Acceder

 

Todos los modelos están mal, pero algunos son útiles., George Box

 

 

Al igual que en muchos otros debates, creo que también en este estamos haciendo las preguntas incorrectas, y con preguntas incorrectas no sólo tendremos respuestas incorrectas, sino que nos será más difícil llegar a un consenso. IMHO creo que la cuestión no es si el modelo debe ser más simple o más complicado. La cuestión es si el modelo realmente sirve para algo, por más que tenga sesgos, errores y no explique un fenómeno del todo.

 

Cuando decimos más simple o más complicado ¿cuál es nuestro punto de referencia? ¿El modelo debe ser más simple que el modelo anterior que hacía lo mismo pero era más complicado y/o no era bueno? o ¿debe ser más simple que el complicado modelo anterior aunque ahora ya no sirva de mucho? O viceversa. Recordad lo que dijo Einstein, hay que hacer las cosas lo más simple posible, pero no simplistas.

Everything simple is false. Everything which is complex is unusable., Paul Valery

 

Los modelos no deben ser tan complicados de modo que sea imposible revisarlos, corregirlos y actualizarlos. Pero tampoco deben ser tan simples que sólo sean capaces de explicar fenómenos demasiado sencillos que de hecho no necesitan de modelos para ser explicados. Debe existir un balance, un punto de referencia y sobre todo un límite en ambos casos para no hacer algo que sea redundante, pero tampoco algo que sea tan complejo que no pueda explicar otros fenómenos con excepción de uno muy particular que casualmente ha sido de donde se ha derivado el modelo. Además no hay que olvidar que un modelo es tan bueno como los inputs que le ingresamos. Si los datos ingresados son de mala calidad, sesgados o manipulados, entonces sólo estaremos metiendo basura y obteniendo basura.

Models tend to be useful when they are simultaneously simple enough to fit a variety of behaviors and complex enough to fit behaviors that need the help of an explanatory model., Micromotives and Macrobehavior by Thomas C. Schelling

 

Debemos hacernos a la idea de que no existen modelos perfectos y por lo tanto es preferible tener modelos imperfectos (como lo son todos) que más o menos expliquen un fenómeno en lugar de tener modelos perfectos (que no existen) que no expliquen nada y quedarnos en el mismo sitio sin avanzar jamás.

Just because a model is not going to be very precise or accurate doesn’t mean that therefore you should trust your gut instinct after a couple of whiskeys and assume it’s going to be very much better., Nate Silver (24sep13)

 

Tal y como el epígrafe dice, es preferible tener un modelo malo pero útil a tener uno bueno pero inútil, o simplemente inútil sin lo de bueno. Y por eso creo que la discusión de simple Vs complicado no nos llevará a ningún sitio. Es mejor preguntarnos si el modelo es útil o inútil, y recordar que por más útil que sea siempre tendrá fallos, no servirá para explicarlo todo, ni servirá en todas las situaciones. Así que no sólo hay que preguntarnos acerca de su utilidad, sino también reconocer cuál o cuáles modelos son los mejores para diferentes situaciones.

Remember that all models are wrong; the practical question is how wrong do they have to be to not be useful., George Box

 

La historia de los modelos está repleta de prueba y error incluso en las ciencias duras y exactas como la física y matemáticas. Es por esto que debemos aceptar que ese proceso de prueba y error no sólo es inherente y necesario para avanzar, sino que será más marcado en las ciencias sociales porque no hay forma de reproducir los eventos con la misma exactitud de un laboratorio. Por lo tanto habrá veces que un modelo funcione mejor que otro, pero también habrá veces que ese mismo modelo funcionará peor que el resto o incluso podría darse el caso de que por muy malo que sea el modelo, la verdad es que es el menos malo. Por ejemplo, a veces un modelo Keynesiano explicará mejor una situación (o parte de una situación) y a veces un modelo Austríaco hará lo propio. La cuestión es aprender a distinguir qué modelo o modelos aplica en cada contexto y en qué secuencia. Es una ilusión pensar que un solo modelo o una sola teoría o una sola ideología pueda explicar absolutamente todo. Y si pensamos así, entonces estamos cayendo en el problema del hombre con el martillo que explicaba Munger, lo cual me recuerda la siguiente cita que es aplicable:

An idealist is one who, on noticing that a rose smells better than a cabbage, concludes that it will also make better soup., H.L. Mencken

 

Los modelos por muy simples o complicados que los queramos hacer no eliminarán el riesgo ni la incertidumbre. Y si intentamos hacerlo entonces podríamos estirarlos tanto que se rompan o queden inservibles sin que nos demos cuenta. Por lo tanto hay que cuidar no llevarlos al extremo y aprender sus límites y trucos. El siguiente cuento de Borges llamado “Del rigor de la Ciencia”  explica muy bien esto:

En aquel Imperio, el Arte de la Cartografía logró tal Perfección que el Mapa de una sola Provincia ocupaba toda una Ciudad, y el Mapa del Imperio, toda una Provincia. Con el tiempo, estos Mapas Desmesurados no satisficieron y los Colegios de Cartógrafos levantaron un Mapa del Imperio, que tenía el Tamaño del Imperio y coincidía puntualmente con él. Menos Adictas al Estudio de la Cartografía, las Generaciones Siguientes entendieron que ese dilatado Mapa era Inútil y no sin Impiedad lo entregaron a las Inclemencias del Sol y los inviernos. En los Desiertos del Oeste perduran despedazadas Ruinas del Mapa, habitadas por Animales y por Mendigos; en todo el País no hay otra reliquia de las Disciplinas Geográficas.

 

Lo anterior sumado a la arrogancia y el exceso de apalancamiento es lo que hizo que LTCM quebrará y no los modelos per se, pero se ha convertido en una leyenda urbana excelente para estigmatizarlos. Muchas veces los culpables no son los modelos, sino las personas que los utilizan y nosotros podemos ser tan irracionales como un premio Nobel. De hecho hay estudios como los de Slovic que muestran que entre más educados/preparados y especializados seamos, entonces tendemos a caer más rápido o con mayor fuerza en el exceso de confianza. Esto se acentúa cuando estamos rodeados de personas similares (group polarization). Inversamente, los menos preparados y con menos experiencia/entendimiento suelen caer en el Dunning-Kruger effect.

it isn't that the mathematical models designed by LTCM’s Nobel laureates had failed. The upshot of the entire episode was that the trades eventually worked, just not on LTCM's timetable. The math was right; what was all wrong was the psychology of the trade. That was, and always will be, the hardest thing to get right., Barry Ritholtz (23sep14)

 

Yo estoy a favor de la simplicidad y por eso el 60% de mi portafolio de valores sigue una Filosofía y Estrategia que no sólo es la más simple y sencilla, sino que es la que menor número de decisiones requiere y la que necesita de menos promesas/suposiciones cumplidas para que todo salga bien.

 

La mayoría crítica y ataca a lo complejo y complicado porque es lo más fácil y sencillo de hacer en este mundo. Yo tomaré un camino distinto y por eso, a pesar de mi favoritismo hacia lo simple, quiero ejercitar un poco la disonancia cognitiva y hacer algo que muy pocos hacen: criticar a las simplificaciones en lugar de tomarlas como evangelio. Es decir, tratar de ver lo que el resto ha pasado por alto y combatir mi propio sesgo de confirmación. En vez de buscar evidencia que confirme lo que yo ya creía, mejor buscar argumentos que desafíen mis ideas preconcebidas.

 

Mi crítica hacia las simplificaciones y querer hacer siempre todo más simple tiene los siguientes siete puntos:

  • (i)aquellos que sufren del Dunning-Kruger effect y/o que están al inicio de la curva de aprendizaje, suelen sobre-simplificar las cosas y pasan por alto muchos detalles, matices e información importante;
  • (ii)es posible que estemos tratando de simplificar algo que realmente no entendemos bien y para lo que no tenemos respuesta con el fin de hacerlo más accesible y comparable. Esto nos hace caer en el attribution substitution y falsa analogía;
  • (iii) si simplificamos todo sin añadir ningún tipo de advertencia sobre las complejidades que existen en la práctica, entonces se da la impresión o tendemos a creer que simple es igual a fácil, y que por lo tanto cualquiera puede hacerlo y/o cualquiera puede tener una opinión válida e informada;
  • (iv)En su libro Think Twice: Harnessing the Power of Counterintuition, Michael Mauboussin habla sobre cómo somos víctimas de rutinas mentales simplificadas que nos impiden entender y hacer frente a realidades complejas que son inherentes a nuestras decisiones importantes;
  • (v) querer hacer siempre todo más simple y/o recurrir siempre a la Occam Razor es caer en el problema del hombre con el martillo que piensa que todo es un clavo. Es decir, no todo se puede solucionar o mejorar con la misma herramienta;
  • (vi) nos hacemos más proclives a caer en el sesgo de confirmación porque solemos quedarnos con los pocos detalles que confirman nuestra percepción. Algunos se preguntarán: ¿para qué quiero más si con lo que tengo ya he confirmado y probado mi postura? Una mejor pregunta sería ¿Qué detalles he pasado por alto que desafiarían mi postura? No necesitamos de mucha más información, sólo necesitamos replantearnos las cosas, buscar qué sería necesario para que mi idea o teoría falle, y revisar nuestros filtros para asegurarnos que los "pocos" detalles con los que hemos decidido quedarnos no sean únicamente sesgo de confirmación.
  • (vii) simplificar y hacer las cosas mas simples nos puede dar la ilusión de control y certidumbre que necesitamos para hacer frente a un mundo complejo, caótico e incierto. Esto puede aumentar nuestro sesgo de confirmación, complacencia y sobre-confianza. Sentirnos a veces vulnerables frente a la complejidad del mundo en lugar de confiados y decididos puede ayudar a temperar los tres sesgos anteriores.

 

If we are not able to ask skeptical questions, to interrogate those who tell us that something is true, to be skeptical of those in authority, then, we are up for grabs for the next charlatan (political or religious) who comes rambling along., Carl Sagan

 

Me despido y pido una disculpa por este post un tanto fuera de contexto y hasta bobo, pero el finde estuve bastante liado, así que he rescatado estas divagaciones de entre los archivos viejos que jamás llegaron a ser posts, pero que me ayudaron a ordenar algunas ideas.

 

 

 

Aprende a formar tu propia cartera de inversión indexada con las comisiones más bajas.

  • Capaz de batir a la mayoría de gestores activos
  • Ajustada a tus necesidades, objetivos y perfi de inversor
  • Incluye acceso al foro privado de alumnos y soporte directo con Gaspar
 
  1. en respuesta a Nairan
    -
    Joaquin Gaspar
    #9
    30/09/15 19:49

    He buscado la anécdota que te comenté de Feynman porque tenía dudas de si la había dicho correctamente. Creo que la tergiversé un poco pero el objetivo puede ser el mismo.

    Richard Feynman, the late Nobel Laureate in physics, was once asked by a Caltech faculty member to explain why spin one-half particles obey Fermi Dirac statistics. Rising to the challenge, he said, "I'll prepare a freshman lecture on it." But a few days later he told the faculty member, "You know, I couldn't do it. I couldn't reduce it to the freshman level. That means we really don't understand it."
    https://en.wikiquote.org/wiki/Talk:Richard_Feynman Saludos
  2. en respuesta a Gaspar
    -
    #8
    30/09/15 12:19

    Feynman es siempre interesante (quien no haya leído sus libros divulgativos se pierde algo grande). Al respecto de todo lo que hablamos, me viene a la cabeza otra de las citas de él de siempre: "The first principle is that you must not fool yourself and you are the easiest person to fool".

    La anécdota que contabas de las ecuaciones de Dirac no la conocía. Sí que había visto este video (https://www.youtube.com/watch?v=wMFPe-DwULM) donde Feynman trata de la cuestión de lo que significa entender algo, y el gran nivel de complejidad al que podemos llegar si preguntamos ¿por qué? hasta el infinito.

