Искусственный интеллект, сильный и не очень / Хабр
С 4 по 7 апреля в Сан-Хосе прошла конференция, организованная компанией NVIDIA, посвященная параллельным вычислениям и искусственному интеллекту. Далее я хотел бы поделиться своими мыслями о состоянии и перспективах разработок в области ИИ, навеянными этим мероприятием.
Рассуждения об искусственном интеллекте можно поделить на два типа. Первый тип – это разговоры о том, что будет, когда появятся мыслящие компьютеры и какова будет при этом судьба человеческого вида. Исследуются возможные варианты отношений человека и мыслящей машины. Затрагиваются темы бессмертия, связанного с возможным переносом человеческого сознания в компьютерную оболочку. Поднимается, пожалуй, главный вопрос – если человек создаст разум намного превосходящий свой собственный, кто он будет при этом разуме? Хозяин, раб, тупиковая ветвь эволюции или участник симбиоза?
Второй тип — это рассуждения о путях, которые, по идее, должны привести к созданию полноценного искусственного интеллекта и методах, которые уже сейчас, помогают, решать сложные интеллектуальные задачи.
Главный водораздел проходит через «критерий разумности» машин. Это принято называть делением искусственного интеллекта на сильный и слабый. Под слабым ИИ понимается способность компьютеров решать информационные задачи, например, определять, что изображено на картинке или переводить звучание голоса в соответствующий текст. Сильный ИИ подразумевает, что компьютер не просто оперирует информацией, а, в той или иной степени, понимает ее смысл. Например, если компьютерный переводчик с одного языка на другой просто заменяет одни слова другими по заданным неизменным правилам, то это слабый ИИ, если же он исходит из понимания смысла фраз, то он уже ближе к сильному.
Критерий сильного ИИ – это знаменитый тест Тьюринга. Если при общении с компьютером посредством анонимного канала связи вы не сможете понять кто на том конце провода, человек или машина, то можно считать, что такой компьютер-собеседник действительно мыслит. Суть этого теста в том, что сколько не запоминай ответы, которые дают люди на те или иные вопросы и сколько не накапливай фраз, уместных в определенные моменты, всегда найдется ситуация, когда «механический» ответ будет невозможен.
Недавний пример «неудачи в прохождении теста» — чат-бот от Microsoft Тэй(Tay). Пообщаться с ним можно было через Twitter или мессенджеры Kik и GroupMe. Уже через день общения с пользователями чат-бот стал агрессивен, начал хвалить Гитлера и ругать евреев.
Причина такого поведения вовсе не в том, что разговаривавшие с ним люди «открыли ему глаза на жизнь». Причина – пока еще неумение машин приблизится к пониманию смысла фраз. Когда в памяти чат-бота есть что-то похожее на текущую беседу, он может воспользоваться теми фразами, что говорили люди в подобных ситуациях, в надежде получить что-то разумное. Или же робот может попытаться определить тему разговора, например, по тому насколько употребляемые собеседником слова и формулировки советуют той или иной тематике. Определив тему беседы, он может пытаться подбирать фразы из бесед с аналогичной темой или использовать заложенные в него или почерпнутые из интернета знания в этой области. Такая стратегия позволяет создать видимость разумной беседы, но только видимость.
Значительно лучше, чем беседы на вольную тему, у компьютеров получается понимать команды и формализованные запросы. Если машина ожидает вполне определенного обращения, то задача сильно упрощается. По этому принципу успешно работают и «Siri», и «Ok, Google».
На конференции было много активности посвященной суперкомпьютеру IBM Watson. Основная идея Ватсона – понимать беседу на естественном языке, переводить ее в понятное компьютеру описание, использовать базы знаний в различных областях для поиска адекватных ответов.
В феврале 2011 года Ватсон победил в телепередаче Jeopardy! (российский аналог — «Своя игра»). Причем обыграл он не просто соперников, а двух рекордсменов, Брэда Раттера — обладателя самого большого выигрыша в программе, и Кена Дженнингса — рекордсмена по длительности беспроигрышной серии.
