دوشنبه ۱۹ خرداد ۱۳۹۳ ساعت ۱۷:۱۶

سفسطه قمارباز در مقابل دستان داغ

Share/Save/Bookmark
کد مطلب: 67
 
سفسطه قمارباز در مقابل دستان داغ
 
سفسطه قمارباز در مقابل دستان داغ

موضوعي كه در اين مقاله به آن پرداخته مي‌شود، مفهومي است تحت عنوان «اعتقاد به قانون اعداد كوچك»،

اکوبورس:بسيار مشاهده مي‌شود تعداد قابل توجهي از سرمايه‌گذاران اخيرا زماني كه جو بازار براي يك سهم خاص مثبت بوده است به سراغ آن سهم مي‌روند و با اميد فراوان نسبت به افزايش بيشتر قيمت، آن را در قيمت‌هاي بالا خريداري مي‌كنند و اغلب پس از چندي كه جو بازار فروكش كرد و سهامشان براي مدتي روند نزولي در پيش گرفت انتظار اوليه خود را از دست داده و براي جلوگيري از ضرر بيشتر سهام خود را در قيمت‌هاي پايين مي‌فروشند و به اصطلاح از بازار خارج مي‌شوند، و يا مورد ديگري را در نظر مي‌گيريم:



اگر صنعت خاصي در سال گذشته بازدهي خوبي براي سهامداران خود داشته است، فورا اين انتظار در ميان افراد عادي شكل مي‌گيرد كه اين صنعت امسال نيز چنين بازدهي خواهد داشت. اما به راستي چنين است؟


«دانيل كاهنمان» (Daniel Kahneman) از دانشگاه پرينستون، برنده نوبل اقتصاد و از انديشمندان در زمينه «Behavioral Finance» به همراه همكار ديرينه خود «آموس تورسكي» (Amos Tversky) از دانشگاه استنفورد از جمله اولين افرادي بودند كه با طرح پديده‌اي به نام «اعتقاد به قانون اعداد كوچك» سعي در توضيح دادن اين رفتار كردند. همان طور كه مي‌دانيم در علم آمار قانوني وجود دارد به نام «قانون اعداد بزرگ»، كاربرد اين قانون در زمينه استنتاج آماري (Statistical inferenc) مي‌باشد، قانون اعداد بزرگ بيان مي‌دارد كه هرگاه حجم نمونه تصادفي انتخابي به اندازه كافي «بزرگ» باشد، اين نمونه مي‌تواند با دقت خوبي نماينده مشخصات اساسي جامعه‌اي باشد كه از آن استخراج شده است، همان‌گونه كه ملاحظه كرديم اين قانون در مورد نمونه‌هاي با حجم بزرگ صادق است، ولي كاهنمان و تورسكي با بررسي‌هاي روانشناسي خود نشان دادند كه آنچه در عمل ميان مردم رايج است «اعتقاد به قانون اعداد كوچك» است، يعني اكثر مردم مي‌‌پندارند كه نمونه‌هاي با حجم كوچك نيز نماينده مشخصات جامعه خود هستند، لذا بر اين اساس در تصميم‌گيري‌هاي سرمايه‌گذاري خود نيز اغلب تنها به روندهاي اخير و بسيار كوتاه مدت توجه مي‌كنند (حتي گاهي به گونه‌اي ناخودآگاه).


براي پي بردن به «اعتقاد به قانون اعداد كوچك» نياز به زحمت چنداني نيست، امروز اين پديده را در همه جا مي توان مشاهده كرد، در ميان همه ما تمايلي وجود دارد كه براساس اطلاعات حاصل از چند نمونه كوچك به نتيجه‌گيري‌هاي كلي برسيم‎‎‎، همان مثال معروف علم آمار را در نظر بگيريد: از نظر علم آمار احتمال شير يا خط آمدن در پرتاب سكه نااريب ۵۰‌درصد مي‌باشد، حال اگر فردي سكه‌اي (نااريب) را ده مرتبه پرتاب كند و هر ده مرتبه خط بيايد اغلب مردم فورا شك مي‌كنند كه شايد هر دو طرف سكه خط باشد، آنچه مردم ناديده مي‌گيرند (كه روي تصميم‌گيري‌هاي سرمايه گذاري آنها نيز به شيوه‌اي مشابه اثر مي‌گذارد) آن است كه: حتي اگر سكه ۱۰ مرتبه پشت سرهم خط بيايد در پرتاب يازدهم، همچنان احتمال خط آمدن ۵۰‌درصد است، احتمال شير يا خط آمدن از پرتاب‌هاي قبلي متاثر نمي‌شود.


