Как рынки предсказаний обеспечивают превосходное снижение ошибок прогнозов: преимущество коллективного интеллекта над консенсусом Уолл-Стрит

Представьте себе сбор разнообразной толпы трейдеров, каждый вооружённый своими источниками данных, моделями и рыночными стимулами. Теперь поставьте эту децентрализованную сеть против объединённой экспертизы ведущих аналитиков Уолл-стрит. Кому бы вы доверили предсказать инфляцию с высокой точностью? Революционное исследование Kalshi Research раскрывает неочевидную картину: толпа постоянно побеждает, особенно когда предсказания важны больше всего — во время экономических шоков.

Исследование сравнивает, насколько хорошо цены на рынках предсказаний предвосхищают движения индекса потребительских цен (CPI) США по сравнению с традиционными консенсусными прогнозами институтов. Результаты впечатляют и бросают вызов фундаментальным предположениям о экспертности и точности информации на финансовых рынках.

Основной вывод: на 40% выше точность благодаря рыночным ценам

Когда Kalshi анализировал эффективность прогнозов во всех рыночных условиях, результаты были однозначными. Средняя абсолютная ошибка (MAE) — стандартная мера точности предсказаний — была примерно на 40% ниже для прогнозов CPI, основанных на рыночных ценах, по сравнению с ожиданиями консенсуса от финансовых институтов.

Более того, предсказания, полученные из рыночных данных, сохраняли это преимущество точности в разные временные окна: ошибка на 40,1% ниже за неделю до публикации данных (когда обычно формируется консенсус) и на 42,3% ниже за день до публикации. Это не просто статистическое улучшение — это фундаментальное различие в точности, которое накапливается со временем и существенно влияет на управление портфелем и принятие рисковых решений.

Когда рыночные прогнозы отклонялись от консенсусных ожиданий более чем на 0,1 процентного пункта, они оказывались правильными примерно в 75% случаев. Этот показатель точности говорит о том, что когда коллективное рыночное ценообразование расходится с экспертным мнением, это само по себе содержит ценную информацию о вероятных неожиданных исходах.

Эффект “Shock Alpha”: когда точность становится критичной

Исследование различает нормальные рыночные условия и шоковые события — периоды, когда стоимость ошибок в прогнозах возрастает экспоненциально. Kalshi классифицировал шоки в зависимости от того, насколько сильно фактические результаты CPI отклонялись от ожиданий:

• Нормальные события: ошибка менее 0,1 процентного пункта
• Умеренные шоки: ошибка между 0,1-0,2 процентных пункта
• Крупные шоки: ошибка более 0,2 процентных пункта

В условиях умеренных шоков прогнозы на основе рынка давали снижение ошибки на 50% по сравнению с консенсусом — улучшение до 56% и выше за день до публикации данных. Во время крупных шоков преимущество достигало 50% и увеличивалось до 60% и более по мере приближения к дате релиза.

Это явление показывает нечто важное: преимущество рынка в агрегировании информации расширяется именно тогда, когда предсказания становятся наиболее сложными и дорогостоящими. В нормальных условиях разница между точностью рынка и консенсусом минимальна, но кризисные периоды — когда институциональные прогнозисты чаще всего терпят неудачу — выявляют рынок как источник отличительных сигналов.

Более того, когда рыночные прогнозы отклонялись от консенсуса более чем на 0,1 процентного пункта, вероятность заметной ошибки в прогнозе возрастала примерно до 81-84%. Это превращает расхождения между рынком и консенсусом из любопытства в количественно измеримую систему раннего предупреждения о рисках “хвостов”.

Почему коллективный интеллект превосходит институциональную экспертизу

Механизм 1: Гетерогичная информация собирается лучше, чем однородные модели

Традиционный консенсус Уолл-стрит, несмотря на включение нескольких институтов, на самом деле отражает удивительное совпадение информации. Экономисты крупных фирм используют похожие эконометрические модели, имеют доступ к одним и тем же государственным данным и читают одинаковые отчёты. Они живут в общем интеллектуальном пространстве.

В отличие от этого, прогнозные рынки собирают по-настоящему разнообразную информацию. Участники приносят собственные источники данных, отраслевые инсайты, альтернативные наборы данных и интуитивное распознавание паттернов. Один трейдер может заметить сигналы в цепочках поставок в нишевых логистических данных; другой — включить международные потоки сырья; третий — синтезировать микро-сигналы на рынке труда из объявлений о вакансиях. Эффект “мудрости толпы” не требует гениев — он требует независимых источников информации, объединённых через процесс определения цен.

