Imagine que envía por correo una predicción de acciones para la próxima semana a diez mil destinatarios desconocidos. La mitad de ellos contiene una predicción de la subida de los precios de algún instrumento, y la otra mitad contiene una predicción sombría de las mismas acciones. La semana siguiente repite el mismo ejercicio con la mitad para la que tenía razón. Después de diez semanas, su muestra inicial se ha reducido a nueve personas, pero para ellos, usted parece cada vez más un genio del mercado de valores. Durante diez semanas seguidas ha predicho correctamente el movimiento de una acción determinada.
Este problema se conoce como la estafa del corredor de bolsa de Baltimore, el «problema del cajón de archivos» o «sesgo de publicación», todo lo cual ilustra que con muestras lo suficientemente grandes incluso la casualidad se verá sospechosamente no aleatoria. Un atípico elegido, diez llamadas correctas seguidas, puede parecer impresionante a los nueve seleccionados que las recibieron, pero no se sabe cuántas posibilidades tenía el corredor de bolsa para lograr esos resultados. Con un gran número de personas intentándolo durante el tiempo suficiente, eventualmente terminas con unas pocas personas con resultados escandalosos.
Usted puede realizar pruebas similares con el lanzamiento de monedas, ese juego de azar por excelencia; en una muestra de cinco mil lanzadores de monedas, las posibilidades de que alguien salga con diez cabezas seguidas es de más del 90 por ciento. O la famosa Paradoja del Cumpleaños, donde el número de extraños necesarios para una probabilidad del 50 por ciento de que dos personas en una habitación compartan un cumpleaños no es más de veintitrés personas.
Ejemplos como estos abundan, y deberían hacernos muy escépticos sobre los resultados extraños que pueden haber surgido de la casualidad (ver mis dos recientes artículos de Mises sobre Nassim Taleb). Sin embargo, la relación entre la intuición humana y los poderes computacionales que ofrece la automatización de tareas que antes se consideraban únicamente humanas es intrigante.
¿Qué pasa si las máquinas pueden hacer X mejor que los humanos? ¿Qué sucede cuando se apoderan de nuestros juicios y decisiones? Y la espiral hacia el Yo, Robot distópico, los escenarios de los robots están casi garantizados (sí, especialmente el Sr. Musk).
No todo es aleatorio
Tomemos como ejemplo a Jim Simons, el exitoso gestor de fondos de cobertura cuyo fondo Medallion utiliza el aprendizaje automático e inversiones cuantitativas para superar los mercados. Según el último libro de Greg Zuckerman sobre Simons, The Man Who Solved the Market, Medallion obtuvo un rendimiento del 39,1 por ciento, anualizado desde 1988, mientras que otros famosos inversores como Peter Lynch, George Soros o Warren Buffet han logrado «sólo» un rendimiento del 20-32 por ciento en sus respectivos años de actividad.
La aleatoriedad y la exuberante preocupación por la tecnología son sólo dos de las razones por las que la relación de Austria con inversores tan dependientes de la maquinaria, como Jim Simons, es ambivalente. Podemos discutir sobre el número exacto y la aleatoriedad involucrada, pero es innegable que Simon ha hecho algo con las máquinas y los mercados que pocos pensaban que era posible.
Por un lado, es imposible no admirar el dedicado espíritu empresarial de Simons: «Aquí hay un patrón; tiene que haber un patrón», relata Zuckerman a menudo Simons a sus empleados.
A diferencia de muchos economistas financieros convencionales, los austriacos no están obligados a un razonamiento al estilo de la hipótesis del mercado eficiente y no deberían tener necesariamente aversión a la idea de que un inteligente gestor de fondos de cobertura pueda superar el rendimiento del mercado de valores. Después de todo, no nos oponemos a que un empresario utilice el conocimiento y la tecnología para ofrecer productos de consumo superiores. En cierto sentido, vencer a los mercados financieros no es conceptualmente diferente de superar a sus rivales en otros mercados competitivos.
Simons y la mayoría de sus colaboradores fundadores (James Ax, Robert Mercer o Sandor Straus) nunca «creyeron que el mercado fuera realmente un “paseo aleatorio” o totalmente impredecible», escribe Zuckerman. Simons claramente «desenterró nuevas formas de hacer dinero».
Por otro lado, el enfoque de Simons sobre los mercados es puramente técnico, impulsado por la cantidad, sin conexión con las variables económicas subyacentes. Eso debería levantar banderas para la mayoría de los intelectuales austriacos. Sandor Straus, descrito por Zuckerman como un «gurú de los datos» en los primeros días de la aventura de Simons, era un obsesivo coleccionista de datos, en ocasiones desenterrando físicamente las tasas de interés de décadas de antigüedad en la Reserva Federal de Nueva York para alimentar el algoritmo de operaciones de Medallion con aún más datos. Hay que admitir que un tipo de interés o un precio de cierre de hace veinte años puede tener relevancia para los precios de las acciones de mañana es algo inverosímil.
