Sesgos en las finanzas conductales y trading automático

MÁSTER UNIVERSITARIO EN ESTUDIOS AVANZADOS EN DIRECCIÓN DE EMPRESAS SESGOS EN LAS FINANZAS CONDUCTALES Y TRADING AUTOMATICO TRABAJO FIN DE MÁSTER Joaquín José Torres Morínigo, Octubre de 2019 Máster Universitario en Estudios Avanzados en Dirección de Empresas Facultad de Ciencias Económicas y Empresariales Departamento de Economía Financiera y Dirección de Operaciones SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO Trabajo Fin de Máster presentado para optar al Título de Máster Universitario en Estudios Avanzados en Dirección de Empresas por Joaquín José Torres Morínigo, siendo los tutores los Doctores Antonio de la Torre Gallegos y María Victoria Avilés Blanco. Vº. Bº. del Tutor/a: Alumno: Dª. María Victoria Avilés Blanco D. Antonio de la Torre Gallegos D. Joaquín José Torres Morínigo Sevilla, Octubre de 2019 SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - III - MÁSTER UNIVERSITARIO EN ESTUDIOS AVANZADOS EN DIRECCIÓN DE EMPRESAS FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES TRABAJO FIN DE MÁSTER CURSO ACADÉMICO [2018-2019] TÍTULO: SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO AUTOR: JOAQUIN TORRES MORIÑIGO TUTORES: DRA. MARÍA VICTORIA AVILÉS BLANCO DR. ANTONIO DE LA TORRE GALLEGOS LÍNEA DE TRABAJO: FINANZAS RESUMEN: En el mundo racional de hoy en día consideramos que cuando tomamos decisiones sobre temas cuantitativos y objetivos donde no hay lugar a opiniones y criterios personales siempre tomamos las decisiones en base a la razón y de forma lógica, pero esto no corresponde con los comportamientos mostrados en la práctica. Este trabajo es una revisión bibliográfica de los llamados sesgos conductuales que afectan a nuestro proceso cognitivo en la toma de decisiones, especialmente en el ámbito financiero; adicionalmente se analiza el uso del trading automático y si es realmente una alternativa objetiva y completamente eficaz de evitar los sesgos. PALABRAS CLAVE: Sesgos cognitivos; Trading automático; Behavioural Finance; Robots; Algoritmos de inversión. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 5 - ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ...................................................................... 7 1.1. CONCEPTO DE BEHAVIOURAL FINANCE ................................................................. 7 1.2. ORIGEN HISTÓRICO Y EVOLUCIÓN ........................................................................... 8 1.3. TEORÍA DE LAS PERSPECTIVAS ............................................................................. 10 CAPÍTULO 2. SESGOS COGNITIVOS ......................................................... 13 2.1. CONCEPTO DE HEURÍSTICA Y DE SESGO.............................................................. 13 Clasificación de los sesgos .................................................................................. 14 2.2. EJEMPLOS DE SESGOS ........................................................................................... 16 Exceso de confianza ............................................................................................ 16 Sesgo de confirmación ......................................................................................... 17 Falso consenso .................................................................................................... 17 Conservación ....................................................................................................... 18 Anclaje................................................................................................................. 18 Retrospectiva ....................................................................................................... 18 Aversión al remordimiento .................................................................................... 19 Disonancia cognitiva ............................................................................................ 20 Ilusión de control .................................................................................................. 20 Contabilidad mental ............................................................................................. 21 Disponibilidad ...................................................................................................... 21 2.3. FORMAS DE EVADIRLO ............................................................................................ 22 Proceso para la eliminación de sesgos................................................................. 25 Técnicas para la eliminación de sesgos ............................................................... 