La señal y el ruido

Descubra por qué más datos no siempre equivalen a mejores predicciones.

“La predicción es muy difícil, especialmente sobre el futuro”: así es una cita atribuida a menudo al físico danés Niels Bohr.

De hecho, las predicciones son muy difíciles, como se puede ver al observar los pésimos registros de las predicciones de los expertos en diversos campos, como la meteorología, las apuestas deportivas y la política. Peor aún, los expertos tienden a confiar bastante en la calidad de sus predicciones a pesar de que los datos históricos muestran lo contrario.

Este resumen describirá las dificultades para predecir el desarrollo económico y para localizar las pocas piezas de información clave, es decir, la señal, en la gran masa de datos disponibles, es decir, el ruido.

Entre otras cosas, descubrirá

• por qué podrías haber obtenido ganancias sobresalientes en función de quién ganó el Super Bowl cada año durante tres décadas,

 

• por qué un resultado de mamografía positivo solo puede significar una probabilidad del 10 por ciento de tener cáncer de seno y

 

• por qué es natural que a los comerciantes de acciones no les importe si se forma una burbuja en el mercado.

 

Los economistas son malos para pronosticar la economía y estimar la certeza de sus pronósticos.

¿Caminarás al trabajo hoy o tomarás el autobús? ¿Tomarás un paraguas o no?

En nuestra vida cotidiana, tomamos decisiones basadas en predicciones de lo que sucederá en el futuro, como si lloverá o brillará.

Pero las predicciones también son comunes en el ámbito público: los analistas del mercado de valores, meteorólogos y comentaristas deportivos se ganan la vida.

Un área donde uno podría esperar predicciones particularmente buenas es la economía. Después de todo, es de vital importancia para las personas, las empresas e incluso las naciones, y hay una gran cantidad de datos disponibles: algunas compañías rastrean hasta cuatro millones indicadores económicos.

Pero a pesar de estos factores, los economistas tienen un historial atroz en el pronóstico.

Considere el indicador económico comúnmente predicho, el producto interno bruto (PIB).

El primer problema con las predicciones del PIB es que los economistas a menudo hacen predicciones como “El próximo año, el PIB aumentará en un 2.7 por ciento”. De hecho, han derivado esta cifra de una predicción amplia intervalo que dice algo como “Es 90 por ciento probable que el crecimiento del PIB caiga en algún lugar entre 1.3 y 4.2 por ciento”. Entonces, un número exacto como predicción es engañoso, ya que da una falsa sensación de precisión y seguridad.

Lo que es peor, los economistas tampoco son muy buenos para elaborar intervalos de predicción. Si sus intervalos de predicción del 90 por ciento fueran más o menos exactos, uno esperaría que el PIB real solo caiga fuera del intervalo de predicción una de cada diez veces. Sin embargo, una encuesta de pronosticadores profesionales muestra que, desde 1968, se han equivocado aproximadamente la mitad del tiempo. Por lo tanto, parece que los economistas no solo son malos predictores, sino que también sobreestiman gravemente la certeza de sus predicciones.

Además de las predicciones del PIB, los economistas también son espectacularmente malos para pronosticar las depresiones. Tenga en cuenta que, en la década de 1990, los economistas solo pudieron predecir dos de las sesenta depresiones que habían ocurrido en todo el mundo con un año de anticipación.

Para decirlo amablemente, las predicciones económicas deben tomarse con al menos un grano de sal.

Pronosticar la economía es muy difícil porque es un sistema complicado y dinámico.

¿Por qué es tan difícil predecir la economía?

Simplemente, porque una cantidad asombrosa de factores entrelazados puede influir en él: un tsunami que golpea a Taiwán puede afectar si alguien consigue un trabajo en Oklahoma.

Además, descubrir la relación causal entre diferentes factores económicos puede ser un dolor de cabeza. Por ejemplo, las tasas de desempleo generalmente se ven afectadas por la salud subyacente de la economía porque las empresas tienden a contratar más en climas económicos saludables. Pero las tasas de desempleo también influyen en cuánto dinero tienen que gastar los consumidores, lo que afecta la demanda de los consumidores y, por lo tanto, la salud general de la economía.

