taleb บอกว่าคนรวยทุกคนเป็นคนโง่ที่โชคดี (Lucky fools) ส่วนคนที่ล้มเหลวเป็นคนโชคร้าย – เขาแค่มีข้อมูลไม่มาากพอที่จะมาตัดสินใครได้ดีพอ เขาเลยขอ play safe ไว้ก่อน
Chapter 10 : Loser Takes all – On the nonlinearities of Life
- บทนี้จะพูดถึงแง่มุมคำที่ว่า “โลกนี้มันไม่ยุติธรรม (Life is unfair)” ในมุมมองใหม่ๆ – Life in unfair in a nonlinear way
The Sandpile Effect
- ในการก่อปราสาททราย เมื่อเราเททรายลงบนชั้นบนเรื่อยๆ สิ่งที่จะเกิดขึ้นก็คือมันต้องถล่มลงมา
- อะไรทำให้มันถล่ม? มันจะมีทรายเม็ดสุดท้ายที่เป็นตัวการทำให้ปราสาทพังลงทั้งหมด สิ่งที่เราเห็นนี้เองคือ nonlinear effect – เราใส่ทรายไปด้วยปริมาณคงที่ (linear) ทีละน้อยๆ (Small additional input) แต่มันส่งผลที่ไม่เป็นสัดส่วนกัน (Disproportionate) คือมันจะมีทรายเฮงซวยเม็ดหนึ่ง ที่ทำให้ทั้งปราสาทพังลงมา
- อย่าสับสนกับ Chaos theory – มันอาจดูคล้ายๆกัน แต่ chaos theory นั้นเน้นศึกษาเรื่องว่า small input นั้นสามารถนำมาซึ่ง disproportionate response แต่ข้อความข้างบนเน้นเกี่ยวกับผลของ small additional input
- เรื่องราว nonlinearity นี้จะน่าสนใจมากขึ้นเมื่อ randomness เข้ามาเกี่ยวข้องด้วย ตัวอย่างเช่น จินตนาการถึงห้อง audition ที่มีเหล่าคนอยากเป็นนักแสดงมารอต่อแถวยาว คนชนะนั้นแน่นอนว่าจะน้อยมากๆ และจะเป็นคนที่มีคนรู้จัก จาก survivorship bias ผู้ชนะนั้นก็จะได้มีชีวิตหรูหรา ผู้แพ้ซึ่งเป็นส่วนใหญ่ก็ทำงานงกๆต่อไป
- บางคนอาจจะบอกว่าคนที่มาถึงบทนักแสดงนำได้ ต้องมีอะไรดีหรือมีอะไรบางอย่างที่พิเศษ ข้อแย้งก็คือ คนอื่นๆที่ไม่ได้รับการคัดเลือดเป็นนักแสดง ก็มีทักษะต่างๆเหมือนกัน – คนที่ถูกเลือกนั้นอาจจะเป็นเพราะว่ามีรายละเอียดเล็กน้อยบางอย่างที่คลิกกับคนคัดเลือก ซึ่งบังเอิญเจอเหตุการอะไรบางอย่างมาในอดีตพอดี
- QWERTY เป็นรูปแบบ keyboard ที่ผ่านการชนะและแพ้มาอย่างยาวนาน และเป็นตัวอย่างคลาสสิกว่าทำไม ผู้ชนะ หลายๆครั้งก็ไม่ได้เป็นผู้ที่เหมาะสมจริงๆ – รูปแบบตัวอักษรใน keyboard นั้นเป็นแบบที่ควรจะสำเร็จน้อยที่สุด ต้นกำเนิดมันนั้นมีตั้งแต่สมัยเครื่องพิมดีด ซึ่งการวางแบบแป้นเช่นนี้ก็เพื่อป้องกันไม่ให้ตัวปุ่มกดมันตีกัน มันเป็นรูปแบบที่ไม่เหมาะกับการพิม พิมได้ช้า อย่งไรก็ตามการมาของคอมพิวเตอร์ ซึ่งพยายามปรับรูปแบบkeyboard ให้ดีขึ้น นั้นไม่เป็นผล เพราะคนชินกับ QWERTY ไปแล้ว – ปรากฏการนี้เรียกว่า Path dependent outcome
