Nói chung, tôi cố gắng không nói nhiều về sự kém hiệu quả trong lịch sử,
những thứ đã biến mất khỏi thị trường, vì ngay cả những thông tin đó cũng
có thể giúp đối thủ cạnh tranh quyết định làm thế nào để phân bổ hiệu quả
hơn nguồn lực nghiên cứu hiếm hoi, giúp họ “hưởng thụ miễn phí” trên
những phát hiện của chúng tôi, và đem lại cho họ lợi thế cạnh tranh không
công bằng. Tuy nhiên tôi có thể đưa ra một ví dụ về quyền chọn bị định giá
thấp (quyền chọn giao dịch tại mức giá dưới mức ngụ ý của mô hình lý
thuyết). Ngày nay, nếu bạn thấy một quyền chọn có vẻ như được định giá
sai, thì thường phải có lý do nào đó. Nhưng những năm trước đây, thì
không nhất thiết là vậy.
Khi ông nhận thấy một bất thường rõ ràng hoặc mô hình trong dữ liệu
lịch sử, làm thế nào để ông biết nó thực sự nói lên một điều gì đó?
Bạn càng có nhiều biến số, thì bạn càng có khả năng để tìm số lượng thống
kê giả, và càng khó khăn để nói rằng mô hình bạn phát hiện có giá trị dự
đoán hay không. Chúng tôi rất cẩn thận để tránh những cạm bẫy về phương
pháp luận liên quan đến hiện tượng “quá vừa dữ liệu”.
Mặc dù chúng tôi sử dụng một số kỹ thuật toán học khác nhau để thiết lập
sự vững mạnh và giá trị dự đoán cho các chiến lược của mình, nhưng một
trong những công cụ mạnh mẽ nhất của chúng tôi là ứng dụng đơn giản
phương pháp khoa học. Thay vì mù quáng tìm kiếm các mô hình thông qua
dữ liệu − một phương pháp có nhiều rủi ro tiềm ẩn bên trong, ví dụ: khoa
học tự nhiên và nghiên cứu y tế cộng đồng − chúng tôi thường bắt đầu bằng
việc xây dựng một giả thiết dựa trên các loại lý thuyết về cấu trúc hoặc hiểu
biết chất lượng về thị trường, sau đó kiểm tra giả thiết đó để xem liệu nó có
được dữ liệu hỗ trợ hay không.
Thật không may, kết quả thường gặp nhất là các dữ liệu thực tế không đem
lại bằng chứng cho phép chúng tôi từ chối “giả thiết không” của thị trường
hiệu quả. Tuy nhiên, đôi khi chúng tôi cũng tìm được sự bất thường mới