El ejemplo anterior ilustra otro factor de complicación: feedback bucles . Cuando las empresas han aumentado las ventas, les estimula a contratar más trabajadores. Esto les da a esos trabajadores más ingresos disponibles, lo que aumenta el consumo y aumenta aún más las ventas.

También hay factores externos que pueden distorsionar el significado de muchos indicadores económicos. Por ejemplo, el aumento de los precios de la vivienda suele ser un indicador positivo, pero no si están siendo inflados artificialmente por las políticas gubernamentales.

Irónicamente, incluso las predicciones económicas en sí mismas también pueden afectar la economía a medida que las personas y las empresas ajustan su comportamiento en función de ellos.

Y no solo el estado de la economía se ve afectado por una miríada de factores: los conceptos básicos de los pronósticos también cambian constantemente.

En primer lugar, la economía global está en constante evolución, por lo que incluso las teorías probadas y verdaderas se vuelven rápidamente obsoletas. Pero dado que es imposible predecir cuándo, exactamente, esto sucederá, se recurre a las reglas generales existentes hasta que se rompa.

En segundo lugar, las fuentes de datos con las que trabajan los economistas para comprender el pasado y el presente son muy poco confiables y están sujetas a revisiones constantes. Por ejemplo, los datos del gobierno de los Estados Unidos sobre el último trimestre de 2008 indicaron una mera disminución del 3.8 por ciento en el PIB, pero los datos se revisaron más tarde e indicaron una disminución cercana al 9 por ciento.

No es de extrañar que las predicciones precisas sean difíciles de obtener.

La predicción basada en estadísticas por sí sola no es suficiente, todavía se necesita un análisis humano.

Como se indicó en el capítulo anterior, la economía es una red tan compleja de factores interrelacionados que la causalidad es difícil de definir. Esto ha llevado a muchos economistas a probar un enfoque puramente estadístico: en lugar de tratar de comprender qué causas tienen qué efectos, solo observan grandes cantidades de datos con la esperanza de detectar patrones.

Desafortunadamente, este enfoque está lleno de posibles errores porque es inevitable que surjan algunos patrones solo por coincidencia.

Por ejemplo, considere que de 1967 a 1997, el ganador del Super Bowl parecía estar fuertemente relacionado con el desarrollo económico: en veintiocho de esos treinta años, un ganador del Nacional Fútbol League significó ganancias en el mercado de valores para el resto del año, mientras que un ganador originario de [19459109] Football League stock predicho pérdidas del mercado Las estadísticas indican que la probabilidad de que esta relación sea una coincidencia es uno en 4,700,000 . Claramente, los economistas deberían comenzar a ver más fútbol, ​​¿verdad?

Incorrecto. De hecho, esta correlación se debe a solo por casualidad, y desde 1998, la tendencia se ha revertido.

Con el seguimiento de más de cuatro millones de indicadores económicos, está claro que surgirán algunas correlaciones coincidentes como esta. Y confiar en ellos para hacer predicciones eventualmente será contraproducente, ya que la coincidencia llegará a su fin algún día.

Por lo tanto, es crucial que, incluso si utilizamos la tecnología para atravesar grandes cantidades de datos, todavía haya un humano allí para hacer el análisis y considerar si existe una causalidad plausible.

Pero muchas personas no se dan cuenta de esto. En su lugar, intentan obtener más y más información y variables económicas de las que sacar predicciones, creyendo que hará que las predicciones sean más precisas cuando, de hecho, todo lo que hace es aumentar la cantidad de información inútil, o ruido – lo que a su vez hace que sea más difícil detectar información útil – o la señal – oculta en su interior.

Muchos expertos no pudieron predecir el colapso de 2008 de la burbuja inmobiliaria de Estados Unidos.

Dirijamos nuestra atención ahora a cuatro fallas de pronóstico en el período previo a la crisis financiera de 2008, comenzando con las relacionadas con la burbuja inmobiliaria.

La primera fue la creencia demasiado optimista de los propietarios de viviendas, prestamistas, corredores y agencias de calificación de que el aumento meteórico de los precios de las viviendas en los Estados Unidos continuaría indefinidamente. Sostuvieron esta creencia a pesar del hecho de que, históricamente, un aumento meteórico en los precios de la vivienda combinado con ahorros récord siempre ha llevado a un colapso.