- ความสำเร็จของ Bill Gates และ Microsoft นั้นก็เป็นอีกตัวอย่างหนึ่งของการที่ผู้ชนะได้ลูกค้าไปทั้งหมด – เป็นตัวอย่างของความสำเร็จที่มาพร้อมกับโชค แน่นอนว่า Bill Gatesเป็นคนฉลาด ขยัน แต่เขาเป็นคนที่เก่งที่สุดหรือ? เขาควรจะสำเร็จขนาดนี้หรือไม่? ก็คงไม่ คนหลายๆคนนั้นเกิดมาก็ต้องใช้ software ของเขาแล้ว เพราะคนอื่นๆก็ใช้ software ของเขาเหมือนกัน (นักเศรษฐศาสตร์เรียกมันว่า Network externalities) ไม่มีใครเคยบอกว่ามันเป็น software ที่ดีที่สุด คู่แข่งก็ได้แต่จมอยู่ด้วยความอิจฉา เพราะบริษัทเขานั้นสำเร็จแบบสุดๆ ส่วนบริษัท software อื่นๆ นั้นแทบเอาตัวไม่รอด
- สิ่งที่เกิดนี้คัดแย้งกับ classical economic models ซึ่งเขื่อว่าผลลัพธ์ที่เกิดมันต้องมีเหตุผลชัดเจน หรือ คนที่เก่งที่สุดจะเป็นผู้ชนะ แต่ ความโชคดีบวกกับ positive feedback loop นั้นทำให้คนประสบความสำเร็จได้มากกว่าความชำนาญเสียอีก
Mathematics inside and outside the real world
- มีการใช้โมเดลทางคณิตศาสตร์มาอธิบายปรากฏการที่โชคมาทำให้ประสบความสำเร็จแบบมหาศาลนี้ ชื่อว่า Polya process
- สมมติว่ามีลูกบอลสีแดงและดำในไหเท่าๆกัน หน้าที่คุณคือต้องทายว่าจะหยิบได้สีอะไรก่อนล้วงมือเข้าไป ความต่างคือความน่าจะป็นที่คุณเดาถูกนั้น จะมากขึ้นเรื่อยๆ ขึ้นกับว่าได้ทายถูกมาแล้วเท่าไหร่ ดังนั้นแล้ว ความน่าจะเป็นในการชนะจากการชนะครั้งก่อนๆนั้นก็เพิ่มสูงมากขึ้นเรื่อยๆ ส่วนผู้แพ้ก็จะแพ้มากขึ้นเรื่อยๆ – process นี้ทำให้มีความแตกต่างในผลลัพอย่างมาก คือที่สำเร็จก็สำเร็จมาก และล้มเหลวจำนวนมากเช่นกัน
- การศึกษาเรื่อง path dependence นี้บูมมากเรื่อยๆ เช่นในหนังสือ tipping point ของ Malcolm Gladwell ที่เสนอเรื่องเช่น โรคระบาดจะลามเร็วเมื่อถึงจุดๆหนึ่ง ความนิยมรองเท้ากีฬาในกลุ่มเด็กๆจะเพิ่มอย่างรวดเร็วเมื่อถึงจุดหนึ่ง ยอดขายจะเพิ่มเป็นพลุแตกเมื่อถึงจุดๆหนึ่ง อย่างไรก็ตามไม่มีใครรู้ว่า Critical point ที่ว่านั้นคืออะไร (อาจจะรู้ได้เมื่อเรื่องมันผ่านไปแล้ว) เรายัง model มันไม่ได้ แต่มันมีอยู่จริง
- สมองก็มีความ nonlinearities เช่นกัน คนชอบคิดว่า ตัวแปรสองอย่างนั้นจะไปด้วยกัน ( linear Proportionately) เช่น เรียนทุกวันก็ต้องได้อะไรมาทุกวัน ถ้าเรารู้สึก่วาไม่ได้อะไร เราก็จะรู้สึกแย่มากๆ แต่สุดท้ายถ้าเราอดทนไปนานๆ ก็จะได้อะไรกลับมา เหมือนนักดนตรีที่ฝึกซ้อมทุกวันๆ รู้ตัวอีกทีก็เล่นเพลงยากๆได้แล้ว
When it rains, it pours
- Taleb เองก็ได้ผลกระทบจากความ Bipolarity ของโลกใบนี้ – โลกเรามันจะมีคนที่ประสบความสำเร็จสุดๆ มีเงินมากมาย และมีคนที่ไม่มีแม้แต่สักแดงเดียว
- Nonlinearity ยังอยู่ในเบื้องหลังของความสำเร็จ มันดีกว่าถ้ามีคนที่รักในผลงานคุณจริงๆไม่กี่สิบคน ดีกว่าคนที่ชอบผ่านๆหลายร้อยคน ไม่ว่าจะเรื่องยอดขายหนังสือ spread of idea หรือความสำเร็จทั่วๆไป
Chapter 11 : Randomness and out mind : We are probability Blind
Paris or the Bahamas?