Компьютер заработал приз в 1 млн долларов. В NVIDIA на тему выигрыша пошутили, что они не знают, что компьютер будет делать с миллионом, но с точки зрения метода обучения с подкреплением надо сказать, что это неплохое подкрепление. Особо отмечалось, что Ватсон был на равных с игроками в том смысле, что не был подключен к интернету. В память Ватсона «весь интернет» был закачан заранее, по крайней мере его значимая часть размеров в 4 терабайта. Для структурированных данных это достаточно много, достаточно учесть, что вся Википедия занимает 17 гигабайт.
Самым важным в игре было то, что вопросы задавались без какого-либо упрощения и дополнительных уточнений. Это означает, что компьютер действительно смог в ряде случаев правильно определить, что именно от него требовалось и найти это в своей базе знаний. Но действительно ли Ватсон понимал суть задаваемых вопросов? Нет, не понимал, по крайней мере, не так, как понимает их человек. В чем была суть поединка? Люди понимали каждый заданный вопрос, но не всегда могли найти ответ в своей памяти.
Компьютер не понимал смысла вопросов, но, используя алгоритмы, переводил их в некую поисковую форму, по которой находил достаточно точное соответствие в своей структурированной памяти. Победа Ватсона показала, что алгоритм плюс хорошая память могут дать больший процент правильных ответов, чем понимание и плохая память. Если бы людям дали доступ в интернет и не ставили жестких временных рамок, то результат игры был бы иной.
IBM Watson пока нельзя отнести к сильному ИИ, но это не умаляет его достоинств. Главная проблема, связанная с пониманием естественного языка – это множественность трактовок, которая может возникать у одного и того же слова в зависимости от контекста фразы. Но если беседа переходит в более специальную область, то оказывается, что многие области определяют практически единственно возможные трактовки. И в этот момент успешность работы компьютера значительно возрастает. Понимая это, разработчики Ватсона сделали акцент на отдельные темы. Например, пожалуй, самый большой прорыв суперкомпьютера от IBM связан с медицинской диагностикой.
Москва. Середина восьмидесятых.
Врачебная конференция, посвященная использованию в медицине ЭВМ. Все собравшиеся сошлись во мнении, что в скором времени ЭВМ заменят врачей… Будут ставить диагнозы, а людям останутся только процедурные мероприятия.
И вот в самом конце конференции изъявил желание выступить очень пожилой врач, более того – академик и практик. Под громкие аплодисменты он с трудом вышел к трибуне… Партийные элементы, присутствующие на мероприятии посчитали, что поддержка подобной инновации со стороны уважаемого врача будет хорошим знаком… Вышел он и говорит: «В начале двадцатых годов к моему учителю привели на осмотр жену одного ооочень важного наркома партии.
Возвращаясь к Ватсону. IBM пошла по пути создания открытого API, когда каждый желающий может использовать знания Ватсона и интерфейс естественного языка для интеграции в свой бизнес. IBM пытается создать множество когнитивных сервисов таких как: распознавание речи и изображений, сервис классификации запросов на естественном языке, перевод на другой язык, определение эмоциональной окрашенности речи и текстов и т.п. В перспективе они видят, что многие фирмы смогут перевести большую часть голосовой поддержки клиентов на технологии Ватсона, а это сулит колоссальную экономию. Короче, многие индусы из call-центров могут остаться без работы.
Идея, что ИИ начинает работать значительно лучше, когда удается перейти к специальной задаче, сужающей пространство трактовок, применима не только к анализу естественного языка, но и, например, к анализу изображений.