برخلاف تعادل‌هاي موجود در طبيعت كه هرگاه عدم تعادلي در آنها ايجاد شود خود به خود، خود را اصلاح مي‌كنند، قوانين شانس كه ما در بررسي‌هاي مالي از آنها استفاده مي‌كنيم از اين قاعده پيروي نمي‌كنند.


اين همان مساله‌اي است كه كاهنمان آن را «سفسطه قمار بازان» (gambler’s Fallacy) مي‌نامد كه خود باعث ايجاد گونه ديگري از خطا و در نتيجه ضرر و زيان براي سرمايه‌گذاران مي‌شود. طبق «سفسطه قمارباز» فرد انتظار دارد كه هر نمونه‌اي كه از يك جامعه گرفته مي‌شود تمامي خصوصيات اساسي جامعه را نشان دهد، به همين علت هرگاه اطلاعات جديد به‌دست آمده در جهت تاييد روند و نسبت موردنظر فرد نباشد، فرد انتظار دارد كه تغييري در جهت عكس رخ دهد تا اين انحراف جبران شود. اين مساله را به روشني مي‌توان در رفتار سهامداراني كه سهام زيان ده را به اميد بازگشت به سودآوري نگهداري مي‌كنند مشاهده كرد.


باز گرديم به بحث اصلي خودمان در مورد بازارهاي سرمايه و قانون اعداد كوچك، صندوق‌هاي سرمايه‌گذاري مشترك يا صندوق‌هاي كم‌ريسك (Mutual Funds, Hedge Funds) را در نظر بگيرند، از آنجا كه اين صندوق‌ها در آمريكا بسيار پرتعداد و قدرتمند هستند تحقيقات و مطالب بسياري هر روزه در مورد آنها در نشريات مختلف چاپ مي‌شود، كه به بررسي عملكرد دوره‌اي و رتبه‌بندي اين صندوق‌ها مي‌پردازد. در تحقيقي كه توسط دو تن از استادان دانشگاه آراسموس (Erasmus university of Rotterdam) انجام شده است. به رابطه ميان عملكرد گذشته صندوق‌هاي سرمايه‌گذاري كم‌ريسك و جريان پول ورودي به آنها توجه شده است‎، طبق يافته‌هاي اين تحقيق هرگاه صندوقي طي دو – سه دوره گذشته بازدهي بالاتري از ميانگين داشته است، جريان نقدينگي سرشاري به‌اين صندوق وارد شده است، حال آنكه احتمال تداوم پيروزي اين صندوق‌ها در بازار همواره بسيار كمتر از ميزان استقبالي بوده است كه از آنها شده است (منظور از صندوق پيروز، صندوقي است كه طي دوره گذشته بازدهي بالاتري از ميانگين بازار داشته است).



براي مثال در سال‌هاي ۱۹۹۸ و ۱۹۹۹ با وجود آن كه بورس نيويورك دوران رونق خود را سپری مي‌کرد، صندوق سرمایه‌گذاری Fund Janus به ترتیب ۳/۱۰ و ۱/۲۶‌درصد بازدهی بالاتری را از شاخص S&P۵۰۰ به‌دست آورد، این آمار درخشان دو ساله سبب ورود میلیاردها دلار به مجموعه صندوق‌های Janus شد، ولی درست پس از آن این صندوق دوران افول شدید خود را آغاز کرد به طوری که این صندوق طی دهه گذشته با نرخ بازدهی متوسط سالانه ۹/۷‌درصد، سالانه ۸/۲‌درصد بازدهی پایینتری از S&P۵۰۰ داشته است و تازه بسیاری از افراد سرمایه‌گذار در این صندوق بعد از سال‌های ۹۸ و ۹۹ و با شنیدن آوازه این صندوق وارد آن شدند، یعنی برای بسیاری از خریداران این صندوق بازدهی از میانگین ۹/۷‌درصد نیز کمتر بوده است، و البته این تنها یک نمونه است.


نگارنده منکر این حقیقت نمی‌شود که یکی از راه‌های انجام پیش‌بینی در مورد روند آتی قیمت یک سهم یا عملکرد یک صندوق، نگاه به تاریخچه گذشته آن است، بلکه بحث بر سر به كارگيري اطلاعات کافی‌ و میزان تکیه به این اطلاعات است، محققان در این تحقیق نیز بر این مطلب صحه می‌گذارند که صندوق‌های سرمایه‌گذاری‌ای که برای چند دوره متوالی پیروز بوده‌اند احتمال بیشتری نیز دارد که بتوانند این روند را ادامه دهند ولی آنها توجه ما را به دو نکته جلب مي‌کنند.


