부의 기원/ 행위자들: 심리 게임

  • 모든 경제 이론의 핵심에는 인간 행태 이론이 있을 수 밖에 없다. 경제는 궁극적으로 사람들로 구성되기 때문이다. 경제적 행태 이론은 다음과 같은 질문에 답하지 않으면 안 된다. 우리는 어떻게 경제적 의사 결정을 내리는가? 우리는 어떤 종류의 정보를 활용하는가? 그리고 의사 결정 중에서 우리가 제대로 하거나 잘못을 범하는 어떤 것들이 있는가?
  • 모든 과학 이론은 실제 현실 세계를 근사적으로 표현하거나 단순화한 것이다. 인간 행태에 관한 경제 모델을 만드는 우리 목표는 어떤 완벽한 복사본을 만들자는게 아니다. 오히려 인간의 경제적 행태에 관한 우리의 모델은 일종의 좋은 지도와 같은 것이다. 지형의 중요한 특징들은 잡아내지만 사족적인 세부 사항들은 무시한다. 그러나 모델은 현실 세계에 존재하지 않는 것을 집어 넣어선 안되며 진실이라고 우리가 알고 있는 것들과 모순되어서도 안 된다. 현실 세계의 사람들이 하지 않거나 할 수 없는 그런 것은 슈거스케이프에 전혀 없다.
  • 경제학자들은 인간 행태에 관한 자신들의 표준 모델에 대해 호모 에코노미쿠스 (homo economicus)라고 표현하기를 좋아한다. 우리는 호모 에코노미쿠스에 대한 복잡계 경제학의 접근이 전통 경제학적 접근과는 크게 다르다는 것을 알게 될 것이다.

스폭이 쇼핑을 하다

  • <스타트랙> 시리즈에서 벌컨 출신 스폭은 완벽한 합리적 존재의 모습을 보여 준다. 스폭은 숫자 파이를 소수점 50자리까지 기억하고 믿기지 않을 정도의 복잡한 계산도 척척 해낸다. 페이저가 불을 뿜는 와중인데도 아랑곳하지 않고 사소한 감정의 흔들림도 없다. 스폭은 전통 경제학이 인간 행태를 묘사하는 좋은 보기다.
  • 지금 당신이 근처 식품 가게로 가서 토마토를 본다고 생각하자. 전통 경제학이 주장하는 바에 따르면 당신은 토마토와 빵, 우유, 스페인에서의 휴가 등 다른 모든 상품들과 비교해서 작성된, 잘 정리된 선호도를 갖고 있다. 더구나 당신은 미래의 어떤 시점에 살지도 모를 모든 상품들에 대해서도 이미 선호도를 갖고 있다. 미래는 불확실하기 때문에 당신은 간으한 구매마다 확률을 부여해 놓고 있다. 예컨대 2년 후 부엌 선반이 느슨해져서 이를 조일 볼트를 구입하기 위해 1.2달러를 지불할 가능성이 23%가 있다는 식이다. 이 1.2달러의 현재 가치는 약 1달러다. 여기에 23% 확률을 곱하면 기대 가치가 나오는데, 계산 결과는 23센트다. 가능한 미래 수선을 위한 기대 지출이 23센트라는 얘기다. 그러니까 이런 구매 가능성과 지금 이 순간 토마토 구매, 그리고 일생 동안 가능한 모든 다른 구매 등을 따져 보지 않으면 안 된다. 전통 경제 모델에서는 이렇게 정의된 모든 선호도가 매우 논리적으로 정돈돼 있다.
  • 전통 경제학에서는 또한 당신이 토마토 소비를 위한 예산이 어느 정도인지 정확히 알고 있다고 가정한다. 이 예산을 계산하려면 당신은 전 생애에 걸쳐 미래 소득에 대한 기대치를 이미 충분히 파악하고 있어야 하고 그런 지식을 토대로 현재의 예산을 최적화해야 한다. 다른 말로 하면 당신이 토마토에 쓰인 돈이 은퇴했을 때 더 잘 쓰일 수 있다는 것을 안다면 그 이유 때문에 지금 토마토에 대한 소비를 보류할지도 모른다. 물론 여기에는 몇 가지 가정이 있다. 당신의 미래 소득은 완벽하게 위험이 분산된 금융 자산의 포트폴리오에 투자될 것이다. 그리고 당신은 65세에 은퇴할 때까지 살아 있을 확률에 대한 보험 통계적 계산도 고려한다. 미래 이자율, 인플레이션, 환율 등에 대한 기대치도 물론 포함된다. 당신은 좋아 보이는 빨간 토마토를 응시하면서 서 있는 동안 이 모든 정보를 머리 속에 집어 넣고는 빈틈이 안 보일 정로도 그리고 믿을 수 없을 정도로 복잡한 최적화 계산을 한다. 그리고 그 결과 살지 안 살지에 대해 완벽하게 최적인 해답을 찾아낸다.
  • 이 같은 스폭과 같은 방식이 ‘완전 합리성 (perfect-rationality)’ 모델로 알려져 있다. 완전 합리성 모델은 바로 전통 경제학의 근본적이고 핵심적인 가정의 하나다. 이와는 대조적으로 새로이 등장한 복잡계 경제학이 인간 행태에 대해 갖는 관점의 핵심에는 ‘추론적 합리성 (inducive rationality)’으로 알려진 또 하나의 방식이 자리하고 있다. 예컨대 이런 것이다. “흠, 토마토로군. 좋고 신선해 보이네. 오늘 밤 샐러드가 당기는데. 가격도 좋고” 그래서 쇼핑 바구니 속으로 토마토가 들어간다.

인식의 부조화

  • 전통 경제학의 다른 많은 가정들과 마찬가지로 완전 합리성 또한 발라와 제번스로 거슬러 올라간다. 그들은 인간 행태를 연구함으로써 이 모델을 떠올린게 아니었다. 사람들이 그런 식으로 모든 계산을 한 뒤 행동하는 것을 아무도 본 적이 없다. 그런데도 경제학은 완전 합리성을 하나의 가정으로 채택했다. 경제학을 19세기 균형이라는 이론적 틀에 맞추기 위한 목적에서였다.
  • 완전 합리성은 중력과 비슷한 역할을 한다. 우리가 사람들의 행동에 관한 제약 조건을 알고 있고 또 모든 사람들이 완전하게 합리적으로 행동한다고 가정하면 모두가 똑같은 방식으로 제약 조건에 반응할 것이다. 사람의 결정들은 예측 가능할 것이고, 시스템을 균형으로 이끌 것이다. 전통 경제학에서 인간 행태에 관한 이 핵심적인 가정은 이후 더 발전하지 못했다. 그 이유는 모든 사람들이 이 가정이 실제 인간 행태를 잘 묘사한 것이라고 생각했기 때문이다. 그리고 완전 합리성 가정은 균형이라는 분석 틀에서 수학이 작동하다록 하기 위해 바로 채택 됐다. 발라와 그 이후 경제학잗르은 사후적으로 가정의 현실성 결여를 정당화 하려고 노력했다. 완전 합리성 가정은 사람들이 실제 어떻게 행동하는지를 잘 묘사한 것(‘실증적 모델’)은 아니라고 할지라도 인간이 어떻게 행동해야 하는지에 대한 묘사(‘규범적 모델’)로는 괜찮은 것 아니냐는 얘기다. 완전하게 합리적인 경제를 모델로 만들 수는 잇겠지만 그럴 경우 실제 세계가 그런 이상과 얼마나 괴리되어 있는지를 바로 알 수 있다.
  • 완전 합리성이 사람들이 어떻게 행동해야 하는지에 관한 것이라며 정당화하는 것에는 두 가지 문제점이 있다. 첫째, 다른 모든 사람들이 자기와 다르게 행동하더라도 자신만은 완전하게 합리적인 사람이 되어야 한다는 결론이 반드시 당연한 것은 아니다. 타이밍이 매우 중요하다. 예컨대 당신이 1998년 닷컴 주식을 공매(short)했다면 2002년 당신이 옳았다는 것이 입증되기 전에 이미 2년간 상당한 돈을 잃었을 것이다. 둘째, 완전 합리성이 좋은 규범적 모델도 아니다. 왜냐하면 사람들이 그렇게 행동하고 싶다고 해도 실제로는 그럴 수 없기 때문이다.
  • 완전 합리성 가정은 그것이 도입될 때부터 도전받고 비판받아 왔다. 그러나 경제학자들은 어쨌든 이 가정을 계속 사용해 왔다. 완전 합리성으로 인해 모델이 수학적으로 바뀔 수 있는데다 아무도 이보다 더 나은 대안을 제시하지 못했기 때문이다. 1950년대 허버트 사이먼과 카네기멜론 대학의 그의 동료 제임스 마치와 리처드 사이어트는 이 가정에 직접적인 도전을 했다. 그들은 당시로서는 꽤 과격한 시도를 했다. 현실 세계의 사람들이 의사 결정을 내리는 것을 특히 실제로 회사에서 관리자들이 의사 결정을 내리는 것을지켜보고 연구했다. 이 실험과 심리학자들의 도움 등을 통해 그들은 현실 세계 사람들의 행동은 경제학 교과서에 기술되어 있는 그런 모습과 전혀 비슷하지 않다는 점을 확신했다.
  • 사이먼은 완전 합리성과 경쟁하는 의사 결정 이론을 제시했다. 바로 ‘제한된 합리성 (bounded rationality)’ 이론이다. 기본적으로 인간은 경제적으로 이기적이고 영리하다고 말하지만 그렇게 영리한 것은 아니다. 사이먼 이론은 완전 정보의 부재, 그리고 크지만 여전히 제한적인 인간 뇌의 처리 용량을 고려했다. 사이먼은 완전 합리성 대신에 인간은 작은 성과에 만족한다고 주장한다. 기본적으로 우리 인간은 현재 가지고 있는 정보에 의존해 최선을 다할 뿐이라는 얘기다.
  • 사이먼은 1978년 노벨 경제학상을 받았고 오늘날 대부분의 경제학자는 그에 대해서 존경스럽다는 듯이 말하지만 사이먼의 연구는 전통 경제학 이론에 단지 제한적인 영향을 미쳤을 뿐이다. 대부분의 표준 경제학 교과서는 사이먼 또는 제한적 합리성에 대해 언급조차 안 하고 있다. 이런 무시의 한 이유는 수년간에 걸친 다양한 시도들에도 불구하고 연구자들이 사이먼의 아이디어를 수학적 모델로 바꾸는데 성공을 거두지 못했다는 점에서 찾을 수 있다.
  • 사이먼의 개척자적 연구에 뒤이어 크게 두 집단의 경제학자들과 심리학자들이 호모 에코노미쿠스에 대한 전통 경제학적 모델을 반박하는 경험적, 실험적 증거들을 찾아내기 시작했고 오늘날 ‘행동 경제학’으로 알려진 분야를 만들어 냈다. 이 연구들 역시 실제 사람들은 전통 경제학 이론에서 설명하는 방식대로 선호도를 만들어 놓고 위험을 판단하며 의사 결정을 내리지 않는다는 점을 거듭거듭 확인시켜 주었다. 새 밀레니엄을 맞이하여 행동경제학은 학문의 주류로 들어왔다. 2002년 대니얼 카너먼과 버넌 스미스는 노벨상을 받았다.
  • 행동경제학의 등장으로 경제학은 ‘인식의 부조화’라는 이상한 상황에 놓이게 되었다. 즉, 많은 경제학자들인 완전 합리성에 대한 비판의 타당성을 인정하면서도 여전히 전통 경제학의 가정들을 사용한다. 공식적인 모델로 사용할 수 있는 대안이 없다는 이유에서다. 그러나 행동경제학자들, 심리학자들, 그리고 컴퓨터 과학자들이 서로 협력을 확대하면서 대안적인 모델이 출현하기 시작했다.