Когда макроэкономические условия претерпевают структурные сдвиги — так называемые “состояния переключения” — эта гетерогенность становится особенно ценной. Рассеянные локальные фрагменты информации объединяются в механизме рынка, формируя превосходные коллективные сигналы.

Механизм 2: Экономические стимулы исключают стадный эффект

Здесь скрыт психологический аспект, часто игнорируемый: профессиональные прогнозисты сталкиваются с асимметричными карьерными рисками. Ошибка в прогнозе, которая значительно отклоняется от мнения коллег, влечёт за собой репутационные потери, даже если в итоге прогноз оказался более точным, чем консенсус. Быть “одиноким неправым” обычно дороже, чем “ошибаться вместе”.

Это создаёт систематический стадный эффект. Институциональные аналитики склонны к сближению к средним оценкам, даже если их модели предполагают разные сценарии, потому что выживание института зависит от участия в консенсусе, а не от точности в одиночку.

Участники рынка работают по совершенно другой системе стимулов. Точность приносит прибыль; ошибка — убытки. Нет репутационной защиты за соответствие консенсусу. Те, кто систематически выявляют ошибки в консенсусе, накапливают капитал и влияние через большие позиции. Те, кто механически следуют за мнением, терпят постоянные убытки, когда их прогнозы оказываются неверными.

Эта структура стимулов создаёт непрекращающееся давление на точность — именно тогда, когда неопределённость достигает пика, а институциональные прогнозисты испытывают максимальное давление оставаться близко к консенсусу.

Механизм 3: Рынки более эффективно обрабатывают фрагментированную информацию

Из данных выходит удивительный вывод: даже за неделю до официальной публикации CPI — именно в этот момент публикуется консенсус — рынки всё равно демонстрируют значительное преимущество в снижении ошибки прогнозов. Это показывает, что преимущество рынка не сводится только к “более быстрому обработке информации”.

Наоборот, рынки оказываются более эффективными в синтезе фрагментированной, рассеянной или неформальной информации, которая сопротивляется включению в традиционные эконометрические модели. Опросные механизмы, даже при одинаковом временном окне, сталкиваются с трудностями обработки расплывчатых сигналов, отраслевых разговоров и нестандартных данных. Рынки усваивают эти сигналы через процесс определения цен с поразительной эффективностью.

Основы исследования: 30 месяцев реальных рыночных данных

Анализ Kalshi основан на данных реальной торговли на своих прогнозных рынках, охватывающих более 25 циклов публикации CPI с февраля 2023 по середину 2025 года. Каждый рынок был полностью доступен для торговли с реальным капиталом, что создаёт подлинные стимулы.

Выборка охватывает разнообразные макроэкономические условия — от периодов стабильных цен до волатильных режимов инфляции и неожиданных шоков. Эти 30 месяцев, хотя и не огромны, предоставили достаточно вариативности для выявления системных закономерностей в снижении ошибок прогнозов в разных условиях рынка.

Данные консенсуса поступали от институциональных прогнозов, публикуемых примерно за неделю до каждого релиза CPI, отражая объединённые взгляды ведущих финансовых институтов.

Практическое значение: новый подход к принятию решений

Исследование завершается важным выводом для практиков: рынки предсказаний не должны заменять консенсусные прогнозы, а дополнять их как часть надёжной системы управления рисками.

Для организаций, принимающих решения в условиях структурной неопределённости и растущей частоты хвостовых событий — пенсионных фондов, корпораций, политических институтов — преимущества ошибок в прогнозах, продемонстрированные здесь, — это не просто небольшое улучшение. Это принципиально иной канал информации.

Когда консенсусные прогнозы основаны на сильно коррелированных моделях и перекрывающихся наборах данных, прогнозные рынки предлагают альтернативный механизм агрегирования, который раньше выявляет переходы состояний и более эффективно обрабатывает гетерогенную информацию. Преимущество “shock alpha” — это не просто статистика, а прямой вклад в снижение рисков в периоды, когда точность предсказаний наиболее важна с экономической точки зрения.

Будущие направления исследований включают: проверку, предсказывает ли расхождение рынка с консенсусом приближающиеся шоки на больших выборках; определение порогов ликвидности, при которых достигается стабильное превосходство; и изучение связей между рыночными значениями и сигналами высокочастотной торговли.

Глубокий смысл этого подхода бросает вызов традиционной мудрости о экспертности и толпе. Три “швеи” — или три тысячи участников рынка — действительно могут перехитрить узкоспециализированных аналитиков. Не благодаря какой-то загадочной коллективной магии, а через три конкретных механизма: информационное разнообразие, согласованные стимулы и эффективное агрегирование. В эпоху ускоряющейся экономической сложности и хвостовых рисков это понимание может изменить подход институтов к инфраструктуре прогнозирования.