- สมมติปีหน้ามี Choice ให้ว่าคุณจะไปเที่ยวปารีส หรือบาฮามาส คุณอยากไปทั้งคู่ คุณจะคิดถึงเหตุการณ์นี้ยังไง? ตอนขับรถเพลินๆคุณอาจจะนั่งจินตนาการไปว่า คุณเดินอยู่ทามกลางชาวปารีส หรือ กำลังนั่งอาบแดดริมทะเลบาฮามาส แต่ความจริงแล้ว ณ ขณะที่คุณกำลังคิดอยู่นั้น คุณกำลังอยู่ในสถานะ 50% paris + 50% Bahamas ! แต่แน่นอนว่าสมองคงคิดแบบครึ่งๆกลางๆนี้ไม่ได้ ( นอนอาบแดดอยู่ท่ามกลางหอไอเฟล?) สมองเราจัดการแต่ละสถานะได้แค่ 1 เรื่อง
- สมมติคุณตกลงกับเพื่อนจะพนันอะไรกันสักอย่าง ใครแพ้จะเสียเงิน 1000$ ให้อีกคน โอกาสแพ้ชนะคือ 50% คุณก็คงคิดว่าพรุ่งนี้ คุณจะได้เงิน 2000 หรือ เหลืองเงิน 0 -> แต่ในทางคณิตศาสตร์นั้น การพนันนี้จะต้องคิดเป็น expectation – คือความน่าจะเป็นคุณด้วยผลตอบแทนในละแบบแล้วเอาหารรวมกัน นั่นคือ 50% x 0 + 50% x 2000 = 1000 -> คุณจินตนาการออกไหมว่าคุณกำลังอยู่ใน state ที่ไม่ได้เสียอะไรเลย! แน่นอนเราทำไม่ได้ เราคิดได้แค่ one state at a time คือ 0 หรือ 2000
Some Architectural Considerations
- สมมติให้ Nero ในบทแรกตรวจเจอมะเร็ง Nero ไปค้นข้อมูลแล้วพบว่า 72% ของคนเป็นมะเร็งชนิดนี้ จะมีชีวิตรอดเมื่อผ่านไป 5 ปี ซึ่งมันทำให้เขาดีใจอย่างมาก – คำถามคือ มันต่างกันไหมว่าโอกาสตาย 28% vs โอกาสรอด 72%? ความจริงคือไม่ต่างเลย เพราะมันไม่ได้บอกว่าเขาจะรอดมากกว่า แต่สมองเราไม่สามารถคิดว่าเราอยู่ในสถานะ 72% alive 28% dead ได้
Beware the Philosopher bureaucrat
- เรามักคิดว่ามนุษย์เกิดมาด้วยสมองที่พร้อมด้วยศักยภาพในการคิด การเข้าใจ การมีเหตุผล แต่จริงๆแล้วไม่ใช่เลย การคิดนั้นใช้พลังงานมาก เช่น จินตนาการคุณกำลังอยู่ในห้องเดียวกันกับเหล่าข้าราชการในประเทศสังคมนิยม คุณไปที่นั่นเพราะจะให้เขา stamp เอกสารสักอย่างให้ ? คุณคิดว่าเขาจะมาคิดไหมว่าการอนุมัติเอกสารให้คุณ จะกระทบกับเศรษฐกิจยังไง เกี่ยวกับทฤษฎีการเงินบทไหน เขาแค่สนว่าคุณมีเอกสารครบหรือไม่ ทำไปตาม rule book เท่านั้น ที่เขาคุ้นชินกับมัน – ในแง่นี้พวกกฏต่างๆมันก็มีค่า เพราะมันทำให้เราประหยัดเวลาและแรงงาน
- Satisficing – Herbert Simon เป็นคนแรกๆที่เสนอว่าสมองเราไม่สามารถทำทุกอย่างให้ดีที่สุดได้ เพราะมันจะทำให้เราเสียพลังงานแบบอนันต์ มันน่าจะมี approximation process สักที่ในสมอง ซึ่งจะบอกว่าพอแล้ว เมื่อเราใกล้ถึงคำตอบหรือวิธีแก้ปัญหา ดังนั้นเราจึง rational แต่เป็น boundedly rational – คือมีเหตุผลแต่ก็ไม่ได้ไปสุด สมองมันยังมี built-in rule ให้หยุดก่อนจะ perfection
Flawed, Not Just Imperfect
- Rational model ที่เชื่อกันมานานนี้ถูกหักล้างโดย – Kahneman and Tversky ค้นพบว่าคนเราไม่ได้เกิดมามีความคิดมีเหตุผล มีการคิดเชิงความน่าจะเป็น และไม่ได้มี optimal behaviour under uncertainty ต่างจากที่เศรษฐศาสตร์ดั้งเดิมคิดว่าคนมีเหตุผลเสมอและพยายามใช้ข้อมูลอดีตและใช้โมเดลทางคณิตศาสตร์มาอธิบาย
- Kahneman and Tversky บอกว่ามนุษย์ไม่ได้มีเหตุผล เพราะมีสิ่งที่เรียกว่า Heuristics -> ทางลัดในการคิดต่างๆของสมอง ซึ่งมี side effect ก็คือ Bias
- พวกเขาค้นพบความรู้ใหม่นี้จากการทำทดลองทางวิทยาศาสตร์ซึ่งเห็นผลได้จริง ทำซ้ำได้
Where is napoleon when we need him?