당신은 이기적인 돼지!

  • 만일 당신이 지금 비행기로 여행하는 중에 다음과 같은 게임을 제안 받는다. 게임을 제안한 사람은 매우 부유한 여자인데 그 여자가 당신과 당신 옆에 앉은 사업가 –당신은 모르는 사람– 에게 5천 달러를 주고, 당신과 사업가가 그 돈을 어떻게 나눌 것인지 합의하면 5천 달러를 그냥 주고 그렇지 않으면 게임은 없던 일로 하겠다고 한다. 대신 돈을 나눌 권한은 당신의 옆에 앉은 사업가에게만 있고 당신은 사업가의 제안을 수락할 수 있는 권한을 갖는다. 이때 사업가가 “나는 4,990달러를 가질 테니 당신은 10달러를 가지시오” 라고 한다면 당신은 그의 제안을 수락할 것인가 거절할 것인가?
  • 이 게임을 최후 통첩 게임이라고 하는데, 경제적관점에서만 본다면 당신은 그가 10달러가 아닌 1달러를 제시하더라도 수락하는 것이 이익이다. 그러나 이 게임을 여러 형태로 나누어 세계 각국 –일본, 이스라엘, 슬로베니아, 칠레, 짐바브웨, 인도네이사, 미국 등– 에서 대학생들, 사업가들, 부족민들, 양치기 등 다양한 사람들을 대상으로 수천 번에 걸쳐 실험을 했던 결과는 놀랍게도 모두 경제적으로 비합리적인 결정을 내렸다. 대부분의 사람들은 설사 확실한 금융적 이득을 거둘 수 있는 제안이라고 하더라도 불공평하다고 여겨지는 제안은 거절했다.(대개 30% 미만이면 일반적으로 불공평하다고 하지만 정확히 어느 정도면 불공평한지에 대해서는 문화마다 차이가 있다.)
  • 취리히 대학의 에른스트 페르와 시몬 게히터는 주의 깊게 설계된 일련의 실험을 통하여 참가자들 간에 미래에 어떤 상호 작용도 없을 것이라는 점이 명백한 경우라도, 그래서 나중의 이익과 현재의 손실을 교환할 기회가 없다고 할 경우에도 똑같이 제안을 거절하는 결과가 나왔다.
  • 공평성과 상호주의에 대한 우리의 판단은 우리를 불공평하게 대하는 사람들을 벌하려는 욕구를 자극할 뿐만 아니라 우리를 도와주고 뭔가를 해주려는 사람들에게는 보상을 하게 한다. 예컨대 레스토랑에서 웨이터들이 청구서와 함께 사탕 하나를 놓았을 때의 팁은 그렇지 않았을 때보다 18%나 더 높았다.(물론 사탕 두 개는 그보다 훨씬 많은 팁을 가져다 주었다.)
  • 전통 모델은 사람들은 단지 경제적 의사 결정의 결과에만 관심이 있지 그런 결정을 내리는 과정에 대해서는 관심이 없다고 묵시적으로 갖어한다. 협상, 공평성, 강압 등과 같은 것들은 고려 대상이 아니다. 또한 전통 모델에서는 사람들이 개인적으로 무슨 이익을 보고 무슨 손해를 보는지에만 관심이 있지 다른 사람들의 결과는 쳐다보지도 않는다고 가정한다. 최후통첩 게임의 실험 결과는 이런 가정들에 대한 직접적인 반증이다.
  • 최근의 행태론적 연구 동향 조사에서 MIT와 산타페 연구소의 허버트 긴티스와 그 동료들은 애덤 스미스가 <국부론>에서 인간을 이기적이고 유물론적인 존재로 표현했지만, 스미스가 그의 또 다른 책 <도덕감정론>에서는 인간에 대해 이기심과 아량을 동시에 발휘할 수 있는 존재로 표현하는 등 인간 본성에 대한 미묘한 관점의 차이를 드러냈다는 사실 이야기한다. 최후통첩 게임과 다른 여러 실험의 증거들은 스미스의 두 번째 관점이 옳다는 것을 보여 준다.
  • 인간은 계산된 합리성을 무시할 만큼 공평성과 상호주의에 대한 아주 뿌리 깊은 규칙을 갖고 있다. 긴티스와 그 동료들은 인간은 다른 사람들이 아량을 보이는 한 이쪽에서도 아량을 보이는 ‘조건부 협렵자’라는 점을 알아냈다. 또 인간은 불공평하게 행동하는 사람에게는 자신의 직접적인 이익을 희생해서라도 한 방 먹이려는 ‘이타적인 징벌자’라는 점도 발견했다.
  • 우리가 조건부 협력자이고 이타적인 징벌자라는 사실은 놀라운 것이 아니다. 우리의 원시 조상들은 협력적 행동과 생존이 결코 분리될 수 없는 소규모 무리로 살면서 약 200만 년간이나 존재했다. 오늘날 사람들은 여전히 상호주의가 중요한 사회적 상호 작용의 네트워크 속에서 살아간다. 우리 모두 서로를 도우면 더 좋아질 수 있지만 되돌려주는 것 없이 자기 이익만 취하는 사람들에 의한 악용 가능성도 물론 있다. 아주 조그만 정도의 무임승차는 용납할 수 있지만 만약 그것이 만연한다면 서로 등을 긁어 주는 시스템은 붕괴할 것이고 그렇게 되면 모든 사람들이 더 나빠진다. 이런 점을 생각하면 협력을 보상하고 무임승차자는 벌하는 뿌리 깊은 행태를 우리가 갖고 있다는 것은 설득력이 있어 보인다.

과오는 인지상사다

  • 현실 세계 사람들이 전통 모델에서 이탈하는 또 하나의 중요한 측면은 사람은 실수를 한다는 점이다. 전통 모델에서는 스폭과 같은 행위자들을 생각하기 때문에 그들은 완전하고 결코 실수를 하지 않는다. 실수를 하더라도 정답 근처에 임의적으로 분포된 노이즈 정도에 불과하다. 다른 말로 하면 전통 모델에서는 사람들이 공통의 실수나 편견을 공유하는 일은 없다. 한편 행동경제학이 바라보는 관점은 다르다. 한마디로 ‘과오는 인지상사’로 생각한다. 컬럼비아 대학의 존 엘스터는 심지어 “전혀 편견 없는 인식적 평가를 할 가능성이 가장 높은 사람들은 임상적으로 의기소침한 사람들이다”라고 주장한다.
  • 연구자들이 정상적인 활동을 하는 사람들에게서 발견한 공통적인 실수나 편견 중에는 다음과 같은 것들이 있다.
    • 구조화 액자 편견: 어떤 이슈를 정확히 어떤 틀로 표현하느냐는 사람들이 그 문제를 생각하는 데 영향을 줄 수 있다.
    • 대표성: 사람들은 매우 작고 치우친 표본에서 큰 결론을 도출하려는 나쁜 습관을 갖고 있다.
    • 가용성 편견: 사람들은 좋은 결정을 내리기 위해 진실로 필요한 자료들을 발견하기 보다는 손쉽게 구할 수 있는 자료들을 토대로 의사 결정을 내리는 경향이 있다.
    • 위험 판단의 어려움: 대부분의 사람들은 확률로 추론하고 위험을 평가하는데 어려움을 느낀다.
    • 미신에 사로찹힌 추론: 우리는 단지 순서나 발생 등에서 가장 가까운 원인을 찾는 경향이 있다. 그리고 종종 임의적으로 발생한 일을 인과 관계로 혼동하기도 한다.
    • 정신적 회계: 전통경제학에서는 돈을 모두 같이 취급한다. 그러나 사람들은 돈을 서로 다른 칸막이에 넣어 두는 경향이 있다. 예컨대 사람들은 아직 갚지 않은 신용 카드 지불금이 있는데도 매달 은퇴 후의 계획용으로 돈을 저축하는데, 이는 은퇴 계좌의 투자 수익률이 신용 카드 이자율 보다 낮기 때문에 합리적인 선택이 아니다.