В принципе, на этом и строятся системы управления автомобилем без водителя. Когда системе искусственного зрения показывают картинку, и она определяет, что на этой картинке, то определение происходит с некоторой вероятностью. И про собаку с тигровой накидкой система может сказать, что это тигр. На дороге все проще, число объектов, которые могут встретиться не велико, а значит и выбор, и трактовки сильно ограничены: пешеход, машина, автобус, дорожный знак, разметка, но не тигр, не кит и не свадебный торт.
Беспилотное управление автомобилем использует множество технологий, вот часть из них:
- Распознавание образов, оно отвечает за узнавание различных объектов на дороге;
- Обработка серии изображений со смещением, она позволяет выделить отдельные объекты на фоне других;
- Стереоскопическая обработка изображений, позволяет построить карту глубины и расстояний;
- Использование лидара, дополняет построение карты расстояний или позволяет построить ее с нуля, например, в полной темноте.
На днях этим отличился Ford; - Обучение с подкреплением, обеспечивает обучение вождению и правилам движения.
На днях этим отличился Ford;В холе конференции стояли три беспилотных автомобиля от Audi, Volvo и BMW. У всех них и не только них управление построено на решении NVIDIA DRIVE. Само решение состоит из трех компонент:
- NVIDIA DRIVE PX – платформа автопилотирования;
- NVIDIA DRIVE CX – бортовой компьютер с системой навигации, если PX знает как ехать, то CX знает куда ехать и как при этом развлечь пассажира;
- NVIDIA DIGITS DEV BOX – система глубокого обучения, которая позволяет обучать нейронные сети для PX.
Автоматическое вождение производит сильное впечатление. ИИ во всей своей красе. Мне особенно понравился ролик, который показала Toyota о том, как самообучался вождению их беспилотный автомобиль. Сначала он как слепой котенок тыркался во все стороны и постоянно тормозил, потом передвигался все увереннее и, наконец, через 3000 миль пробега стал вполне уверенно бегать по любым дорогам.
Toyota на конференции была представлена через Toyota Research Institute. CEO института Gill Pratt озвучил, что автопроизводитель намерен вложить 1 миллиард долларов в течении ближайших пяти лет в исследования, связанные с ИИ. Интересен сам подход Toyota. Они говорят, что не считают полный автопилот основным приоритетом. Сейчас автопилот, реализованный, например, в Tesla, требует режима «руки на руле». То есть он может вести машину, но требует постоянного контроля со стороны водителя. Такой режим скорее напрягает, чем добавляет удовольствия от поездки. Toyota делает акцент на системы помощи водителю, то есть автопилот не вмешивается в управление пока все идет нормально, но если ситуация выходит из-под контроля, то автопилот берет все в свои руки и спасает положение. Мало у кого из водителей есть опыт вождения в экстремальных ситуациях, обычное вождение имеет мало общего с тем, что надо делать в критической ситуации. Автопилот же как раз может быть очень хорошо обучен именно для таких случаев.
1 200 000 смертей на дорогах ежегодно – такая статистика по планете Земля. Как считает Toyota их система позволит снизить эту цифру практически до нуля. Как сказал Gill Pratt (привожу по памяти): «востребованность нашей системы надо считать не по автомобилям, потребители, кому она нужна позарез – это 1 200 000 человек в год».
Но автопилот, как бы удивительно не выглядел автомобиль, едущий без водителя, — это не сильный ИИ. Пока – это набор хороших методов и алгоритмов. Возможно, что для этой задачи большего и не надо.
Многие задачи, подобные беспилотному вождению, можно успешно решать и без использования сильного ИИ. Нейронные сети с глубинным обучением (или глубоким обучением, если такой перевод Deep learning вам больше нравится) достаточно хорошо подходят там, где “программирование в лоб” заходит в тупик и оказывается, что значительно проще “скормить” нейронной сети огромный массив обучающих примеров и тем самым обучить ее правильной классификации, чем пытаться самому описать все закономерности и реакцию на них.