25 2.4. TIPOS DE INVERSORES SEGÚN COMPORTAMIENTO ............................................ 27 Conservadores .................................................................................................... 28 Seguidores .......................................................................................................... 28 Independientes .................................................................................................... 29 Acumuladores ...................................................................................................... 29 CAPÍTULO 3. TRADING AUTOMÁTICO ...................................................... 31 3.1. CONCEPTO Y FUNCIONAMIENTO ............................................................................ 31 Ventajas y desventajas del trading automático ..................................................... 31 Situación actual ................................................................................................... 33 3.2. DESARROLLO DEL SOFTWARE............................................................................... 35 Backtestig ............................................................................................................ 35 Drawdown............................................................................................................ 37 Torres Morínigo, Joaquín José - 6 - 3.3. SUSCEPTIBILIDAD A SESGOS ................................................................................. 38 Confrontación entre inversor tradicional e inversor automatizado ......................... 42 CAPÍTULO 4. CONCLUSIONES ................................................................... 45 BIBLIOGRAFÍA ............................................................................................... 47 SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 7 - CAPÍTULO 1. INTRODUCCIÓN El objetivo de este trabajo es analizar la importancia y puesta en práctica de Behavioural Finance como respuesta a actuaciones presentes en agentes partícipes del mercado y que no cuadran con un pensamiento racional y lógico como se podría esperar, y que se puede achacar a razonamientos subjetivos basados en diferentes formas de procesar la información, que pueden llevar a errores de juicio que de ser evitados podrían suponer una mayor rentabilidad de los activos financieros. Adicionalmente, se analizará el trading automático, que al ser realizado por máquinas en base a algoritmos establecidos y que carecen de criterio subjetivo propio se presupone de una objetividad perfecta, no siendo víctimas de estos sesgos cognitivos. Por lo tanto, podrían surgir como respuesta a un mercado que presentaría ineficiencias salvables por reglas de inversión fijas y consistentes, o por el contrario podrían tener presentes otros errores de lógica heredados del programador o presentar otros tipos de sesgos diferentes pero que igualmente podrían dañar su imagen de objetividad. 1.1. CONCEPTO DE BEHAVIOURAL FINANCE En primer lugar, hay que determinar el concepto del objeto de estudio, que es “behavioural finance”, que se puede traducir al castellano como finanzas del comportamiento. Se trata de una rama de las finanzas que aúna un concepto muchas veces desligado del ámbito de las mismas, que es el campo de la psicología y el comportamiento conductual, la incorporación de este elemento a las finanzas permite dar explicación a multitud de eventos y sucesos que no resultan lógicos o racionales si son analizados desde un punto de vista objetivo a raíz de indicadores, ratios o demás modelos predictivos, y esto se puede apreciar no solo en el entorno de las finanzas, sino en multitud de aspectos de nuestra vida cotidiana, algunos tan simples como pueden ser la ubicación de los productos en un escaparate o la disposición de la estantería de un supermercado, dejando a la altura de la vista los productos más rentables, dando lugar a campos de estudios como el neuromarketing. De esta forma a la hora de definir las finanzas del comportamiento tenemos que considerar su objetivo final, que es explicar el comportamiento anómalo de los inversores y por tanto del mercado y que puede ser atribuido a los procesos mentales de los agentes que intervienen, encontrando así una causa que justifique la diferencia entre el funcionamiento teórico y el funcionamiento práctico. Es precisamente este objetivo lo que diferencia las finanzas del comportamiento del concepto tradicional de las finanzas, donde se presupone un agente racional que se traduce en un mercado eficiente que se equilibra sin intervención alguna en función de la oferta y la demanda. Atendiendo a lo