Алгоритмы для жизни: Простые способы принимать верные решения - [75]

.

Так как же выглядят эти ограничения сложности? Один из таких алгоритмов, разработанный в 1996 году специалистом по биостатистике Робертом Тибширани, называется LASSO[24]. Он использует в качестве санкций общую сумму различных факторов, задействованных в модели[25].

Применяя такую нисходящую нагрузку на значение факторов, алгоритм Лассо позволяет свести их по возможности к нулю. Лишь те факторы, которые имеют большое влияние на итоговый результат, остаются в формуле. Таким образом, девятифакторная модель, в которой проявляется переподгонка, будет трансформирована в более простую логичную формулу с меньшим количеством ключевых факторов.

Техники, подобные алгоритму Лассо, сегодня широко распространены в области машинного обучения, однако принцип наложения санкций на сложность встречается и в природе. Живые организмы почти автоматически тяготеют к простоте благодаря тому, что их жизненные ресурсы – время, память, энергия и внимание – ограничены. Бремя метаболизма, например, действует как тормоз для сложностей жизнедеятельности организмов, вводя калории в качестве санкций для сложноорганизованного механизма. Тот факт, что человеческий мозг сжигает около пятой части ежедневной нормы потребления калорий, служит доказательством преимуществ эволюции, которые нам подарили интеллектуальные способности: в конце концов, работа мозга должна более чем оправдывать огромный счет за топливо. С другой стороны, можно сделать вывод, что значительно более сложно устроенный мозг не приносил бы адекватные дивиденды с эволюционной точки зрения. Мы сообразительны ровно настолько, насколько это необходимо, но не более.

Считается, что тот же процесс играет некоторую роль и на нейронном уровне. В компьютерной науке модели программного обеспечения, известные как искусственные нейронные сети, работа которых базируется на основных принципах организации человеческого мозга, могут обучаться работе с функциями произвольной сложности – еще более гибкими, чем наша девятифакторная модель. Но как раз по этой причине нейронные сети чрезвычайно восприимчивы и подвержены эффекту переподгонки.

Настоящие, биологические нейронные сети уклоняются от этой проблемы, поскольку им необходимо отработать затраты, связанные с их содержанием. Нейробиологи предположили, что, возможно, мозг пытается максимально сократить количество нейронов, которые загораются в тот или иной момент, что позволяет нам провести параллель с нисходящим давлением на сложность в алгоритме лассо.

Язык формирует другой естественный принцип LASSO: сложность карается трудозатратами на ведение долгого разговора и обременением внимания нашего слушателя. В конечном счете бизнес-план сокращается до краткой презентации. А житейский совет становится народной мудростью только в том случае, если он достаточно лаконичен и легко запоминается.

И все, что необходимо запомнить, неизбежно пройдет через лассо памяти.

Преимущества эвристики

В 1990 году экономист Гарри Марковиц получил Нобелевскую премию за вклад в развитие экономики в рамках развития современной портфельной теории: его прогрессивная «оптимизация портфеля со средним отклонением» продемонстрировала, как инвестор может оптимально распределить свои средства и активы для получения максимальной прибыли при заданном уровне риска. Таким образом, похоже, Марковиц был единственным человеком, идеально подготовленным к решению задачи по инвестированию своих пенсионных накоплений. Что же он решил предпринять, когда настало время?

Я должен был рассчитать исторические ковариации классов активов и провести эффективное разделение. Вместо этого я представил свое горе, если бы рынок ценных бумаг вырос, а я не участвовал бы в этом, или если бы акции упали и вместе с ними исчезли бы все мои сбережения. Я был намерен минимизировать свои будущие сожаления. Поэтому я разделил сбережения и вложил их в равных долях в облигации и акции.

Но почему же он так поступил? История лауреата Нобелевской премии и его инвестиционной стратегии могла стать показательным примером человеческой иррациональности: при столкновении со сложностями реальной жизни он отверг рациональную модель и последовал простой эвристике. Но именно из-за сложностей реальной жизни простая эвристика, по сути, может оказаться рациональным решением.

Когда речь идет об управлении портфелем, оказывается, что за исключением тех случаев, когда вы абсолютно уверены в имеющейся у вас информации о рынках, вам лучше вовсе игнорировать любые сведения по этому вопросу. Применение схемы оптимальной структуры портфеля требует тщательной оценки статистических свойств различных капиталовложений. Каждая ошибка в оценке очень сильно меняет итоговый вариант размещения активов, что потенциально повышает уровень риска. Напротив, распределение денежных средств в равных долях между акциями и облигациями вовсе не зависит от тех данных, которые вы изучили. Эта стратегия даже не пытается подстроиться под исторические показатели этих категорий капиталовложений. Соответственно, переподгонка здесь невозможна.

Разумеется, использование метода распределения 50/50 необязательно является золотой серединой в сложной ситуации, но нам есть что сказать в его пользу. Если вам довелось узнать ожидаемое среднее отклонение и ожидаемое отклонение ряда видов капиталовложений, тогда вам лучше использовать оптимизацию портфеля со средним отклонением (этот оптимальный алгоритм является таковым неспроста). Но когда шансы оценить их все максимально четко невысоки, а вес, который модель переносит на эти ненадежные качества, велик, тогда в процессе принятия решения должен прозвучать сигнал – «пришло время регуляризации».