22 Oct De aquellos barros, estos lodos: La transformación de los modelos econométricos a la IA y el Machine Learning en finanzas
De aquellos barros, estos lodos: La transformación de los modelos econométricos a la IA y el Machine Learning en finanzas
De la Econometría a la IA: El Viaje de lo que Estudiaste en la Universidad a los Modelos Predictivos de Hoy
Imagínate esto: estás en tu tercer o cuarto año de universidad, sumergido en la asignatura de Econometría o de Modelos Econométricos. Por aquel entonces, tal vez te parecían unas herramientas algo densas, tediosas, llenas de teorías, fórmulas y regresiones. Seguramente más de una vez te dijiste: “¡Vaya latazo me está dando este profesor!” y te preguntaste: ”¿De verdad voy a utilizar todo esto en el futuro?”.
Flash forward al presente: La tecnología ha avanzado a pasos agigantados, y hoy escuchas hablar continuamente sobre la Inteligencia Artificial (IA) y sus aplicaciones para prever comportamientos del mercado, hacer pronósticos financieros y hasta predecir las tendencias de consumo. Y de repente, algo te hace clic: los modelos predictivos que ahora son el pilar de la IA no son tan diferentes de aquellos modelos econométricos que estudiaste en su momento. De hecho, están más conectados de lo que nunca imaginaste.
Volvamos al Aula de Econometría…
Recuerda cómo construías regresiones lineales para estimar las relaciones entre variables económicas. Había una elegancia en descomponer los problemas en datos históricos y buscar respuestas mediante ecuaciones. Entendías que la econometría era mucho más que un conjunto de números; era una forma de ver el mundo, de encontrar patrones en lo caótico y predecir el comportamiento futuro.
Lo que quizá no sospechabas entonces es que estos principios, aunque básicos, serían la piedra angular de los modelos más avanzados de hoy.
La Evolución: De los Modelos Econométricos a los Modelos Predictivos de IA
Lo que hace algunos años parecía complejo y casi inalcanzable, hoy es parte del arsenal de las herramientas tecnológicas más poderosas del mundo: la Inteligencia Artificial.
La econometría buscaba estimar relaciones en conjuntos de datos con un enfoque principalmente lineal. Los modelos predictivos de la IA han llevado esto un paso más allá, usando las mismas premisas de encontrar relaciones entre variables, pero ahora con volúmenes masivos de datos y algoritmos mucho más complejos. Es como si la IA hubiera cogido los principios que aprendiste y los hubiera turboalimentado, multiplicando por mil su capacidad de análisis.
Hoy, una red neuronal o un algoritmo de aprendizaje supervisado no es más que una versión evolucionada de lo que antes conocías como un modelo econométrico. Claro, los nombres han cambiado, los métodos se han refinado, pero el corazón del proceso sigue siendo el mismo: usar datos históricos para hacer predicciones futuras.
¿Cómo Pasó Esto?
La clave está en el desarrollo tecnológico. Lo que antes era una limitación para los economistas—el volumen de datos y la capacidad de procesarlos—hoy ya no lo es. Con el poder de procesamiento actual y la capacidad de manejar cantidades inmensas de información, los modelos predictivos pueden ir más allá de las suposiciones lineales de los viejos modelos econométricos.
Donde antes trabajabas con unas pocas variables (PIB, inflación, tasa de desempleo), hoy en día la IA puede procesar millones de variables a la vez. Sin embargo, el enfoque sigue siendo el mismo: encontrar las conexiones entre esas variables para hacer predicciones acertadas.
¿Y Qué Hay de los Economistas de Hoy?
Si en algún momento llegaste a pensar que la Econometría era solo una materia que tenías que pasar en tu carrera, piénsalo otra vez. Hoy, esos conocimientos son más valiosos que nunca. Mientras los modelos predictivos de la IA se vuelven omnipresentes en el análisis financiero, de marketing y demás, los economistas que entienden los fundamentos econométricos tienen una ventaja competitiva enorme.
¿Por qué? Porque detrás de cada algoritmo de IA, de cada modelo predictivo, sigue habiendo economistas y científicos de datos que necesitan comprender no solo los datos, sino también las relaciones económicas subyacentes que esos datos revelan.