계산이 안 된다

  • 전통 경제학자들은 대부분의 사람들이 합리성으로부터 이탈할 수도 있지만 시장에는 소수의 혹은 단 한 명의 초합리적인 플레이어만 있으면 이 모든 사람들의 실수를 이용해 시장을 완전한 합리적 균형으로 이끌 수 있다고 말한다. 예컨대 모든 투자자들이 바보라도 스폭과 같은 몇 사람의 거래자들이 다른 모든 사람들의 어리석음을 이용한 매매를 통해 큰 돈을 벌고, 가격을 완전 합리성에 의해 예측된 수준으로 끌어올린다는 얘기다.
  • 1985년 알라인 루이스라는 수학자는 계산 이론에서 나오는 복잡한 기법을 활용, 그 어느 누구도 가장 총명한 차액매매 거래자라고 할 지라도 실제로는 완전 합리성으로 표현되는 그런 계산을 해낼 수 없음을 증명했다. 완전 합리성은 경제 이론에서는 가능한 얘기일 수 있지만 계산할 수 없는 것이기 때문에 실제적인 의미에서는 가능한게 아니라는 점을 밝힌 것이다. 계산이론에는 ‘튜링 기계 (Turing Machine)’라는 개념이 있다. 이는 수학자 앨런 튜링의 이름을 딴 것으로 일종의 상상 속의 만능 컴퓨터이다. 어떤 문제가 튜링 기계에서 계산이 가능하다면 적어도 이론적으로는 그런 계산이 가능한 물리적 컴퓨터를 만드는 것이 가능하다. 그러나 튜링 기계에서 계산이 불가능하다면 컴퓨터가 아무리 강력하더라도 설사 우주에 맞먹는 용량을 가진다고 하더라도 그 문제를 결코 풀 수 없다. 루이스가 증명해낸 건 바로 전통 경제학자들이 정의하는 완전 합리성이 튜링 기계에서도 계산할 수 없다는 것이다.

아서의 술집

  • 계산할 수 없다는 점 외에도 많은 경제적 문제들은 이론적으로도 그렇고 실제적으로도 결코 완전히 합리적인 솔루션을 가지지 않은 것으로 밝혀지고 있다. 초기 산타페 연구소 모임에 참여했고 한때 산타페 연구소의 경제 프로그램을 책임졌던 브라이언 아서는 다음과 같은 보기를 통해 이 문제를 설명했다. 산타페의 한 대중적인 술집 ‘엘파롤’은 목요일 밤이면 아일랜드의 생음악을 들려준다. 그러나 대형 술집이 아니라서 60명이 넘지 않을 때만 당신은 편안하고 즐거운 저녁을 즐길 수 있다. 만약 60명이 넘는 인원이 밀려들면 술집은 꽉 차서 혼잡해지고 그만큼 불편해진다. 당신은 목요일 밤 60명이 넘지 않을 것이라고 기대하면 술집을 방문하고, 만일 60명이 넘을 것으로 예상되면 집에 머물기로 한다. 여기서 당신은 이곳에 올지도 모를 다른 사람들과 의사소통할 방법은 갖고 있지 않다. 또한 그날 얼마나 붐빌지 엘 파롤에 전화를 걸어 물어 볼 수도 없다. 오로지 각자가 자신의 기대에 따라 이곳에 올지 안 올지를 결정한다고 하자. 그렇다면 당신은 이곳에 갈 것인가 집에 머물 것인가? 어떻게 결정할 것인가?
  • 이 문제에 대해 완전히 합리적인 솔루션은 없는 것으로 증명이 된다. 여기에는 하나의 무한한 ‘순환성(circularity)’이 존재한다. 당신은 내가 어떻게 할지에 대한 기대에 의존하고, 나는 당신이 어떻게 할지에 대한 기대에 의존하는 식의 끝없는 반복이 있다. 분석적인 대답 대신 엘 파롤 문제에서 의사결정을 내리는 유일한 방법은 참가자들이 자신들이 과거 이곳에 갔던 기억을 떠올리며 어떤 패턴이 있는지 살펴보고는 ‘지는 두 번의 목요일에 붐비지 않았으니 오늘 가겠다.’ 식으로 판단한다.
  • 아서는 그와 같은 경험 법칙에 따라 컴퓨터 상에서 가상 실험을 해보고는 이 문제는 결코 균형에 이르지 못한다는 것을 발견했다. 어느 날은 꽤 붐비고 또 어느 날은 반이나 비었다. 그러나 그런 변동은 결국 60명 수준의 평균치를 보여 주고 있다.

  • 전통 경제학자는 이를 보고 이 술집의 최대 수용 용량인 60명이라는 완전히 합리적인 수준에 도달하고 있으므로 균형을 발견했다고 말할 수 있다. 또한 그는 60명 균형 주변에서 오락가락하는 것을 노이즈라고 말할 것이다. 그러나 이는 틀린 주장이다. 60명이라는 평균 참석률은 하나의 균형으로 볼 수 없다. 그리고 이를 중심으로 한 변동을 그냥 노이즈의 일종으로 생각해 무시할 수 없다. 초기 출발 조건을 제외하면 이 시스템에는 어떠한 임의적인 것도 없다. 그런 점에서 이 시스템은 결정론적인 것이고 노이즈도 없다. 오히려 이 문제는 균형을 갖고 있지 않은 다시 말해 어떠한 ‘고정점 인력체 또는 끌개’도 갖고 있지 않다고 보는 것이 적절한 해석이다.
  • 다양한 경험 법칙을 활용하는 참가자들 모두의 역동성이 60을 중심으로 동태적인 끌개를 만들어 낸다. 그리고 참석 수준의 높은 변동성은 행위자들의 상호작용에 의해 내생적으로 발생한 것으로서 결코 사라지지 않을 것이다. 다시 말해 참석 수준은 언제나 심하게 오락가락하며 변동할 것이며, 어떤 균형점으로의 수렴은 결코 일어나지 않을 것이다.
  • 아서는 이런 문제처럼 동태적이고 일종의 자기 참조적 또는 자기 준거적이며 정의하기가 모호한 그런 경제적 의사 결정들이 많다고 지적한다. 가격 인하를 고려하는 기업 A는 자신이 처한 상황 뿐만 아니라 기업 B와 C가 어떻게 할지에 대해서도 걱정할 것이다. 그리고 기업 B와 C는 기업 A가 무엇을 할지에 대한 인식을 전략 수립에 감안할 것이다. 새로운 기술 표준 채택, 새로운 제품의 시장 도입, 그리고 주식 가치 평가에는 모두 일종의 자기 참조적 기대가 내재되어 있다. 사람들이 이런 의사 결정을 별다른 묘책 없이도 그럭저럭 내리는 유일한 방법은 과거의 경험을 토대로 패턴이라든지 법칙을 찾아보는 것이다. 이렇게 경험에서 법칙을 도출하고 상호작용하고 어떻게 보면 우물쭈물 하는 이런 행위자들의 세계는 결코 균형에 이를 수 없다. 현실 세계에서 우리가 보는 변동성의 많은 부분이 외생적이거나 임의적인 충격에 의한 것이라기보다는 앞서 살펴 보았듯이 의사 결정 규칙의 이런 역동성 때문에 초래되는 것일 수 있다는 흥미로운 가능성을 제기하고 있는 게 바로 아서의 술집 문제이다.

