Основной инструмент для исследования мира Ньютона – редукционизм, который и двигал научный прогресс в XVII–XIX веках. Как объясняет ученый Джон Холланд: «Идея была такова, что вы можете понять мир, всю природу, изучая все более и более мелкие их части. Собранные вместе, мелкие части объясняют целое»1. Во многих системах редукционизм работает блестяще.

Но у редукционизма есть серьезные ограничения. В системах, которые опираются на сложные взаимодействия множества компонентов, целое часто имеет свойства и характеристики, отличные от совокупности свойств и характеристик составляющих его компонентов. Поскольку система как целое рождается из взаимодействия ее частей, то невозможно понять целое, просто глядя на ее части. Здесь редукционизм оказывается бессилен.

Ученый-невролог Уильям Кальвин, находящийся на переднем крае исследований сознания, говорит, что к этой проблеме можно подходить разными путями, но ключ к пониманию сознания определенно находится не на «цокольном этаже», т. е. на уровне нейронов, и не в «подвале», т. е. на уровне квантовой механики. В головном мозге очень много слоев взаимодействия. Части не объясняют целого. Скачок из «подвала» квантовой механики непосредственно в «пентхаус» сознания Кальвин называет «мечтой смотрителя»2.

Зачем инвесторам нужно знать о «мечте смотрителя»? Если фондовый рынок является системой, возникающей из взаимодействия множества разнообразных инвесторов, тогда редукционизм – постижение индивидуального – не способен дать точную картину рынка. Инвесторы и руководители компаний, которые уделяют слишком много внимания индивидам, пытаются понять рынки на неподходящем уровне. А неправильное определение перспектив рынка может привести к ошибочным суждениям и плохим решениям, в свою очередь, приводящим к разрушению стоимости.

В системах с низким уровнем сложности и линейными взаимодействиями редукционизм дает хорошие результаты. К этой категории можно отнести многие созданные людьми механические системы. Умелый ремесленник способен разобрать ваши часы на части, изучить детали и полностью разобраться в работе механизма. Системы в этой категории также склонны к централизованному принятию решений. Хорошим примером таких систем могут служить компании в эпоху промышленной революции: продукт двигался по конвейерной линии и каждый работник вносил свой вклад в конечный продукт. Совершенствуя отдельные участки производства, руководители могли постепенно улучшать эффективность всей системы.

Однако централизованный контроль терпит неудачу в системах с достаточным уровнем сложности. Ученые называют такие системы «сложными адаптивными системами» и рассматривают компоненты системы как активных агентов. В сложных адаптивных системах возникают следующие существенно важные свойства и механизмы3:

• Агрегирование. Под агрегированием понимается появление сложного, широкомасштабного поведения в результате взаимодействий множества менее сложных агентов.

• Адаптивные правила принятия решений. Агенты в сложной адаптивной системе берут информацию из окружающей среды, комбинируют ее с собственным взаимодействием с окружающей средой и выводят правила принятия решений. В свою очередь, различные правила принятия решений конкурируют между собой на основе своей приспособленности, в результате чего выживают наиболее эффективные правила.

• Нелинейность. В линейной модели целое равняется сумме его частей. В нелинейных системах поведение целого сложнее, чем предполагается суммой его частей.

• Петли обратной связи. В системах с обратной связью окончание одной итерации запускает следующую итерацию. Петли обратной связи могут усиливать или ослаблять эффект этого воздействия4.

Сложные адаптивные системы включают правительства, многие корпорации и финансовые рынки. Попытки установить централизованный контроль над такими системами обычно заканчиваются неудачей – вспомните развал Советского Союза. В приложении 33.1 противопоставляются эти два типа систем.

Подход к рынку как к сложной адаптивной системе резко контрастирует с классическими экономическими и финансовыми теориями, рисующими мир в ньютоновских терминах. Экономисты рассматривают агентов рынка как однородные величины и строят линейные модели – спроса и предложения, риска и вознаграждения, цены и качества. Разумеется, ничто из этого, как правило, не отражает реальной действительности5.

Фондовый рынок проявляет все характеристики сложной адаптивной системы. Инвесторы с разными инвестиционными стилями и временны́ми горизонтами (адаптивными правилами принятия решений) взаимодействуют друг с другом (агрегирование), и мы видим толстые хвосты распределения цен (нелинейность) и подражательное поведение (петли обратной связи). Сегодня все большее признание получает агентно ориентированный подход к пониманию рынков. Но эти модели, хотя и позволяют лучше описать рынок, не дают таких же четких решений, которые предлагаются существующими экономическими моделями.

Инвесторы, которые рассматривают фондовый рынок как сложную адаптивную систему, избегают двух когнитивных ловушек. Первая – стремление найти причину каждого следствия. Одна из характеристик сложных систем – самоорганизующаяся критичность, состояние, когда незначительные воздействия могут порождать крупномасштабные реакции. Поэтому связать между собой причины и следствия не всегда так просто. После обвала фондового рынка в 1987 г. правительство создало комиссию по изучению причин краха. Проведя исчерпывающие исследования, комиссия Брейди так и не сумела установить конкретную причину. Дело было не в отсутствии причинно-следственной связи, а в том, что не каждое следствие пропорционально причине. Но, поскольку люди любят искать причины всего и вся, эта концепция сложна для усвоения.

Вторая ловушка заключается в оценке индивидуальных действий вместо понимания рынка в его целостности. Например, руководители компаний часто спрашивают, почему так получается, что эмпирические данные неизменно показывают ориентацию рынка на денежные потоки, тогда как большинство инвесторов говорят о важности бухгалтерских цифр. Ответ на этот вопрос кроется в том факте, что каждый индивид опирается на свои собственные правила принятия решений, а поведение рынка вырастает из совокупности данных правил. Кроме того, как показывают исследования сложных систем, группы, состоящие из разнообразных индивидов, обычно решают проблемы лучше, чем отдельно взятые люди, – даже так называемые эксперты6.

Люди, принимающие решения в условиях ограниченного времени, часто полагаются на приближенные подсчеты, или эвристики. Хотя эвристики не всегда позволяют принять наилучшее решение в конкретной ситуации, некоторые ситуации требуют не наилучшего, а быстрого решения, – тогда на помощь и приходят эвристики. Но эвристики часто приводят инвесторов к неверным решениям. Вот почему для успешного принятия решений необходимо, чтобы вы поняли присущие вам эвристики и предельно уменьшили их влияние7.