ЦЕНА ШУМА И ВЕС ТИШИНЫ: КАК ПРАВИЛЬНО ОБНОВЛЯТЬ УБЕЖДЕНИЯ
Часть 1/2
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 Г или В: «новая информация важнее» или «возьмём среднее». Многие выбирают Б — видимо, нужно взвешивать по точности, но неочевидно как именно.
🔹
РЕШЕНИЕ
Как объединить два сигнала? Самое простое — взять среднее. Но среднее предполагает что оба источника одинаково надёжны. Это явно не так: модель ошибается на ±10 руб., отчёт — на ±20 руб. Значит источникам нужно дать разные веса — более точному больше, менее точному меньше.
Насколько больше? Пропорционально статистической надёжности источника. В статистике такой мерой служит precision — величина обратная дисперсии (1/σ²): чем меньше разброс, тем выше precision. Это математически оптимальное решение — оно минимизирует ожидаемую ошибку итоговой оценки. Именно так работает байесовское обновление при нормальном распределении ошибок.
Вес модели: (1/σ₀²) / (1/σ₀² + 1/σ²) = (1/10²) / (1/10² + 1/20²)=
= (1/100) / (1/100 + 1/400) = 80%
Вес отчёта: 1 − 80% = 20%
Оптимальная оценка: 80% × 100 + 20% × 130 = 80 + 26 = 106 руб.
Допущения: обе оценки несмещённые, ошибки независимы, фундаментальная стоимость компании за год существенно не изменилась.
▪️
Почему не 120 руб.
Новый сигнал вдвое менее точен чем модель (±20 против ±10). Дисперсия нового сигнала в четыре раза больше — поэтому его вес в четыре раза меньше. Свежесть информации не компенсирует её зашумлённость.
▪️
Почему не 115 руб.
Простое среднее предполагает что оба источника одинаково надёжны. В нашем случае модель в два раза точнее — равные веса не являются оптимальными и приводят к большей ожидаемой ошибке оценки.
▪️
Почему не 110 руб.
Это ловушка для тех кто взвешивает по обратной ошибке (1/σ) вместо обратного квадрата ошибки — то есть обратной дисперсии (1/σ²). При таком подходе вес модели = (1/10)/(1/10+1/20) = 67%, отчёта = 33% — и оценка выходит ~110 руб. Разница кажется технической, но математически именно 1/σ² даёт оптимальный результат — потому что дисперсия аддитивна, а стандартное отклонение нет.
▪️
Что происходит после обновления информации
Два независимых источника точнее одного — потому что их статистические надёжности складываются — поэтому новая дисперсия равна 1/(1/100 + 1/400) = 80, а новая погрешность =
±8,9 руб. — лучше чем каждый источник по отдельности. Два шумных сигнала вместе точнее одного чистого.
🔽
Продолжение - сразу в следующем посте