https://youtu.be/4Qa32_ML1iw

Bij de psychologische valkuilen kwamen er al een reeks biases aan de orde die beïnvloeden hoe wij mensen beslissingen nemen. Door de clustering illusion zien we patronen in random data waar er eigenlijk geen patronen zijn, door het focusing effect besteden we teveel aandacht aan enkele aspecten van een beslissing en negeren we de rest. Daarnaast zijn we ook conservatief met het nemen van beslissingen. Naast deze invloeden op onze beslissingsprocessen speelt ook de invloed van de omvang van ons geheugen een rol.

Al in 1956 toonde George Miller aan dat de inhoud van ons korte termijn geheugen (ofwel het werkgeheugen) maar 5 tot 9 stukken informatie kan vasthouden om mee te werken. Meer informatie kunnen we niet opnemen in dit geheugen, tenzij we gebruik maken van trucs. Een alom bekende ‘truc’ is de cijfers van telefoonnummers te groeperen, bijvoorbeeld drie keer 4 en drie keer 9, in plaats van onthouden van elk cijfer individueel (444999). Helaas voor ons zijn de grenzen van ons geheugen niet beperkt tot het onthouden van een reeks getallen.

Ook bij het redeneren over complexe ideeën hebben we last van de beperkte capaciteiten van ons geheugen en hersenprocessen. Doordat we maar een beperkte hoeveelheid data in ons werkgeheugen kunnen houden zijn we vooral goed in lineaire denkprocessen. Een versimpeld voorbeeld van een lineair denkproces is: ‘als de inflatie toeneemt, dan zal de rente omhoog gaan, wat ervoor zorgt dat geld duurder wordt, wat schadelijk is zijn voor de economische groei, wat weer de beurs negatief beïnvloed.’ In een lineair model geeft elke variabele maar op één manier een bijdrage aan de eindconclusie: namelijk door zijn individuele waarde. We kunnen ook stellen dat in een lineair model de conclusie de eenvoudige som is van de variabelen. In een functie voorbeeld zou de conclusie kunnen bestaan uit 5 + 8 + 9 – 2 = Conclusie. Vooralsnog niks ingewikkelds en geavanceerd: vandaar dat wij mensen doorgaans goed zijn in het oplossen van problemen op een dergelijke lineaire manier.

Hoewel er bij de voorgaande redenering over de invloed van inflatie toch al een behoorlijk aantal variabelen een rol speelden, blijkt een dergelijk lineair denkproces volkomen ontoereikend te zijn bij de meer complexe problemen waarvoor de financiële markten ons stellen. Voor een compleet diepgaand begrip hebben we namelijk configural-thinking (niet-lineaire) denkprocessen nodig. Bij een non-lineair probleem is de bijdrage van elke individuele variabele aan de conclusie afhankelijk van de individuele waarden van elke andere variabele.

Dit klinkt nodeloos ingewikkeld, maar een simpel voorbeeld zal het verduidelijken. Stel dat we tot een conclusie willen komen over een bepaald probleem, en laten we aannemen dat er in totaal maar drie variabelen (A, B, en C) zijn die van invloed hebben op de conclusie. Tot zover is het nog een lineair probleem. Het wordt echter een configural-thinking probleem als deze variabelen niet alleen van invloed zijn op de conclusie maar ook van invloed zijn op elkaar. Laten we aannemen dat variabele A laag is, variabele B eveneens laag is en variabele C ten slotte hoog is. Als B nu hoog word, zal bij een configural-thinking probleem A bijvoorbeeld verspringen naar hoog en C hoog blijven. De waarde van B is veranderd en verandert daarmee ook de waarde van A. Contrasteer dit met een lineair probleem, waar de waarde van B zoveel kan veranderen als die wil: de waarde van A blijft in dat geval gelijk. Simpeler gesteld: bij een lineair probleem beïnvloeden de variabelen elkaar niet, terwijl bij een non-lineair probleem de variabelen elkaar onderling beïnvloeden. Dit probleem speelt zich ook bij beleggen en analyseren van de complexe beleggingssituaties, omdat in die situaties de variabelen elkaar doorgaans beïnvloeden.