comentado anteriormente, podemos definir las finanzas del comportamiento como el estudio de la influencia de la psicología en el comportamiento de los inversores o de los análisis financieros que produce efectos en el mercado, teniendo presente en todo momento que los inversores no son siempre racionales y no siempre tienen autocontrol suficiente, por lo que están influenciados por sus propios sesgos cognitivos, siendo por tanto la fusión del campo de las finanzas y la psicología. De esta definición se puede destacar a parte de la falta de racionalidad a veces presente y comentada anteriormente, la presencia de los sesgos cognitivos, de los cuales hablaremos con más detalle posteriormente, clasificándolos y explicando cómo se presentan. Podemos adelantar que son las desviaciones en el razonamiento lógico que derivan en un juicio a veces inexacto, estos sesgos son propios de cada individuo, y si bien hay muchos que se reiteran y están presentes en una gran cantidad de individuos, cada inversor puede presentar diferentes sesgos en sus decisiones, lo cual Torres Morínigo, Joaquín José - 14 - correr en la dirección contraria, no necesariamente porque sea una amenaza, sino por la probabilidad de que lo sea y como método de autoconservación. Clasificación de los sesgos La clasificación de los sesgos ha sido objeto de discusión durante años debido a la falta de consenso y la gran variedad de sesgos reconocidos a lo largo de diferentes experimentos. Siguiendo el razonamiento sobre las bondades y defectos de los sesgos, Howard J. Ross desarrolló el siguiente cuadrante en función de la naturaleza del sesgo. Los sesgos más conocidos son los que tienen un impacto destructivo en contra, un ejemplo clásico podría ser pensar que una mujer por el hecho de serlo es mala conductora, estos sesgos son los más dañinos y no aportan valor en su uso. Siguiendo con la clasificación propuesta por Howard, los sesgos constructivos basados en sesgos negativos son aquellos cuya aplicación pueden beneficiarnos ya que nos permiten hacer un filtro según nuestras creencias y percepciones, por ello pone como ejemplo un sesgo de prejuicio en el que no consideramos que las personas con personalidades agresivas sean buenas para trabajar directamente con el cliente, este sesgo puede no ser real y darse el caso de que si hay gente con personalidad agresiva que son buenas en la atención al cliente, pero aplicarlo puede servir como un filtro a la hora de tomar decisiones. Constructivos Destructivos Sesgos en contra Usos constructivos de sesgos negativos. Usos destructivos de sesgos negativos. Sesgos a favor Usos constructivos de sesgos positivos. Usos destructivos de sesgos positivos. Figura 4. Categorización de sesgos según uso Fuente: Ross (2015) Los sesgos constructivos a favor serían aquellos que nos hacen pensar que el objeto del sesgo es bueno para algo, el ejemplo planteado por Howard sería pensar que una persona con cierta titulación se encontraría preparada para desempeñar ciertos trabajos. Por último, los sesgos positivos con usos destructivos son la cara contraria de los sesgos anteriormente comentados, cuando tenemos expectativas sobre algo, pero estos no tienen coherencia lógica, como podría ser que una persona asiática debe ser buena en matemáticas, estos sesgos pueden resultar beneficiosos para el objeto del mismo, pero no son de utilidad para quien los aplica. Esta forma de categorizar los sesgos según su uso y naturaleza solo es una forma propuesta, y como hemos dicho hay diferentes formas de categorización de sesgos, otra forma de clasificarlos nos encontramos con el trabajo de Pompian (2017) que clasificó los sesgos en dos tipos, aquellos que eran emocionales y aquellos que afectaran a la forma de procesar la información. De esta forma los sesgos emocionales se basan en los sentimientos propios de los individuos en el momento de toma de decisión sin estar basados en hechos, sesgos de este tipo son el exceso de confianza o la aversión al remordimiento. La otra cara de la moneda son los sesgos cognitivos, llamados así por deberse a un proceso mental SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 15 - que nos lleva a una conclusión que no es la adecuada por un error de razonamiento, memoria o incluso cálculo, como puede ser los sesgos de falso consenso, disonancia cognitiva o ilusión de control. Los sesgos cognitivos son a su vez divididos en dos tipos, los sesgos de perseverancia de las creencias (perseverence believe biases) y los de procesamiento de información (information processing biases). Los sesgos de perseverancia de las creencias se encuentran muy relacionados con el concepto