Но чудес не бывает, простота получения результата компенсируется сложностью обучения. Тренировки нейронных сетей, состоящих из большого числа элементов, на огромном числе примеров требуют колоссального количества вычислений. Традиционные CPU оказываются слишком медленны для таких расчетов. Единственное спасение — это массивное распараллеливание вычислений, благо именно нейронные сети очень хорошо этому поддаются. GPU, которые изначально создавались для формирования графической картинки практически идеально подошли для таких целей. Востребованность на рынке нейронных сетей заставила производителей GPU учесть особенности такого применения в архитектуре железа и побудила их к созданию соответствующего программного обеспечения, облегчающего жизнь разработчиков. На конференции NVIDIA, как основной производитель GPU, постаралась убедить всех, что ими создан полный стек необходимого программного обеспечения, предусматривающий сопровождение всех этапов разработки нейронных сетей.
Как я уже писал, на конференции NVIDIA презентовала прорыв в области обучения глубинных нейронных сетей – суперкомпьютер DGX-1.
Прорыв – это 12 кратное повышение производительности на задачах обучения по сравнению с предшественниками.
Соответственно, экосистема включает в себя не только железо, но и полный набор программ, оптимизированных для глубокого обучения (https://developer.nvidia.com/deep-learning#source=pr).
В набор ПО DGX-1 входит NVIDIA Deep Learning GPU Training System (DIGITS), полноценная интерактивная система для создания глубоких нейронных сетей (DNN), а также GPU-ускоряемая библиотека примитивов для создания DNN — NVIDIA CUDA Deep Neural Network (cuDNN) версии 5.
Помимо этого, система содержит оптимизированные версии нескольких широко используемых фреймворков глубокого обучения— Caffe, Theano и Torch. DGX-1 дополнительно предоставляет доступ к облачным инструментам управления, обновлениям ПО и банку приложений-контейнеров».
Вообще же, на конференции NVIDIA отчетливо пыталась донести до всех мысль, что они уже давно не просто производитель специализированных чипов, а компания, которая имеет видение технологий в целом и предлагает комплексные решения, в которых железо – это только одна и не факт, что самая главная составляющая.
Короче ИИ шагает семимильными шагами. Но пока все это слабый ИИ. Термин слабый не стоит воспринимать, как негативную оценку. Это просто уточнение используемых технологий. Насколько далеки мы от сильной ИИ легко судить по системам компьютерного перевода. Пока переводится технический или иной хорошо трактуемый текст, машинный переводчик на высоте. Но стоит дать пример, который требует понимания смысла фразы, как правильный перевод становится делом случая и никакие статистические методы положение не спасают.
Deep Blue от IBM в 1997 году выиграл матч по шахматам из 6 партий у чемпиона мира Гарри Каспарова. Недавно система AlphaGo от google победила сильнейшего в мире игрока Го. Насколько это говорит о приближении эры сильного ИИ? Большой шаг для одного робота, но малое продвижение для человечества. Мы видим хорошую работу методов обучения с подкреплением, но с одним существенным «но». Дело в том, что и шахматы и Го позволяют достаточно просто и точно описать позицию. Стратегия поведения строится из понимания того, что позиция нам в той или иной мере знакома и мы можем использовать ранее полученный опыт для принятия решений.
Чтобы не просчитывать все варианты до конца вводится оценка качества ситуации, которая позволяет оценить позицию без просчета вариантов возможных продолжений. В обоих ситуациях оказывается, что самое главное – это суметь из формального описания позиции получить все смысловые элементы, влияющие на ее оценку. Для шахмат и Го это хотя и не просто, но получилось. В жизни все значительно сложнее. Внешнее «сырое» описание происходящего плохо помогает в определении стратегии поведения и оценке качества ситуации. Нельзя судить о сходстве ситуаций по совпадению части признаков. Требуется понимание смысла происходящего. Любая незначительная деталь может оказаться критической для определения того, что происходит. Так, google-мобиль будет и дальше ехать по дороге если нет препятствий, не нарушаются правила движения и выдерживается маршрут. И его не смутят ни ядерный гриб на горизонте, ни толпы зомби, нервно стоящих на обочине.
