El físico danés Neils Bohr bromeó una vez que la predicción es difícil, especialmente cuando se trata del futuro. Pero esto es precisamente lo que los reguladores financieros deben hacer:pronosticar el estado probable de la economía en el futuro es crucial a la hora de decidir sobre palancas de política, como recortar o aumentar las tasas de interés.

Sin embargo, a medida que el mundo se vuelve más impredecible, la previsión se ha vuelto cada vez más difícil. Este desafío se ilustró conmovedoramente después del inicio de la crisis financiera de 2008, cuando la reina Isabel hizo una pregunta aparentemente simple pero directa a una sala de investigadores y economistas de la London School of Economics:¿Por qué nadie lo vio venir?

Ante una gran complejidad, quizás le vendría bien más ayuda a la econometría. Tome el aprendizaje automático, por ejemplo. Con su capacidad para analizar macrodatos, podría mejorar los métodos econométricos existentes y conducir a mejores pronósticos. Esta es la investigación que presentó el profesor Yu Jun de la Singapore Management University (SMU) junto con el profesor asociado Xie Tian de la Universidad de Finanzas y Economía de Shanghai. en un seminario web organizado por SMU y la Autoridad Monetaria de Singapur (MAS) el 26 de junio de 2020.

En su charla titulada "Métodos econométricos y técnicas de ciencia de datos, "Los profesores Yu y Xie revisaron los métodos econométricos existentes y las técnicas de aprendizaje automático antes de discutir un híbrido de ambos métodos. Usando datos reales y ejemplos, demostraron que el método híbrido puede presagiar mejores pronósticos de variables económicas y financieras.

"Todos sabemos que estamos en la era de las técnicas de ciencia de datos de big data y aprendizaje automático, ", dijo el profesor Yu." Algunas personas pueden pensar que el aprendizaje automático representa una amenaza para los métodos econométricos convencionales. ¿Es realmente el caso?"

Una mezcla de tradición y cambio

Hablando primero El profesor Yu presentó una selección de métodos econométricos tradicionales. Mezclar economía con estadísticas, La econometría adopta un enfoque estadístico cuantitativo estructurado para los análisis económicos. Con econometría, El profesor Yu explicó, el método consiste en utilizar datos pasados ​​para establecer relaciones estadísticas que, a su vez, se pueden utilizar para pronosticar posibles futuros.

"La mayoría de los métodos econométricos esperan facilitar la interpretación y la inferencia estadística, " él dijo, explicando que los métodos econométricos convencionales se basan en supuestos y relaciones lineales, como el famoso supuesto de linealidad. "Quieres trazar un mapa del pasado al futuro".

Este enfoque funciona bien en ciertos casos, El profesor Yu dijo:pero también demuestra ser una limitación:la mayoría de los modelos econométricos convencionales no pueden manejar big data o relaciones complicadas. "Si tiene muchos predictores o una relación complicada, los métodos econométricos fallarán. Y esa es una limitación seria en la era de los macrodatos y, en muchos casos importantes, " él dijo.

Por otra parte, Profesor Xie, quien también es profesor adjunto en SMU, explicó que los algoritmos de aprendizaje automático se basan en datos. "En lugar de confiar en suposiciones, muchos algoritmos de aprendizaje automático simplemente dejan que los datos hablen:no imponen suposiciones o restricciones muy fuertes en el proceso de generación de datos, " él dijo.

Eso es lo que hace que las técnicas de aprendizaje automático sean tan flexibles, El profesor Xie señaló. Sin embargo, También agregó que, en primer lugar, muchos métodos de aprendizaje automático no están realmente diseñados para los datos económicos y financieros.

Entonces, cuando se trata de predecir el futuro, ¿Es un enfoque mejor que el otro? Como muchas cosas en este mundo no es tan sencillo.

Sopesando sus fortalezas y debilidades

Los profesores Yu y Xie utilizaron dos ejemplos del mundo real para ilustrar cómo los dos enfoques diferentes pueden superarse entre sí en precisión según los datos y el caso en cuestión.

En la previsión del índice de volatilidad, o VIX, un índice de volatilidad del mercado financiero creado por el Chicago Board Options Exchange, demostraron que los modelos econométricos lineales más tradicionales producían un pronóstico más preciso que los métodos de aprendizaje automático más complejos.

Sin embargo, en el segundo caso de previsión de la inflación de precios al consumidor de la eurozona, Los métodos de aprendizaje automático superaron a los métodos econométricos tradicionales.

"Los métodos de aprendizaje automático son muy populares, pero no siempre superan a los métodos econométricos convencionales. La pregunta es, ¿Podemos modificar los algoritmos de aprendizaje automático para adoptar técnicas econométricas avanzadas y utilizar mejor los datos económicos? "

En esta vena, Los profesores Yu y Xie discuten la idea de que la aplicación de métodos de aprendizaje automático a los enfoques econométricos existentes, en lugar de utilizar cualquiera de los dos enfoques por separado, podría mejorar el modelado econométrico. Sugieren un algoritmo híbrido, un modelo de árbol de regresión de promedios (MART), que fue propuesto por primera vez por el profesor Xie y el profesor Steven F. Lehrer de Queen's University en un documento de trabajo de NBER de 2018.

Poniendo MART a prueba

Para probar la efectividad de este método híbrido, lo utilizaron para pronosticar las variables económicas y financieras reales aplicándolo a los mismos ejemplos de tasas de inflación del VIX y de la eurozona discutidos anteriormente.

Los modelos econométricos todavía tenían la mejor precisión de pronóstico en el pronóstico de VIX, funcionando mejor que su enfoque híbrido MART. Los profesores Yu y Xie sugieren que esto se debe a que los datos del VIX exhiben una linealidad muy fuerte y, por lo tanto, son los más adecuados para un enfoque econométrico.

Pero cuando se trataba de pronosticar las tasas de inflación de la eurozona, los resultados mostraron que el enfoque híbrido del dúo funcionó mejor, generando una precisión de pronóstico superior en comparación con la econometría o los métodos de aprendizaje automático por sí solos.

Entonces, si bien un modelo híbrido no siempre es el mejor en todos los casos, Los elementos del aprendizaje automático aún pueden mejorar la previsión al detectar tendencias que los modelos econométricos tradicionales podrían pasar por alto. Por ahora, dicen que la clave es comprender los fundamentos de cada método y aplicarlos en las circunstancias más adecuadas.

"La estrategia híbrida combina medidas econométricas con estrategias de aprendizaje automático para generar ganancias significativas en la precisión de los pronósticos, "dijo el profesor Xie." Por supuesto, Esto es solo una idea. Definitivamente se necesita trabajo futuro para comprender las propiedades de esta estrategia híbrida propuesta con el fin de ayudar a guiar a los profesionales ".