اولا، میزان اقبالی که سرمایه‌گذاران به سمت صندوق‌های پیروز داشته اند همواره بسیار بیشتر از احتمال مورد انتظار تداوم پیروزی آنها در دوره‌های آتی بوده است و ثانیا، هر چه صندوقی برای سال‌های بیشتری پیروز بوده باشد احتمال بیشتری دارد که بتواند این روند را ادامه دهد.


مورد اخیر ما را به این سمت سوق مي‌دهد که اهمیت جمع‌آوری اطلاعات کافی را در مورد سابقه یک سهم دریابیم و از توجه صرف به روندهای کوتاه‌مدت و فصلی پرهیز کنیم. و اما مورد اولی که بیان شد نمایانگر نوعی خطای تصمیم‌گیری در میان سرمایه‌گذاران است که به خطای «دست داغ» (Hot Hand Bias) معروف است، توجه به این مفهوم نیز برای سرمایه‌گذاران خالی از لطف نخواهد بود:


اصطلاح «دست داغ» اولین بار به صورت مستند توسط تورسکی و همکارانش به کار گرفته شد، اصطلاح دست داغ در مسابقات بسکتبال به کار می‌رفت، این طور که هرگاه بازیکنی چند پرتاب پشت سر هم موفقیت آمیز داشت، در میان تماشاچیان این طور مصطلح می‌شد که این بازیکن دستان داغی دارد و انتظار داشتند که او در پرتاب‌های بعدی نیز همچنان موفق باشد. تورسکی ثابت کرد که چنین پدیده‌اي وجود ندارد و پرتاب‌هاي بازیکانان بسکتبال تا حدود زیادی رندوم (Random) هستند، ولی خطای دست داغ همچنان در مورد انتخاب صندوق‌های سرمایه‌گذاری یا سهام‌هایی که اخیرا روند مثبتی را داشته‌اند در بین مردم وجود دارد، برای مثال در تحقیقی که توسط De Bondt در سال ۹۳ انجام شد، وی با جمع‌آوری شواهد در مورد پیش‌بینی‌هاي قیمت سهام نشان داد که تمایلی در میان افراد غیر حرفه‌اي بازار سهام وجود دارد که روندهای قیمتی ایی را تشخیص دهند و انتظار تداوم آنها را داشته باشند، در حالی که روندهای مورد انتظار آنها عملا وجود ندارند. البته باکرو (G. Baquero) و وربیک (M. Verbeek) معتقدند که این خطای روانشناسی مختص غیر حرفه‌اي‌ها نبوده و حتی سرمایه‌گذاران حرفه‌اي نیز با آن روبرو هستند و به همین علت بعضا تصمیمات بسیار خطرناکی اتخاذ می‌کنند. (پدیده دست داغ را می‌توان بیان دیگری از قانون اعداد کوچک دانست).


جمع‌بندی:

سرمایه‌گذاری که براساس اطلاعات کوتاه مدت و روندهای غیرواقعی در بازار حرکت می‌کند در حقیقت یک معتقد به قانون اعداد کوچک است که:


- براساس اطلاعات مقطعی محدود (جو بازار و رشد موقت قیمت) انتظارات خود را شکل می‌دهد، بدون در نظر گرفتن آنکه عوامل پیش‌بینی نشده بسیاری در کارند.


- اعتماد افراطی به روندهای اولیه و ثبات و تداوم الگوهای مشاهده شده دارد. و درست به همین دلیل، اعتقاد بعضا ناخودآگاه او به قانون اعداد کوچک طی سالیان دست نخورده باقی مي‌ماند.


و نکته دیگر آنکه طبق مدل‌هاي اقتصاد سنجی گوناگون برآورده شده (و از جمله آنکه ما، در اینجا به عنوان نمونه ذکر کردیم)، عملکرد گذشته دارای قابلیت توضیحی و پیش‌بینی برای آینده می‌باشد ولی نباید به آن به عنوان تنها عامل یا حتی مهم‌ترین عامل نگریسته شود.


توجه داشته باشیم که هرچه برای اتخاذ یک تصمیم سرمایه‌گذاری زمان کمتری صرف کنیم میزان بیشتری از نتیجه را به شانس واگذار کرده‌ایم، عامل شانس همواره وجود دارد ولی مي‌توان با صرف زمان و جمع‌آوری اطلاعات کامل‌تر نقش آن را کمرنگ‌تر کرد.



*«دانيل كاهنمان» (Daniel Kahneman) از دانشگاه پرينستون

«آموس تورسكي» (Amos Tversky) از دانشگاه استنفورد