de disonancia cognitiva (que se encuentra explicado más en el siguiente apartado). Estos sesgos son aquellos en los que una nueva información entra en conflicto con información que ya conocíamos, valorando menos la información contraria a nuestros pensamientos iniciales y seleccionando la información que sí coincide con nuestros pensamientos. Los sesgos de procesamiento de información se basan en cómo la información es procesada de forma ilógica o irracional a la hora de la toma de decisiones. La diferencia con la otra categoría de sesgo cognitivo radica en que no reniega de información nueva aun siendo contraria, sino que es procesada de una forma errónea. Figura 5. Clasificación de sesgos según Michael Pompian (2017) Fuente: Elaboración propia Esta distinción entre sesgos es importante para Pompian puesto que dependiendo que tipo de sesgos se presenten se pueden llevar a cabo correcciones de diferente tipo. Los sesgos emocionales son más difíciles de corregir que los cognitivos al ser más subjetivos y arraigados, mientras que los sesgos cognitivos por otro lado están supeditados en mayor medida a un pensamiento lógico permitiendo corregirlos a través de un replanteamiento racional de la información. Torres Morínigo, Joaquín José - 16 - 2.2. EJEMPLOS DE SESGOS En el presente apartado vamos a analizar algunos tipos de sesgos cognitivos puesto que la lista de estos es demasiada extensa y podría servir por sí misma como base para todo un trabajo independiente. Como podemos observar en la siguiente imagen, donde se puede apreciar el listado de sesgos que únicamente recoge Wikipedia y lo extenso que podría resultar analizar cada uno de ellos. Figura 6. Listado de sesgos Fuente: John Manoogian y Buster Benson (2019) Exceso de confianza El sesgo de exceso de confianza hace referencia a sobrevalorar las capacidades propias de cada uno por encima de la realidad, cayendo en la equivocación de considerar que nos encontramos por encima del resto de individuos tanto para predecir situaciones sino como a la hora de tomar decisiones. Un ejemplo de este caso sería el de una persona que juega en el casino a algún juego de azar, obteniendo una buena cantidad de dinero por sus jugadas y por tanto piensa que sus habilidades se encuentran muy por encima de las de los demás jugadores cuando puede deberse puramente al azar. Un dato interesante sobre este sesgo lo podemos encontrar en el trabajo de Benoît, Dubra y Moore (2015), donde se realizaba un experimento por el que se les pedía a varios sujetos que consideraran su habilidad en diferentes campos. La mayoría consideraban que se encontraban por encima de la media, generando por tanto la llamada ilusión de superioridad. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 17 - El riesgo que puede producir este sesgo de confianza es que dejándose llevar por la presunción de que sus habilidades son superiores a las del resto, el sujeto puede tomar más riesgos de los que debería pudiendo generar estos unas mayores pérdidas por no valorar bien sus capacidades. Sesgo de confirmación Una situación que nos puede resultar común a más de uno de nosotros es a la hora de recibir noticias darles mayor o menor credibilidad según donde provenga la fuente, esta actuación no supone un sesgo y tiene utilidad puesto que permite valorar la información según la credibilidad de la fuente. Pero hay un sesgo que puede afectarnos a la hora de valorar la fuente y es este. El sesgo de confirmación nos indica que somos más propensos a dar credibilidad a información que coincide con nuestros pensamientos previos, como ejemplo tenemos el caso de que si pensamos que la gente que sigue una dieta baja en gluten tiene una alimentación más sana que le permitirá adelgazar. A la hora de buscar información sobre esa metodología de dietas seremos más propensos a darle veracidad a los artículos que alaben las propiedades positivas de una dieta baja en gluten sobre los artículos que resaltan sus deficiencias. Este sesgo puede traer como consecuencias que las decisiones tomadas en base a información sean sesgadas puesto que la información de la que deriva esta a su vez igualmente sesgada y por lo tanto no sean realmente objetivas. Se trata de un sesgo que se ve mucho en el ámbito político donde la información referente a partidos políticos se trata de forma diferente según la ideología de la persona. Falso consenso El sesgo de falso consenso puede venir derivado de un sesgo de confirmación, este sesgo consiste en tener la falsa creencia de que el razonamiento, opinión o creencias de uno mismo está más extendido de lo que realmente se piensa, pudiendo caer en el error de pensar que