37 Informe económico y financiero #29 | A debate En casi todos los análisis financieros, la información tiene una importancia clave. En el sector de las finanzas, el big data tendrá uno de los impactos más significativos. Nintendo son comparables. El crecimiento exponencial de la potencia computacional hizo que algunos ordenadores fueran superiores a un cerebro de ratón (en algunas tareas) y nos ha traído a la época actual de los superordenadores. En mayo de 2021, el ordenador más potente del mundo es el japonés FUGAKU, con un rendimiento de 442 PFLOPS (operaciones de coma flotante por segundo). Cabe señalar que tanto la potencia computacional como el big data son una consecuencia directa de la tercera revolución industrial. Conocida también como la primera revolución de la información, la tercera revolución industrial hizo que la información estuviera disponible para todo el mundo. Si antes de internet los datos eran escasos, ahora estamos desbordados por una cantidad de datos infinita. Hemos entrado, por tanto, en la era del big data, en la que todos intentan obtener un beneficio de esos datos. Vale la pena preguntarse cómo está utilizando esos datos el sector financiero. No hace falta decir que en casi todos los análisis financieros la información tiene una importancia clave. Por ejemplo, la idea de eficiencia del mercado, uno de los principios centrales de la disciplina de la economía financiera, afirma que un mercado se considera eficiente si sus precios reflejan plenamente todos los datos disponibles. La disponibilidad de los datos puede, por tanto, crear una importante diferencia en términos de eficiencia. En la era del big data, algo que hasta ahora solo se consideraba desde un punto de vista teórico está volviéndose (mucho más) asequible empíricamente. Así, no es sorprendente ver que, entre todos los sectores, en el de las finanzas el big data tendrá uno de los impactos más significativos. Aunque el sector financiero lo utiliza para infinidad de aplicaciones, en este artículo me centraré principalmente en algunas aplicaciones de la banca y algunos ejercicios de fijación de precios. En el proceso, también presentaré otra herramienta revolucionaria de los últimos años: el machine learning. En las finanzas, una de las características más importantes y, al mismo tiempo, más difíciles de cuantificar es el perfil de preferencia de riesgo de una persona. Piensa, por ejemplo, en un asesor financiero que tiene que optimizar una cartera para un cliente. En el planteamiento habitual, el asesor financiero le pregunta al cliente cuánto dinero está dispuesto a invertir, su ventana temporal para la inversión y sus preferencias de riesgo. Con esos parámetros, al asesor le resulta sencillo elaborar una estrategia de inversión. Por desgracia, aunque la cantidad de dinero a invertir y el plazo son fáciles de determinar, un inversor normal suele tener dificultades para definir sus preferencias de riesgo. No es fácil agregar distintas características personales de carácter psicológico, financiero, económico y social, y cuantificar las preferencias de riesgo en una sola cifra, ni siquiera para personas consideradas expertas en finanzas. Dada esta compleja mezcla de elementos, ¿por qué no utilizar las redes sociales para inferir la actitud de una persona frente al riesgo? Por ejemplo, una persona a la que le encantan los deportes extremos y los practica podría ser más ‘amante del riesgo’ que una persona que va al aeropuerto con varias horas de antelación para asegurarse de que no pierde el vuelo. No es de extrañar que un estudio de Wu Youyou, Michal Kosinski y David Stillwell (2015) demuestre que Facebook te conoce mejor que tu familia, tus amigos, tus compañeros de trabajo y solo un poco peor que tu cónyuge. Mediante la aplicación de diferentes modelos econométricos, los autores demuestran que la fiabilidad del juicio de los humanos sobre la personalidad es, de media, peor que la de los ordenadores. Para calcularlo, parten de los cinco grandes rasgos de personalidad (apertura, amabilidad, extraversión, responsabilidad y neurosis), un modelo de la personalidad ampliamente aceptado y usado en la psicología académica. A partir de más de 70.000 encuestas, los autores comparan los resultados de los juicios humanos con los obtenidos de los ordenadores, que se basan en las preferencias de Facebook de los usuarios, expresadas mediante sus ‘me gusta’. La fiabilidad del ordenador respecto a la media de los cinco rasgos recibió una puntuación de 0,56, justo por debajo de la del cónyuge (0,58), pero muy por encima de la precisión media de los humanos (0,49) o de la de los compañeros de trabajo (0,27). En las finanzas, una de las características más importantes y, al mismo tiempo, más difíciles de cuantificar es el perfil de preferencia de riesgo de una persona. ¿Por qué no utilizar las redes sociales para inferir la actitud de una persona frente al riesgo?