귀납적 합리성

  • 완전 합리성이라는 용어는 부담되는 표현인데, 왜냐하면 이에 대한 그 어떤 대안도 불완전하거나 비합리적이라는 얘기가 되기 때문이다. 아무도 불완전하고 비합리적이기를 원하지 않는다. 인간 행태를 바라보는 대안적인 방법이 있는데 이는 호모 에코노미쿠스에 대한 새로운 관점의 기초를 제공해 줄 수 있는 한 방법으로 바로 근대 인지과학 이론들이다.
  • 인지과학은 인간 심리의 소프트웨어를 연구하는 분야에 붙인 이름으로 이 영역은 신경과학, 심리학, 인공지능, 언어학, 진화 이론, 인류학, 철학 등의 분야를 이용한다. 인지과학은 21세기초 과학 중에서 가장 빠르게 발전하는 분야 중 하나다. 근대 인지과학은 두 가지 관점에서 인간의 마음을 바라본다.
  • 첫째, 마음은 MIT의 스티븐 핀커의 표현을 빌리자면 ‘정보 처리 기관’ 다른 말로 하면 ‘계산을 하는 물건’으로 취급된다. 그러나 인지과학자들은 ‘컴퓨터’라는 용어 사용을 좋아하지 않는다. 우리의 마음은 계산을 하기는 하는데 인간이 만든 컴퓨터와는 매우 다른 방법으로 한다. ‘정보 처리 기관’이라는 용어는 인간 마음을 담고 있는 뇌가 당신의 생물학적인 장비의 한 부분이지만 정보의 처리하는 전문화된 기능을 갖고 있다는 의미를 내포하고 있다. 이 용어는 또한 우리의 뇌가 특이하게 복잡할 수 있지만 그렇다고 마술적이거나 궁극적으로 알 수 없는 무엇이 있는 것은 아니라는 뜻이다. 오히려 우리의 뇌는 과학적으로 이해할 수 있는 그런 물질적 대상이다. 물론 그렇게 되려면 시간이 많이 걸릴 수도 있겠지만 말이다.
  • 인지과학이 마음을 바라보는 두 번째 관점은 진화다. ‘호모 사피엔스’의 정보처리 기관은 자연 선택의 힘들에 의해 형성되었고 우리 종의 역사와 환경의 산물이다. 우리의 마음은 깨끗한 백지에서 출발한 엔지니어에 의해 설계된 것이 아니라 영장류로서 보낸 수천만 년, 그리고 아프리카 사바나의 환경에서 주로 살면서 원시 인류로서 보낸 그 다음 200만 년의 진화에 의해 설계된 것이다.
  • 인지과학 연구는 인간의 마음은 정보 처리와 학습이라는 믿기 어려울 정도의 능력을 가지고 있음을 보여 준다. 이는 ‘완전 합리성’이라는 가정으로 표현된 그림과는 매우 달느 방식으로 이루어진다. 예컨대 인간은 긴 방정식을 계산하는데는 총명하지 않을지 몰라도 놀라운 이야기꾼이자 동시에 이런 이야기에 대한 경청자이기도 하다. 노스웨스턴 대학의 학습과학 연구소 소장이자 예일대 인공지능연구소의 전 소장 로저 쉥크는 이해, 기억, 그리고 소통을 위한 우리의 정신적 과정에서 이야기가 중심적 역할을 함을 보여주는 연구를 수행한 바 있다. 그리스의 철학자 플라톤이 말했듯이 “이야기를 하는 사람이 사회를 지배한다.”
  • 이야기가 중요한 이유는 우리가 정보를 처리하는 주된 방법이 귀납법을 통해서 이루어지기 때문이다. 귀납법은 본질적으로 패턴 인식에 의한 추론이다. 이는 증거 우위의 원칙에 따른 결론을 활용한다. 예컨대 집사가 일을 저지르는 것을 본 사람이 아무도 없다고 해도 그의 지문이 칼에 남아있고 현장을 떠나다가 잡혔으며 그럴 만한 동기가 있었다고 하면 그가 실제로 일을 저질렀다고 보는 것이다. 물론 우리는 집사가 그렇게 했다는 것을 논리적으로 증명할 수는 없다. 다른 누군가가 그렇게 했다는 것도 논리적으로는 가능하다. 게다가 궁극적으로는 그 누구도 집사가 그렇게 하는 것을 못 봤다. 그러나 증거의 패턴이라는 게 있어서 우리는 귀납적으로 집사가 그렇게 했다고 결론을 내리는 것이다.
  • 우리가 이야기를 좋아하는 이유는 이야기가 우리의 귀납적 사고 기계에 들어가 그 속에서 패턴을 발견할 수 있는 재료가 되어주기 때문이다. 이야기들은 우리가 학습하는 하나의 방법이다. 예컨대 셰익스피어를 읽음으로써 우리는 사랑과 가족 관계에 대한 유용한 모든 종류의 교훈을 배울 수 있다.
  • 인간은 특히 두 가지 측면의 귀납적 패턴 인식에 뛰어나다. 첫째, 새로운 경험을 은유와 유추 만들기를 통해 옛날 패턴에 연결시킨다. 인터넷이 1990년대 초 처음으로 비즈니스 영역에 얼굴을 내밀었을 때 사람들은 인터넷이 텔레비전, 라디오, 잡지, 소프트웨어, 그리고 전화 등과 유사한 점과 다른 점이 무엇인지, 다시 말해 유추를 통해 이를 정의하려고 무척 노력했다. 둘째, 우리는 좋은 패턴 인식자일 뿐 아니라 매우 훌륭한 패턴 완성자이기도 하다. 우리의 마음은 잃어버린 정보의 갭을 채워 넣는데는 전문가적이다. 패턴을 완성하고 매우 불완전한 정보로부터 결론을 이끌어 내는 그런 능력 덕분에 빠르게 움직이면서 동시에 모호한 그런 환경에서도 우리는 신속한 결정을 내릴 수 있다.
  • 패턴 인식과 이야기 하기는 인간의 인식에 핵심적인 요소들로서 이것 때문에 우리는 완전히 임의적인 자료에서도 패턴을 발견하고 이약기를 만들어낸다. 스포츠 해설가와 팬들은 그저 그런 선수가 갑자기 호조를 보이면 그 이유가 무엇인지 상세한 이야기들을 이끌어 내는 것을 즐긴다. 본질적으로 사람들은 자신들이 생각하기에 이게 무슨 패턴인지를 설명하려고 이야기를 만들어 낸다.

디프 블루가 신발 끈을 맬 수 없는 이유

  • 귀납의 반대말은 연역이다. 연역은 일단의 전제들로부터 결론이 놀리적으로 나오는 추론 과정이다. 인간은 귀납만큼 연역을 사용하지만 귀납만큼 연역을 능숙하게 사용하지는 못한다. 흥미롭게도 컴퓨터는 그 반대다. 우리 중 누구나 순간적으로 사람의 얼굴을 인식할 수 있다.(하나의 귀납 작업) 그러나 대부분 연역적 계산, 예컨대 (239.46 x 0.48 + 6.03) / 120.9708 을 계산하려면 힘들다. 그러나 간단한 포켓 계산기는 후자와 같은 것을 빨리 또 완벽하게 해낼 수 있다 (정답은 1). 하지만 아무리 강력한 컴퓨터라 하더라도 사람의 얼굴을 정확히 알아보는 것은 매우 어려운 프로그래밍상의 과제다.
  • 우리는 강한 귀납적 능력에 덧붙여 때때로 연역의 활용을 통해 이를 보완한다. 대개 어찌할 바를 모를 정도로 난처한 입장에 빠졌을 때, 패턴에 대한 우리의 DB가 답을 찾아내지 못하고 있을 때, 또는 우리의 귀납적 본능이 제공한 답에 대해 확신이 안 설 때 그렇게 한다. 그때 우리는 이 문제를 해결할 길을 찾기 위해 논리를 적용한다. 인간은 그 과정에서 도움을 얻고자 몇 가지 도구들 –연필, 종이, 대수학, 아바치, 계산기, 컴퓨터, 과학적 방법 등– 을 만들어 냈다. 그러나 일단 우리가 이를 통해 수치 처리 등 문제를 해결하면 그 경험은 하나의 패턴으로서 우리의 인식에 쌓이게 되므로 그 다음부터는 이 과정을 다시 반복할 필요가 없다. 결론적으로 우리는 패턴에 기초한 판단의 성공 또는 실패를 끊임없이 평가하면서 경험을 통해 학습을 해나간다.
  • 귀납과 연역이 어떻게 함께 작동하는지를 보여주는 좋은 사례는 체스 게임이다. 최고의 체스 선수들은 우선 귀납을 활용해 체스판을 전체적으로 돌아보면서 연역을 사용해 구체적인 위치들을 분석한다. 명인급의 체스 선수들은 힐끗 보기만 해도 대략 5만 가지에 달하는 서로 다른 장기 포지션들을 구별해 낸다고 한다. 이런 믿을 수 없는 귀납적 패턴의 데이터베이스 덕분에 그들은 수많은 상황에 거의 자동적으로 반응한다. 예컨대 “이것은 1971년 세계 챔피언전에서 보비 피셔의 공격과 좀 비슷하군” 와 같은 것이다. 그러나 체스는 엄청난 경우의 수를 가진 게임이기 때문에 미리 인식하고 있던 패턴과 들어맞지 않는 상황은 언제든 벌어질 수 있다. 이때 명인들은 이를 갈면서 특정 포지션을 염두에 두고 말을 옮기거나 그 반대의 이동으로 나누어지는 가능한 모든 선택을 포함하는 의사 결정 나무를 통해 연역적으로 자신의 길을 만들어 나간다. 최고 체스 선수들은 대부분 연역적 의사 결정 나무에서 단계 아래까지 내려갈 수 있다.
  • IBM이 만든 체스 두는 컴퓨터 디프 블루는 초당 2억 번에 달하는 모든 가능한 수들을 평가하고 의사 결정 나무의 6단계까지 그림을 그릴 수 있다. 그러나 디프 블루의 사례는 왜 우리가 연역보다 귀납을 선호하는지 그 이유를 보여 준다. 연역은 단지 장기의 수처럼 매우 잘 정의된 문제에서만 효과가 있다. 무슨 의미냐면 연역이 작동하려면 그 문제가 어떤 정보를 잃어버리거나 모호해서는 안된다는 얘기다. 연역은 추론을 하는데 매우 강력한 방법이지만 본질적으로 차갑고 냉담하다. 귀납은 연역보다 잘못될 경향이 있지만 보다 유연하고 또 우리가 흔히 부딪히는 불완전하고 모호한 정보 상황에서는 더 적합한 측면이 있다. 따라서 우리가 귀납 쪽으로 치위게 되는 것은 진화론적으로 설득력이 있다. 디프 블루는 게리 카스파로프 수준으로 체스를 둘 수 있지만 게리 카스파로프의 귀납적 기계는 그가 장기를 둘 수 있게 해줄 뿐만 아니라 아침에 그가 신발 끈을 매게 하고 식당에서 주문을 할 수도 있게 한다. 디프 블루가 할 수 없는 그런 일들이다.
  • 근대 인지과학이 인간 행동을 바라보는 관점은 완전 합리성에 기초한 전통적 경제학 관점과는 거의 정반대다. 인지과학적 관점은 실험경제학자들이 제기한 변칙적인 결과들에 대한 설명을 하는데도 도움이 된다. 구조화 편견, 가용성 편견, 닻 내리기 효과 등은 빠른 패턴 인식자로서 또 미흡한 패턴의 완성자로서 인간의 모습과 어울린다. 때때로 귀납에 너무 성급한 나머지 실수를 하고 논리적 연관성을 잃어버리기도 한다. 우리는 진화를 통해 빠르고, 유연하고, 대충은 옳은 그런 존재로 발전했다. 이는 느리고, 냉담하고, 그러나 완벽하게 논리적인 그런 존재와 대비된다.
  • 그러나 이로 인해 우리는 난처한 처지가 됐다. 완전 합리성의 핵심적인 이득은 그것이 매우 구체적이라는 점이다. 당신은 그것을 일련의 방정식 형태로 표현할 수 있고 이를 통해 모델을 세울 수 있다. 경제학이 과학이 되려면 그와 같은 정확성이나 엄밀성을 필요로 한다. 패턴 인식, 귀납, 학습 그리고 유추하기처럼 완전 합리성과 거리가 먼 개념들을 가지고 우리는 어떻게 그런 일을 해낼 수 있을까?

