В 1960-е годы Мандельброт изложил свои идеи о ценах на предметы потребления и акции экономической элите, и экономисты-финансисты пришли в восторг. В 1963 году тогдашний декан бизнес-магистратуры университета Чикаго Джордж Шульц предложил ему место профессора. Это тот самый Джордж Шульц, который позже стал госсекретарем Рональда Рейгана.
Через некоторое время Шульц позвонил ему, чтобы отказаться от своего предложения.
Сейчас, через сорок четыре года, в экономике и социальной статистике ничего не изменилось, если не считать некоторых косметических поправок, учитывающих присутствие в мире лишь рядовой случайности, — и при этом нобелевские медали раздаются направо-налево. Появилось несколько статей с «доказательствами» неправоты Мандельброта, авторы которых не понимают того, о чем постоянно твержу я: выискивая периоды, лишенные редких событий, всегда можно получить данные, «подтверждающие», что стоящий за ними процесс — из разряда гауссовых. Точно так же можно выбрать день, в который не произошло убийств, и использовать его как «свидетельство» нашей безгрешности. Я повторю, что из-за асимметрии, свойственной индукции, проще оспорить невиновность, чем признать ее, и по той же причине проще оспорить гауссиану, чем принять. Фрактал же, напротив, труднее оспорить, чем принять. Почему? Потому что одно-единственное событие может опровергнуть утверждение, что перед нами — гауссиана.
В итоге четыре десятилетия тому назад Мандельброт вручил экономистам и пекущимся о своем резюме филистерам жемчуг, который они отвергли, потому что его идеи были для них слишком хороши. Именно это самое и называют margaritas ante porcos — бисер перед свиньями.
В оставшейся части главы я расскажу, почему для объяснения большой доли случайностей мною предлагаются именно мандельбротовы фракталы, не обязательно в их точном употреблении. Фракталы — это вариант по умолчанию, приближение, основа. Они не решают проблему Черного лебедя и не превращают всех Черных лебедей в явления предсказуемые, но они значительно смягчают проблему Черного лебедя, делая эпохальные события постижимыми. (Черные лебеди становятся Серыми. Почему Серыми? Потому что чистая белизна есть только в гауссиане. Подробности позже.)
Логика фрактальной случайности (с предупреждением)[77]
Я показал в таблицах возрастания богатства в главе 15 логику фрактального распределения: если богатство удваивается с 1 (минимум) до 2 (минимум) миллионов, доля людей с таким капиталом урезается вчетверо, то есть налицо экспонента 2. При экспоненте 1 доля такого же богатства уменьшилась бы вдвое. Экспонента — это показатель степени, поэтому широко распространен термин степенной закон. Будем называть количество случаев, перекрывающих некий уровень, превышением: превышение 2 миллионов — это количество людей с состоянием больше 2 миллионов. Одно из основных свойств этих фракталов (или еще один способ выразить их основное свойство — масштабируемость) заключается в том, что отношение двух превышений будет отношением их нижних порогов[78], возведенным в степень, равную минус экспоненте.
Проиллюстрируем это. Положим, вы «думаете», что только 96 названий книг в год разойдутся тиражом более 250 000 экземпляров (как это было в прошлом году), и, «по-вашему», экспонента должна быть примерно 1,5. Простым умножением 96 на (500 000 / 250 000)-1,5 вы можете определить, что примерно 34 названия разойдутся тиражом более 500 000 экземпляров. Пойдя далее, мы установим, что около 8 книг будут проданы в количестве более миллиона экземпляров: 96 х (1 000 000 / 250 000)-1,5.
Давайте рассмотрим разные выверенные экспоненты для всевозможных явлений.
Но прежде всего следует предупредить, что эти экспоненты ни в коем случае не точные показатели. Почему, мы увидим через минуту, но пока отметим, что этих параметров мы не наблюдаем; мы их просто угадываем или вводим для статистики, и поэтому временами бывает трудно узнать истинные параметры — если они вообще существуют. Сначала поговорим о практической роли экспоненты.
