ЦЕНА ШУМА И ВЕС ТИШИНЫ: КАК ПРАВИЛЬНО ОБНОВЛЯТЬ УБЕЖДЕНИЯ — 21 июня 2026 г. в 13:13:28.260
ЦЕНА ШУМА И ВЕС ТИШИНЫ: КАК ПРАВИЛЬНО ОБНОВЛЯТЬ УБЕЖДЕНИЯ Аналитик год назад построил детальную финансовую модель компании и оценил справедливую цену акции в 100 руб. Историческая точность его DCF-моделей — средняя ошибка ±10 руб. Вчера компания опубликовала квартальный отчёт — выручка неожиданно выросла. Быстрая оценка на основе отчёта даёт новый ориентир 130 руб. Но квартальные отчёты зашумлены разовыми факторами — историческая погрешность таких оценок ±20 руб. Какова наилучшая оценка справедливой цены акции с учётом обоих сигналов? А) ~106 руб. Б) ~110 руб. В) ~115 руб. Г) ~120 руб. 👉👉Правильный ответ: А — ~106 руб. Большинство выбирает Б — видимо, нужно взвешивать по точности, но неочевидно как именно. Многие выбирают Г или В: «новая информация важнее» или «возьмём среднее». Решение см. здесь: https://dzen.ru/a/ai3dcHzHDzmd95Oa 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. ==== Полная версия этой статьи в Дзен: https://dzen.ru/a/ai3dcHzHDzmd95Oa #доходъзадачки