Автор оригинала: Robin Andrews.
В этом посте мы будем использовать Python, чтобы исследовать историю Baltimore StockBroker.
Если бы вы были в удачном положении, чтобы иметь деньги для инвестирования, и вы получили ряд писем через вашу дверь из стокового брокера в Балтиморе, утверждая, что есть секретная формула для успешных предсказаний о ценах на акции, вы будете скептическими, верно?
Что, если он поддержал свою заявку, отправив вам 10 писем в следующие недели, каждый из которых успешно предсказывает, будут ли определенные запасы или падать? После 10 успешных прогнозов в ряд вы можете начать думать, что этот парень Baltimore Stockbroker был на что-то …
Вы были прав?
Baltimore Stockbroker стал чем-то из классической сказки для рассуждения о вероятности. Это иллюстрирует некоторые интересные концепции. Один из них – дело Перспективы других людей.
С точки зрения потенциального клиента, который получил 10 успешных прогнозов подряд, он, безусловно, кажется, что фондовый брокер делает лучше, чем просто шанс, или даже умеренная компетенция будет предложить. Результат кажется по-настоящему впечатляющим.
Перспективы других людей разные, хотя. Представьте себе, что фондовый брокер изначально отправил 5000 букв (или более вероятных в современной эпоху, электронные письма). Типичным результатом было бы то, что 2477 человек получили правильные прогнозы после первого раунда. Эти 2477 мягко впечатлены. Другими 2523 людьми вообще не впечатлили, и, вероятно, либо отписываются, либо отписывают всю будущую переписку в корзину …
Ниже приведена короткая программа Python, чтобы проиллюстрировать эффект Стокбориста Балтимора.
Python Listing для моделирования эффекта Stockbroker Baltimore
# The Baltimore Stockbroker
import random
# At the start we can assume all leads are "convinced" since they have had no false predictions
convinced_leads = 1000 # Leads who have seen 100% correct predictions
num_campaigns = 2
for i in range(num_campaigns):
results = random.choices([True, False], k=convinced_leads) # k is the number of trials (with replacement).
convinced_leads = results.count(True)
print(f"{convinced_leads} people have received only correct predictions")
Образец вывода:
2477 people have received only correct predictions 1222 people have received only correct predictions 621 people have received only correct predictions 342 people have received only correct predictions 170 people have received only correct predictions 79 people have received only correct predictions 35 people have received only correct predictions 14 people have received only correct predictions 6 people have received only correct predictions 2 people have received only correct predictions
В этом случае с 5000 начальными проводами и 10 раундами, в этом случае было всего 2 человека, которые получали только правильные прогнозы. Однако эти 2, вероятно, будут очень впечатлены и вполне могут быть готовы заплатить много денег на будущие прогнозы. Недобросовестный уровень букера может даже реализовать скользящую масштаб для разных чисел правильных прогнозов. Ему или ей, возможно, нужно только повторить весь процесс, чтобы сделать комфортную жизнь.
Интересным вопросом от математической точки зрения, сколько «убежденных ведущих» мы можем ожидать после заданного количества раундов с начальным начальным номером. Поскольку мы используем очень простую модель 50/50 шансов на правильное прогноз, в этом случае мы ожидаем, что количество убежденных приводит к снижению логарифмической моды (базы 2). Это, безусловно, стоит изучить, если вы математически склонны.
Мораль этой истории: часто случаются невероятные вещи.
Человеческие существа цельно плохими при статистических и вероятностных рассуждениях. Похоже, что является системный недостаток, встроенный в нашу биологию, так много, так что было показано, что даже экспертные препараты были показаны последовательно, не дают правильные ответы на определенные неинтативные проблемы. Так что еще одна моральная история может быть:
Опрос спрашивать вашу уверенность в том, чтобы иметь дело с статистическим и вероятностным пониманием.
Все это дело, если подробно обсуждается в этой отличной книге Даниэля Канемана. Как ассортимент Amazon, я зарабатываю от квалификационных покупок.
Эта статья изучала эффект Стокбокера Балтимора, используя программирование Python. Я надеюсь, что это было интересно и полезно.