    Estoy totalmente de acuerdo con la idea de Musk. Yo el equivalente que hago en el mundo de las inversiones es que muchas veces es más interesante el proceso de diseñar una estrategia de inversión (me refiero a pensar qué criterios utilizar para seleccionar y analizar empresas, etc), que el resultado de esa estrategia en si. En esta línea siempre digo que los modelos de valoración hay que gastarlos para analizar y pensar sobre las empresas, no para evitar pensar sobre ellas.

    Muy buenos los gráficos. ¡Maldita línea roja! ;)

    Saludos.

  3. en respuesta a Nairan
    -
    Joaquin Gaspar
    #7
    29/09/15 19:58

    Gracias Nairan.

    Jeje sí, tomé un poco de licencia para parafrasear la frase de Einstein y es que creí que así se entendería mejor porque las traducciones que he visto no me convencen. O tal vez lo mejor es que la hubiese escrito en inglés. Este enlace tiene una investigación de esta cita:
    http://quoteinvestigator.com/2011/05/13/einstein-simple/

    Lo que comentas en tu segundo párrafo es muy cierto y complementa muy bien lo que bien mencionas en tu comentario (5), que a veces no nos damos cuenta que no sabemos aunque aparentamos y creamos que sí sabemos, y es aquí donde somos mas peligrosos. Somos humanos y creo que a todos nos ha pasado esto. Al menos yo estoy seguro que a mí sí me ha pasado jeje. Todo esto se traduce en conocer nuestro círculo de competencia. Creo que las imágenes que anexo muestran un poco esto y también un poco de lo que mencionas de la ondulación, lo cual creo que es cierto.

    La anécdota a la que te refieres creo que es la de Plank y es muy buena. También está una de Feynman donde explica la diferencia de alguien que sabe los diferentes nombres con los que se conoce a un pájaro en distintos idiomas, pero que realmente no sabe nada del pájaro. Y de hecho creo que también hay una anécdota del mismo Feynman que tiene que ver con esto de nuestra capacidad para simplificar las cosas cuando las entendemos bien. Sucede que una vez le preguntan en un congreso a Feynman que explicará en términos simples para un estudiante de primer año las ecuaciones de Dirac. Él se compromete a elaborar una explicación simple para el siguiente año. Resulta que al siguiente año Feynman acepta que no ha podido realizar la explicación simple y concluye diciendo que eso significaba que aun no entendían muy bien o que su comprensión aun no era total respecto a ese tema, así que tenía que seguir estudiándolo.

    No sé si algunas cosas deberían permanecer "complicadas" para ciertas personas (como las ecuaciones de Dirac) mientras otras deberían tratar de hacerse mas simples. Creo que si tratamos de hacer todo simple (hasta lo que no debería ser), no sólo caemos en el riesgo de mal interpretar las cosas sino que también podríamos perder parte del proceso formativo. Elon Musk menciona algo al respecto cuando dice que lo que a él le interesa no es la respuesta a un problema sino el proceso mediante el cual se llegó a esa respuesta porque es ese proceso de descubrimiento el que realmente pone a trabajar al hamster que llevamos en la cabeza. No es lo mismo ver y entender a alguien resolviendo un problema en la pizarra a intentar hacerlo nosotros mismos. Aunque no lo logremos resolver le proceso nos ayuda mucho.

    En fin, con el post no pretendo sentar cátedra, sino mas bien este intercambio de opiniones que creo nos nutre mucho porque nos hace pensar y reflexionar, y creo que esto nos sirve para irnos moviendo en esas ondulaciones que mencionas.

    Saludos y gracias.

  4. #6
    29/09/15 18:29

    Hola Gaspar:

    Muy interesante el artículo. A veces la discusión entre simple y complejo nos lleva a equívocos. Desde mi punto de vista, es fundamental tener claro que simple puede significar cosas diferentes (haces mención indirecta a esto en la traducción de la cita de Einstein, que varías ligeramente de la supuesta original (que creo que es apócrifa, por cierto)).

    La clave está en entender que cuando expresamos algo de forma simple puede ser porque nuestra opinión es superficial, o porque conocemos profundamente el tema y somos capaces de sintetizar la complejidad. La forma final es la misma, pero evidentemente estamos ante conocimientos muy diferentes (Munger cuenta la anécdota de "choffeur knowledge" que seguro conoces).