행위자의 마음

  • 아직 표준적이고 광범위하게 합의된 귀납적 추론 모델은 없지만 다양한 연구자들은 적어도 정확히 표현된 수학적 귀납 모델을 정립하는 것은 가능하다는 점을 보여주고 있다. 패턴 인식과 학습을 특징으로 하는 모델들은 오늘날 컴퓨터 과학 연구의 주요 테마가 되었다. 이 모델들은 공항에서 테러리스트의 얼굴을 알아보는 것에서부터 신용카드를 이용한 사기 패턴을 인식하는 것에 이르기까지 실제로 많이 응용되고 있다.
  • 미시간 대학의 컴퓨터 과학자 존 홀란드, UCLA의 심리학자 키스 홀리오크, 미시간 대학의 심리학자 리처드 니스벳, 프린스턴 대학 인지과학연구소의 폴 타거드 등은 귀납에 관한 일반적인 모델을 만들었다. 이는 새로운 호모 에코노미쿠스가 어떤 모습일 수 있는지에 대한 하나의 표본이다. 홀란드와 그 동료들이 만든 모델의 기본적인 구조는 다음과 같다. 의 연구에서 따온 것이다. 하나는 1959년부터 1996년까지 IBM의 주식 가격에 로그를 취한 결과이고, 다른 하나는 랜덤워크 데이터이다 –이 랜덤워크는 그 안에 하나의 성장 추세를 갖고 있다.– 이 그래프는 매우 비슷해 보여서 구분을 해 놓지 않으면 어느 것이 IBM 주식이고 어느 것이 랜덤워크인지 알기 어렵다. 이 때문에 랜덤워크는 100년에 걸쳐 금융이론의 핵심이 되어 왔다.
    • 행위자: 다른 행위자 및 환경과 상호작용하는 행위자가 있다.
    • 목표: 행위자는 달성하려고 하는 한 가지 목표 또는 여러 목표들을 갖고 있으며, 따라서 현재의 상황과 자신이 바라는 상황 과의 격차를 인식할 수 있다. 행위자의 일은 목표에 좀 더 가까이 다가서기 위한 의사 결정을 하는 것이다.
    • 경험의 법칙: 행위자는 현 상태와 필요한 행동을 연결시키는 경험의 법칙들을 갖고 있다. 이것들은 ‘조건-행동’ 규칙으로 불린다. 이는 ‘IF, THEN’ 규칙으로 더 잘 알려져 있다. 특정 시점에서 행위자가 갖는 경험 법칙들의 집한은 그 행위자의 ‘사고 모델’로 불린다.
    • 피드백과 학습: 행위자의 사고 모델은 어떤 규칙이 목표를 달성하는데 도움이 됐고, 어떤 규칙이 목표로부터 더 멀어지게 했는지를 추적한다. 역사적으로 성공적인 규칙들은 비성공적인 규칙들보다 종종 더 자주 활용되었다. 환경으로부터의 피드백은 행위자가 시간이 흐름에 따라 학습할 수 있도록 만들었다.
  • 이런 식으로 설명을 하면 귀납은 행위자가 자신의 목표 달성을 이루기 위해 사용하는, 본질적으로 하나의 문제 해결 도구다. 환경으로부터의 피드백으로 형성된 규칙들의 집합은 외부 세계에 대한 행위자의 내부 모델이다. 행위자는 이 내부 모델을 사용해 목표를 추구하는 과정에서 직면하는 다양한 상황에 어떻게 대응하는게 최선일지를 예측한다.
  • 이렇게 귀납적으로 문제를 해결하고, 학습하며, 유추를 통해 추론하는 방식은 꽤 복잡해 보이지만 이런 문제 해결 구조는 복잡성 정도에 따라 그 수준이 다양하기는 하지만 생물 세계에 널리 퍼져 있다. 심지어 박테리아조차 귀납적 문제 해결 방식을 사용한다.