Entonces, ¿cómo podrían haberse perdido eso?

Un factor que contribuyó probablemente fue que todos estaban haciendo demasiado dinero en el mercado en auge para comenzar a cuestionarse si una recesión podría estar a la vuelta de la esquina.

El segundo incumplimiento fue cometido por las agencias de calificación con respecto al riesgo de los instrumentos financieros llamados colateralizados obligaciones obligaciones (CDO), que consistían en un paquete de hipoteca deudas La idea era que, a medida que los propietarios realizaban los pagos de sus hipotecas, los inversores que tenían CDO obtendrían ganancias.

Dado que los CDO eran un tipo completamente nuevo de instrumento financiero, las agencias tuvieron que confiar únicamente en modelos estadísticos basados ​​en el riesgo de incumplimiento de las hipotecas individuales. Desafortunadamente, esto descuidó la posibilidad de un colapso de la vivienda a gran escala que podría bajar los precios en todos los ámbitos.

El resultado fue, por supuesto, desastroso. La agencia de calificación Standard & Poor’s había afirmado, por ejemplo, que los CDO que le otorgaron una calificación AAA solo tenían un 0,12 por ciento de posibilidades de incumplimiento pero, de hecho, alrededor del 28 por ciento de ellos terminaron incumpliendo.

El exceso de optimismo en el gobierno y los bancos de los Estados Unidos también provocó la crisis financiera.

Continuando con el capítulo anterior, examinemos las otras dos fallas de pronóstico que contribuyeron a la crisis financiera que comenzó en 2008.

El tercer fracaso predictivo ocurrió en las instituciones financieras estadounidenses, que estaban tan ansiosas por perseguir las ganancias en el mercado en auge que se apalancaron excesivamente con la deuda para hacer más inversiones.

Tome el banco de inversión Lehman Brothers , que se había apalancado para que solo tuviera $ 1 de su propio capital por cada $ 33 en posiciones financieras que tenía. En otras palabras, si el valor de su cartera hubiera disminuido incluso un 4 por ciento, se habría enfrentado a la quiebra. Otros bancos estadounidenses importantes también tuvieron niveles de apalancamiento igualmente altos. Era como si la industria creyera colectivamente que una recesión era imposible.

Por supuesto, este apalancamiento los estaba ayudando a obtener grandes ganancias en ese momento, por lo que nadie estaba demasiado interesado en considerar seriamente la probabilidad de una recesión.

El cuarto fracaso en la predicción fue cometido por el gobierno de EE. UU. Después de la recesión. Mientras el equipo económico del gobierno estaba elaborando el paquete de estímulo en 2009, pensaron que estaban lidiando con una recesión regular donde las cifras de empleo se recuperarían en uno o dos años. Pero la historia muestra que las recesiones causadas por un colapso financiero generalmente hacen que las tasas de desempleo se mantengan altas durante cuatro a seis años, y dado que esta recesión fue causada por dicho colapso, deberían haberlo sabido mejor. Esto hizo que su paquete de estímulo fuera lamentablemente inadecuado.

En los próximos capítulos, descubriremos algunas formas clave de superar estas dificultades.

El teorema de Bayes puede ayudarte a actualizar tus creencias racionalmente a medida que surja nueva información.

Como hemos visto, el pronóstico está lleno de dificultades.

Una forma clave de superarlos al estimar las probabilidades es adoptar el llamado enfoque bayesiano , un teorema basado en el trabajo del ministro inglés del siglo XVIII Thomas Bayes. Este enfoque proporciona un marco matemático para actualizar las creencias de una manera racional a medida que entra nueva información.

Como ejemplo de cómo deberían actualizarse las creencias, consideremos este escenario: eres una mujer de unos cuarenta años preocupada por el cáncer de mama, por lo que quieres predecir qué probabilidades tienes de tenerlo.

Para empezar, ve que los estudios indican que alrededor del 1.4 por ciento de las mujeres desarrollan cáncer de seno en sus cuarentas. Esto se conoce como la probabilidad anterior : la probabilidad que asume antes de obtener cualquier información nueva.