    La adquisición de conocimiento es una actividad "ondulatoria" en la que oscilamos entre la agregación de contenido e información nueva (donde la función principal es agregar información) y la síntesis y diseño de modelos que encajen esta realidad (donde la función principal es la de priorizar y eliminar lo no esencial). Todo esto mientras intentamos calibrar dónde reside la incertidumbre.

    Así de simple ;)

    Saludos.

  5. en respuesta a Valentin
    -
    #5
    29/09/15 18:13

    Valentín, con respecto a tu segunda conclusión, yo iría más allá: la complejidad del modelo no sólo no elimina la incertidumbre, sino que suele empeorar la situación.

    Esto se debe a varias causas. La principal es que más peligroso que una persona que no sabe, es una persona que no sabe que no sabe. Cuando complicamos un modelo, solemos tener la noción de que estamos ampliando nuestro conocimiento y precisión. Esto conduce a problemas de exceso de confianza (arrogancia).

    Saludos.

  6. en respuesta a Gaspar
    -
    #4
    28/09/15 23:50

    Thorp, como dices, hacía Stat Arb en tiempos donde no había ningún modelo aceptable para valorar los derivados y prueba de ello es que en su libro "Beat the Market" ofreció a todo el que quisiera la posibilidad de ganar dinero con un sistema que operaba con Warrants y acciones. La rentabilidad promedio obtenida sería alrededor de un 20% anual durante muchos años, décadas. Yo lo firmaría ahora....Prueba lo que he dicho antes, puedes publicar un modelo/sistema ganador y poca gente le saca rendimiento.

    Una de las cualidades que mejor supo desarrollar Thorp fue al provenir de "contar cartas" de los casinos, sabe perfectamente que aplicar una estricta gestión monetaria estudiada previamente es el único camino para ser rentable y más cuando tu ventaja o "edge" no es grande. Pierdes la disciplina y estás perdido.

    Hoy en día seguro que hay oportunidades en stat arb, pero también que son difícilmente accesibles en la era del HFT si no tienes los medios necesarios.

    Un saludo

  7. en respuesta a Darío Corral
    -
    Joaquin Gaspar
    #3
    28/09/15 16:12

    Bueno, lo que pasa es que la mayoría de estrategias stat-arb necesitan de apalancamiento porque el arbitraje se hace sobre spreads pequeños. No creo que sea malo tener mucho apalancamiento, el problema es tener demasiado apalancamiento. El apalancamiento per se no es malo, lo malo es enfocarse en querer ganar mucho dinero y olvidarse por completo del downside.

    LTCM llevaba dando rendimientos espectaculares y sin apalancamiento excesivo. El problema fue que aumentaron su apalancamiento a demasiado para mejorar sus ya excelentes rendimientos. Ese excesivo apalancamiento llegó a ser 50 veces su equity si no recuerdo mal. Y es que no es lo mismo tener una cuenta de 20 mil dolares y apalancarnos 1 a 100 en forex a tener una cuenta de cientos de millones de dólares y apalancarnos a billones de dolares.

    Por ejemplo, RenTech de Simmons utiliza apalancamiento al igual que Griffin de Citadel, pero ambos saben muy bien los límites y no han caído en la arrogancia de LTCM. Antes de ellos Thorp también hacia stat-arb y precisamente él relata que su principal prioridad era el control de riesgos y los DrawDowns, tanto así que prefería ganar menos con menor riesgo a ganar mas y perder dinero. Yo que no llegó a esos niveles pero también utilizo apalancamiento en algunas estrategias, pero sólo el necesario para no fulminarme la cuenta en el peor escenario. Prefiero no quedar pobre a hacerme millonario.

    De hecho creo recordar que Ferguson en uno de sus libros menciona que el backtest que utilizaba LTCM para calcular sus riesgos era de apenas 5 o 7 años. Así no hay ni cómo ayudarles.

    Tienes razón en tú último párrafo, esto del apalancamiento y el business as usual, son dos cosas que producen complacencia y muy frecuentemente nos arruinan.