개구리 학습

  • 연못 위의 개구리 커밋(Kermit)을 상상해 보자. 그의 삶의 목표는 위험을 피해서 파리를 먹는 아주 단순한 것이다. 커밋의 사고 모델을 보면 그는 감각을 통해 자신이 처한 환경 조건들, 에컨대 ‘움직인다’ ‘줄무늬가 있다’ ‘크다’ ‘가까이 있다’ ‘윙윙거린다’ 등을 체크하는 다양한 탐지기를 갖고 있다. 커밋은 또 이에 대해 자신이 취할 수 있는 다양한 행동, 예컨대 ‘도망간다’ ‘추적한다’ ‘혀를 내민다’ ‘아무 것도 하지 않는다’ 등의 처방하는 작동체들의 집합도 갖고 있다. 커밋의 사고 모델이 하는 일은 자신의 목표를 가장 잘 달성하는 방식으로 탐지기와 작동체를 함께 묶어 ‘IF, THEN’ 규칙으로 만드는 것이다. 예컨대 <만약(IF) ‘작고’ ‘날아다니고’ ‘시야 한 가운데 있다’면, 그러면(THEN) ‘혀를 내민다’>는 식이다.
  • 커밋은 어떻게 그런 규칙을 얻게 될까? 그리고 커밋은 시간이 지남에 따라 어떻게 학습하는 것일까? 커밋에는 DNA 형태로 강하게 고정된 기본적인 규칙의 집합이 있다. 올챙이 때부터 먹을 수 있는 것은 바로 착수하고 위험은 피한다. 그러나 일단 세상 밖으로 나가면 커밋의 규칙은 빠르게 확장되기 시작한다. 예컨대 커밋이 <만약(IF) ‘작고’ ‘날아다니고’ ‘시야 한 가운데 있다’면, 그러면(THEN) ‘혀를 내민다’> 는 규칙을 갖고 태어났다고 하자. 그러나 그가 꿀벌이나 말벌 등 유쾌하지 않은 친구들을 만난 후에는 그 규칙을 수정할 수 있다. 즉, <만약(IF) ‘작고’ ‘날아다니고’ ‘푸르고’ ‘시야 한 가운데 있다’면, 그러면(THEN) ‘혀를 내민다’>는 식으로 고친다. 이는 보다 정확히 파리를 잡기 위해서이다. 마찬가지로 꿀벌이나 말벌에 대한 나쁜 경험으로 인해 그는 새로운 규칙을 추가할 수 있다. 즉, <만약(IF) ‘작고’ ‘날아다니고’ ‘줄무늬가 있다’면, 그러면(THEN) ‘아무 것도 하지 않는다’>는 규칙이다.
  • 커밋의 규칙 집합이 이렇게 환경으로부터의 피드백을 통해 수정되고 확장 되면서 그는 불가피하게 갈등을 야기하는 상황에 직면하기도 한다. 예컨대 어느 날 커밋이 조그맣고 날아다니는 푸른 것을 보고 있는데 머리 위로 검은 그림자가 지나간다고 하자. 커밋의 탐지기는 두 가지 규칙을 내려 보낼 것이다. <만약(IF) ‘작고’ ‘날아다니고’ ‘푸르고’ ‘시야 한 가운데 있다’면, 그러면(THEN) ‘혀를 내민다’>와 <만약(IF) ‘그림자’ 머리 위’면, 그러면(THEN) ‘도망친다’>이다. 이 두 가지 규칙이 지금 경쟁을 하고 있다. 이 갈등의 문제를 해결하기 위해 커밋의 사고 모델은 신용 할당 과정을 갖고 있다고 가정한다. 즉, 해당 규칙을 적용했을 때 과거 커밋의 목표를 달성하는 데 얼마나 기여했는가에 기초해 점수를 부여 받는다는 얘기다. 성공적인 규칙은 높은 점수를 얻는 반면, 성공적이지 못하거나 오히려 손해를 초래하는 규칙은 낮은 점수를 받는다. <만약(IF) ‘그림자’ 머리 위’면, 그러면(THEN) ‘도망친다’>는 규칙이 커밋이 약탈적인 새들의 먹잇감이 되는 경우를 피할 수 있도록 하는데 중요하다고 가정해 보자. 그 결과 커밋의 사고 모델의 점수 시스템에서 이 규칙은 100점을 부여 받았다고 하자. 그리고 파리를 잡는 규칙은 물론 중요하지만 그 규칙만큼은 중요하지 않아 80점을 부여 받았다고 하자. 두 가지 규칙이 동시에 적용되는 상황이면 커밋의 사고 모델은 보다 높은 점수의 규칙을 선택할 것이고 따라서 그는 도망갈 것이다. 커밋의 사고 모델은 그의 목표 관점에서 도망하는 규칙이 얼마나 잘 먹혀 들었는지를 따져 그 점수를 다시 갱신할 것이다.
  • 이런 과정은 너무도 자연스럽게 학습으로 이어진다. 커밋이 가령 <만약(IF) ‘윙윙거리는 소리를 듣는다’ ‘떠났다’면, 그러면(THEN) ‘왼쪽으로 향한다’ ‘혀를 내민다’>는 규칙을 갖고 있다고 하자. 우연한 경우 커밋이 머리를 왼쪽 대신 오른쪽으로 돌렸는데 파리를 잡았다면 <만약(IF) ‘윙윙거리는 소리를 듣는다’ ‘떠났다’면, 그러면(THEN) ‘오른쪽으로 향한다’ ‘혀를 내민다’>는 규칙도 추가할 것이다. 두 가지 규칙은 직접적으로 상축 관계다. 이 두 가지 규칙 모두 과거에 파리를 잡는 결과를 낳았고 그래서 10점이라는 점수를 똑같이 부여 받았다고 하면 이제 이 두 가지 규칙은 개구리 세계에서 서로 경쟁하는 가설이라고 생각할 수 있다. 점수가 동일하다면 커밋은 두 가지 규칙을 다 시도할 것이다. 그러나 우리는 시간이 흐름에 따라 왼쪽으로 머리를 돌리는 규칙이 더 나은 결과를 내고 그 결과 이 규칙의 점수가 올라갈 것이라는 점을 분명히 알 수 있다.
  • 그러나 여기에는 두 가지 문제가 있다. 첫째, 어떤 규칙의 점수가 10점에서 11점으로 올라가자마자 커밋이 이와 경쟁하는 다른 규칙은 전혀 시도하지 않을 정도로 시스템이 경직화 되는 것을 우리는 원치 않는다. 만약 커밋이 오른쪽으로 머리를 돌리는 규칙을 시도하여 파리를 잡았다면, 이 규칙의 점수가 11점으로 올라감으로써 커밋은 앞으로 왼쪽으로 머리를 돌리는 규칙을 전혀 사용하지 않게 되면 궁극적으로 굶어 죽게 될 가능성도 있다. 높은 점수는 이 규칙이 적용될 가능성을 증가시키지만 그렇다고 성공한다는 보장은 없다. 우리는 여전히 점수가 비슷한 규칙들에 대해서는 실험을 원한다. 그리고 때때로 이미 눈 밖에 난 규칙도 세계가 정말 변해 버렸는지 그 여부를 알아보기 위해 시험을 해보고 싶을지 모른다. 둘째, 때때로 행동과 보상이 시간적으로 따로 논다는 점에서도 문제가 있다. 비용은 단기간에 들고 이익은 장기적으로 나오는 그런 일에 대해서 시스템은 어떻게 전략적으로 행동하는 것을 학습할까?
  • 홀란드와 동료들의 답, 즉 “우리에게는 시장이 있다”는 얘기를 들으면 경제학자들의 마음이 훈훈해질지도 모르겠다. 이들의 가정은 이렇다. 당신의 사고 모델에 있는 규칙들은 각자의 신용 점수를 이용, 당신의 선택을 이끌어 내기 위해 서로 경쟁한다. 신용 점수가 높으면 물론 이 규칙이 선택될 확률이 더 높지만 그렇다고 확실한 것은 아니다. 예컨대 5점 차이 밖에 안 나는 두 규칙 중 어느 것이 선택될지는 50:50일 수도 있고, 만약 10점 차이가 난다면 60:40일 수도 있다는 것이다. 뿐만 아니라 경쟁은 대개 독자적으로 행동하는 단일 규칙들 간에 이루어진다. 예컨대 커밋은 파리들이 많이 모이는 장소를 찾고 이에 접근해 들어가서 파리들이 돌아올 때까지 한동안 앉아 있다가 혀를 가지고 단숨에 해치워 버린다는 전략을 가질 수 있다. 이렇게 복잡한 연쇄적인 규칙들이 작용한다는 것은 보상을 얻는 규칙 <만약(IF) ‘파리’면, 그러면(THEN) ‘혀를 내민다’>과 먼저 그런 조건을 갖추는 규칙 <만약(IF) ‘파리를 끌어 모으는 냄새나는 음식물’면, 그러면(THEN) ‘접근한다’>이 분리되어 있음을 말해 준다.
