¿Predicciones sobre qué dirás? Si se está invirtiendo en una empresa pronosticar los flujos libres de caja futuros es una de las tareas más importantes. Si se es un inversor macro, predecir el nivel de actividad de la economía de un país es fundamental.
Es por ello que me pareció interesante escribir sobre este tema. ¿Son los pronósticos realmente mejorables? ¿Se puede “practicar” el arte de realizar pronósticos? ¿Hacer mejores pronósticos permite realizar inversiones con mejores retornos?
A continuación la respuesta a estas preguntas y muchas otras.
¿Qué dice la ciencia en relación a la habilidad para realizar pronósticos?
Uno de los mayores expertos en el arte de realizar pronósticos es sin dudas Philip E. Tetlock, profesor en la Universidad de Pennsylvania quien en su libro “Expert Political Judgment” analiza qué tan buenos son los pronósticos sobre eventos y hechos sociopolíticos.
La realidad dice Tetlock es que somos bastante malos haciendo pronósticos. “Hacer pronósticos es difícil y más si es sobre el futuro” dice el dicho.
¿Se puede hacer algo entonces para tener un marco de referencia en los que podamos realizar mejores pronósticos? Aparentemente sí.
Diversos académicos junto con Tetlock han propuesto un modelo en que inglés se conoce como el BIN Model. B para Bias I para Information N para Noise.
Cada una de estas dimensiones pueden analizarse en forma separada para trabajar y de esa forma mejorar los pronósticos que se realizan sobre diferentes hechos del futuro, que pueden ser económicos, sociales, políticos y hasta deportivos.
En pocas palabras en cada dimensión se analiza lo siguiente:
Ruido: se da cuando hay una diferencia grande entre diferentes pronósticos de la misma persona para un mismo tipo de hecho o cuando hay varios pronosticadores que estiman probabilidades muy dispares para la ocurrencia de un hecho.
Segos o Bias: se da cuando hay una diferencia sistemática y constante en las predicciones de una misma persona o de un grupo.
Información: se refiere al uso que hacen los pronosticadores de la información disponible para estimar la probabilidad de ocurrencia de un hecho.
Veamos entonces si es posible trabajar en cada una de estas dimensiones y capaz hasta se podría usar lo aprendido sobre cómo miden sus pronósticos los meteorólogos para incrementar la precisión en alguna de estas predicciones.
¿Cómo reducir el ruido para hacer mejores pronósticos?
El ruido en un pronóstico es una de las dimensiones que más contribuye a la realización de un buen pronóstico. Para reducir el ruido en las predicciones algunas de las acciones que se pueden seguir son:
- Combinar las predicciones de varios pronosticadores informados para llegar a un consenso. La combinación de varias opiniones informadas tiende a arribar a pronósticos más precisos que las predicciones individuales.
- Usar un algoritmo para la realización del pronóstico. Si se siguen regularmente los mismos pasos para la realización del pronóstico es posible reducir la volatilidad de las predicciones. Esto no es más que una simple checklist con los puntos a analizar en cada caso.
- Usar el Median Assessment Protocol (MAP). Básicamente implica determinar los aspectos que más van a influir en el resultado y tomar un enfoque informado, analítico y metodológico para mejorar la predicción en cada caso.
¿Cómo reducir los bias o sesgos cognitivos al momento de hacer pronóstico?
Cómo decía antes, los bias son errores sistemáticos en las predicciones. Para reducir los bias y mejorar los pronósticos básicamente se tiene que trabajar en las siguientes dimensiones:
- tener un listado de todos los bias de los que generalmente somos víctimas. Puedes encontrar algunos de los sesgos cognitivos más comunes aquí.
- tener un buen historial con base rates de la métrica que se está intentando pronosticar.
- imaginarse todos los resultados posibles e imaginarse razones por las cuales se pudo haber llegado a ese resultado.