- สมองเราทำงานด้วย series of differenced disconnected rules ที่ไม่ได้มีความสอดคล้องกันมาก บางครั้งมันทำงานได้ดีที่หนึ่ง แต่ทำไม่ได้ในที่อื่น การตอบสนองนั้นจะขึ้นกับว่าเราไปเจอกฏข้อไหนก่อนในช่วงเวลานั้นๆ ตัวอย่างเช่น กฏหมายในรัสเซียช่วงหลังจากการล่มสลายนั้นยุ่งเหยิงอย่างมาก ที่หลายๆครั้งการจะทำตามกฏหมายข้อหนึ่ง หมายถึงการทำผิดกฏหมายอีกข้อ มันเกิดจากการพัฒนาระบบกฏหมายที่มีคนยัดข้อบังคับมาเรื่อยๆเมื่อเจอสถานการที่ซับซ้อนขึ้น โดยไม่มี central system คอยเชคความถูกต้องหรือว่าแต่ละส่วนจะเข้ากันไหม
- สมองคนเราก็เหมือนกันที่ซับซ้อน ไม่ได้มี central process มาคอยควบคุม สมองจะตอบสนองต่างกันแม้จะอยู่ในสถานการเดียวกัน ขึ้นกับว่าก่อนหน้านั้นเราไปเจออะไรมา เช่น คุณอาจชอบแอปเปิ้ลมากกว่าส้ม ส้มมากกว่าลูกแพ แต่ชอบแพร์มากกว่า apple – มันแล้วแต่ว่าchoice ในตอนนั้นที่คุณเห็นมันเป็นแบบไหน สมองไม่สามารถจดจำทุกสิ่งอย่าง ใช้ทุกสิ่งอย่างที่มีในการมาคิดตัดสินใจ มันจึงทำให้เกิด bias ได้มากมาย – การมีอยู่ของ Heuristics บอกเราว่าสมองมันไม่สน reasoning นั่นเอง
- มี heurictics มากมายในวงการ Trader และคำอธิบายน่าสนใจ เช่น
- “I’m as good as my last trade” heuristic หรือชื่อวิชาการคือ loss of perspective bias – สมองเราจะมี reference point ที่ต่างกันออกไป เนื่องจากเราไม่สามารถคิดถึงทุกสิ่งทุกอย่างได้ในช่วงเวลาสั้นๆ เราเลยยกเอาสิ่งที่พึ่งเกิดมาเป็น reference point ซึ่งเราจะมี reaction แตกต่างกันไป ขึ้นกับ reference point นั้นอีกที เช่น สมมติกำลังเล่นพนัน คุณจะคิดว่า เงินฉันเหลือ 99,000 หรือ 101500 หลังเล่นพนันเสร็จ หรือจะพูดว่า เงินหาย 1000 หรือ กำไร 1500? จะเห็นได้ว่าทัศคติจะต่างกันแล้วแต่เรามองมันในแง่เงินทั้งหมดที่เรามี หรือเงินที่เราได้/เสีย ซึ่งในชีวิตจริงเรามักตกอยู่ในสถานการที่สนแต่ การเปลี่ยนแปลง โดยไม่สนว่ามันก็น้อยมากเมื่อเทียบกับเงินทั้งหมดที่มี
- การตัดสิน การรู้สึกที่ขึ้นกับ local มากกว่า global status นี้ทำให้เรามีปัญหาเรื่อง well being ด้วย เช่น สมมติคุณได้กำไร 1 million usd เดือนถัดไปคุณขาดทุน 300,000 usd คุณจะรู้สึกเสียใจมาก เทียบกับการได้กำไร 700,000 ในครั้งเดียว หรือการได้ 350,000 ในเวลาสองครั้ง นอกจากนี้ สมองคุณจะdetect differences ได้ดีกว่า absolute เช่นกรณีคนที่รวยสุดๆก็ยังเป็นทุกข์ เมื่อเทียบกับคนที่รวยกว่า
- เมื่อสมองเราชอบคิดแบบเปรียบเทียบ สิ่งที่เราจะเอามาเป็นเกณฑ์เปรียบนั้นมันก็ manipulate ได้ สิ่งที่เราใช้เป็นreference นั้นเรียกว่า Anchoring – ตัวอย่างเช่น การมเงินนั้นจะไม่นำพาให้เรามีความสุข (ในกรณีจำนวนที่เพิ่มมากกว่าระดับเหลือกินเหลือใช้แล้ว) แต่การ รวยขึ้น จะทำให้มีความสุข โดยเฉพาะถ้ามัน steady increase