Un Viaje de Vuelta
Si miras hacia atrás, verás que todo este progreso no es más que una extensión de lo que ya sabías. Lo que antes parecía solo una teoría compleja, hoy se ha convertido en una herramienta fundamental en el mundo empresarial. Tu capacidad para entender los conceptos detrás de un modelo econométrico es, en última instancia, la misma que se utiliza para descifrar los misterios detrás de un modelo predictivo de IA.
Así que, la próxima vez que oigas hablar de Inteligencia Artificial y de sus impresionantes logros, recuerda: todo empezó con la econometría. Lo que aprendiste en la universidad no solo sigue siendo relevante, sino que es la columna vertebral de las tecnologías que están cambiando el mundo.
¿Listo para Revivir lo que Aprendiste?
Si te consideras un amante de los datos y disfrutas del reto de darles sentido, ahora es el momento de volver a sacar esos viejos apuntes de econometría y conectarlos con las oportunidades del presente. Lo que alguna vez fue un ejercicio académico hoy se ha transformado en uno de los campos más emocionantes y dinámicos: el análisis predictivo con IA.
¿Estás preparado para ver cómo lo que aprendiste entonces está transformando el futuro ahora?
Para aquéllos que estéis interesados en la “comparativa “técnica” entre ambos, debajo se presenta un pequeño resumen de las principales ventajas de los modelos predictivos con IA respecto de los modelos econométricos “históricos”.
Los modelos econométricos son métodos estadísticos utilizados para analizar relaciones económicas basadas en datos históricos. Estos modelos son precursores de muchos de los enfoques modernos utilizados en el aprendizaje automático y los modelos predictivos de IA. Ambos buscan encontrar patrones en los datos para hacer predicciones o tomar decisiones, pero los modelos de IA suelen ser más complejos y adaptativos, gracias a las mejoras en el procesamiento de datos y las técnicas algorítmicas.
Los modelos econométricos y los modelos predictivos de IA comparten una base conceptual sólida en el análisis de datos y la búsqueda de relaciones entre variables, pero se diferencian en la profundidad, la flexibilidad y la capacidad de procesamiento.
Similitudes entre modelos econométricos y modelos predictivos de IA:
- Uso de datos históricos: Ambos tipos de modelos dependen de grandes cantidades de datos históricos para hacer predicciones sobre el futuro.
- Relaciones estadísticas: Los modelos econométricos, como las regresiones lineales, buscan describir la relación entre una o más variables independientes y una variable dependiente. Los modelos predictivos de IA, especialmente en áreas como el aprendizaje supervisado, hacen algo similar: tratan de aprender una relación entre los datos de entrada (variables independientes) y el objetivo (variable dependiente).
- Predicción: Tanto los econométricos como los modelos de IA buscan predecir resultados futuros basándose en los datos disponibles. Un ejemplo clásico en econometría es la predicción de variables macroeconómicas como el PIB o la inflación, mientras que en IA, los modelos predictivos pueden aplicarse en cualquier campo, desde finanzas hasta marketing o medicina.
Diferencias principales:
- Flexibilidad: Los modelos econométricos suelen estar limitados por su estructura matemática. Normalmente se centran en modelos lineales o, a veces, en modelos no lineales, pero su capacidad para manejar datos muy complejos es limitada. En cambio, los modelos de IA, como las redes neuronales y los modelos de aprendizaje profundo, pueden capturar relaciones mucho más complejas y no lineales en los datos.
- Capacidad de aprendizaje: Los modelos econométricos no se actualizan de manera continua a medida que llegan nuevos datos. Son modelos más estáticos que requieren una intervención humana para ser ajustados. Por otro lado, muchos modelos de IA (en particular, los que se entrenan con grandes conjuntos de datos) pueden adaptarse de forma dinámica y mejorar su rendimiento cuantos más datos reciben.
- Tamaño y naturaleza de los datos: En econometría, tradicionalmente se trabaja con conjuntos de datos relativamente pequeños y estructurados. Sin embargo, los modelos predictivos de IA pueden manejar grandes volúmenes de datos no estructurados, como imágenes, texto o sonido, además de datos estructurados más tradicionales.
- Metodología: Los modelos econométricos a menudo se basan en supuestos teóricos, por ejemplo, asumiendo distribuciones normales de errores o relaciones lineales. Los modelos de IA, en cambio, tienden a ser más pragmáticos, basándose principalmente en el rendimiento predictivo sin la necesidad de ajustarse a un marco teórico específico.
