Ni siquiera las máquinas son racionales

Durante 50 años, la economía del comportamiento ha lanzado el guante a la hipótesis de la expectativa racional y al concepto de homo economicus. Pero ahora, la racionalidad podría contraatacar. La IA y los algoritmos de aprendizaje automático se han vuelto tan potentes que sus previsiones pueden competir con las de los analistas (al menos antes de los costes de transacción) y, desde luego, estos algoritmos no están sesgados como los humanos. ¿O no?

Un equipo de la Universidad de Minnesota utilizó una serie de algoritmos, desde una simple regresión lineal hasta algoritmos de aprendizaje automático más complejos, para predecir los beneficios de las empresas. Los analistas bursátiles presentan todo tipo de sesgos de comportamiento en sus previsiones de beneficios, uno de los cuales es la sobrerreacción. Lo que suele ocurrir es que los seres humanos tendemos a reaccionar de forma exagerada a las noticias más recientes que recibimos sobre una empresa y a extrapolarlas al futuro. Por lo tanto, tras una serie de sorpresas positivas en los beneficios, los analistas tienden a ser cada vez más optimistas sobre el crecimiento futuro de los beneficios, mientras que una serie de fracasos en los beneficios conduce a un pesimismo excesivo de los analistas. Por supuesto, las tendencias no son eternas, y los analistas se ven obligados a revisar sus previsiones en sentido contrario.

Pero los algoritmos no tienen ese sesgo, porque para ellos una cifra es igual a cualquier otra, por reciente que sea su publicación. Sin embargo, cuando los investigadores dejaron que los algoritmos pronosticaran los beneficios, descubrieron que también eran propensos a reaccionar de forma exagerada. No tanto como los humanos, pero aún así reaccionaban de forma exagerada a las noticias recientes.

Lo que parece estar ocurriendo aquí es que el algoritmo de aprendizaje automático necesita "aprender" la relación entre los beneficios pasados y futuros. Para ello, el algoritmo se entrena con las ganancias pasadas y, con cada nuevo punto de datos que se añade a la serie temporal, el algoritmo aprende algo nuevo. Una variable clave necesaria para entrenar el algoritmo es la "tasa de aprendizaje", es decir, el peso que se da a los nuevos datos en relación con los más antiguos. Y esto es lo que crea el sesgo de sobrerreacción, porque para mejorar las previsiones del algoritmo, la tasa de aprendizaje tiene que ser relativamente alta, es decir, la máquina tiene que poner mucho énfasis en los puntos de datos más recientes. Pero eso es justo lo que hacen los humanos y por lo que reaccionan de forma exagerada a las noticias recientes, así que la máquina empieza a hacer lo mismo.

A diferencia de los humanos, se puede decir al algoritmo que dé menos importancia a los datos recientes, es decir, se puede reducir la tasa de aprendizaje, pero eso significa que la precisión de la previsión disminuye. Así pues, los algoritmos tienen una contrapartida. Si se aumenta la precisión, se obtienen previsiones más sesgadas, o si se reduce el sesgo, se obtienen previsiones menos precisas.

Por cierto, esto es cierto incluso para el más básico de los algoritmos de previsión, la regresión lineal. Si uno quiere tener previsiones decentes con un modelo de regresión lineal, normalmente necesita restringir la regresión a los puntos de datos más recientes para ajustar el modelo de regresión al entorno actual del mercado. Pero eso significa que los datos más recientes tienen más peso en la previsión.

Alternativamente, se puede ejecutar la regresión con más puntos de datos que vayan muy lejos en el pasado. Esto reducirá el sesgo del modelo de regresión lineal. Pero también suele reducir la precisión del modelo, porque ahora la regresión asume que las relaciones de, por ejemplo, los años 70 siguen siendo válidas hoy en día, cuando tenemos una economía muy diferente.

Y para cerrar el círculo, se pueden observar cosas similares con los analistas humanos. A menudo, los analistas y expertos del mercado comparan la situación actual con la de los años setenta o algún pasado lejano. Y esas comparaciones pueden ser esclarecedoras y muy útiles para hacerse una idea de lo que podría ocurrir esta vez. Estoy muy a favor de aprender del pasado, para no tener que repetirlo. Pero estas analogías históricas conllevan el riesgo de no reconocer o descartar las diferencias entre el presente y el pasado. El mundo ha cambiado y a veces esos cambios marcan la diferencia entre los resultados de hoy y los del pasado. Saber qué episodios del pasado son importantes hoy y cuáles no lo son es la clave de una buena previsión.

Contáctanos