tu opinión forma parte de la mayoría cuando en verdad es un pensamiento minoritario muy alejado de la mayoría. Este sesgo se puede ver igual que varios en política, con el surgimiento de movimientos que piensan que abanderan el discurso de que representan a la mayoría de los individuos con sus intereses, aun siendo todo lo contrario y representar solo un sector muy concreto de la población. En este sesgo nos podemos remitir al trabajo de Ross Greene, y House (1977) donde se llevaron a cabo cuatro estudios que demostraron que las personas sufrían de falso consenso en lo referente a pensamientos que ellos mismos comparten. En uno de los estudios se planteaban una serie de historias al grupo de estudio con una propuesta y cada uno de los integrantes del grupo tenía que determinar qué porcentaje (de todo el grupo) aceptaría y que porcentaje rechazaría la propuesta y más tarde determinar en un cuestionario qué opción elegiría el sujeto si le pasara a él. A la hora de analizar las respuestas los individuos habían marcado con mayor probabilidad la opción que ellos mismos elegirían, pensando de esta forma que su comportamiento se encuentra en lo que haría la mayoría, aunque en la realidad el porcentaje de individuos que se ajusta a su pensamiento es menor del que realmente es. En el ámbito de las finanzas el falso consenso se puede presentar al pensar que un activo va a revalorizarse, si pensamos que esta misma opinión la van a tener varios individuos podemos presuponer que se va a producir un cambio de tendencia al alza, cuando la opinión mayoritaria no es esa y acabar entrando en una tendencia bajista. Torres Morínigo, Joaquín José - 18 - Conservación Los que sufren de este sesgo son resistentes para replantearse las opciones que han tomado incluso cuando aparece nueva información que sugiere que deberían replantearse la decisión, dándole más valor a la decisión inicial y a la información en la que está basada que a la información actual. Una de las explicaciones a este sesgo radica en que es difícil procesar información para modificar las creencias, un experimento estadístico que pone esto de manifiesto es el realizado por Ward Edwards donde se presentaba ante un sujeto dos urnas, una primera con 3 bolas azules y 7 bolas rojas, y una segunda urna con los colores cambiados, luego se extraían 12 veces una bola de una urna con reemplazo para mantener la probabilidad de una bola roja y una bola azul igual fuese cual fuese la urna. Luego se preguntó al sujeto que probabilidad hay de que de esas 12 bolas que se extrajeron, de las cuales 8 fueran rojas y 4 azules, pertenecieran a la primera urna, la respuesta dada por la mayoría fue del 70%, cuando la respuesta correcta era del 97%, debido a que tenían más en consideración la probabilidad del 50% original de elegir una urna en lugar de determinar la probabilidad en base a el número de bolas de cada color obtenido durante las extracciones. Un ejemplo de este sesgo podría ser realizar una inversión consistente en la compra de acciones de una empresa en base a su proyección de resultados, y al recibir información nueva que indica que los resultados serán inferiores y el reparto de dividendos será más escaso, la respuesta es restarle importancia a esa información y mantener los activos, pese a que pueda haber alternativas que den una mejor rentabilidad. Anclaje Un sesgo relacionado con el anterior es el de anclaje, este sesgo consiste en darle mucha confianza a la información obtenida en un primer momento a la hora de compararla con nueva información, haciendo de ancla de su opinión viniendo de ahí el nombre de este. Un ejemplo lo podemos encontrar en las negociaciones, cuando una de las dos partes da un precio sobre un objeto, la otra parte se ve determinada por ese precio, pudiendo pensar que está sobrevalorándolo. Otro ejemplo más cotidiano podría ser el de encontrar una prenda de ropa de 200 euros y luego encontrar esa misma prenda en otra tienda a 150 euros, pudiendo ser el caso de que si bien el precio de 150 euros es más barato que los 200 originales siguen estando sobre preciado. Tal como nos indica Investopedia (2019), en el contexto de las finanzas podemos hacer una valoración de un activo en base al precio original que nos informamos, pudiendo pensar equivocadamente que si se encuentra por debajo de ese precio es que se encuentra barato y viceversa, lo que puede conllevar a la equivocación de comprar activos “baratos” con la esperanza de que retornaran a su valor inicial. Retrospectiva Somos especialmente propensos a ver las cosas pasadas como obvias, cuando se nos cae un vaso al suelo y este se rompe mientras llevábamos