Иногда вы можете выявить ситуации, в которых ваши интуитивные расчеты вероятностей для оппонентов будут слишком приблизительными. Как только игрок в покер начинает считать, что его оппонент никогда не будет разыгрывать определенную руку определенным образом, допустим, никогда не блефует в определенных ситуациях, именно тогда вы начинаете брать над ним верх, заставляя его запутаться между маловероятным и невозможным.
«Я совершал много действий, крайне далеких от оптимальных, однако именно они приносили мне много денег в течение довольно длительного периода времени, – рассказал мне Дван. – Только в последние несколько лет люди наконец-то начали это понимать и стали играть лучше». Главная игра Двана – безлимитный холдем – очень подходит для подобной стратегии, поскольку благодаря размеру ставок вы потенциально способны контролировать суммы денег на кону, принимая каждый раз решение. Порой решения Двана стоят не более 100 долл., другие же могут быть связаны со ставками в 10 тыс., 100 тыс. долл. или даже больше. Стоит вам несколько раз принять правильные решения при банке в миллион долларов, и все, что вы делали, стремясь заработать 100 долл., перестает иметь какое-либо значение.
Я гораздо чаще играл в холдем с лимитом, где величина повышения ставок фиксируется на каждом этапе (до недавних пор это была самая популярная игра вне турниров; десять лет назад по всей территории США проводилось не более чем два-три интересных турнира по безлимитному покеру
{670}). В покере с лимитом меньше возможностей для творчества. Тем не менее, совмещая практику с теорией, я провел пару очень успешных лет, эксплуатируя свой агрессивный подход. В 2004–2005 гг. я зарабатывал на игре в покер шестизначные суммы, а совокупная прибыль за самый удачный период моей игры составила около 400 тыс. долл.
Кривая обучаемости в области предсказаний
Различие между Дваном и мной состоит в том, что, когда он бросал вызов практически любому игроку, по любым ставкам и в любое время, я находился в «верхнем среднем классе» игроков в покер, и порой мне нужно было сознательно играть с плохими игроками, чтобы оказываться фаворитом и зарабатывать деньги. К счастью, в годы покерного бума таких плохих игроков, которых часто называют «фиш»
[133], было немало.
К покеру, как и к большинству других задач, требующих того или иного типа предсказания, вполне применима идея кривой обучаемости. Главная особенность этой кривой состоит в том, что это на самом деле кривая – наш прогресс при выполнении задачи не всегда линеен. Чаще всего его можно отобразить графически примерно так, как показано на рис. 10.3, и я называю эту зависимость принципом Парето в предсказаниях.
Рис. 10.3. Принцип Парето в области предсказаний
Вы видите график, по одной оси которого откладываются усилия, а по другой – правильность предсказаний. Эти оси можно назвать и иначе – допустим, опыт, с одной стороны, и умение – с другой. Однако в любом случае общая идея остается прежней. Под усилиями или опытом я понимаю сумму денег, количество времени или объем критического мышления, который вы желаете посвятить той или иной проблеме предсказания. Под правильностью или умением я понимаю то, насколько надежными окажутся предсказания в реальном мире.
Название для кривой происходит от широко известной деловой максимы, называемой «принципом Парето» или «правилом 80–20» (пример: 80 % вашей прибыли поступает от 20 % ваших клиентов
{671}). В применении к покеру ее можно сформулировать примерно так: вы можете многого добиться, регулярно используя несколько базовых правил. Например, в покере вы можете значительно снизить свои потери, научившись сдаваться с плохими картами, делать ставки на лучшие и обучаясь думать о том, какие карты оказываются на руках вашего оппонента. Если вы научитесь всему этому, то вполне возможно, что в 80 % времени вы будете принимать те же решения, что лучшие игроки в покер, такие как Дван, – даже если вы потратили на изучение игры всего 20 % того времени, которое потратил он.
Это соотношение проявляется и во многих других дисциплинах, в которых предсказания жизненно необходимы. Самые важные 20 % часто обусловлены наличием правильных данных, правильной технологии и правильных стимулов. Вам нужно иметь какую-то информацию – в идеале чем больше, тем лучше, – и вам следует убедиться в том, что она обладает соответствующим уровнем качества.
Вы должны до определенной степени овладеть инструментами, используемыми в вашей профессии. Конечно, хорошо иметь высококлассную технологию, но еще более важно знать, как использовать то, что у вас есть. Нужно заботиться о том, чтобы прогнозы были «правильными» – то есть о выявлении объективной истины, – а не о том, чтобы создавать приятные или удобные для кого-то прогнозы или говорить слова, позволяющие вам пробиться на телевизионные экраны.
Затем вы сможете продвинуться еще на несколько промежуточных шагов, развивая некоторые практические методы (эвристические правила), основанные на опыте, здравом смысле и более-менее систематическом подходе, позволяющем делать прогнозы, а не строить догадки для каждого случая.
Все это совсем непросто, многим подобные вещи не удаются. Однако, с другой стороны, они не слишком сложны, и с их помощью вы можете делать прогнозы, 80 % из которых будут соответствовать уровню прогнозов от самых точных экспертов в мире.
Иногда, однако, самое главное состоит не в том, насколько хороши ваши предсказания в абсолютном смысле, а то, насколько они хороши по сравнению с прогнозами конкурентов.
В покере вы можете принимать правильные решения в 95 % случаев и все равно потерять последнюю рубашку, играя с людьми, которые делают правильные прогнозы в 99 % случаев. Аналогичным образом, для того чтобы обыграть фондовый рынок, вы должны создавать более качественные прогнозы, чем члены команды инвесторов в хороших костюмах с магистерскими степенями, полученными в университетах «Лиги плюща»
[134], с зарплатами, выраженными семизначными цифрами, и имеющие в своем распоряжении самые продвинутые компьютерные системы. В подобных случаях вам придется приложить массу дополнительных усилий для победы над конкурентами.
Вскоре вы обнаружите, что отдача от усилий станет меньше. Приобретение новых знаний и опыта, мероприятия по улучшению стратегии и дополнительные переменные, которые вы включаете в свою модель прогнозирования, будут приводить лишь к незначительным улучшениям (рис. 10.4). У вас уже есть набор полезных правил – и теперь вам потребуется понять, в чем состоят исключения из них.