Luego decide hacerse una mamografía, ya que ese procedimiento puede detectar el cáncer de seno. Para su horror, el resultado es positivo.

¿Qué significa eso?

Probablemente menos de lo que piensas.

Las mamografías de ninguna manera son infalibles. Por un lado, si una mujer tiene cáncer de seno, una mamografía solo lo descubrirá alrededor del 75 por ciento de las veces. Por otro lado, incluso si una mujer no tiene cáncer de seno, una mamografía indicará que tiene alrededor del 10 por ciento de las veces.

Entonces, sabiendo esto y el teorema de Bayes, ¿qué tan probable es que tenga cáncer de seno después de la mamografía positiva?

Es posible que se sorprenda al escuchar que la probabilidad es solo del 10 por ciento. Además, los datos clínicos lo confirman.

Esta sorpresa destaca que no tenemos una muy buena comprensión intuitiva de cómo la información nueva, como el resultado de la mamografía, interactúa con la información anterior.

Específicamente, tendemos a centrarnos demasiado en lo nuevo, enfatizando demasiado el resultado de la mamografía y olvidando que, de hecho, la incidencia de cáncer de seno es tan baja que los falsos positivos superan con creces los positivos correctos.

El uso del teorema de Bayes nos ayuda a evitar nuestros sesgos inherentes, como nuestra preferencia por la información reciente.

Las predicciones cautelosas, meticulosas y diversas tienden a ser mejores que las descaradas.

Para comprender otra clave para hacer mejores pronósticos, echemos un vistazo a qué tipo de personas hacen las mejores predicciones.

A partir de 1987, un psicólogo y politólogo llamado Philip Tetlock comenzó a registrar predicciones sobre temas como política y economía hechas por una amplia variedad de expertos.

Después de analizar la precisión de estas predicciones, así como las personalidades y estilos de pensamiento de los expertos que los hicieron, Tetlock comenzó a ver un patrón claro.

Resultó que los predictores más exitosos probablemente utilizarían estrategias en las que intentaran integrar muchos pequeños conocimientos, mientras que los menos exitosos tendían a aferrarse a una gran idea o hecho.

Llamó a estos dos tipos de personas los erizos y los zorros .

Los erizos suelen ser descarados y confiados, alegando que han descubierto grandes principios rectores a los que se adhiere el mundo: piensa en Sigmund Freud y el inconsciente.

Los zorros, sin embargo, tienden a ser más cautelosos y meticulosos, contemplando asuntos desde varias perspectivas y sopesando cuidadosamente los pros y los contras. También son más propensos que los erizos a confiar en evidencia empírica y datos, descartando voluntariamente sus propias ideologías y preconceptos y dejando que los datos hablen por sí mismos.

Por supuesto, la confianza de los erizos tiene mucho más atractivo mediático, por lo tanto, sus predicciones tienden a atraer mucha más atención que los zorros. Pero, al final del día, fueron los zorros los que tuvieron mejores predicciones. De hecho, las predicciones de los erizos fueron en general un poco mejores que las hechas al azar.

Por lo tanto, parece que los buenos predictores se hacen buenos teniendo en cuenta muchos factores diferentes y ponderándolos desde tantas perspectivas, no confiando en verdades simples y grandes.

En los siguientes capítulos, descubrirá cómo usar algo de lo que ha aprendido para hacer mejores predicciones en áreas notoriamente difíciles de predecir.

Los mercados bursátiles son difíciles de superar porque tienden a ser eficientes.

Un fenómeno notoriamente difícil de predecir es el comportamiento a corto plazo del mercado de valores. Claro, a la larga, el valor promedio de las acciones tiende a aumentar, pero esta información es de poca utilidad para la mayoría de los comerciantes porque quieren “vencer al mercado”.

Un deseo que ha demostrado ser espectacularmente difícil de cumplir.

Para uno, es difícil para una persona predecir bien el comportamiento del mercado. De hecho, un estudio mostró que cuando setenta economistas hicieron pronósticos del mercado de valores durante un período de varios años, su predicción agregada fue siempre mejor que la de cualquier individuo.

