Stop Loss. Take profit
Stop Loss. Take Profit
Kiedy model staje się rynkiem: zgubne efekty matematycznej iluzji
- W dzisiejszym Profit Journal:
- Początki: wiara w modele jak w prawa natury
- Od aparatu do silnika: performatywność modeli
- Mikro i makro: jak modele wchodzą w ciało rynku
- Analityczne monokultury: gdy wszyscy liczą tak samo
W epoce finansów zarządzanych algorytmami coraz częściej zakładamy, że dobrze dobrany model potrafi oswoić przyszłość. Wykresy, rozkłady i równania mają zamienić niepewność w policzalne ryzyko, a rynki w dobrze naoliwione maszyny. Ale co, jeśli to nie modele opisują rynek, tylko rynek zaczyna naśladować modele, aż do momentu, w którym traci z nimi kontakt? Dziś przyjrzymy się temu, jak wiara w matematyczne obliczone pewniaki potrafi wpychać system finansowy na kurs kolizyjny ze ścianą rzeczywistości oraz dlaczego w kluczowych chwilach zawodzi logika.
Początki: wiara w modele jak w prawa natury
Współczesne rynki finansowe często przedstawia się jako niezwykle złożone, ale w gruncie rzeczy dobrze wyliczalne systemy. Za kulisami pracują wyrafinowane modele matematyczne, które mają przekształcać niepewną przyszłość w zgrabne równania i wykresy. Inwestorzy, regulatorzy i ekonomiści chętnie wierzą, że jeśli tylko model jest wystarczająco złożony, a dane wystarczająco obszerne i kompletne, można sprowadzić ryzyko do kwestii statystyki.
Problem w tym, że takie podejście opiera się na fundamencie, podważonym już dawno temu: na wnioskowaniu z przeszłości o przyszłości. U źródeł tej sprzeczności stoi problem indukcji. Z przeszłych obserwacji wyciągamy ogólne wnioski, a następnie traktujemy je jak prawa natury. W ekonomii i finansach to założenie bywa przyjmowane niemal automatycznie kiedy modele zakładają, że rozkłady prawdopodobieństwa są stabilne, a procesy mają charakter stacjonarny. Innymi słowy, przyszłość statystycznie przypomina przeszłość.
A co, jeśli tak nie jest? W świecie finansów mamy do czynienia z tym, co nazywa się niepewnością ontologiczną. Nie chodzi tylko o to, że nie mamy wszystkich danych albo nie potrafimy ich w pełni przetworzyć. Chodzi o to, że sama struktura gospodarki, technologii i instytucji zmienia się w czasie w sposób nierutynowy. Pojawiają się nowe instrumenty, zmiany regulacyjne, innowacje technologiczne i społeczne. Wszystko to sprawia, że przyszłość nie jest nieznana, lecz po prostu jeszcze nie istnieje.
W takich warunkach czysto statystyczne podejście, oparte na spokojnym ekstrapolowaniu przeszłych danych, prowadzi do poważnego błędu. W taj sytuacji modele stają się narzędziami tworzenia: nie tyle przewidują rzeczywistość, co zachęcają uczestników, by zachowywali się tak, jakby przyjęte założenia były prawdziwe. Zamiast neutralnej obrazu rynku dostajemy aktywny czynnik, który ten rynek zmienia.
Od aparatu do silnika: performatywność modeli
Ta sytuacja nosi nazwę performatywności która fundamentalnie zmienia postrzeganie matematycznych algorytmów oraz prognoz. Tradycyjne wyobrażenie modelu przypomina aparat fotograficzny. Ma on uchwycić rzeczywistość i zamienić ją na zrozumiałe symbole: liczby, wykresy, równania. W ramach podejścia performatywnego proponuje się inne porównanie: model jest jak silnik. Nie odzwierciedla biernie rzeczywistości, lecz ją napędza i formatuje.
Performatywność można rozumieć na kilka poziomów. Na poziomie podstawowym mówimy o performatywności generycznej – to moment, w którym teoria po prostu zaczyna być stosowana, na przykład gdy bank używa konkretnego modelu do szacowania ryzyka. Na wyższym poziomie pojawia się performatywność efektywna – gdy stosowanie modelu realnie wpływa na przebieg procesów rynkowych, modyfikuje zachowania inwestorów, decyzje kredytowe czy strategie funduszy.
