【8015】豊通商の今後の株価はどうなると思いますか？

1998年7月1日の午前10時に市場が開くと、豊通商の株価はどうなると思いますか？ 会場では、クラスの勝率は約25％でしたが、このクラスではほとんどの人が儲けることができませんでした。472名という最大の年齢層のコーホートであるカーネギーメルトンで、機械学習心理学のSnGを初めて3ヶ月間テストしたところ、生徒一人当たりの平均利益はわずか9ドルでした。

コーホートスコアは、より大きなコーホート内のグループにスポットライトを当て、互いのパフォーマンスを明らかにする。図10-2は、SnGの2つのコーホートを示している。相場は北に向かっている。ゴルファーBは機械学習心理学を最後まで受講した22人のグループ、ゴルファーCは最初の1ヶ月で受講をあきらめた55人のグループである。Cohort Scoreを見ると、Golfers Bは弱者のGolfers Cの20倍以上、アドバイス・ポートフォリオのスタート・オプションとして強力であることがわかります。

このCohort Scoreは、カーネギーメルトンの学生の多くにとって、大きな株式の壁に光を当てました。コーホートが終了するときに、"このクラスに残るつもりか、それとも自分を追い出すつもりか "と互いに尋ね合うのが当たり前のことになったのです。そして、効果的なアドバイジングが、コーホート（共同学習）に組み込まれた公平性のレベルを克服できることを証明する研究への道が開かれたのである。

1998年7月1日午前10時、TSLAに何が起こるか？

1998年6月23日、イーロン・マスクはZip2を売却し、X.comを設立、その1日後にこの2つの事業を統合した。この2つの事業の合併の前日と後日、そして新社名が発表された日の株価がどうなったか、間違いなく興味があるはずだ。

表10-2. Zip2 と X.com のテストプールメンバーのパフォーマンス

以下は、1998 年 6 月 23 日の X.com と Zip2 の合併の前後 1 年間の、スポーツ、ヘッジファンド、銀行のシンボルを含む 4 つのシナリオでのテストプールとその対応する投資パフォーマンスを表示したグラフである。表をクリックする前に、スポーツ、ヘッジファンド、銀行の各銘柄に何が起こると予想しますか？どの銘柄をグループが強く買い、どの銘柄を売るのでしょうか？SnGはこの結果を予測することができるでしょうか？この教材は、カーネギーメルトンの奨学金に投資額がカウントされる1年前から、テストプールメンバーに提示されたものです。ニューヨークタイムズの一面を飾ったこの研究で、誰が何をしたのか知りたい方は、ぜひアマゾンの「Look Inside the Book」地域を訪れてみてください。

ざっくり言うと、合併前は58％がMSLOを買うと答え、41％が売ると答えました。合併後、マーケティングはX.comに移行し、54%が購入、46%が売却となりました。Zip2とX.comがPayPalとして再出発した後、60%が買い、40%が売った。1998年にはペイパルという会社は存在しなかった。

表10-2は、テストプールの中で「投資を試みる」と答えた81人の成績である。61人がMSLOとPayPalの両方を試した。12人がMSLOを試し、PayPalを試し、両者を切り替えている。さらに、3人が1つの銘柄ともう1つの銘柄を試し、「空売り」か「買い増し」かを別々に意思表示した。この12人には、テストプールのレターグレードを満点で報いることはしなかった。第一のシナリオは、人為的なシナリオである。第二のシナリオは、テストプールの成績が個人の成績と異なることを考慮し、テストプールの成績と比較して報酬を与えるべきとしたものである。

その結果、30％というスコアは、投資で成功したのか、それともアドバイスで成功したのか、という2つのことを意味することになる。

参加者は、最初にMSLOとPayPalのどちらを選んだか、その後1998年後半までどちらかの銘柄を選んだか、あるいは両方の銘柄を切り替えたかで採点された。したがって、研究者は、5月に始めた最初の銘柄に基づいて、1998年8月のスコアを参加者にクレジットするよう求められた。計算すると、この結果は、テストプールで37％のMSLOの買い推奨から始まり、その時点から44％の「空売り」ラベルに切り替えたこのコホートの人々は、テストプール全体で20％で与えられた2銘柄のラベルから始めた人々よりも良いパフォーマンスを示したことになります。このコホートでは多くの人が人気を博したが、さらに数人しか達成できないパフォーマンスレベルが存在した。

研究者や研究者予備軍として、実務家は統計的手法の理論的基礎を理解しなければなりません。直感に反することが多いのですが、抽象的な考え方を理解することで、混乱が少なくなることがよくあります。例えば、SVM（Support Vector Machines）をSnGで使用すると、予測器ベースよりも高品質なポートフォリオが得られることが多いのです。