Esta dificultad también se observó en un estudio de fondos mutuos y de cobertura: descubrió que, solo porque un fondo tuvo un buen desempeño en un año en particular, no era más probable que los otros que superaran a su competencia en el año siguiente. Claramente, el éxito fue solo una casualidad, y ningún fondo fue realmente mejor para predecir el mercado que los demás.

¿Por qué es tan difícil vencer al mercado?

Debido a que el mercado de valores suele ser muy eficiente , es decir, no hay triunfos fáciles y seguros. La mayoría de los intercambios son realizados por personas muy inteligentes y capaces en nombre de grandes instituciones financieras que tienen grandes cantidades de datos y experiencia a su disposición. Esto significa que si una acción tiene un precio excesivo o bajo, el mercado lo corregirá muy rápidamente.

La única forma segura de vencer al mercado es saber algo que nadie más sabe. Y la única fuente para tal ventaja tiende a ser ilegal información privilegiada . Curiosamente, un grupo de inversores que parecen particularmente expertos en vencer al mercado son miembros del Congreso, cuyas inversiones tienden a exceder los rendimientos del mercado general en un 5 a 10 por ciento anual. Esto es especialmente notable dado que tienen acceso a información privilegiada a través de cabilderos, y también pueden afectar las perspectivas comerciales de las empresas a través de la legislación.

En el próximo capítulo, verá un área donde el mercado definitivamente no es eficiente.

Las burbujas del mercado de valores pueden predecirse observando los precios de las acciones y la relación P / E.

Aunque el mercado de valores generalmente tiende a ser eficiente, esto no es cierto cuando se forman burbujas , lo que significa situaciones en las que las existencias están sobrevaluadas.

Aunque no hay una forma infalible de predecir una burbuja, hay algunos signos reveladores.

Primero, está la pista obvia: un fuerte aumento en los precios de las acciones en general. De hecho, observando casos históricos en los que el índice bursátil S&P 500 aumentó al doble de su promedio a largo plazo durante cinco años, en cinco de los ocho casos terminó en un colapso severo.

En segundo lugar, puede vigilar el precio / ganancias o P / E ratio , de acciones: el precio de mercado por acción dividido por Las ganancias anuales totales de la empresa por acción.

A largo plazo, la relación P / E de todo el mercado tiende a ser de alrededor de 15. Esto significa que si la relación P / E promedio en el mercado es muy superior a eso, digamos 30, como lo había sido en el altura de la burbuja de las puntocom en 2000: tienes una buena indicación de que se está formando una burbuja.

Pero, ¿por qué se forman tales burbujas? ¿No deberían los inversores detectarlos y venderlos, reduciendo así los precios?

Bueno, en realidad, si lo piensas bien, no deberían.

Verá, la mayoría de los inversores institucionales invierten en nombre de su empresa y sus clientes. Cuando se desempeñan bien, obtienen grandes bonificaciones, y cuando se desempeñan mal, pueden ser despedidos.

Por lo tanto, incluso cuando ven que se forma una burbuja, siguen comprando y cosechando bonos a medida que el mercado se dispara. Cuando el accidente finalmente ocurra, solo habrán perdido el dinero de su empresa y sus clientes, no el suyo.

Además, todos sus colegas hacen lo mismo, por lo que es poco probable que sean seleccionados y despedidos. De hecho, después de los últimos tres grandes accidentes en Wall Street, solo alrededor del 20 por ciento del personal perdió sus trabajos, por lo que hay un 80 por ciento de posibilidades de que los comerciantes conserven sus trabajos incluso si ignoran la burbuja.

Los modelos climáticos simples tienden a funcionar mejor que los complicados.

Al igual que la economía, el clima comprende un sistema muy complicado e interrelacionado que es muy difícil de modelar y hacer predicciones.

Incluso modelos muy sofisticados que tienen en cuenta innumerables factores, como los ciclos de El Niño y las manchas solares, han fallado espectacularmente. Por ejemplo, el Panel Internacional sobre Cambio Climático (IPCC) basó su predicción de 1990 en un modelo tan complicado, afirmando que, en los próximos cien años, las temperaturas globales aumentarían entre dos y cinco grados, siendo tres grados el resultado más probable. . Pero las observaciones realizadas durante los próximos once años indicaron que esto era completamente incorrecto: el ritmo era de solo 1.5 grados por siglo, incluso por debajo del extremo más bajo de su estimación del IPCC.