Создание сильного ИИ напрямую связано не просто с умением алгоритмически (традиционными методами) оперировать с информацией, а с возможностью понимать ее смысл.
Задача эта кажется непростой, тем более, что она напрямую связана с пониманием работы мозга, так как этот механизм точно умеет работать со смыслом. Скоро ли появится сильный ИИ? Возможно, что очень скоро. В следующий статье я опишу разработки нашей группы относительно математической формализации понятия смысл и построении основанной на этом модели, которая претендует на очень хорошее описание работы мозга, а чтобы это было убедительно покажу неплохо работающий образец. Так что, возможно, скоро в магазине вы услышите такой диалог:
Продавец: Это новинка, мозговой имплантант, снимает половину умственной нагрузки.
Покупатель: Отлично! Продайте мне парочку.
Сильный и слабый искусственный интеллект
В философии искусственного интеллекта (ИИ) спор Сильного ИИ против слабого ИИ протекает вокруг гипотезы о том, что некоторые формы искусственного интеллекта могут действительно обосновывать и решать проблемы (Аверкин А.Н. «ИИ и когнитивные науки»). Теория сильного ИИ предполагает, что компьютеры могут приобрести способность мыслить и осознавать себя, хотя и не обязательно их мыслительный процесс будет подобен человеческому.
Теория слабого ИИ такую возможность отвергает.
Термин Сильный ИИ был введён Джоном Сёрлем, который охарактеризовал его следующим образом:
| Более того, такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом, в том же смысле, в котором человеческий разум — это разум. Джон Сёрль, Разум мозга — компьютерная программа? |
Требования к созданию Сильного ИИ
Предлагалось много определений интеллекта (такие, например, как возможность пройти тест Тьюринга), но на настоящий момент нет определения, которое бы удовлетворило всех. Тем не менее, среди исследователей искусственного интеллекта есть общая договоренность о том, что Сильный ИИ обладает следующими свойствами: [1]
- Принятие решений, использование стратегий, решение головоломок и действия в условиях неопределенности;
- Представление знаний, включая общее представление о реальности;
- Планирование;
- Обучение;
- Общение на естественном языке;
- И объединение всех этих способностей для достижения общих целей.
Ведутся работы для создания машин, имеющих все эти способности, и предполагается, что Сильный ИИ будет иметь либо их все, либо большую часть из них.
Существуют и другие аспекты интеллекта человека, которые также лежат в основе создания Сильного ИИ:
- Сознание: Быть восприимчивым к окружению;
- Самосознание: Осознавать себя как отдельную личность, в частности, понимать собственные мысли;
- Сопереживание: Способность «чувствовать»;
- Мудрость.
Ни одно из этих свойств не является необходимым для создания Сильного ИИ. Например, неизвестно, необходимо ли воспринимать машине окружающую среду в той же мере, как человеку. Также неизвестно, являются ли эти навыки достаточными для создания интеллекта: если будет создана машина с устройством, которое сможет эмулировать нейронную структуру, подобную мозгу, получит ли она возможность формировать представление о знаниях или пользоваться человеческой речью.
Возможно также, что некоторые из этих способностей, такие, например, как сопереживание, возникнут у машины естественным путём, если она достигнет реального интеллекта.
См. также
- Китайская комната
Ссылки
- ↑ Список базируется на следующих книгах: Russell & Norvig 2003, Luger & Stubblefield 2004, Poole, Mackworth & Goebel 1998 и Nilsson 1998.