varias cosas en las manos se nos hace obvio que íbamos demasiado cargados. Este ejemplo del sesgo ilustra que se nos hace más fácil ver errores del pasado como algo obvio y predecible y llevado a una escala superior puede hacernos creer la ilusión de que situaciones extremadamente complejas en el momento eran de una obviedad absurda cuando en realidad no lo eran, como ejemplo básico tenemos el hecho de pensar que la crisis del 2008 era fácilmente predecible y frases como “yo ya lo sabía”. La consecuencia de este sesgo es que sobrestimemos nuestras predicciones de hechos futuros en base a predicciones hechas a posteriori sobre eventos pasados, SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 19 - razonamiento lógico que podemos ilustrar continuando con el ejemplo anterior diciendo que como supimos predecir la crisis del 2008 sabremos predecir con exactitud cuando se producirá una nueva crisis financiera, cuando realmente nuestra predicción sobre como hechos actuales afectaran a situaciones futuras es menos sólida de lo que creemos. Este sesgo se encuentra muy presente en la vida diaria, en la política y en el mundo de los deportes, donde se defienden las predicciones hechas antes del desenlace con más fuerza que antes del desenlace. Un ejemplo en política lo podemos encontrar en el experimento desarrollado por Martin Bolt y John Brink (1991), donde antes de unas elecciones se encuestó sobre si un candidato sería elegido o no. En esta encuesta un 58% opinaba que sí sería elegido, cuando más tarde resultó que efectivamente había sido elegido y se repitió la encuesta preguntando si habían pensado que saldría elegido, los que consideraban que sí iba a salir elegido eran un 78%, lo que implica que el hecho de que el candidato fuera elegido pareciera muy predecible, cuando originalmente no lo era. Aversión al remordimiento Este sesgo se puede explicar a través de la denominada falacia del coste hundido, que consiste en que una vez realizada una inversión de algún tipo, ya sea esfuerzo, dinero o tiempo que suponga un coste hundido, es decir un coste irrecuperable ya realizado y que da igual nuestra actuación futura no se va a poder revertir, si esta inversión no está generando los resultados obtenidos abandonarla supondría una doble pérdida, los potenciales ingresos que aún puede generar y la inversión realizada previamente, de tal forma que nos aferramos a la inversión realizada con expectativas de mejora y que reportara beneficio, pese a que la probabilidad de ello es reducida. Esta falacia se encuentra recogida en el trabajo realizado por Arkes y Blumer (1985). En este trabajo se analiza esta forma de tomar decisiones en base al coste hundido y como se trata de disminuir el mismo, para ello se lleva varios experimentos, entre ellos se plantea a un grupo la situación de haber comprado un billete para un viaje a Michigan por importe de 100$, y días más tarde haber comprado otro billete para un viaje a Wisconsin por importe de 50$ que además de ser más económico es el destino favorito. Se plantea el problema en que, por casualidad, los dos viajes son en las mismas fechas teniendo que determinar cuál de los dos viajes hacer. La lógica nos podría indicar que la opción más elegida es la del viaje de 50$ pero, sin embargo, se escogió mayoritariamente la opción del viaje de 100$, con un 54% de preferencia pese a que el otro viaje era el favorito según el planteamiento del problema y por tanto debería ser la opción ampliamente elegida. Esto es debido a que se prefería reducir el coste perdido del viaje más caro bajo el pensamiento de “ya que lo he pagado lo hago” Uno de los problemas que presenta el razonamiento seguido en la falacia del coste hundido es no tener en consideración el coste de oportunidad en el que se está incurriendo, al no retirarse de un proyecto que no está siendo rentable y cuyas expectativas de mejora no son realistas, se está incrementando el coste hundido en lugar de aprovecharlo, al destinar aún más recursos que podrían ir encaminados en alternativas mejores. Multitud de ejemplos se pueden hacer con esta aversión al remordimiento, si nos ceñimos al ámbito de las finanzas el ejemplo claro es el de mantener activos que están generando pérdidas en la cartera por el coste monetario asumido originalmente, cuando lo preferible sería asumir la pérdida y destinar los recursos a otros activos. Ejemplos planteados fuera de este ámbito pueden ser haber elegido una carrera o trabajo profesional que no se adapta a las preferencias o necesidades y no abandonarlo por no considerar perdido el tiempo empleado. Torres Morínigo, Joaquín José - 20 - Disonancia cognitiva La