Таблица 3 иллюстрирует влияние крайне невероятного. Она показывает долю верхнего 1 процента и верхних 20 процентов в общей сумме. Чем меньше экспонента, тем выше эта доля. Но посмотрите, сколь чувствителен процесс: переход от 1,1 к 1,3 разом уменьшает процент с 66 до 34. Разница в экспоненте всего лишь в 0,2 резко меняет результат — и ведь такую разницу способна дать простая ошибка в расчетах. А разница-то принципиальная: только подумайте, что мы точно не знаем, чему равен показатель, потому что не можем измерить его непосредственно. Единственное, что нам остается, — это делать прикидки, основываясь на прошлых данных, или полагаться на теории, которые позволяют построить некую модель, которая, в свою очередь, позволяет строить некие предположения. Но у таких моделей могут оказаться скрытые изъяны, из-за чего опасно безоговорочно применить их к реальности.
Итак, помните, что экспонента 1,5 — это приближение, что ее трудно вычислить, что она не свалится на вас с неба, по крайней мере на счет раз-два, и что вы столкнетесь с гигантской погрешностью. Вы обнаружите, что число книг, проданных в количестве более чем миллион экземпляров, не обязательно будет равно 8 — их может быть целых 20 или всего лишь 2.
Еще важнее то, что применение именно этой экспоненты допустимо начиная с некоторого числа, называемого «переходным». Это могут быть 200 000 книжных экземпляров, а то и 400 000. Точно так же у богатства, скажем, выше 600 миллионов долларов, когда неравенство растет, и ниже этой черты — свойства разные. Как узнать, где точка перехода? Это проблема. Мои коллеги и я обработали примерно 20 миллионов финансовых данных. Набор данных у нас у всех был один, но мы так и не пришли к согласию в том, какова должна быть экспонента. Мы понимали, что данные подчинены действию фрактального степенного закона, но, как оказалось, точное число высчитать невозможно. Однако знание того, что распределение масштабируемо и фрактально, давало нам право действовать и принимать решения.
Проблема верхней границы
Некоторые аналитики исследовали и согласились принять фрактал — «до определенного предела». Они утверждают, что богатство, продаваемость книг и рыночные обороты на некотором уровне перестают быть фрактальными. Предлагаемый ими метод — «усечение»- Я согласен, что есть уровень, на котором фрактальность может сойти на нет, только вот где он? Сказать: я не знаю, где находится верхний предел, и сказать: предела нет — на практике одно и то же. Устанавливать верхний предел крайне опасно. Кто-нибудь может предложить: ограничим наш анализ богатства потолком в 150 миллиардов долларов. Но кто-то другой имеет все основания возразить: а почему не 151 миллиард? Или не 152? С таким же успехом можно считать, что эта переменная стремится к бесконечности.
Не верьте в точность
Я научился на опыте нескольким трюкам: какую бы экспоненту я ни пытался высчитать, она, скорее всего, будет преувеличена (напомню, что чем больше экспонента, тем скромнее роль значительных отклонений) — то, что у вас перед глазами, оказывается менее «чернолебяжьим», чем то, что от вас скрыто. Я называю это проблемой маскарада.
Скажем, я генерирую процесс с экспонентой 1,7. Вы не видите работы генерирующего устройства, а только ряд полученных данных. Если я спрошу, какова экспонента, вы с большой долей вероятности остановитесь на чем-то вроде 2,4. Итог будет таким даже при миллионе показателей. Причина в том, что некоторым фрактальным процессам нужно очень много времени, чтобы раскрыть свои свойства, и вы недооцениваете силу вероятного всплеска.
Иногда фрактал может умело замаскироваться под гауссиану, особенно когда «разветвление» начинается с большого числа. У фрактальных распределений всплески такого рода настолько редки, что мы теряем бдительность: мы не распознаем их фрактальную структуру.
Снова о лужице
Из всего вышесказанного вы уже наверняка поняли, что, какую бы модель мы ни признавали властительницей мира, узнать ее параметры непросто. Так что в связи с Крайнестаном вновь встает проблема индукции, на сей раз еще более остро, чем в любой из предыдущих глав. Говоря по-простому, если процесс имеет фрактальный характер, он оперирует громадными величинами, а значит, есть вероятность громадных отклонений, но насколько часто эти отклонения будут возникать, трудно сказать мало-мальски уверенно. Это напоминает проблему лужицы: она могла образоваться из самых разных кубиков льда. Как человек, который идет от реальности к возможным объясняющим моделям, я встречаюсь с массой проблем совершенно иного свойства, чем проблемы тех, кто поступает наоборот.