Сильный и слабый — Библейское значение и определение
Сильный и слабый Слова «сильный» и «слабый» часто встречаются в писаниях Павла вместе. Параллелизм двух терминов используется для передачи двух центральных принципов. Во-первых, человеческая слабость позволяет силе Божьей проявляться самым выдающимся образом. Как говорит Павел: «Ибо, когда я немощен, тогда силен» (2 Кор. 12:10б). Во-вторых, эти два слова используются метафорически для описания степени духовного развития в жизни верующего (Рим. 14:1-23; 15:1-8; 1 Кор. 8:7-13; 1 Кор. 10:23; 1 Кор.
10:32).
«Слабый» и «сильный» служат рабочими терминами, объединяющими такие понятия, как Царство Божие, знание, любовь, совесть, свобода и суд. Особое использование Павлом этих терминов создает теологический контекст, который информирует и разъясняет их. «Сильны» те, кто имеет точное понимание Бога и Его Царства и способен осуществить свою христианскую свободу без угрызений совести. Те, кому не хватает ясности и кто не уверен в том, как они должны использовать свою свободу во Христе, «слабы». Одно только знание не может определить наше использование христианской свободы; скорее, любовь Бога во Христе должна быть направляющим фактором в том, как мы стремимся реализовать Царство Божье на земле.
Павел, обращаясь к сильным и слабым, особо выделяет две области, вызывающие озабоченность: еда и святые дни. У некоторых есть силы есть мясо; другие, «чья вера слаба» (Рим. 14:1), считают, что должны есть только овощи (ст. 2). Точно так же слабые очень заботятся о соблюдении особых святых дней, в то время как сильные считают каждый день одинаковым (ст.
5). Слабые считают такие вопросы чрезвычайно важными в отношении Божьего Царства, а сильные — нет.
Верования и обычаи слабых влияют на их понимание христианской свободы. Их щепетильность делает их совесть чрезмерно чувствительной. Когда они смотрят на противоположное поведение сильных, они впадают в великие нравственные мучения (14:14-15). Некоторые слабые люди начинают подражать действиям сильных, но делают это из страха и сомнений (ст. 23). Этот опыт замешательства и сомнения имеет серьезные последствия для слабых. Сильные соблазнили слабых и, возможно, даже погубили их (ст. 20).
Похожую ситуацию можно увидеть вокруг мяса, приносимого в жертву идолам ( 1 Кор. 8:1-13 ; 10:23-33 ). Сильные знают, что идол ничто (ст. 4-6). Они придерживаются либертарианского подхода и верят, что «все дозволено» (10:23). Слабые не обладают такими знаниями и испытывают большой моральный конфликт из-за действий сильных (8:7-13).
Слабый судит свободу сильного как нечестие; сильные насмехаются над убеждениями слабых.
Такие трения между верующими угрожают самому единству церкви.
Павел решает эту проблему следующим образом. Поскольку Бог — Творец всего сущего, нет ничего нечистого в себе самом (Римлянам 14:14, Римлянам 14:20; 1 Коринфянам 8:8; 10:26). Пища и соблюдение святых дней не имеют никакого отношения к спасению — они адиафора, не имеющие духовного значения. Мы ничем не лучше причащаемся или воздерживаемся, потому что это не имеет никакого значения для Царства Божия. Именно по этой причине Павел отождествляет себя с сильными (Рим. 14:14; 1 Кор. 8:4–6; 1 Кор. 10:25–27; 1 Кор. 10:29).-31).
Павел видит, что основной вопрос — это духовные намерения, которые стоят за действиями верующих. И сильные, и слабые потерпели неудачу в этом отношении. Сильные не действуют из любви и ставят перед слабыми камни преткновения, грозящие их духовной губительностью. Слабое сомнение в том, что Бог способен устоять перед сильным. И сильные, и слабые узурпировали божественную прерогативу, осуждая друг друга (Римлянам 14:1, Римлянам 14:4, Римлянам 14:10-13).