  • 규칙 시장에서 연쇄 관계를 형성하고 있는 규칙들은 서로에게 공급자이고 고객이라고 볼 수 있다. 예컨대 ‘혀를 내민다’ 규칙은 ‘앉아서 기다린다’ 규칙으로부터 구매를 하고, 이 규칙은 또 ‘냄새나는 음식물에 접근한다’는 규칙으로부터 구매를 한다. 따라서 ‘혀를 내민다’는 규칙이 보상을 받으면 이는 그 공급자 역할을 한 규칙들에게 대가를 지불해야 하고, 이들 공급자들은 또 자신들에게 공급자 역할을 한 규칙들에게 대가를 지불한다. 이윤을 창출하는 규칙들(즉, 이들은 모두 보상을 얻어 낸 체인의 능력에 기여했다)은 시간이 지남에 따라 그 강도가 점점 세져 더욱 빈번하게 사용된다. 그러나 규칙들이 체인 상에서 뒤로 멀리 가면 갈수록 대가로 지불받는 몫은 다시 말해 이른바 트리클 다운(trickle-down, 넘쳐흐르는 물이 바닥을 적신다는 뜻으로 적하효과로 불린다.) 효과는 중간에 위치한 다른 많은 규칙들 때문에 점점 줄어든다. 그 결과 보다 몫이 떨어지면 자연스럽게 원인과 결과 사이의 거리에 한계가 설정된다. 이런 구조는 우리가 어느 정도 전략적으로 행동할 수 있지만, 길고 복잡한 인과적 연쇄 사슬을 따라 추론을 해나가는 데는 어려움을 겪는다는 실험적 증거와 일치하는 것이다.

개구리 시?

  • 시스템의 성과를 크게 높이기 위해 가정을 한 가지 더 만든다. 시간이 흐름에 따라 시스템의 규칙들은 자기 조직화를 통해 ‘계층적 구조’가 된다고 가정한다. 커밋의 세계는 규칙성이 있기 때문에 커밋의 사고 모델에 나타나는 규칙의 패턴에도 규칙성이 있을 것이다. 예컨대 ‘작다’ ‘날아다닌다’ ‘푸르다’ 등을 다루는 규칙들은 동시에 나타나는 경향이 있다. 규칙들이 함께 나타나면 이들은 연관성이 있는 것이므로 유리는 이 규칙들이 하나의 범주로 조직화 된다고 할 수 있다. 커밋이 ‘작다’ ‘푸르다’에 해당하는 것을 만날 때 떠오르는 여러 규칙들은 ‘파리’라는 범주에 들어올 수 있고, 마찬가지로 ‘크다’ ‘날아다닌다’ ‘날개를 퍼덕거린다’ 규칙들을 떠오르게 하는 것은 ‘새’라는 범주로 모일 수 있다. 커밋의 사고 모델은 파리와 새와 관련한 수많은 경험들과 반응들을 갖고 있을 것이다.
  • 계층적 구조는 귀납적 시스템에 두 가지 중요한 이점을 준다. 우선 시스템이 새로운 현상에 대응할 수 있게 해준다. 어떤 사고 모델도 언제나 실제 세계보다는 더 단순할 것이다. 따라서 커밋은 항상 자신이 전에 경험해 보지 못했던 상황을 만날 수 있고 그 경우 어떤 대응을 필요로 할 수 있다. 이에 따라 우리는 커밋의 사고 모델은 ‘기본적으로 미리 내정된 계층 구조’로 정리되어 있다고 가정한다. 커밋이 어떤 패턴을 만나면 그의 사고 모델은 그 패턴에 맞는 특정한 대응책을 갖고 있는지 조사할 것이다. 그래서 만약 없다면 그는 다시 미리 내정된 대응에 의지할 것이다. 예컨대 커밋이 <만약(IF) ‘목적물 이동’ ‘다른 정보 없음’이면, 그러면(THEN) ‘도망간다’>라는 미리 내정된 대응책을 가지고 있을 수 있다. 이는 커밋으로 하여금 어려운 상황에 빠지지 않도록 설계된 매우 일반적이고 보수적인 규칙이다. 그러나 커밋은 보다 구체적인 대응책, 예컨대 <만약(IF) ‘목적물 이동’ ‘작다’ ‘가깝다’이면, 그러면(THEN) ‘접근한다’ ‘천천히’>와 같은 경우를 포함하여 좀 더 많은 정보를 갖고 있는 몇 가지 상황에 직면할 수 있다. 따라서 커밋은 새로운 현상에 직면할 때는 조심하다가 다시 시도해서 정답을 찾는 그런 규칙들에 의지하는 등 시간이 흐름에 따라 새로운 상황마다 그에 적합한 목록들을 개발할 것이다.
  • 규칙 계층 구조가 갖는 두 번째 이점은 유추에 의한 추론을 가능하게 한다는 점이다. 개구리는 문학적 의미에서의 은유를 생각해 낼 수 없지만 귀납적인 시스템을 가진 개구리 또는 다른 어떤 행위자들도 무엇이 다른 어떤 것과 비슷하다고 말하는 유추를 통해 추론을 할 수 있다. 하나의 계층으로 배열된 규칙들의 집합은 이런 형태의 추론에 자연스럽게 들어맞는다. 가령, 새에 대한 커밋의 경험 중 대부분이 바다 갈매기였고 그 결과 ‘크다’ ‘날아다닌다’ ‘날개를 퍼덕거린다’ 등을 탐지하면 발동되는 규칙들이 ‘새’라는 범주에 들어가 있다고 하자. 어느 날 커밋은 ‘크다’ ‘날아다닌다’ 그러나 ‘날개를 퍼덕거린다’에는 해당되지 않는 어떤 것을 보았다. 이런 일에 직면하면 ‘새’라는 탐지기들의 일부만 작동하게 된다. 커밋에게 이 새로운 물체는 ‘새 같은 것 또는 새 비슷한 것’으로 새에 관한 지금까지 자신의 경험에 비추어 정확히 맞지 않는다. 커밋의 사고 모델은 무엇이 이 새로운 물체와 일치하는지 다른 범주들을 탐색하고는 이것이 파리나 강아지보다는 새에 가깝다는 것을 알게 된다. 커밋은 이미 정해 놓은 규칙의 계층 구조를 활용해 가장 일반적인 새에 대한 대응책, 즉 ‘도망간다’ 쪽으로 향한다.
  • 유추에 의한 이론 추론은 끊임없이 새로운 과제가 등장하는 모호한 세계에서 커밋에게 큰 이익을 가져다준다. 어떤 것이 새 비슷하다는 것을 알게 되면 식별이 안 되는 새로운 물체를 만났을 때 곧바로 ‘무엇인지 알 수 없다’ 범주로 가는 것보다 정확한 대응책을 만들어 낼 가능성이 있다. 예컨대, 커밋이 본 날개를 퍼덕거리지 않는 것이 개구리를 찾아 날아오르는 매라면 무슨 일이 벌어질까? 그것은 또 비행기이거나 아무 해가 없는 다른 물체일 수도 있지만 새 비슷한 것으로 보는 것은 여전히 합리적이고 보수적인 반응책의 하나다. 말하고자 하는 요점은 이것이다. 커밋의 반응이 비록 완전하지 못하다고 할지라도 적절한 무슨 조치를 취할 가능성은 향상될 것이라는 점이다. 시간이 흐름에 따라 매나 비행기가 커밋의 세계에 중요하다면 ‘새 비슷하다’는 그의 정의도 발전할 것이고, 결국 이들 물체에 대한 보다 적절한 대응 조치를 그의 미리 내정된 규칙 계층 구조에 입력시켜 놓을 것이다.