- usar signposts con métricas intermedias para saber si el pronóstico está yendo en la dirección correcta. Los signpost que tienen que ser medibles, tener una fecha determinada y ser relevantes para la métrica que se está intentando pronosticar (ie. el precio de la acción).
Otra forma de mejorar los bias es utilizando un pre-mortem: se definen 3 o 4 escenarios para ese outcome y se pide imaginar cuáles fueron las posibles razones que llevaron a ese outcome.
El caso de la sobre confianza en los inversores minoristas
Un ejemplo interesante a considerar, para que te des cuenta de cómo influyen los sesgos cognitivos ¡y casi sin darnos cuenta! es el siguiente.
A partir de un estudio que se hizo en India donde, por ley, todas las IPO deben asignar el 35% de las acciones a inversores minoristas se descubrieron ciertos sesgos cognitivos de los cuales eran víctimas estos inversores.
Cómo muchas veces estas IPO están oversubscribed lo que ocurre es que los lotes se terminan sorteando entre los inversores minoristas. Algunos tienen acceso finalmente a las acciones ofertadas y otros no. Esto permite las condiciones ideales para realizar un experimento, grupo control y grupo experimento con muestra aleatoria.
Lo que los investigadores terminaron observando era que aquellos inversores a los que les eran asignadas las acciones de la IPO y estas luego subían, terminaban teniendo un exceso de confianza en su capacidad para realizar buenas inversiones lo que generaba un incremento en las operaciones de compra-venta en los meses siguientes.
Poro otro lado, aquellos inversores que recibian las acciones pero que luego estas bajaban en valor
Lo que ocurrió fue que los que ganaban la IPO y después la acción subía se crecían que eran buenos inversores y terminaban tradeando más y haciendo más operaciones.
Por otro lado, los que recibían las acciones pero cuyo precio después bajaba terminaban tradeando menos en los meses siguientes porque recibían un golpe a su confianza como inversores
A partir de este experimento podés ver cómo se crean sesgos cognitivos de los cuales cuesta darse cuenta.
¿Cómo hacer un mejor uso de la información para mejorar los pronósticos?
Finalizando, el último componente que falta revisar del modelo BIN sería el de el uso de la información disponible para hacer pronósticos.
Aquí también existen sesgos cognitivos de los cuales se puede ser víctima aún sin darse cuenta.
Hay dos formas fundamentales para mejorar los pronósticos en lo que respecta a la dimensión de uso de información:
- Aumentar la frecuencia de actualización de las predicciones a medida que va surgiendo nueva información. Significa básicamente revisar los pronósticos a medida que va pasando el tiempo y el mundo, las noticias van cambiando.
- Tener muy clara la diferencia entre strength (fuerza) y weight (peso) a la hora de ponderar la información. Esta diferencia conceptual es muy interesante y puede llevar a caer en sesgos cognitivos si no se presta especial atención.
Diferencia clave entre strength (fuerza) y weight (peso) para analizar información
Para analizar el concepto de fuerza y peso voy a usar el ejemplo del lanzamiento de una moneda que, como todos sabemos, puede tener sólo dos resultados: cara o seca.
Imagínate un escenario en donde tiramos la moneda 10 veces y 80% de las veces sale cara y 20% sale seca. En este caso estás ante un resultado que tiene mucha fuerza o strength ya que hay una diferencia muy grande entre los dos resultados. Cara salió 4 veces más frecuentemente que seca.
Este tipo de situaciones en donde la diferencia entre ambos resultados es tan marcada tiende a generar sobreconfianza (overconfidence) en los inversores ya que tienden a asumir que este mismo resultado se seguirá produciendo en el futuro.
Sin embargo, para una moneda justa (fair coin) es decir que tiene las mismas probabilidades para un lado y para el otro, un resultado de este tipo luego de tirar la moneda 10 veces tiene una probabilidad de ocurrencia menor al 5%.