    Saludos y un abrazo

  8. #2
    28/09/15 11:42

    Otro post brillante, felicidades.

    Puedes dar un modelo ganador en los mercados a varias personas y pocas de ellas le sacarán rentabilidad. Comparto totalmente lo que dices sobre lo ocurrido con LTCM, ahora te pregunto yo: ¿Cuántos modelos basados en star-arb (como intuyo que utilizaba este fondo) no lleva implícito un apalancamiento muy alto para sacar una rentabilidad no tan elevada?.

    Creo que a "cada cerdo le llega su San Martín" o como decía Taleb con su "historia del pavo en Acción de Gracias". Todo va perfecto hasta que un buen ("horrible") día sin esperarlo.....Lo que no todos saben es que cada día que estás muy aplalancado estás incrementando de forma notable las probabilidades de arruinarte, tu exposición llega a ser total a dicho riesgo.

    Un saludo

  9. Top 100
    #1
    28/09/15 11:27

    Decía Fama o French en alguna de sus entrevistas, no recuerdo bien quien de ellos, que la gran mayoría de modelos procedentes del mundo académico, una vez puestos en la práctica, no funcionan.

    Los modelos pueden ser simples y llegar a ser muy complejos, sin embargo lo que debemos o deberíamos utilizar son Modelos Entendibles; y con ello quiero decir el uso de un modelo que podamos entender su fuente de prima de rentabilidad y su riesgo, para ponderarlo en cartera convenientemente.

    Puede que un modelo complejo le resulte a la industria financiera no ser tan complejo como a un inversor particular (por la dedicación y educación financiera de la que disponen), y el producto financiero (ETF por ejemplo) diseñado, sea de uso más propio para de dicha industria y no tanto del inversor particular. Recordad lo que siempre he dicho comprad productos que seáis capaces de entender..

    De modo, que si debemos usar productos cuyo modelos deberemos ser capaces de entender, estamos definiendo ya nuestro límite personal entre los dos extremos de esa cuerda definidos por modelos simples y modelos complicados.

    Todo tipo de modelo, refiriéndonos en este mensaje a la renta variable, no elimina la incertidumbre ni los imponderables de los mercados, y su performance variará según el periodo temporal establecido. Frecuentemente los periodos temporales examinados no son suficientemente largos como para extraer patrones de rentabilidad-riesgo. En este sentido, pongo un ejemplo sobre factores de riesgo de la última década, en la que se puede observar como van todos los factores expuestos bastante al unísono (última imagen del artículo):
    http://www.fundspeople.com/noticias/que-es-la-inversion-basada-en-factores-de-riesgo-159348

    Sin embargo, y rescato un documento de Bernstein, esos patrones de tan solo la última década no son lo suficientemente significativos como para extraer conclusiones, véase:
    http://www.efficientfrontier.com/ef/700/factors.htm

    en el documento anterior expuesto de Bernstein, muestra el comportamiento de la prima de rentabilidad de los 3 factores Fama-French en las décadas delos 90, de los 80, y de los 70; de ello se desprende que el comportamiento de los factores pueden no ser muy rentables en largos plazos de tiempo. Algo que ya mencioné en este artículo:
    https://www.rankia.com/foros/fondos-inversion/temas/2263638-carteras-basadas-factores-riesgo-risk-factor-based-asset-allocation-valentin

    Conclusiones:
    1. Elija aquel o aquellos modelos que entienda, que pueda entender el comportamiento de rentabilidadriesgo para que tenga criterio de ponderarlo en cartera convenientemente.

    2. La complejidad del modelo no elimina la incertidumbre de los mercados ni sus imponderables.

    3. Recuerde que la información que recibimos es siempre incompleta y que no se tomen rentabilidades pasadas como referencia sobre rentabilidad esperada en el futuro.

    4. No os quepa la menor duda, que el comportamiento de los factores de riesgo de la próxima década, será distinta a cualquiera de las últimas 4 décadas.

    5. Los mercados son soberanos, y baten a la inteligencia humana.

    Saludos cordiales,
    Valentin