- เวลาเราถูกให้ทายตัวเลขอะไรสักอย่าง เราก็ตกอยู่ใน anchoring effect เช่นกัน เช่น การทดลองให้เดาตัวเลขประเทศทวีปแอฟริกา โดยก่อนหน้าจะให้สุ่มตัวเลข 0-100 มาก่อน การทายนั้นจะใกล้เคียงกับตัวเลขสุ่มตอนแรก คนที่สุ่มเลขสูงๆ จะทายจำนวนประเทศสูงไว้ก่อน – anchoring effect บอกว่าคนจะไม่ตอบสนองกับ total wealth แต่ตอบสนองกับความแตกต่างจาก number ที่พวกเขา anchor -> ซึ่งมันต่างจากเศรษฐศาสตร์ที่บอกว่าคนที่มีเงินหนึ่งล้านในธนาคาร จะมีความสุขมากกว่าคนที่มีห้าแสน แต่ชีวิตจริงนั้นคนจะมีความสุขมากกว่าถ้ามีเงิน 5 ล้าน เริ่มจากศูนย์ มากกว่าได้มรดกเงินสิบล้าน หากเริ่มจากมีเก้าล้าน
- Taleb เคยเจอ trader คนหนึ่งที่จบมาทั้งฟิสิกและการเงิน มาขอความเห็นเขาว่าตลาดหุ้นวันนี้จะเป็นไง Taleb ตอบตามมารยาทว่า น่าจะลง วันต่อมาคนนั้นก็กลับมาตำหนิว่า taleb ไม่น่าเชื่อถือเลย เพราะตลาดหุ้นมันพุ่งเอาๆ สิ่งนี้บอกว่าคนเรียนสูงๆก็มีปัญหาในการคิด คือ เขาไม่ได้ใช้สมองด้านสถิติมาคิดเลย ในการสรุปข้อมูล และ 2. การตัดสินจาก single observation นั้นเปรียบเสมือนการสรุปข้อมูลจาก very small sample ซึ่งมันผิดสุดๆ
- Availability Heuristic – แผ่นดินไหวในแคลิฟอเนียมีสิทเกิดมากกว่าแผ่นดินไหวที่ใดๆของประเทศ เกิดจากสมองเราคาดการความถี่ของเหตุการจากสิ่งที่เรานึกได้ มากกว่ามองภาพรวม
- Representativeness heuristic – คาดเดาว่าคนๆนั้นเป็นคนในกลุ่มสถานะทางสังคมเฉพาะ โดยดูว่าบุคลลิกเขานั้น typical กับสมาชิกในกร๊ปใด เช่น เราคิดว่านักเรียนที่ดู feminist นั้น มีสิทธิ์จะกลายเป็น พนักงานธนาคารที่ feminist มากกว่า พนักงานธนาคารทั่วไป
- Simulation heuristic – สมองจะคิดว่าเหตุกาณณ์ในอดีตบางอย่างนั้นง่ายที่จะ Undo และมันจะส่งผลที่ต่างกันจนเรามักเสียดาย เช่น คิดว่าอะไรป่านนี้จะรวยแค่ไหน ถ้าได้ขายหุ้นตอนจุดสูงสุดของฟองสบู่
- การใช้เหตุผลของสมองเรานั้นแบ่งเป็นสองส่วน Part 1 คือส่วนของ heuristic และ Part 2 คือ Rationality
- System 1 นั้นใช้แรงน้อย เกิดอัตโนมัติ รวดเร็ว เรามักไม่รู้สึกตัว ใช้อารมณ์เป็นหลัก และ specific
- System 2 ใช้แรงมาก ช้า เรารู้ตัวดี เป็ฯการมองในมุมกว้างๆ
- System 1 นั้นได้รับผลกระทบจากประสบการณ์และนำสิ่งต่างๆจาก system 2 มาผสมรวมได้ ส่วนตัว Taleb เชื่อว่าพวก option trader มืออาชีพนั้นก็จะมีการฝึกการคิดเรื่องความน่าจะเป็นได้ดี และมี intuition เรื่องพวกนี้ดีกว่านักวิชาการด้านความน่าจะเป็นเสียอีก
Why We don’t marry The First Date
- ในมุมของ Evolutionary psychology – เห็นด้วยกับ Kahneman & Traversky ในแง่ว่ามนุษย์ไม่ได้เก่งกาจในการใช้เหตุผล แต่ที่เป็นแบบนี้เพราะเราอยู่ในสิ่งแวดล้อมที่ไม่เอื้อให้ทำแบบนั้น คือเราเกิดมาด้วยสมองที่มีเหตุผล แต่มันจะฉายแววถ้าไม่ได้อยู่ในสภาวะแวดล้อมเช่นนี้ – Steven Pinker ซึ่งเป็นแกนหลักๆที่เชื่อในเรื่องนี้ กล่าวว่า Our Brains are made for fitness not for truth – สมองเรานั้นไม่ได้ Bias แต่ที่ Bias ก็เพราะเรายังไม่ได้อยุ่ในที่ที่เหมาะที่ควร