disonancia cognitiva se produce cuando existe una situación que genera malestar o incomodidad debido a que se encuentra en conflicto con nuestras creencias, esta disconformidad produce un cambio en estas creencias para reducir la molestia de la situación. El origen de este sesgo lo podemos encontrar en la obra de Festinger (1997) y se puede manifestar de tres formas como comenta McLeod (2018). En primer lugar, como un cambio en las creencias o actitudes para eliminar la disonancia entre las creencias y la situación dado que la situación no puede ser cambiada de esta forma si lo que me causa incomodidad es saber que fumar provoca cáncer adopto la creencia de que no es tan perjudicial y “que de algo hay que morir”. La segunda forma de manifestarse es la adquisición de información que supera la disonancia permitiendo atenuar el conflicto, siguiendo con el ejemplo del tabaco tal como plantea McLeod la aparición de información como estudios que demuestran poca relación entre fumar y el cáncer de pulmón permiten seguir realizando la actividad de fumar, aunque existan otra multitud de estudios que efectivamente relacionan el cáncer de pulmón con el tabaco. La tercera forma de manifestarse este sesgo es mediante la reducción de la importancia de la creencia, esto es debido a que cuánto más fuerte es nuestra creencia cuando hacemos algo que la contradice más grande es la incomodidad que genera, ponemos como ejemplo una persona que se autoconvence de que si bien fumar es malo para la salud si reduce el consumo de tabaco también reducirá el daño y por tanto no será tan perjudicial. La forma de enfrentarse a este sesgo es bastante incomoda porque implica hacer frente a una situación incómoda en lugar de evitarla lo cual supone un mayor esfuerzo personal que no todos los individuos se ven capaces de afrontar, esto lo podemos ver en el calentamiento global. Una situación incómoda que nos afecta a toda la población de la humanidad como especie y aun así nos cuesta tomar las medidas necesarias por molestas que puedan resultar, y en su lugar restamos importancia a los efectos que puede provocar y evitamos la información que nos advierte. Ilusión de control La ilusión de control es un sesgo que se encuentra relacionado con uno que hemos comentado anteriormente que es el de exceso de confianza puesto que también está relacionado con la creencia de estar por encima de la realidad. El sesgo de ilusión de control consiste en pensar que las capacidades de influir o incluso controlar ciertos eventos. En el ámbito de las finanzas se puede entender este sesgo como la capacidad de influir en los precios de ciertos activos con sus actuaciones u opiniones, y hasta cierto punto y en ciertos casos puede ser verdad. El caso de Warren Buffet, inversor de prestigio internacional y cuyas opiniones pueden llegar a influenciar en la de otros inversores y de esta forma en el mercado es un ejemplo de esta influencia. La encontramos en los inversores que hacen uso de la estrategia de copiar la cartera de inversiones de expertos. Pero no todos somos Warren Buffet, ni todos somos un elemento de referencia tan grande para tantas personas como para poder influir de forma significativa en los mercados bursátiles. Este sesgo consiste en pensar que si somos un Warren Buffet y que si nos planteamos influir para que una situación vaya encaminada hacia cierta situación podríamos hacerlo, pese a que en la práctica sería un esfuerzo vano. Un trabajo que debemos destacar sobre este sesgo es el realizado por Langer (1975) donde se plantearon diferentes experimentos para la medición de este sesgo y sus efectos, concluyendo que las personas creían poder influir en resultados al azar pese a que no controlan para nada. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 21 - Contabilidad mental El sesgo de la contabilidad mental es definido por Thaler (1999) como un “conjunto de procesos mentales usados por las personas para organizar, evaluar y seguir la pista a sus finanzas.” Este sesgo entra en función cuando no valoramos de igual forma el dinero según la procedencia, de tal manera que cuando el dinero proviene de una lotería o de una herencia no se considera tan relevante como cuando proviene de un trabajo o de una venta de productos, cuando en la realidad el dinero tiene exactamente el mismo valor y por lo tanto debería ser valorado todo de la misma forma. Otra forma de manifestación de este sesgo lo vemos en la elaboración de diferentes presupuestos como forma de controlar los gastos sin tener en consideración que pese a que se trata de diferentes presupuestos en la realidad todo proviene del mismo lugar y debería ser tratado