Пол обращается к напряженности между слабыми и сильными как на личном, так и на общественном уровне. Верующие не должны спорить о вопросах личного благочестия (Рим. 14:1). Наоборот, они должны быть полностью убеждены в своих мыслях и не делать ничего, что противоречит их совести (Римлянам 14:5 Римлянам 14:14). Их личные убеждения о дозволенном должны исходить из искренней веры, храниться при себе, а не становиться нормой для всего общества (14:22-23).
На уровне общины должны быть взаимное признание и терпимость, потому что поведение как сильных, так и слабых исходит из подлинной преданности Богу (Рим. 14:6-8). Иисус Христос является образцом осуществления свободы верующих в церкви (ст. 9, 15, 18). Нам запрещено делать что-либо, что может навредить или уничтожить других верующих (Римлянам 14:13 Римлянам 14:15 Римлянам 14:20-21; 1 Коринфянам 8:9-13). Все, что мы делаем, нужно делать с любовью, ко взаимному назиданию и миру (Римлянам 14:19).).
Уильям А.
Симмонс
См. также Коринфянам, первое и второе, Богословие; Этика; Свобода
Библиография . CEB Cranfield, Послание к римлянам: краткий комментарий ; В. Ферниш, Заповедь любви в Новом Завете ; P.W.Gooch, NTS 33/2 (1987): 244-54; там же, Crux 13/2 (1976): 10-20; В. Джек, Christian Brothers Review 38 (1987): 35–47; Р. Дж. Каррис, CBQ 35/2 (1973): 155-78; PS Minear, Послушание веры: цели Павла в Послании к Римлянам ; Р. Л. Омансон, BT 33/1 (1983): 106-14.
Copyright © 1996 Уолтер А. Элвелл. Издано Baker Books, подразделением
Baker Book House Company, Гранд-Рапидс, Мичиган, США.
Все права защищены. Используется с разрешения.
Информацию об использовании см. в Заявлении об авторских правах Baker Book House.
Библиографическая информация Элвелл, Уолтер А.
«Запись для« Сильных и слабых »». «Евангельский богословский словарь». . 1997.форм рыночной эффективности: слабая, сильная и полусильная
Гипотеза эффективного рынка (ГЭР) в целом предполагает, что рынок в целом эффективен, но эта теория предлагается в трех различных версиях: слабой, полусильной и сильной.
Основная гипотеза эффективного рынка утверждает, что рынок невозможно победить, потому что он включает всю важную определяющую информацию в текущие цены акций. Таким образом, акции торгуются по самой справедливой стоимости, а это означает, что их нельзя купить по недооцененной или продать по завышенной цене.
Теория определяет, что единственная возможность, которую инвесторы должны получить более высокую прибыль от своих инвестиций, — это чисто спекулятивные инвестиции, которые сопряжены со значительным риском.
Основные выводы
- Гипотеза эффективного рынка утверждает, что рынок невозможно превзойти, поскольку он включает всю важную информацию в текущие цены акций, поэтому акции торгуются по самой справедливой цене.
- Хотя гипотеза эффективного рынка предполагает, что рынок в целом эффективен, теория предлагается в трех различных версиях: слабой, полусильной и сильной.
- Слабая форма предполагает, что сегодняшние цены на акции отражают все данные прошлых цен и что никакая форма технического анализа не может помочь инвесторам.
- Полусильная форма утверждает, что, поскольку публичная информация является частью текущей цены акций, инвесторы не могут использовать ни технический, ни фундаментальный анализ, хотя информация, недоступная для общественности, может помочь инвесторам.
- Версия сильной формы гласит, что вся информация, публичная и закрытая, полностью учитывается в текущих ценах на акции, и никакая информация не может дать инвестору преимущество на рынке.
Гипотеза эффективного рынка
Слабая форма
Три версии гипотезы эффективного рынка представляют собой различные степени одной и той же базовой теории. Слабая форма предполагает, что сегодняшние цены акций отражают все данные прошлых цен и что никакая форма технического анализа не может быть эффективно использована для помощи инвесторам в принятии торговых решений.