Najbardziej spektakularny jest jednak poziom, który można nazwać performatywnością barnesowską. To sytuacja, w której rynek upodabnia się do modelu właśnie dlatego, że wszyscy uczestnicy w ten model wierzą i działają zgodnie z jego logiką. Abstrakcyjna formuła zaczyna mieć realną władzę tworząc samospełniającą się przepowiednię. Przykładem jest model Blacka-Scholesa-Mertona wyceny opcji, który stał się tak szeroko stosowany, że w praktyce wbudowano go w techniczną infrastrukturę rynku. Ceny, strategie i procedury zaczęto dostosowywać do jego założeń, aż rzeczywistość rynkowa została w dużej mierze zdyscyplinowana do jego formuły.
Mikro i makro: jak modele wchodzą w ciało rynku
Performatywność można obserwować na dwóch komplementarnych poziomach. Na poziomie mikro chodzi o konkretne praktyki, narzędzia, oprogramowanie i procedury. O to, jak analitycy, traderzy i menedżerowie ryzyka faktycznie używają modeli w swojej codziennej pracy. Standardowe arkusze kalkulacyjne, te same miary ryzyka w wielu instytucjach, zgodność metod wyceny w różnych bankach. Wszystko to prowadzi do ujednolicenia zachowań. Jeśli większość uczestników rynku wycenia aktywa na podstawie tych samych wzorów i reaguje na te same sygnały, ich decyzje zaczynają się synchronizować.
Na poziomie makro chodzi o dominujące paradygmaty i narracje. Przez dekady w ekonomii finansowej dominowała wiara w efektywność rynków, racjonalność inwestorów i samoregulujące się mechanizmy wyceny. Te idee wpływają na sposób projektowania regulacji, kształtowania polityki banków centralnych, a nawet architekturę instytucji finansowych. Gdy tego rodzaju przekonania zostają utrwalone w przepisach, procedurach i strukturze sektora, stają się częścią twardego otoczenia, w którym poruszają się wszyscy gracze. W efekcie teorie i modele przestają być czysto akademickimi konstrukcjami. Zaczynają działać jak filtry percepcji mówiąc uczestnikom, co jest ważne, a co można zignorować.
Analityczne monokultury: gdy wszyscy liczą tak samo
Ten problem wzmacnia zjawisko monokultur analitycznych. Powstają, gdy duże grupy uczestników, często za sprawą regulacji, zaczynają posługiwać się tymi samymi narzędziami. Gdy standardem stają się identyczne miary ryzyka, jak Value-at-Risk, a globalne ramy regulacyjne (typu Bazylea II i III) premiują ich stosowanie, rynek traci swoją naturalną różnorodność. Zamiast wielu rozproszonych błędów pojawia się jeden wielki, systemowy błąd, którego nikt nie koryguje. To rodzi szereg groźnych zjawisk. Rezonans poznawczy sprawia, że pomyłka w jednym modelu nie zostaje wyłapana przez innych uczestników, ale ulega replikacji. Spirale płynności wybuchają, gdy spadek cen uruchamia w modelach sygnały do wyprzedaży, przez co kolejne instytucje pozbywają się tych samych aktywów w tym samym czasie. Procykliczność zadłużenia oznacza, że w okresach spokoju i niskiej zmienności modele skłaniają do zwiększania dźwigni, wzmacniając bańki, które później pękają tym gwałtowniej. Paradoks polega na tym, że narzędzia zaprojektowane po to, by ograniczać ryzyko, zaczynają je generować. Modele zarządzania ryzykiem, które miały działać jak hamulec, w momentach stresu funkcjonują jak dodatkowy gaz, popychając system w stronę skrajnych stanów.
Przykładem realizacji tego typu zagrożeń jest krach z 1987 roku. Popularne wówczas strategie typu portfolio insurance zakładały, że można ograniczać ryzyko spadków poprzez automatyczną sprzedaż części portfela, gdy ceny zaczynają zniżkować. Działało to, dopóki stosowało tę metodę względnie niewielu uczestników. Kiedy jednak wielu dużych graczy zaczęło używać podobnych algorytmów, każdy spadek cen uruchamiał falę sprzedaży, która wywoływała kolejne spadki, a te kolejne sygnały do wyprzedaży. Model oparty na danych z okresów względnej stabilności nie przewidywał właśnie takiej samonakręcającej się spirali. Jego powszechne użycie zmieniło jednak strukturę rynku tak, że dotychczasowe regularności przestały obowiązywać. W ten sposób performatywność przerodziła się w kontrperformatywność: model zweryfikował sam siebie negatywnie, ale zrobił to w możliwie bolesny sposób czyli poprzez kryzys.
Autor: Marcin Kępczyk
Dla Ciebie
O nas
© Copyright profit-journal.pl - All rights reserved – Privacy Policy
