Artículo

La ciencia y la seudociencia de las técnicas cuantitativas

Hace poco, Eric escribió un artículo fascinante sobre el ´virus de la volatilidad´que ha contraído la comunidad de los inversores profesionales. Esta entrada de blog desarrolla esas ideas considerando el uso –y específicamente, el uso indebido– del «análisis» cuantitativo en general.

Es importante dejar claro que no estoy en contra de las técnicas cuantitativas, sino más bien lo contrario: soy partidario del análisis científico, interpretado correctamente y con integridad. De lo que sí advierto es de la falsa confianza profesada a menudo en base a resultados cuantitativos. De conjeturas seudocientíficas disfrazadas de ciencia, defendidas con plena convicción.

En el ámbito de la economía y las finanzas, debemos reconocer que todos somos vulnerables a la trampa de la seudociencia, por dos motivos principales:

  1. En primer lugar, resulta incómodo admitir la naturaleza caótica e impredecible de las economías y de los mercados financieros. Es mucho más tranquilizador autoconvencernos de que sabemos una cosa u otra con cierto grado de certidumbre, con lo que depositamos una confianza excesiva en las cifras y gráficos generados por diversos estudios e ignoramos los intervalos de confianza amplios en torno a los resultados. Queremos creer que existe una «respuesta» y quedamos impresionados por quienes nos la proporcionan, sobre todo cuando está respaldada por datos estadísticos «de peso». Por otra parte, cada uno de nosotros también quiere impresionar a los demás, y admitir que sabemos poco con certeza alguna no nos ayuda precisamente a lograrlo.

 

  1. La segunda vulnerabilidad se debe a los sesgos de selección en la industria. Mucha gente en el mundo de las finanzas tiene predisposición por las cifras, al ser donde radica su inteligencia. Son más felices analizando números o generando gráficos que pensando sobre las premisas a menudo cuestionables en las que se basa dicho análisis, y la creciente capacidad de computación, unida al deseo institucional de estar a la vanguardia en el sector, refuerza esta tendencia.

 

El otro sesgo de selección obedece a la naturaleza extremadamente competitiva y financieramente lucrativa de la industria. Las organizaciones más prestigiosas están llenas de profesionales muy válidos y seguros de sí mismos, acostumbrados a ganar y a acertar. Estas personas tienden a estar convencidas de sus ideas y a expresarlas de forma convincente, y solemos creer lo que dicen; de hecho, son la gente que queremos escuchar (o eso creemos).

Un par de ejemplos concretos de la poderosa atracción de la seudociencia pueden ilustrarlo.

 

El nivel del tipo de interés neutral real, o R*

En el pasado ya hemos cuestionado el concepto de R*, pero incluso asumiendo que sigue siendo válido, el público nunca oye nada sobre lo inciertas que son realmente las estimaciones de R*.

Incluso los oficiales de la Reserva Federal estadounidense han caído en esta trampa, o al menos eso parece a la luz de sus declaraciones.

La labor de Laubach y Williams se ha convertido en el modelo estándar para estimar R*, que en general se presupone en torno al 0%. Lo que se ignora cuando los comentaristas mencionan este estudio es que el intervalo de confianza al 95% de esta estimación es del +5% al -5% (el tema de la incertidumbre en torno a las estimaciones se discute explícitamente aquí), lo cual apenas ofrece base alguna para argumentar a favor de pequeños cambios en el nivel adecuado de la tasa de fondos federales de la Fed. Pero, ¿qué hay de otros modelos?

 

Pronósticos económicos (por ejemplo en torno al brexit)

Durante la campaña previa al referéndum sobre la permanencia del Reino Unido en la Unión Europea, el exsecretario de educación Michael Gove declaró «estar harto de los expertos», lo cual le valió un torrente de críticas.

Si dicho comentario hubiera sido más generalizado, tales críticas habrían sido apropiadas, pero a Gove no le faltó razón, ya que los expertos en cuestión eran pronosticadores económicos. De nuevo, el problema no es que el análisis económico en torno al Brexit fuera negligente o engañoso, sino más bien el modo en que se proyectó hacia el gran público en los medios de comunicación. Las predicciones económicas se emiten con amplios márgenes de error y una incertidumbre considerable: al fin y al cabo, pueden ocurrir muchas cosas inesperadas. Sin embargo, el análisis matizado no es adecuado para la televisión o las redes sociales. Los debates ideológicos y cargados de emoción –brexit, las políticas de Trump, la economía keynesiana frente a la clásica– no tardan en alejarse del análisis honesto y objetivo.

La lección que cabe extraer de lo anterior es que los pronósticos económicos siempre deben tomarse con una buena dosis de cautela. En la mayoría de los casos hay sorpresas, pero ese no es el modo en que las estadísticas o los pronósticos se presentan en las noticias.

 

Análisis de carteras de inversión

El análisis estadístico de las carteras de inversión de las gestoras no había sido nunca tan detallado como en la actualidad, cubriendo aspectos como exposiciones a factores específicos, contribución de cada posición al riesgo, coeficientes de acierto y correlaciones. En muchos lugares, gran parte del mismo se ha internalizado, y el «arbitraje estadístico» se ha convertido en una categoría de fondos por derecho propio.

¿Es todo esto de ayuda? Si se lleva a cabo correctamente es probable que sí, pero el listón tiene que estar alto. ¿Es el periodo de muestra representativo? ¿Existe un histórico suficiente? ¿Cuán estables son las correlaciones? ¿Es esto ruido, o me hallo ante un patrón significativo? ¿Debería ampliar mis posiciones largas/cortas brutas en base a las correlaciones estadísticas, o podrían cambiar dichas correlaciones?

 

Conclusión

Por incómodo que sea reconocerlo, «uno no puede delegar el pensamiento», como suele decir mi compañero Dave Fishwick. Ahora más que nunca, nos vemos bombardeados por estadísticas y análisis cuantitativos. Y por muy inteligentes y científicos que parezcan muchos de ellos, a menudo están lejos de serlo. El método científico gira en torno al cuestionamiento y la objetividad (en la medida en que podamos ser objetivos). Es más científico rechazar la seudociencia, admitir la ignorancia y actuar en consecuencia que aceptar un análisis erróneo. En este sentido, el enfoque de inversión de Warren Buffett –que ignora la volatilidad, la correlación y los pronósticos económicos– es científico, pues estas variables son empíricamente irrelevantes para las rentabilidades a largo plazo.

Lo que queremos decir no es que el análisis cuantitativo sea malo, sino que tenemos que pensar. Deberíamos seguir el ejemplo del gran físico teórico Richard Feynman: «Desde entonces nunca presto atención a nada que digan los “expertos”. Lo calculo todo yo mismo.»

 


El valor de las inversiones fluctuará, por lo que el precio de los fondos puede subir o bajar, y es posible que no recupere la inversión inicial.