Сторонники теории эффективности слабой формы считают, что, если использовать фундаментальный анализ, можно определить недооцененные и переоцененные акции, а инвесторы могут исследовать финансовые отчеты компаний, чтобы увеличить свои шансы на получение прибыли выше среднего по рынку.
Полужесткая форма
Теория эффективности полусильной формы следует убеждению, что, поскольку вся общедоступная информация используется при расчете текущей цены акции, инвесторы не могут использовать ни технический, ни фундаментальный анализ для получения более высокой прибыли на рынке.
Те, кто придерживается этой версии теории, считают, что только информация, которая не является общедоступной, может помочь инвесторам повысить свою прибыль до уровня производительности выше, чем в целом по рынку.
Сильная форма
Версия сильной формы гипотезы эффективного рынка утверждает, что вся информация — как общедоступная, так и любая информация, не являющаяся общеизвестной, — полностью учитывается в текущих ценах на акции, и не существует такой информации, которая могла бы дать инвестору преимущество на рынке.
Сторонники этой степени теории предполагают, что инвесторы не могут получить доход от инвестиций, превышающий нормальную рыночную доходность, независимо от полученной информации или проведенного исследования.
Аномалии
Существуют аномалии, которые теория эффективного рынка не может объяснить и которые могут даже полностью ей противоречить. Например, соотношение цена/прибыль (P/E) показывает, что фирмы, торгующие с более низкими мультипликаторами P/E, часто несут ответственность за получение более высоких доходов.
Эффект забытой фирмы предполагает, что компании, которые не охвачены широко рыночными аналитиками, иногда оцениваются неправильно по сравнению с их истинной стоимостью и предлагают инвесторам возможность выбрать акции со скрытым потенциалом. Январский эффект показывает исторические свидетельства того, что цены на акции, особенно акции с меньшей капитализацией, имеют тенденцию к росту в январе.
Хотя гипотеза эффективного рынка является важной опорой современных финансовых теорий и пользуется широкой поддержкой, прежде всего в академическом сообществе, она также имеет большое количество критиков.
Теория остается спорной, и инвесторы продолжают пытаться превзойти средние рыночные показатели, выбирая акции.
Из-за эмпирического наличия рыночных аномалий и информационной асимметрии многие практики не верят в реальность гипотезы эффективных рынков, за исключением, возможно, слабой формы.
Часто задаваемые вопросы
В чем важность гипотезы эффективного рынка?
Гипотеза эффективного рынка (ГЭР) важна, поскольку она подразумевает, что свободные рынки способны оптимально распределять и распределять товары, услуги, капитал или рабочую силу (в зависимости от того, для чего предназначен рынок) без необходимости централизованного планирования, надзора , или орган государственной власти. EMH предполагает, что цены отражают всю доступную информацию и представляют собой равновесие между предложением (продавцы/производители) и спросом (покупатели/потребители). Одним из важных следствий этого является то, что невозможно «обыграть рынок», поскольку на эффективном рынке нет ненормальных возможностей для получения прибыли.
Каковы 3 формы рыночной эффективности?
EMH имеет три формы. Сильная форма предполагает, что вся прошлая и текущая информация на рынке, будь то общедоступная или частная, учитывается в ценах. Полусильная форма предполагает, что в цены включается только общедоступная информация, а конфиденциальная информация может не включаться. Слабая форма допускает, что рынки, как правило, эффективны, но аномалии могут возникать и происходят, которые можно использовать (что приводит к устранению аномалии, восстановлению эффективности посредством арбитража). На самом деле считается, что на большинстве рынков существует только слабая форма, если таковая имеется.
Как узнать, эффективен ли рынок полусильной формы?
Чтобы протестировать полусильную версию EMH, можно увидеть, совершается ли ценовой разрыв вверх или вниз при выпуске ранее частных новостей. Например, о предлагаемом слиянии или объявлении о неутешительных доходах будут знать инсайдеры, но не общественность.