過信のワークド例とは？
過信とは？
過信とは、自分の判断、予測、またはスキルがどれほど正確であるかを、体系的に過大評価してしまう傾向です。意思決定の文脈では、しばしば「（たとえば）基礎となる発生率や不確実性がそれほど有利でないのに、将来の結果が“起こりそう”だと信じてしまう」ような、結果に対する自信の過大評価として現れます。
重要な点は、過信は「楽観しすぎ」と同じではないことです。自分がどれくらい確信しているか（または確率をどう設定しているか）と、実際に結果がどう振る舞うかとの間に生じるズレのことです。
過信のワークド例はどう機能する？
ワークド例は、次の2つの部分を分けるべきです。
- 安定した仕組み：確率、期待値、そして自信が意思決定のしきい値へどう変換されるかという数学。
- 変動する条件：市場のボラティリティ、執行の質、コスト、その他の現実世界の要因によって結果が変わる部分。
プロンプトが透明性のある例を求めているため、すべての前提を明示し、そのうえで「小さな確率の見積りの誤り」が意思決定をどれほど大きく変え得るかを示すことが目的です。
証拠または例：透明な数値シナリオ
あなたが、不確実な確率を伴う二択の意思決定（結果Aまたは結果B）を検討しているとします。あなたは「賭けに乗る」（Proceed）か、「乗らない」（Avoid）かを選ばなければなりません。
前提（最初に明示）
- あなたは目標とする結果を選びます：結果Aは、真の確率 (p) で起こるとします。
- あなたは自分の確信に基づいて、個人的に確率 (\hat{p}) を見積もります。
- 進む（Proceed）として、Aが起これば +10 ユニット得ます。
- 進む（Proceed）として、Bが起これば -10 ユニット失います。
- 進まない（Avoid）場合の報酬は 0 です。
- このおもちゃのモデルでは、他のコストはありません（これは限界です）。
安定した仕組み：期待値
進む場合、あなたの見積り (\hat{p}) に基づく期待ペイオフは次の通りです： [ EV_{\text{your estimate}} = \hat{p}(+10) + (1-\hat{p})(-10) = 20\hat{p} - 10. ] あなたは、(EV_{\text{your estimate}} > 0) なら進むことを選ぶでしょう。これは次を意味します： [ 20\hat{p} - 10 > 0 \Rightarrow \hat{p} > 0.5. ]
2つの確率の世界（過信が問題になるところ）
- 真の確率（現実）：(p = 0.45)。結果Aは、「コイントス＋少し」のようなものよりも実際には起こりにくい。
- あなたの過信した見積り：(\hat{p} = 0.65)。あなたは自分の判断が強く有利だと信じています。
あなたが下す意思決定（(\hat{p}) に基づく）： [ EV_{\text{your estimate}} = 20(0.65) - 10 = 3. ] したがって、あなたは進みます。
**しかし、実現される期待値（真の (p) に基づく）**は次の通りです： [ EV_{\text{true}} = 20(0.45) - 10 = -1. ] つまり期待の観点では、進むことは有害です。
これが過信のワークド例です。あなたは確率を高すぎる値で使い、その結果、意思決定ルールが「避ける」から「進む」へ反転しました。
限界とリスク（重大な失敗パターン）
-
不確実性が無視される、または軽視される：過信は、起こり得る幅広い結果を「どうせうまくいくはず」という狭い信念に圧縮してしまうことがよくあります。確率の観点では、正当化なしに (\hat{p}) を (p) の代わりに置き換えてしまうのです。
-
コストと執行の影響が除外される：現実の意思決定には、スプレッド、手数料、スリッページ、そしてタイミングの違いが通常含まれます。それらはペイオフの数値を変えます（このおもちゃの例では ±10）。その結果、わずかに有利な論理が不利なものに変わり得ます。
-
条件が変わる：過去に正確だったとしても、「基礎となる発生率」(p) は変わり得ます。歴史的な関係は、将来の確率を保証しません。
-
検証の失敗：過信している人は、たとえば「あなたが割り当てた65%の出来事が、実際に約65%の頻度で起きているか」をキャリブレーションとして検証しないかもしれません。
検証と次に何をするか（結果を約束しない形で）
ワークド例の論理を独立に検証するには、読者は次のことができます：
- 明示されたペイオフから、期待値の式 (EV = 20p - 10) を再計算する。
- 意思決定のしきい値を確認する：この前提のもとでは、進むには (p > 0.5) が必要。
- (p)、(\hat{p})、またはペイオフの大きさを変えて前提をストレステストし、意思決定がいつ反転するかを観察する。
役に立つ次の問いは、「どんな証拠が (\hat{p}) を、(p) のキャリブレーションされた推定値へ更新するのだろう？」です。これは予測ではなく、測定に焦点を当てます。
望むなら、同じ枠組みを別のおもちゃのモデル（たとえば、非対称なペイオフや固定コストの追加）に適用することもできます。その際も、すべての前提を明示したままにしてください。
DOCUMENT END