Harga pengambilan keputusan mencerminkan peluang kausal – Beragampengetahuan

umum mengeluh Tentang masa depan (Lihat kembali):

Katakanlah Anda sedang mempertimbangkan untuk memecat Elon Musk. … Keberatan saya lebih mendasar: itu tidak akan berhasil. Anda tidak dapat membuat keputusan seperti itu menggunakan pasar prediksi bersyarat, karena pasar prediksi bersyarat mengungkapkan hubungan probabilitas, bukan hubungan sebab akibat. Ada solusi – memaksa pasar untuk memberi Anda kausalitas. Tetapi solusi ini menyakitkan dan saya terkejut ketika saya melihat semua orang berperilaku seperti Anda dapat menggunakan pasar prediktif untuk membangkitkan hubungan kausal udara tipis. ((Lagi)

Salah. Jika keputusan pengambilan keputusan untuk transaksi pasar mengadopsi teori keputusan yang sama seperti yang diusulkan oleh pasar-pasar ini, keduanya harus menggunakan konsep probabilitas yang sama. Izinkan saya menjelaskan.

Kebanyakan orang sepakat bahwa teori keputusan menyarankan pembuat keputusan D Mengambil tindakan satu Memaksimalkan utilitas yang diharapkan e[U_d|A] = sum_SAYA U_d((O_i)P((O_i jika satu), Di mana O_i Hasilnya, u_d (o) adalah kepraktisan dari hasil ini. Namun, banyak orang tidak setuju dengan peran apa yang dimainkan peluang P((O_i jika satu). Itu tersebar luas menjelaskan Teori pengambilan keputusan bukti ini mengatakan bahwa menggunakan peluang bersyarat P((O_i | satu), dan teori keputusan kausal mengatakan bahwa itu mencakup segalanya D Struktur kausal lingkungan larutan digunakan untuk memperkirakan P((O_i Bergantung pada satu).

Analisis statistik biasanya menggunakan berbagai set data satu Dan Hai dan menyimpulkan nilai estimasi P((O_i | satu). Analisis tersebut biasanya mengasumsikan struktur kausal sederhana yang tidak atau terbesar, mengabaikan pemahaman kita tentang struktur kausal yang relevan. Mengenai perkiraan seperti itu, kita sering diperingatkan untuk membedakan korelasi model semacam itu dengan peluang kausal yang sebenarnya ingin kita gunakan saat membuat keputusan. Ya, korelasi tidak berarti kausalitas.

Namun, bertentangan dengan tiga penulis yang ditautkan di atas, harga pasar spekulatif TIDAK Biasanya setara dengan perkiraan analisis statistik sederhana! Sebaliknya, harga pasar jauh lebih kompleks dan lebih halus. Tentu saja, beberapa pedagang, banyak yang membuat dan menggunakan model statistik yang terlalu disederhanakan untuk menginformasikan perdagangan mereka, tetapi pasar spekulatif sering diisi dengan banyak pedagang naif yang biasnya tidak tercermin dalam harga pasar karena pedagang lain akan memberontak dan memperbaiki bias mereka. Harga pasar dapat dianggap lebih baik sebagai menggabungkan informasi pedagang ke dalam harga estimasi nilai aset.

Bayangkan bahwa pedagang pasar memiliki informasi yang persis sama dengan pembuat keputusan D. Lebih lanjut bayangkan mereka semua menggunakan teori keputusan yang sama, apakah itu bukti, sebab dan akibat, atau sebaliknya. Mengingat asumsi ini, mereka semua akan setuju dengan perkiraan mereka[U_d | A]dan e lainnya[X|A] = sum_i x_i P(x_i jika satu) Karena mereka akan setuju dan menggunakan estimasi peluang bersyarat yang sama p (p (p)x_i jika satu). Pedagang menggunakan keyakinan mereka di sini DTindakan satu Terkait dengan Acara Lainnya Xjika mereka memiliki informasi yang sama, mereka harus memiliki keyakinan yang sama pada struktur kausal.

Oleh karena itu, untuk aset yang sudah diproses Xpedagang akan memperkirakan nilai keuangan netral risiko dari transaksi aset D memilih satu Dengan e yang sama[X|A]oleh karena itu E umum ini[X|A] Harga aset netral risiko harus ditetapkan di pasar aset bersyarat. Oleh karena itu, harga pasar di sini akan memberikan perkiraan yang ingin disarankan oleh para pembuat keputusan, apakah itu bukti atau kausalitas. Meskipun dalam hal ini, informasi tersebut tidak berguna karena para pembuat keputusan sudah memilikinya.

Sekarang dengan asumsi bahwa pedagang pasar memiliki informasi yang sama, ini secara ketat Lagi Lebih banyak informasi daripada pembuat keputusan. Sekarang harga pasar akan ditetapkan oleh Trader e[X|A]Ini mewujudkan lebih banyak informasi daripada yang dipegang oleh para pembuat kebijakan. Dengan mengamati harga pasar, pembuat keputusan dapat lebih memahami keputusan mereka dengan menerima perkiraan harga pasar[X|A] Sebagai perkiraan pribadi mereka. Jika ada pasar di pasar, U_dpembuat keputusan dapat secara langsung menerima perkiraan pasar E[U_d|A]pilih saja opsi satu Ini memberikan nilai maksimum. Sekarang, pasar pengambilan keputusan secara langsung membantu pembuat keputusan.

Sebaliknya, jika kita berasumsi bahwa pembuat keputusan memiliki lebih banyak informasi daripada pedagang pasar, kita akan menghadapi masalah potensial Bias Pilihan Keputusanseperti yang saya bahas. Solusi yang kuat adalah memperjelas waktu keputusan dan memungkinkan pembuat keputusan atau kolega mereka untuk berdagang di pasar. Mengingat kondisi ini, harga harus mencerminkan[X|A]tidak akan terdistorsi oleh pengambilan keputusan dan bias pilihan.

Jika pedagang dan pembuat keputusan yang berbeda menggunakan konsep yang berbeda tentang peluang bersyarat P (O_i | satu) Perkirakan nilai transaksi? Dalam hal ini, konsep yang paling akurat akan cenderung menang dalam perdagangan dan mendominasi populasi pedagang. Selain itu, konsep kemenangan tampaknya menjadi konsep teori keputusan yang benar, dan juga direkomendasikan pengambilan keputusan mana yang menggunakan konsep mana. Oleh karena itu, pasar peramalan bersyarat akan memberikan saran yang baik untuk pembuat keputusan[X|A].

Apa konsep terbaik untuk bertaruh pada peluang bersyarat (X jika satu) Terinspirasi oleh sumber. Jika Anda pertama kali mengumpulkan informasi tentang pengambilan keputusan Anda sendiri dan kemudian menggunakan input ini untuk membuat pilihan keputusan akhir secara mekanis, hasil dari proses mekanis tersebut tidak dapat memberikan lebih banyak bukti daripada yang tercermin dalam inputnya. Jadi, pertama -tama mengumpulkan informasi yang terkait dengan pengambilan keputusan, gunakan semua informasi yang diketahui tentang kausalitas, kedua mencerminkan bagaimana informasi itu mewujudkan fitur tersembunyi, pembaruan ketiga informasi itu untuk mencerminkan bukti ini, dan kemudian menggunakan proses keputusan mekanik Anda pada input yang diperbarui ini. Sekarang, teori keputusan kausal dan bukti harus memberikan jawaban yang sama.