Các nhà nghiên cứu thị trường thường sử dụng các phương pháp định lượng trong công việc của chúng tôi. Điều quan trọng là phải hiểu được sức mạnh và hạn chế của bất kỳ phương pháp nghiên cứu nào. Điều này đặc biệt đúng đối với các kỹ thuật nghiên cứu định lượng vì hai lý do: (1) Các nền văn hóa khoa học và giáo dục khá say mê bởi các kỹ thuật nghiên cứu định lượng và có xu hướng không nhìn sâu sắc vào thiết kế và cơ chế của các thủ tục đó, và (2) dễ dàng thiết kế một nỗ lực nghiên cứu định lượng.
Một tập trung sai về số
Nó "mát mẻ" để có thể nói rằng bạn là một nghiên cứu định lượng r . "Quants", thuật ngữ trìu mến mà các nhà phân tích định lượng được biết đến, đã được đặt trên một số lượng lớn trên bệ bầu trời . Tôi tin rằng điều này là nhiều hơn bởi vì toán học phức tạp và thống kê được tôn kính đơn giản chỉ vì hầu hết chúng ta không hiểu nhiều về lĩnh vực này. Nếu một cái gì đó dường như có một lợi ích xã hội và cùng một lúc khó khăn và bí ẩn nó có xu hướng đưa vào một "ánh sáng" văn hóa. Thị trường đang bận tâm với mô hình và mô phỏng máy tính. Nó rất tôn kính hộp đen của các dẫn xuất mà nó phản ứng chậm khi các mô hình không dự đoán được sự biến động không thể tránh khỏi.
Mặt khác, nói to rằng bạn là người định tính nhà nghiên cứu và mọi người có thể sẽ cho bạn một cái nhìn khó hiểu. Hầu hết mọi người biết rằng quants bằng cách nào đó tham gia vào việc lựa chọn cổ phiếu và đánh giá danh mục đầu tư.
Nhưng một nhà nghiên cứu định tính làm gì? Ngoài Margaret Mead, đó là vai trò gì còn lại của một nhà nghiên cứu định tính? Hoặc như vậy suy nghĩ thông thường có thể đi.
Một nguyên lý rất cũ của khoa học máy tính là. Các mô hình máy tính chỉ tốt bằng nội dung mà chúng được xây dựng. Vấn đề của phản xạ không bao giờ rất xa.
George Soros đã sử dụng từ phản xạ kết hợp với kinh tế nói chung và thị trường tài chính nói riêng. Nguyên lý bất định của Heisenberg, sự đồng đẳng của phản xạ trong lĩnh vực vật lý, cũng có liên quan trong bối cảnh này. Heisenberg - Tóm lại, không làm công lý nguyên tắc - lập luận rằng chúng ta không thể đo hai thuộc tính của một điều bởi vì, trong đo lường của chúng ta, chúng ta tác động đến các thuộc tính hoặc vật và do đó mang lại thay đổi hoặc biến dạng của bản gốc .
Hãy xem xét nhận xét của George Soros cho Bộ Kinh tế thế giới kinh tế của MIT vào năm 1994.
Tôi hoạt động bằng cách sử dụng một lý thuyết khác nhau, theo đó thị trường tài chính không thể giảm giá trong tương lai một cách chính xác bởi vì họ không chỉ đơn thuần là giảm giá trong tương lai; Trong trường hợp nhất định, thị trường tài chính có thể ảnh hưởng đến cái gọi là nguyên tắc cơ bản mà chúng được cho là sẽ phản ánh. Khi điều đó xảy ra, thị trường đi vào trạng thái mất cân bằng động và hành xử hoàn toàn khác với những gì được coi là bình thường bởi lý thuyết của thị trường hiệu quả. "
Một cái nhìn đương đại hơn về bản chất cùng một hiện tượng được mô tả trong cuốn sách The Black Swan của Nassim Nicholas Taleb. Một thiên nga đen không phải là phổ biến trong tự nhiên - ít người đã nhìn thấy một con thiên nga đen. Theo Taleb, một con thiên nga đen là một sự kiện tích cực hoặc tiêu cực được coi là rất không thể xảy ra. Nhưng khi một con thiên nga đen xảy ra, nó gây hậu quả lớn. Một số người tin rằng các sự kiện thiên nga đen giải thích rất nhiều về thế giới. Nhưng hầu hết mọi người - đặc biệt là các chuyên gia —- mù lòa với thiên nga đen.
Một cách tiếp cận hoài nghi là rất cần thiết cho khoa học dựa trên bằng chứng. Có một số điều cần xem xét khi khám phá các khái niệm liên quan đến sự tôn sùng số khiến người ta thấy cạm bẫy khi chấp nhận nghiên cứu định lượng theo mệnh giá và quá phụ thuộc vào sự phân bố bình thường.
Đó là một sai lầm để tin rằng nghiên cứu định lượng dựa trên số liệu thống kê suy luận là đáng tin cậy hơn hoặc khoa học hơn so với nghiên cứu quan sát dựa trên cái nhìn sâu sắc. Một điểm thực sự quan trọng trong so sánh giữa nghiên cứu định lượng và nghiên cứu định tính là sự tham gia chủ quan của nhà nghiên cứu - đó là một trong những phản đối đàn hồi nhất về nghiên cứu định tính - diễn ra trong các phương pháp định lượng . Trong thực tế, nó xảy ra sớm hơn trong chuỗi thực nghiệm của dòng nghiên cứu trong nghiên cứu định lượng hơn là trong nghiên cứu định tính .
Các nhà nghiên cứu tạo ra một giả thuyết trong nghiên cứu định lượng sẽ được "kiểm tra" bởi các quá trình thống kê. Việc tạo ra một giả thuyết có thể là một hoạt động rất chủ quan. Và sự tập trung rất hẹp của thử nghiệm giả thuyết có thể gây hiểu nhầm. Nhiều hình thức nghiên cứu định tính cho phép các mô hình mới nổi trong dữ liệu trỏ đến các chủ đề có thể phân bổ các mối quan hệ (đây là tương đương với thử nghiệm giả thuyết trong nghiên cứu định lượng). Nghiên cứu định tính có nhiều khả năng được mở cho "thiên nga đen" xảy ra, mà không có giả thuyết nào được chứng minh hoặc bác bỏ.