- เรื่องตลกคือ สถาบันที่ควรออกมาแย้งกับการค้นพบของ Kahneman นั้นควรจะเป็น classic economy (ที่เงียบกริ้บ) แต่ความท้าทายนั้นกลับมาจากเหล่า sociobiologist – แกนหลักของการแย้งคือ การใช้ทฤษฎีวิวัฒนาการมาเป็น backbone ในความเข้าใจ human nature
- ตัวเราในตอนนี้ มี genetic ที่ไม่ต่างอะไรกับคนเมื่อ 8พันปีก่อนที่เริ่มมีอารยธรรม กลไกความคิด การตอบสนองต่อความรู้สึกต่างๆ ก็เช่นกัน อย่างไรก็ตามเราถูกออกแบบมาเพื่อ natural habitat – ในที่นี้ก็คือสถานที่ที่เราใช้เวลามันหลายชั่วอายุมากที่สุด นักมานุษวิทยาเชื่อว่า species homo sapiens ใช้เวลามากสุดในทุ่งสะวันน่า ซึ่งคิดเป็น 130,000 ปี ดังนั้นยุคกลางเมื่อ 3000 ปีก่อนนั้น จึงกลายเป็น modern time ไปเลย
- ในสมัยที่เราเติบโตมายาวนานกว่านั้น information is limited – ชั่วชีวิตคุณรู้จักคนไม่กี่คน คุณไปไหนไม่ได้ไกล ชีวิตมันเรียบง่ายกว่ามาก ดังนั้นแล้ว ความน่าจะเป็น ที่คุณคาดถึง ก็คงแคบมากๆเช่นกัน ปัญหาก็อย่างที่เห็นว่า natural habitat ของเรานั้นไม่ได้มีข้อมูลอะไรมาก เราไม่ต้องคำนวณความน่าจะเป็นอะไรให้ยุ่งยาก จนเมื่อไม่กี่ร้อยกี่พันปีนี้เอง – อันที่จริงความเจริญของศาสตร์ความน่าจะเป็นนี้ ก็มาจากความต้องการเครื่องมือในการเอาชนะการเล่นพนัน
- ปัญหาจึงมาจากการที่เรา evolve out of habit ในอัตราที่เร็วกว่ามากๆ ที่ gene จะพัฒนาได้ทัน และอันที่จริงมันแทบไม่เปลี่ยนเลย
- นักชีววิทยาทางสมองนั้นเชื่อว่ามนุษย์มีสมองสามส่วน 1 คือส่วนที่คุมการทำงานในร่างกายแบบอัตโนวัติ ซึ่งสัตว์ต่างๆก็มี 2. Limbic system ที่เกี่ยวข้องกับอารมณ์ และ 3. Neocortex ซึ่งเกี่ยวกับการใช้เหตุผล – มีการศึกษาการทำงานของแต่ละส่วนโดยจะนำคนที่สมองมีความเสียหายในบางส่วน เช่น เป็นมะเร็งหรือต้องผ่าตัดเฉพาะส่วนออก มีงานวิจัย Descartes error ที่ศึกษาคนที่ถูกนำสมองส่วนอารมณ์ออก คาดไว้ว่าเขาก็น่าจะ function ได้และเป็นคนที่โคตรมีเหตุผล กลับกลายเป็นว่าคนที่ไม่มีความรู้สึกนั้น ไม่สามารถตัดสินใจทำอะไรได้เลยในแต่ละวัน (One cannot make a decision without emotion) งาน Emotional brain ก็พบว่า อารมณ์นั้น affect การคิด พบว่า connection ในส่วนของอารมณ์ไปยังส่วนคิดแบบมีเหตุผลนั้น มีมากกว่าตรงกันข้าม นั่นคือ เราจะรู้สึกก่อน แล้วหาเหตุผลมาเติมทีหลัง
- คดี OJ.Simpson เป็นตัวอย่างหนึ่งถึงผลกระทบจากความบูมของยุคสื่อ ที่ทำให้ modern society ปกคลุมไปด้วยเรื่องของความน่าจะเป็น (แบบผิดๆ) – เราส่งจรวดไปนอกโลกได้ แต่ไม่มีปัญญาใช้กฏความน่าจะเป็นเบื้องต้นในชั้นศาล