La premisa subyacente en la estrategia comercial de Simons era la consistencia de las reacciones del comercio y de los precios del mercado; supuestamente descubrió que los patrones de comercio «podrían repetirse, bajo la suposición de que los inversionistas exhibirán un comportamiento similar en el futuro». La convicción de Simons y el modelo de operaciones subyacente es que «los patrones históricos pueden formar la base de modelos informáticos capaces de identificar las tendencias de mercado pasadas y en curso, permitiendo adivinar el futuro a partir del pasado».
Tales convicciones de certeza matemática chocan fuertemente con el ímpetu antiestático de la literatura austriaca reciente y anterior. Por ejemplo, en el capítulo 16 de La acción humana, Mises escribe:
Es necesario enfatizar estos hechos una y otra vez porque es costumbre hoy en día jugar con la elaboración estadística de los datos de precios contra la teoría de los precios. Sin embargo, la estadística de precios es totalmente cuestionable. Sus fundamentos son precarios porque las circunstancias en su mayoría no permiten la comparación de los diversos datos, su vinculación en series y el cálculo de promedios. Los estadísticos, llenos de afán por emprender operaciones matemáticas, ceden a la tentación de no tener en cuenta la incomparabilidad de los datos disponibles. (p. 328, énfasis añadido)
Además, en el prefacio de 1985 a la Teoría e historia de Mises, Rothbard impulsó agresivamente el mismo punto:
Es imposible probar [la teoría económica] de cualquier manera, comprobando sus proposiciones contra pedazos homogéneos de eventos uniformes. Porque no existen tales eventos. El uso de estadísticas y datos cuantitativos puede tratar de enmascarar este hecho, pero su aparente precisión sólo se basa en eventos históricos que no son homogéneos en ningún sentido. Cada evento histórico es un resultado complejo y único de muchos factores causales. Dado que es único, no puede ser usado para una prueba positivista, y dado que es único no puede ser combinado con otros eventos en forma de correlaciones estadísticas y lograr cualquier resultado significativo. (p. xvii, énfasis añadido)
Es difícil conciliar estos fuertes puntos metodológicos con una estrategia de inversión cuantitativa totalmente basada en datos. La imagen que surge de la gran investigación de Zuckerman sobre este hombre que se caracterizaba por ser tímido a la hora de ser el centro de atención es que el propio Simons no sabe qué es lo que explica sus enormes beneficios; simplemente programó una máquina para detectar patrones, aprender de ellos y seguir ajustando las operaciones utilizando grandes cantidades de apalancamiento, una estrategia que, hasta ahora, le sigue haciendo ganar dinero.
Estrictamente hablando, Mises y Rothbard objetan el uso de inferencias estadísticas en la validación de la teoría; la verdadera teoría praxiológica sólo puede derivarse lógicamente de los primeros principios. Por supuesto, Simons y su equipo de programadores de minería de datos no están haciendo teoría económica, como otros empresarios, sólo están tratando de ganar un dólar o dos.
La mayoría de las veces el equipo ni siquiera sabía lo que estaba negociando. Zuckerman relata un caso emblemático en el que uno de los gerentes de empresa de Simons presentó la empresa a inversores externos y dio un ejemplo de compra o venta de acciones de Chrysler, con la excepción de que Chrysler había sido adquirida por Daimler hace varios años y no estaba operando como un valor independiente. Para el algoritmo de negociación y sus programadores en el fondo de Simons, estos molestos detalles no importaban, ya que sólo se referían a las correlaciones históricas de negociación entre los valores. Lo que las compañías vendían o como se llamaban era completamente circunstancial.
Tal vez Simons, como Buffet, es meramente el resultado superior de una muestra inicial increíblemente grande; los inversores entran y salen todo el tiempo, con inversores incapaces y desafortunados que se ven rápidamente liberados de su excedente de efectivo. Este sesgo de supervivencia hace que las evaluaciones sean complicadas y no está claro que podamos separar a los Simonses y Buffets del mundo de un esquema de comercio de acciones de Baltimore increíblemente complicado.
Por otra parte, treinta años es un largo historial y, aunque nadie parece saber qué es precisamente lo que hace que el Medallion Fund obtenga sus enormes beneficios, parecen legítimos.
El último libro de Zuckerman es una gran entrada para aquellos interesados en el aprendizaje automático en los mercados financieros y, en particular, en Jim Simons y el fondo que construyó.