Esto quiere decir que si repetimos el experimento 20 veces, el resultado de 8 caras y 2 secas solo ocurrirá 1 vez. Si los inversores asumen que este resultado tiene una ocurrencia más frecuente están incurriendo en el sesgo de sobreconfianza.
Claramente este ejemplo está simplificado, pero podría extrapolar este insight a otras situaciones.
Ahora veamos qué pasa con el fenómeno de peso o weight en inglés. Si tiro una moneda 1.000 veces y obtengo 550 caras y 450 secas, entonces la diferencia entre ambos resultados es muy chica pero tiene mucho peso.
Asumiendo que la moneda es justa, es decir que no tiene ninguna diferencia de peso entre los lados, la probabilidad de que ocurra esa diferencia es de 1 en 5900 aproximadamente. Es decir que si obtenemos ese resultado luego de tirar la moneda 1.000 veces lo más probable es que sea una moneda que está sesgada.
Sin embargo, si bien dicha probabilidad es casi una certeza, en general los inversores mostrarían underconfidence es decir que no estarían tan seguros de que la moneda esté sesgada.
Si bien en el mundo de las inversiones los fenómenos con mucho peso y poca fuerza con menos frecuentes (ya que pocas veces tenemos la oportunidad de realizar un experimento miles de veces), este es otro ejemplo de cómo generalmente no somos del todo racionales a la hora de invertir.
Cómo generar retornos de inversión superiores usando mejores pronósticos
Espero haberte convencido entonces que es posible mejorar la habilidad para realizar pronósticos usando diferentes técnicas para incrementar la precisión en las 3 dimensiones del modelo BIN.
¿Cómo inversor en diferentes empresas públicas, es posible entonces generar mejores retornos?
Para entender si se puede generar valor teniendo mejores pronósticos sobre una empresa que los que tiene el mercado hay que ver cuáles son los supuestos implícitos que tiene el mercado sobre esa empresa. Si pronosticamos un mayor crecimiento en ventas pero dicho crecimiento ya está descontado por el mercado, no se va a lograr un mayor rendimiento por una apreciación en el precio de la acción.
Concretamente los supuestos sobre métricas que más mueven el mercado son:
- crecimiento en ventas
- margen de ganancias operativo
- ROIC
¿Se puede aprender a predecir mejor que el mercado esas 3 métricas? ¿En qué componentes se desagregan? ¿Se puede gamificar usando el Brier Score en cada trimestre para ver qué es lo que está prediciendo el mercado versus qué es lo que estamos prediciendo nosotros?
Son todas preguntas que seguramente van a ser respondidas en el futuro a través del creciente cuerpo de investigaciones y papers que están siendo publicados sobre la relación entre pronósticos y rendimiento accionario.
Bibliografía
Zach. (2020, March 4). What is a Brier Score?. Retrieved December 11, 2020, from full https://www.statology.org/brier-score/
Glen W. Brier. (1950, April 15). Verification of Forecast Expressed in Terms of Probability . Monthly Weather Review, vol. 78, Retrieved December 11, 2020, from full https://web.archive.org/web/20171023012737/https://docs.lib.noaa.gov/rescue/mwr/078/mwr-078-01-0001.pdf
Brier score. (n.d.). In Wikipedia. Retrieved December 11, 2020, from https://en.wikipedia.org/wiki/Brier_score
Tim Van Gelder. (2015, May 18). Brier score composition – A mini-tutorial. Retrieved December 7, 2020, from full https://timvangelder.com/2015/05/18/brier-score-composition-a-mini-tutorial/
Mauboussin, M.J., & Callahan, D. (2020, March 19). BIN There, Done That. Retrieved December 15, 2020, from full https://www.morganstanley.com/im/publication/insights/articles/bin-there-done-that_us.pdf?=1591236364094Buttonwood: C’mon feel the noise. (2020, December 12). The Economist, 437 (9224), pp. 71.