Interconexión entre ambos campos:
Los modelos econométricos tradicionales han sido una base importante para el desarrollo de técnicas modernas de predicción. Muchos de los conceptos utilizados en la econometría, como la regresión, la estimación de parámetros y la inferencia, son fundamentales en el campo de la IA. Sin embargo, los avances en el poder computacional y la disponibilidad de grandes conjuntos de datos han permitido que la IA avance hacia modelos más complejos y adaptativos.
En resumen, los modelos econométricos son, en muchos casos, una base teórica sobre la que se han construido modelos más avanzados de IA, pero la IA ha llevado las técnicas predictivas a un nuevo nivel gracias a su capacidad para manejar más datos, ser más flexible y aprender de manera continua.
Alguien podría alegar que el final siempre es el mismo, el/los términos de perturbación es/son tan importante/s que no podemos concluir nada, lo cual es una crítica interesante y, de hecho, común en muchos enfoques econométricos y estadísticos! Sin embargo, podemos rebatirla considerando varios puntos clave:
- Modelos son simplificaciones, pero útiles: Ningún modelo es perfecto ni puede capturar toda la realidad, especialmente cuando hay ruido o términos de perturbación. Sin embargo, el objetivo de los modelos econométricos no es predecir con exactitud, sino ofrecer una visión aproximada de las relaciones entre variables. A pesar del ruido, un buen modelo permite reducir la incertidumbre y hacer predicciones razonables.
- El ruido no siempre es tan perjudicial: En la práctica, los términos de perturbación (errores) pueden ser controlados y analizados. Técnicas como la heterocedasticidad o la autocorrelación permiten ajustar los modelos econométricos para que las conclusiones sean más robustas. No es que no podamos concluir nada, sino que se trata de entender y gestionar esos errores para llegar a conclusiones útiles.
- El aprendizaje de los errores: En el campo de la IA y los modelos predictivos modernos, los términos de perturbación también existen, pero se manejan de manera dinámica. Los modelos aprenden de ellos. Esto demuestra que aunque el error esté presente, se pueden seguir obteniendo resultados predictivos valiosos.
- El valor del conocimiento parcial: Incluso si el modelo no puede explicar el 100% de la variación, explicar una parte significativa de la relación entre variables es muy útil. En economía, como en otras ciencias sociales, conclusiones basadas en probabilidades son comunes y válidas.
Así, si bien los modelos tienen sus limitaciones, siguen siendo una herramienta poderosa. Incluso si no pueden preverlo todo, nos permiten comprender más de lo que haríamos sin ellos.
En suma, la econometría son modelos matemáticos aplicado a la economía y las finanzas; en Economía, para crear modelos prospectivos (incorporando Índices de varios tipos, tales como la Demografía y otros) y en Finanzas, para temas tales como los cálculos de optimización de cartera -tales como CAPM-, los modelos de evaluación de opciones (Black & Scholes, método binomial, etc.) y los cálculos de anticipaciones de curvas de tipos de interés; en este sentido, no olvidemos que ya hace años que en los mercados financieros hay modelos matemáticos automáticos de inversiones que funcionan cada segundo.. con técnicas de Machine Learning.
En sí, la IA sirve para optimizar y automatizar la econometría, los datos (Metadatos) que los seres humanos hemos escrito y digitalizado durante un horizonte actualmente finito, de los cuales puede extraer análisis, información valiosa y, quizás, encontrar relaciones entre ellos para obtener nuevos modelos matemáticos, y tal vez un día encontrar patrones sobre cómo tomar decisiones correctas de políticas económicas, si el HOMO ECONOMICUS los sabe -y quiere- aplicar!!
AMSO Consulting
Pioniero en aportar soluciones novedosas desde hace 30 años, somo un gran especialista en Corporate Performance Management y en particular en todo lo que trata de procesos de presupuesto y forcasting. Hemos trabajado en varios sectores, como Retail, Moda, Servicios, Hoteles o salud. En nuestros proyectos, siempre optimizamos los procesos que permitan a los clientes, realizar presupuestos, Rolling Forecast y plan financiero de manera indiferente y con el mínimo esfuerzo. Todo actualizado al mismo tiempo.
Somos los especialistas e integradores de Mercur Business Control en España, Andorra y Portugal.