Bij een configural-thinking denkproces kunnen we daarnaast maar maximaal 3 factoren in ons werkgeheugen houden. Stel dat de variabelen binair zijn (bijvoorbeeld ja/nee), dan heb je met 3 variabelen in een configural-thinking probleem al 8 verschillende uitkomsten. Bij 5 variabelen stijgt dit aantal tot 32 verschillende uitkomsten! Dit is dan enkel nog maar bij binaire variabelen, terwijl variabelen in een beslissing in de ‘echte’ wereld doorgaans bestaan uit (veel) meer dan twee mogelijkheden. We zullen puur overmoedig zijn om te verwachten dat we dan juiste beslissingen kunnen nemen: ons brein kan dergelijke complexe processen simpelweg niet aan. Een configural-thinking probleem kost veel meer geheugen in ons brein dan een lineair proces: we kunnen maar 3 variabelen tegelijk aan in ons werkgeheugen in het geval van een non-lineair probleem.

Alsof een configural-thinking probleem nog niet complex genoeg is, blijkt dus ook dat de relevante informatie zich bevind tussen de interacties en relaties van de individuele variabelen. De complexiteit van een dergelijk non-lineair probleem zit hem erin dat we een aantal variabelen tegelijkertijd als een onscheidbare configuratie moeten behandelen: de variabelen hebben individueel geen waarde maar verkrijgen deze pas in de interactie met de andere variabelen. Hierdoor kunnen we variabelen niet individueel evalueren zoals bij een lineair proces. Anders gezegd is het niet mogelijk de variabele die je wilt onderzoeken te veranderen terwijl je de rest constant houdt: door die ene variabele te variëren veranderen de andere variabelen ook.

Om ons beslissingsproces nog ietwat gecompliceerder te maken blijkt dat het doorgaans ook moeilijk is om aan te geven hoe men op een bepaalde conclusie kwam, en welk gewicht men aan bepaalde variabelen heeft toegekend. Zodra een beslissing is genomen vergeet men hoe men ertoe kwam. Maar ook emoties die we niet altijd onder woorden kunnen brengen spelen een rol bij onze beslissingen. Tot slot blijkt dat we meer vertrouwen krijgen in de kwaliteit van onze conclusie ook al krijgen we een grotere hoeveelheid volkomen irrelevante informatie aangeboden. Doordat het moeilijk is om relevante informatie van irrelevante informatie te scheiden leid meer informatie tot meer vertrouwen in een beslissing, ongeacht of de gebruikte informatie nu kwalitatief goed was of niet.

Het zal dan ook niet verbazen dat geavanceerde computer modellen betere voorspellers zijn dan mensen. Vooral doordat computers een groter werkgeheugen hebben zijn ze bij uitstek geschikt om te worden toegepast bij non-lineaire modellen. C. Camerer heeft in de jaren tachtig van vorige eeuw hier al eens onderzoek naar gedaan. Op 9 gebieden (o.a. aandelenkoersen, persoonlijkheidstesten, schoolprestaties) was de computer altijd beter in het maken van voorspellingen dan mensen. Sterker nog, de voorspellingen van het computer model waren gemiddeld 3.76 keer ‘juister’ dan de voorspellingen van de experts.

Concluderend

Ik heb hierboven geprobeerd enkele beperkingen van onze menselijke geheugen en beslissingsprocessen te schetsen om aan te geven dat voorspellingen en analyses doorgaans moeilijker zijn dan wordt aangenomen. Dit wil niet zeggen dat het op voorhand een verloren zaak is om te proberen een analyse te maken van de financiële markt, hou er echter wel rekening mee dat complexe processen in bepaalde gevallen gewoon onze capaciteiten te boven gaan.