Préférer les positions offrant de l'optionalité à celles offrant de la précision
Dans les environnements incertains, priorisez les options de pivoter par rapport aux positions fixes optimisées.
Why it works
L'optimisation de précision suppose que vous connaissez la distribution des résultats futurs suffisamment bien pour l'optimiser. Sur le territoire du sophisme ludique — où les résultats sont tirés d'une distribution qui n'est pas celle de votre modèle — les positions optimisées peuvent devenir fragiles quand la distribution change. L'optionalité (la capacité de répondre à l'information au fur et à mesure qu'elle arrive) conserve de la valeur précisément quand la précision échoue, car les options paient sur des trajectoires que le modèle n'incluait pas.
How to do it
- En choisissant entre une stratégie précisément optimisée et une qui préserve la flexibilité, pondérez délibérément la flexibilité.
- Identifiez quelles options vous abandonnez en vous engageant pleinement sur une seule voie.
- Conservez des ressources, des relations, et du temps non alloués pour permettre une adaptation en temps réel.
Données probantes
Cohérent avec la théorie des options réelles en finance et avec la littérature plus large sur les stratégies adaptatives sous incertitude. La « stratégie haltère » de Taleb formalise cela comme une approche de portefeuille : des actifs très sûrs plus une véritable optionalité, en évitant le milieu. (mechanistic)
L'optionalité a des coûts : elle signifie typiquement des rendements attendus plus faibles dans des environnements stables. La préférence pour l'optionalité n'est justifiée que quand la véritable incertitude est élevée.
Erreur fréquente
Traiter « garder les options ouvertes » comme une stratégie sans risque — maintenir l'optionalité a des coûts réels et devrait être choisi délibérément, pas comme option par défaut pour toutes les situations.
Pratiquez cela avec IX Coach
More practices for Le sophisme ludique : quand vous confondez la vraie vie avec un jeu
- Vérifier si les règles de votre domaine sont réellement stables
Avant d'appliquer tout modèle de probabilité, demandez si les règles régissant les résultats pourraient changer en cours de partie.
- Construire des plans avec de la marge pour les résultats hors de votre modèle
Réservez de la capacité pour des événements qui ne sont pas dans votre modèle de risque — car les événements les plus dommageables ne le sont généralement pas.
- Tester les plans sous stress au-delà de la fourchette historique
Demandez comment votre plan tient si le pire résultat est deux fois pire que tout cas historiquement observé.
- Se méfier de la fausse précision dans les prévisions et modèles
Traitez toute probabilité précise ou prévision quantitative avec une suspicion explicite quant à savoir si le modèle correspond au domaine.
- Questionner si la catégorie depuis laquelle vous raisonnez correspond réellement
Avant d'appliquer un modèle ou un cadre, vérifiez que la catégorie sur laquelle il a été construit correspond réellement à votre situation.
Concepts associés
- Le sophisme narratif : pourquoi nous ne pouvons pas nous empêcher de fabriquer des histoires
How causal stories distort hindsight, forecast, and learning — and how to reduce their pull
- Système 1, Système 2, rendus utilisables
Two systems, the biases they create, and when to slow down
- La négligence du taux de base : pourquoi nous ignorons les probabilités
How to let prior probabilities do their real work in your decisions