- บุคคลที่ตามกฏความน่าจะเป็นนั้น (OJ simpsom) ก็น่าจะพอสรุปได้ว่าเป็นฆาตรกรจริงๆ กลับเดินออกมาได้เฉยๆ จากความเข้าใจผิดใน basic concept เรื่องของความน่าจะเป็น (Odd) เช่น ทนายในชั้นศาลแย้งว่า มันมีคนอย่างน้อย 4 คนใน LA ที่มีลักษณะ DNA เหมือน OJ simpson ดังนั้นการมี DNA ในที่เกิดเหตุ ก็เอามาบอกไม่ได้ว่าเป็นของ OJ simpsom จริงๆ เท่านั้นไม่พอ ยังบอกว่ามีแค่ 10% ของผู้ชายเท่านั้นที่จะทำร้ายร่างกายภรรยาแล้วฆาตกรรมในที่สุด – วิธีถูกต้องในการแปรผลความน่าจะเป็นนั้น เราต้องคิดว่ามันเป็น Conditional Probabilities นั่นคือ เราต้องดู % ของเคสที่ผู้หญิงถูกฆาตรกรรม และ ถูกทำร้ายมาในอดีต (นั่นคือ 50%) ยังไม่พอ Harvard lawyer พวกนี้ยังไม่เข้าใจเรื่อง Joint Probability ที่บอกว่ามีคนอย่างน้อย 4 คนใน LA ที่มีDNAคล้าย OJ simpson คิดเป็นความน่าจะเป็น 1/500,000 รวมกับโอกาสที่คนๆนั้นจะเป็นสามีของผู้ที่ถูกฆ่า มันยิ่งบอกว่า Oj simpson คือคนผิด
- มีตัวอย่างอีกมากมายในเรื่องการเข้าใจผิดที่มีต่อความน่าจะเป็นในหลายๆสาขาอาชีพ เช่น
- การแพทย์ – มีวิธีการตรวจโรคอันหนึ่งที่มี 5% false positive โรคนี้มีโอกาสเกิด 1/1000 ในประชากร หากเอาคนใดๆมาจับตรวจแบบสุ่ม แล้วเจอว่ามันเป็นบวก ความน่าจะเป็นเท่าไหร่ที่คนๆนั้นมีโรคจริงๆ? งานวิจัยพบว่าหมอ 4/5 ตอบว่า 95% ซึ่งเป็นคำตอบที่ผิด เพราะคิดง่ายๆแค่ว่าการตรวจนี้แม่นยำ 95% ที่ถูกต้องต้องคิด conditional probability ที่ว่าคนป่วยนั้นของจริงและผล Test เป็นบวก ซึ่งจะได้คำตอบคือ 2%
- วิธีคิดง่ายๆคือ สมมติไม่มี false neg และมีคนที่ตรวจด้วยวิธีนี้ 1000 คน , เราคาดว่า 1 ในพันนี้จะมีที่เป็นโรคจริงๆ ส่วนอีก 999 คนที่ปกตินั้น การตรวจจะบังเอิญให้ผลบวกในคนประมาณ 50 คน (95% x 999) ดังนั้นคำตอบที่ถูกต้องคือเอาคนที่มีอาการ หารด้วย คนที่เป็นโรค + คนที่ไม่เป็นโรคแต่test positive = 1/51 %
- ลองคิดดูว่ามันน่ากลัวแค่ไหน ถ้าคุณโดนจับตรวจ Test แล้วผลมันเป็นบวก แล้วโดนให้ยารักษา ทั้งๆที่โอกาสที่ Test มันเป็นบวกแล้วคนๆนั้นจะเป็นโรคจริงๆ มันมีแค่ 2% เท่านั้น!!
Probabilities and the media
- Journalist ถูกฝึกวิธีในการนำเสนอตัวเองมากกว่าความลึกของเนื้อหา คนที่จะได้ดีในสาขานี้จะเป็นกลุ่มที่สื่อสารดี ไม่ใช่คนที่ฉลาดที่สุด พวกเขามักจะสับสนระหว่าง absence of evidence กับ Evidence of absence โดยเฉพาะนักข่าวที่นำเสนอเรื่องการแพทย์ ตัวอย่างเช่น ยารักษามะเร็งชื่อ Fluorouracil มีผลดีกว่ายาหลอกเล็กน้อย เพิ่มโอกาสรอดจาก 21/100 เป็น 24/100 ซึ่งจาก sample size ที่น้อยมากๆนี้ เราไม่รู้ว่า 3% ที่เพิ่มมา มันมาจาก randomness หรือไม่ ถ้าเขาจะนำเสนอผลงานนี้ ก็ต้องเขียนรายงานว่ายังไม่มีหลักฐานเพียงพอจะบอกว่ายานี้มันช่วยการรอดชีวิตจริงๆ ต้องศึกษาเพิ่ม -> แต่นักข่าวจะหยิบงานนี้มานำเสนอว่า นพ. Taleb ผู้นำวิจัย พบหลักฐานว่า ยา Fluorouracil ไม่ช่วยในการรักษามะเร็ง ซึ่งมันคนละเรื่องเลย
- นอกจากนี้ยังมีนักข่าวน่าเชื่อถือหลายๆคนพูดจาดูเหมือนฉลาดแต่ไม่สุด เช่น อายุเฉลี่ยคนอเมริกานั้นอยู่ที่ 73 ปี ดังน้้นถ้าคุณอายุ 68 ปี คุณมีเวลาเหลืออีก 5 ปี จึงต้องวางแผนใช้มันให้คุ้ม – มันแปลว่าคนอายุ 80 ควรจะตายไปนานแล้วงั้นเหรอ?