Los científicos del clima son conscientes de lo difícil que es el modelado: si bien casi todos están de acuerdo en que el cambio climático está ocurriendo debido a la actividad humana, son mucho más escépticos sobre la precisión de sus modelos y los posibles efectos que tendrá el cambio climático. . Por ejemplo, solo el 19 por ciento consideró que sus modelos de aumento del nivel del mar debido al cambio climático eran buenos.

Por lo tanto, parece que los modelos climáticos que utilizan muchos datos no son precisos. Pero, ¿podríamos encontrar un modelo más simple, que preste atención solo a la señal y no al ruido de innumerables variables?

Resulta que el nivel de CO ₂ en la atmósfera es esa señal. Los modelos simples de la década de 1980 que se basan solo en los niveles actuales y proyectados de CO ₂ hacen un trabajo mucho mejor para predecir el desarrollo de la temperatura global que los posteriores, más complicados.

Además, esta relación no es una mera casualidad estadística porque tiene una posible causa y efecto. El efecto invernadero es un fenómeno físico bien establecido: los gases de efecto invernadero como el CO ₂ se acumulan en la atmósfera y atrapan el calor.

Desafortunadamente, las predicciones precisas son solo una parte de la solución: las naciones deben tomar medidas colectivas para cambiar la tendencia.

Es difícil pero no imposible predecir y prevenir ataques terroristas.

Todos hemos oído hablar de teorías de conspiración relacionadas con los ataques del 9/11 del World Trade Center. Algunos afirman que los ataques fueron tan obviamente predecibles que el gobierno de los Estados Unidos debe haberlos sabido de antemano.

Por ejemplo, en julio de 2001, hubo una advertencia sobre una mayor actividad de Al-Qaeda, y en agosto de 2001, un fundamentalista islámico fue arrestado debido a su sospechosa solicitud de que se le permitiera practicar volar en un simulador Boeing 747. Además, ya se habían descubierto tramas terroristas anteriores de aviones comerciales voladores en edificios.

Pero en realidad, el significado de estas señales solo es obvio en retrospectiva. En ese momento, todo esto era un mero ruido: las agencias de seguridad encargadas de prevenir el terrorismo tienen que examinar cientos de miles de tales posibles clientes, la gran mayoría de los cuales no llevan a ninguna parte.

Sin embargo, el gobierno de los Estados Unidos no debería haberse sorprendido tanto con este ataque a gran escala como lo fue.

¿Por qué?

Debido a que los datos indican que tales ataques son realmente esperados: la frecuencia y la gravedad de los ataques terroristas siguen un patrón conocido como curva de Clauset . Básicamente, cuando los ataques se agrupan según la cantidad de muertes que causaron y luego se traza su frecuencia, vemos una curva doble logarítmica muy predecible donde los ataques se vuelven menos frecuentes cuanto más devastadores son.

La curva de Clauset indica claramente que un ataque en la escala del 11 de septiembre ocurre aproximadamente una vez cada ochenta años, por lo que el gobierno debería haber estado abierto a esta posibilidad.

La buena noticia es que parece que la curva de Clauset no está grabada en piedra.

Israel parece haber encontrado una manera exitosa de negar el extremo superior de la curva de Clauset al centrar casi todos sus esfuerzos en prevenir ataques a gran escala, al tiempo que trata los ataques a pequeña escala como algo casi similar al mero crimen. El resultado ha sido que, desde 1979, ningún ataque ha cobrado más de 200 personas a la vez.

Claramente, hay algo en este enfoque del que otras naciones podrían aprender.

Resumen final

El mensaje clave en este libro:

Expertos en muchas áreas tienden a hacen [ 19459014] asombrosamente pobres predicciones, todavía voz demasiado lejos 19459014] mucha confianza en su precisión. Ellos todos arrastre a datos buscando para [ 19459014] correlaciones pero, en a mundo con rápidamente [ 19459014] aumento cantidades de datos, esto está limitado [ 19459014] a resultado en coincidencia patrones que ] eventualmente contraproducente.