금융 정보를 추적하는 스톡 봇

  • 1987년 산타페 연구소의 경제학 미팅 직후 홀란드는 브라이언 아서와 협동 연구를 시작했다. 아서는 학술적이었지만 대학원생일 때 맥킨지 파견 근무를 비롯해 기업 세계에서 일한 경력이 있다. 그는 이런 체험을 통해 실제 세계의 의사 결정 과정은 경제학 모델에서 말하는 참하고, 무미건조하며, 완벽한 합리성과는 거리가 멀다는 것을 깨달았다. 그가 실제 세계를 보다 잘 반영하는 방법이 없는지에 대해 오랫동안 관심을 갖게 된 이유다. 홀란드와 아서 팀은 홀란드의 아이디어를 주식 시장 행태를 모델링하는데 응용해 보기로 했다. 이들이 블레이크 르바론, 리처드 팔머, 산타페 연구소 인공적 주식 시장의 폴테일러 등과 함께 정립한 모델은 그 후 복잡계 경제학 문헌에서는 하나의 고전으로 통하게 되었다.
  • 일반적 귀납 모델을 따른다면 산타페 모델에서 행위자들은 정보를 처리하는 존재로서 본질적으로 작은 컴퓨터 프로그램들이다. 이들은 환경에서 정보를 수집하고, 정보를 처리하며, 의사 결정을 내리고, 그 다음 환경으로부터 그 결정에 대한 피드백을 얻는다. 슈거스케이프의 행위자처럼, 주식 시장 모델의 행위자들에게도 진화의 힘이 적용된다. 즉, 가장 경제적으로 성공한 슈거스케이프 행위자들이 살아남고 번식을 하는 것처럼, 산타페 주식 시장에서도 가장 성공적인 주식 거래 행위자들은 보상을 받고 성공적이지 못한 행위자는 파산 선고를 받고 퇴출된다. 그러나 아서, 홀란드와 그 동료들은 자신들의 모델에 또 하나의 진화를 추가 했다. 주식 시장 모델에서 진화는 행위자들이 학습할 수 있도록 그들의 머리 속에서도 작동한다.
  • 당신이 복권에 당첨돼 적당한 금액을 땄다고 상상해 보자. 당신은 주식 중개인에게 전화를 걸어 투자 전략에 대한 일반적인 자문을 부탁한다. 그러면 중개인은 당신에게 몇 가지 경험 법칙들을 알려준다. 예컨대 사서 보유하는 것이 장기적으로 가장 좋은 전략이다. 항상 당신의 포트폴리오가 다변화 되어 있는지(위험 분산적인지)를 확인하라. 수익 대비 가격이 그 분야 다른 주식들보다 훨씬 높은 주식들은 조심하라 등이다. 그럼에도 당신은 좀 더 자문을 구해 보기로 한다. 몇 명의 중개인에게 더 전화를 해보고 당신의 삼촌이나 친구들에게도 당신이 어떻게 하면 좋을지 물어본다. 곧바로 당신은 많은 투자 자문을 받게 되는데 그러다 보니 그 중에 불가피하게 서로 모순되는 것들도 있다. 이제 당신이 해야 할 일은 당신 머릿속에서 둥둥 떠다니는 이 모든 후보 전략들을 자세히 살펴본 다음 무엇을 해야 할지 선택하는 것이다.
  • 이 시나리오에는 두 가지의 경쟁이 시장에서 진행되고 있다. 우선, 시장 그 자체에서 투자 전략들 간의 일반적인 경쟁이다. 누가 더 잘할지, 성장 투자가들인가 아니면 가치 투자가들인가? 또는 황소냐 곰이냐? 이런 경쟁을 말한다. 두 번째는 다신의 머릿속에서 서로 대립하는 투자 전략들 간의 경쟁이다. 누구 말을 들어야 하나? 중개인인가? 삼촌인가? 친구인가? 아서와 홀란드는 이 두 가지 모두 진화론적인 학습 과정을 따른다고 추측했다.
  • 이 아이디어를 탐색하기 위해 아서, 홀란드와 그 동료들은 컴퓨터 상에서 가상으로 거래되는 주식 환경을 만들었다. 임의로 배당금을 지급하는 단일 주식을 대상으로 했다. 그리고 주식을 사고팔 100명의 거래 행위자들도 두었다. 주식의 가격은 시장에서 행위자들의 매매에 의해 결정된다. 각 행위자들의 목표는 간단했다. 가능한 한 많은 돈을 벌겠다는 것이다. 이 목표를 달성하기 위해 각 행위자들은 언제 사고팔지 결정해야만 했다. 행위자들은 이런 결정을 내리는 과정에서 세 가지 정보를 참고 했다. 주식의 과거 가격 패턴, 배당금 지급 기록, 안정적인 이자율이다. 다음으로 아서, 홀란드와 그 동료들은 행위자들이 의사 결정을 내리기 위해 이들 정보들을 어떻게 처리하는지를 결정해야 했다.
  • 개구리 모델에서처럼 연구자들은 시장에서의 패턴과 행위자의 주식 가치에 대한 기대를 이어주는 ‘조건-행동 규칙’을 활용했다. 예컨대 <만약(IF) ‘지난 기간에 비해 가격이 5% 오른다’면, 그러면(THEN) ‘다음 기간 가격은 현재 기간 가격 +5%로 예측하라’>는 것과 같은 규칙이다. 이런 규칙을 따르는 행위자는 예측 가격과 현재 가격을 비교함으로써 주식을 살 것인지 팔 것인지를 간단히 결정할 수 있을 것이다. 즉, 예측 가격이 더 높으면 주식을 사고, 더 낮으면 팔면 된다. 이렇게 만들어진 규칙들은 경우에 따라서는 훨씬 더 복잡해질 수도 있다. 예컨대 <만약(IF) ‘지난 세 기간에 걸쳐 가격이 올랐다’면, 그리고(AND) ‘가격이 배당금을 안정적인 기본 이자율로 나눈 것의 16배보다 크지 않다’면, 그러면(THEN) ‘다음 기간 가격과 배당금 합은 현재 기간 가격과 배당금 합의 106%로 예측하라’>는 규칙도 있을 수 있다. 행위자들이 사용하는 경험 법칙들은 기본적인 조건(예컨대 이익대비 가격 비율이 일정 범위에 있는 주식을 사라)이나 시장의 추세(계속 가격이 상승하는 주식을 사라) 또는 이 두 가지의 혼합에 근거할 수 있다. 이 모델에는 하나의 규칙이 얼마나 복잡해도 되는지에 대한 어떤 제한은 없다.
  • 복권 당첨자가 상충하는 투자 자문들을 모두 살펴 본다고 했던 것과 일치하도록 아서와 홀란드는 각 행위자에게 단지 하나의 경험 규칙이 아니라 100개의 규칙들을 부여했다. 그러니까 행위자는 주식 시장에서 무엇이 과연 성공에 이를지 머릿속에 있는 100개의 규칙들을 서로 경쟁하는 가설들로 해석할 수 있다. 달리 설명하면 각 규칙은 하나의 잠재적인 투자 전략이고, 행위자가 할 일은 가능한 모든 잠재적인 전략들을 다 살펴본 뒤 어떤 것이 돈을 버는데 도움이 될지를 결정하는 것이다.
  • 이렇게 말하면 행위지달이 어떻게 100개나 되는 투자 전략을 다 살펴 볼 수 있는지 궁금해질 수 있다. 답은 매우 간단한데, 개구리 커밋처럼 행위자들은 과거의 경험을 사용한다. 아서와 홀란드는 행위자의 머릿속에서도 진화의 과정이 작동하도록 했다. 이에 따라 각각의 조건-행동 규칙은 1과 0을 사용한 일련의 번호들로 코드화되었다. 이런 일련의 번호는 다양한 투자 전략을 표현하는 컴퓨터 DNA로 생각할 수 있다. 예컨대 011000100101은 <만약(IF) ‘배당금이 지난 다섯 번의 기간에 걸쳐 평균 10% 떨어졌다’면, 그러면(THEN) ‘가격이 다음 기간에는 2% 떨어질 것으로 예측하라’>를 표현하는 것이고 100011010101은 <만약(IF) ‘배당금이 안정적인 기본 이자율의 3배보다 적다’면, 그러면(THEN) ‘가격이 다음 기간에는 5% 오를 것으로 예측하라’>를 표현한다는 얘기다. 이렇게 각 행위자는 자신의 소프트웨어 머릿속에 수많은 투자 전략 DNA를 갖고 있다. 각 전략 DNA마다 적합도(또는 적응도) 점수도 부여받는다. 따라서 어떤 전략이 행위자에게 돈을 벌어다 주었다면 그 적합도 점수는 증가하고 반대로 돈을 잃게 했다면 점수는 내려간다.
  • 게임의 매 회 각 행위자는 다음과 같은 과정을 거쳤다. 행위자는 과거 주식 가격, 배당금, 그리고 안정적인 기본 이자율 정보를 받았다. 그런 다음 이 정보를 자신들의 잠재적인 투자 전략과 시장의 패턴에 관한 자신들의 데이터베이스와 비교해 일치 여부를 살펴보았다. 그 결과 몇 가지 규칙들이 일치하면 행위자는 각 규칙들의 적합도 점수를 보고는 가장 높은 점수를 가진 규칙을 선택한다. 따라서 과거에 잘 들어맞았던 규칙들은 더 자주 활용되는 경향이 있다. 규칙이 일단 활용된 뒤에는 그것이 어떤 결과를 가져왔는지를 살핀다. 다시 말해 돈을 벌게 했는지, 아니면 잃게 했는지를 살펴본다는 얘기다. 행위자가 돈을 벌었다면 그 결과로 인하여 이 규칙은 더욱 강력한 힘을 갖는다. 반대로 돈을 잃으면 이 규칙은 약해진다.
  • 지금까지 우리는 고정된 수의 규칙들 안에서 학습할 수 있는 시스템을 갖고 있다. 이제 각 행위자마다 임의로 구축된 100개의 규칙들을 가지고 출발한다고 하자. 이 시스템을 사용할 경우, 행위자들은 시행착오를 겪으면서 궁극적으로 자신들이 가진 규칙들 중 어느 것이 돈을 벌고 그렇지 않은지를 학습할 것이다.그러나 실제 주식 시장에서 사람들은 끊임없이 새로운 투자 전략을 고안해 내고 있다. 그렇다면 우리는 어떻게 행위자들로 항금 새로운 규칙들을 만들어 내게 할 것인가?
  • 아서와 홀란드와 그 동료들은 다음과 같은 과정을 모델 안에 집어 넣었다. 때때로 중간중간에 각 행위자들이 보유한 100개 규칙들의 집합이 하나의 진화 과정을 겪도록 한 것이다. 즉, 성적이 밑바닥인 20개의 규칙들은 제거되고 새로운 규칙들이 탄생해 이들 자리를 차지한다. 보다 성공적인, 남아 있는 80개 규칙들 중 일부의 경우는 컴퓨터 DNA의 개별 요소에 돌연변이가 일어난다. 예컨대 일련의 숫자 중 임의의 1이 0으로 바뀌거나 그 반대가 일어날 수 있다. 또 남아 있는 일부 규칙들은 재결합 되기도 한다. 이는 본질적으로 컴퓨터 섹스다. 하나의 DNA 열이 임의의 지점에서 싹둑 잘려 두 개가 되고 이것이 또 다른 열과 결합되었다가 다시 두 개로 잘리면서 새로운 다른 무엇이 탄생하기도 한다. 이와 같은 돌연변이와 재결합 과정의 결과로 행위자가 가진 100개의 규칙 풀에서 새로운 전략이 만들어진다. 물론 이렇게 만들어진 새로운 전략들 중 많은 것은 말이 안 되거나 심지어는 해롭기까지 할 수 있지만 그중 일부는 정말 성공적인 혁신일 수 있다. 시장에서 활용되고 있는 다른 많은 전략들보다 훨씬 더 성공적인 그런 전략이 탄생할 수 있다는 얘기다.
  • 귀납적인 주식 시장 모델이 준비되자 아서와 홀란드와 그 동료들은 스위치를 눌러 일련의 실험을 시작했다. 행위자마다 100개의 규칙을 가진 완전한 모델을 돌리기 앞서 모든 행위자가 똑같은 한 가지 규칙, 즉 완전 합리성을 가졌고 학습률은 0인 단순한 시스템을 먼저 돌려 보았다. 돌려 본 결과는 전통 경제학이 예측했던 것과 매우 비슷한 것으로 나타났다. 모델은 빠른 속도로 이론적 균형 가격에 가까운 한 가격으로 안정되어 갔다. 균형 가격은 주식의 기본적 가치와 일치한다. 거래량이나 변동성은 상대적으로 적었고, 어느 누구도 다른 사람들이 번 것보다 특별히 더 높은 이익을 얻지 못했다. 이 실험은 모든 사람이 전통 경제학의 합리성에 따라 행동한다면 상황은 대체로 전통 이론이 예측한 대로라는 점을 보여주었다.
  • 아서와 홀란드는 다른 모델을 돌려 보았다. 두 사람은 각 행위자의 머릿속에 있는 100개에 달하는 경쟁적 규칙들을 작동시켰다. 임의로 분포한 전략들로 초기 값을 주었고, 학습률은 0 이상으로 높였다. 이는 모델의 행태에 극적인 영향을 미쳤다. 거래량은 훨씬 높아졌고, 변동성은 커졌다. 그리고 주식 가격은 시간이 흐름에 따라 버블과 폭락 등 훨씬 더 복잡한 동태성을 갖게 되었다. 시장 또한 강력한 폭풍과도 같은 기간들과 상대적으로 정적인 기간들이 산재하는 그런 패턴을 나타냈다. 뿐만 아니라 행위자들의 상대적인 성과에도 큰 차이가 있었다. 엄청나게 우수한 워런 버핏 같은 행위자가 나왔는가 하면 추락해 파산한 행위자도 나왔다. 실질적인 금융 시장은 전통 경제학에서 예측하는 균형보다 지금 이런 모습에 훨씬 더 가깝다.
  • 무엇이 보다 동태적이고 현실적으로 보이는 시장으로 변화시킨 것일까? 모든 사람이 똑같은 완전 합리성 규칙들을 가지고 별다른 학습도 없이 여기에 매달리면 가격은 대략 균형 상황을 보이며 시장은 마치 떼를 지어 쭉 굴러가는 모습이다. 그러나 여기에 이질성과 학습을 도입하자마자 상황은 훨씬 더 다양해졌고 더 복잡해졌다. 가령 어떤 이유로 주식 가격이 일시적으로 좀 올랐다고 하면 일부 행위자는 이 주가의 상승을 살펴보고 주식을 산다. 가격이 오르면서 점점 더 많은 행위자들이 뛰어들고 그 결과 가격은 더욱더 높이 올라간다.그러나 다른 일부 행위자들은 이 주식의 기본 가치에 주모하면서 주식이 지나치게 고평가 되었다고 생각해 어떤 시점부터 팔기 시작한다. 충분히 많은 행위자들이 한꺼번에 이렇게 나오면 주식 가격은 다시 하락할 것이고, 하락하는 주식을 매도하라는 규칙을 가진 행위자의 진입을 동시에 자극한다. 성장 투자가들이 모두 출구를 향해 달아나기 시작하면 주식 가격은 폭락으로 향할 것이다. 이러다 보면 주가의 이런 등락 패턴을 특별히 살피는 새로운 규칙들이 발전할 수 있다. 이 모든 가격 움직임은 여러 규칙들이 동태적으로 상호 작용하면서 촉발된다. 그 근저에 있는 주식의 경제적 가치 변화와는 별로 상관이 없다. 복잡한 패턴은 단순히 임의적인 잡음 때문도 아니다. 그보다는 행위자의 머릿속에서 그리고 각 행위자들 간의 여러 가지 믿음들이 복잡한 양상으로 경쟁하고 있고 그 결과 시장의 변동성과 복잡한 패턴이 촉발된다.
[ssba]

The author

지성을 추구하는 디자이너/ suyeongpark@abyne.com

댓글 남기기