- -นี่คือสิ่งที่บอกว่าพวกเขาสับสนระหว่าง unconditional and conditional life expectancy – ตอนคุณเกิดมาใหม่ๆ อายุขัยเฉลี่ยของคุณคือ 73ปีจริงๆ แต่เมื่อคุณอายุเยอะขึ้นเรื่อยๆและไม่ตาย Life Expectancy คุณก็จะเพิ่มขึ้นเรื่อยๆระหว่างทาง! เพราะระหว่างนั้นมันจะมีคนตาย และแทนที่คุณไปในทางสถิติ คำว่า expectation มันก็คือ Average ดังนั้นแล้วถ้าคุณอายุถึง 73 ปี ตัว average นั้นก็ต้องคิดถึงคนที่อายุ 73 ปีขึ้นไปที่ยังมีชีวิตอยู่ คุณก็อาจจะยังมี life expectation เหลืออีก 9 ปี แม้แต่คนอายุ 100 ปี ก็ยังมี life expectancy เป็นบวกได้ – ประโยคแบบนี้เหมือนกับบอกว่าการผ่าตัดนี้มีโอกาสจะมีการเสียชีวิตได้ 1% การที่ที่ผ่านมาทำผ่าตัดไปกับคน 99 คนแล้วพวกเขารอด ไม่ได้แปลว่าคุณที่มาผ่าเป็นคนที่ 100 จะต้องตาย
- แต่นักข่าวที่อันตรายคือพวกที่ให้ข้อมูลในสายอาชีพแบบผิดๆ เช่น พาดหัวในเว็บ Bloomberg ที่ชอบเขียนว่า ดัชนีหุ้นขึ้น 3 จุด เพราะ low interest rate , ค่าเงินดอลล่าอ่อนลง 0.13 เทียบกับเงินเยน เพราะมีเงินเยนเข้ามามากขึ้น – ประโยคพวกนี้คือการที่นักข่าวให้คำอธิบายว่า perfect noise พวกนี้เกิดมาจากอะไร เช่น ดัชนีขึ้นมา 1.03 มันเท่ากับ 0.01% (Dow at 11000) มันน้อยมากจนไม่ต้องมีคำอธิบายใดๆเลย แต่มันขัดหน้าที่ของพวกเขาที่ต้องหาคำอธิบายมาให้ได้
- Significance – ทำไม Taleb ถึงบอกว่ามันเป็น perfect noise ยกตัวอย่างเปรียบเทียบ สมมติ A ปั่นจักรยานชนะ B ที่เวลาสั้นกว่า 1 วินาที คุณจะหาคำอธิบายอะไรมามั้ย? มันอาจจะโชคล้วนๆก็ได้ ถ้าชนะเป็นหลายวันก็ว่ากันอีกที
- Causality : สมมติคุณมองว่ามันต่างกันทางสถิติจริงๆ ก็ยังมีปัญหาอยู่ดีว่ามันเป็นเหตุเกี่ยวข้องกันมั้ย (เป็น Cause and effect กัน?) – ซึ่งมันมักเป็นเรื่องยากในกรณีที่มันมีเหตุต่างๆมากมายให้มองหา ตลาดหุ้นมันอาจมีปฏิกิริยาจากดอกเบี้ยในอเมริกา หรือค่าเงิน หรือตลาดหุ้นยุโรปก็ได้ เป็นต้น ซึ่งเอาจริงๆถ้าอยากรู้เราต้องหาให้หมด และคิดออกมาเป็นสถิติ โดยมี confidence level กำกับด้วย ถ้ามันน้อยกว่า 90% ก็ไม่ควรมานำเสนอ
- Taleb มีวิธีส่วนตัวในการติดตามว่ามีการเปลี่ยนแปลอะไรในโลกที่เป็นของจริง โดย set เครื่อง Bloomberg terminal ให้แสดงราคาและ % change ของทุกอย่างในโลก ไม่ว่าจะราคาหุ้น ค่าเงิน ดอกเบี่ย commodities และจะสนใจเหมื่อมี large percent change เกิดขึ้น ถ้ามันเปลี่ยนแปลงมาๆ แสดงว่าน่าจะมีมูล โดย % move นั่นมีสมบัติ nonlinearity – 2% move ไม่ได้แปลว่ามากกว่า 1% สองเท่า มันอาจมากกว่าถึง 4-10 เท่า ส่วน 7% move นั้น significant กว่า 1% เป็นหลายพันล้านเท่า นั่นแปลว่าการที่ดัชนีเปลี่ยนแปลง 1% นั้นมันสำคัญน้อยมากๆ เทียบกับเปลี่ยนทีละ 7% ไม่ได้เลย – เราไม่ได้เกิดมาเพื่อเข้าใจ nonlinear aspect of probability
- หลายๆครั้งความเห็นนั้นไม่สำคัญเท่ากับ confidence interval – เช่น คุณฟังพยากรอากาศว่าเมืองที่จะไปเที่ยวนั้น น่าจะมีอุณหภูมิ 60 องศา +/- 10 นั่นแปลว่าคุณไม่ต้องเตรียมเสื้อกันหนาวไป แต่ถ้าทำนายว่าจะมีอุณหภูมิ 60 +/- 30 องศา แน่นอนคุณต้องเอาไปทั้งเสื้อกันหนาวและกางเกงขาสั้น จะเห็นว่าการทำนายอุณหภูมินั้นสำคัญน้อยกว่าความแปรปรวนของอุณหภูมิ ในการตัดสินใจจัดกระเป๋า