de forma única. La valoración diferente del dinero se puede observar en el ejemplo de dos compañeros que van en un viaje en coche a ver un partido de baloncesto, uno de ellos ha comprado la entrada por 50$ mientras que el otro la ha obtenido de un regalo, cuando se disponen a realizar el viaje hay una ventisca, en ese momento se plantea cuál de los dos es más propenso a decidir no ir al viaje y el pensamiento generalizado es el individuo que ha recibido la entrada gratis, pero esto no tiene consistencia lógica puesto que la pérdida que ambos asumirían de no ir es la misma, un producto valorado en 50$, esto es debido a que en la contabilidad mental de cada uno el balance resultante de la operación sería más perjudicial para el que ha realizado la compra de la entrada para sí mismo. Desde un punto financiero, podemos encontrar el sesgo de la contabilidad mental en inversores que tienen diferentes porfolios de inversión según su riesgo, cuando el hecho de diferenciarlas no implica que se correlacionen en un nivel global. Disponibilidad El sesgo de disponibilidad es la tendencia a considerar más creíbles los ejemplos que nos resultan fácil imaginar que los que son más complejos o ajenos a nuestra vida diaria pese a que puedan ser más representativos. Un ejemplo de este sesgo lo podemos encontrar en los terraplanistas, que basan su argumento de que la tierra es plana en ejemplos y demostraciones fácilmente constatables por los sentidos y que resultan más sencillos de imaginar, como por ejemplo que la tierra es plana puesto que no se observa una curvatura en el horizonte, o que si la tierra realmente estuviera en movimiento de rotación saldríamos disparados en lugar de poder mantenernos en el sitio. Estos ejemplos son más fáciles de entender que la geometría aplicable a la forma de la tierra y las distancias que explican porque no resulta apreciable la curvatura de la tierra como efecto visual, o que cuando se encuentra en movimiento solo siente la aceleración y no la velocidad. Es obvio del peligro de este sesgo puesto que estamos realizando errores de juicio en base a argumentos que nos parecen más plausibles en primer lugar independientemente de si estos son aplicables, derivando en conclusiones equívocas. Traspasado al ámbito de las finanzas el sesgo de disponibilidad se produce cuando valoramos más la información que nos llega de canales conocidos como puede ser las noticias o la prensa, que de indicadores financieros complejos pese a ser estos más exactos. Torres Morínigo, Joaquín José - 22 - 2.3. FORMAS DE EVADIRLO Una vez analizados algunos de los múltiples sesgos de los que podemos resultar víctimas a la hora de realizar juicios de valor y tomar decisiones, no solo en el mundo de las finanzas sino en el día a día como se ha demostrado en los ejemplos anteriores la pregunta que se nos puede venir a la cabeza es obvia, ¿Qué actuaciones puedo llevar a cabo para evitar caer en los temibles sesgos? ¿Cómo puedo asegurarme de que mi proceso cognitivo es objetivo y no hay problemas en mi razonamiento? Hay varios problemas con los que nos encontramos a la hora de superar los sesgos que nos afectan, en primer lugar tenemos el problema del reconocimiento de estos, hay un dicho común que dice que “Vemos la paja en el ojo ajeno, y no vemos la viga en el nuestro”, que viene a significar que nos resulta muy fácil apreciar los defectos de los demás pero nos cuesta muchísimo apreciar nuestros defectos y muchas veces nos cuesta aún más reconocer que debemos eliminarlos y dar el paso para ello. Es más, es probable que durante la realización de este trabajo en el que no paro de recalcar lo dañinos que pueden llegar a resultar los sesgos a la hora de interpretar la información y llegar a conclusiones lógicas, haya incurrido en alguno de los mismos. Esta es la primera barrera a la que nos enfrentamos, el ejercicio de introspección que resulta necesario y de autocrítica para determinar en qué sesgos podemos estar incurriendo. Lo cual se complica con el carácter subconsciente que tienen los sesgos, para que nos podamos imaginar la complicación de reconocerlos cuando actúan sin que lo sepamos nos podemos imaginar a nosotros mismos intentando reconocer que estamos respirando las 24 horas del día, quizás podamos reconocerlo durante unos minutos, pero al cabo de un tiempo volveríamos a hacerlo sin siquiera darnos cuenta, lo cual no implica que no podamos como mínimo reducir la comisión del sesgo. El segundo problema que nos encontramos se comentó por encima al tratar la clasificación de sesgos de Michael M. Pompian, recordemos que se dividían en dos tipos principales, los sesgos cognitivos y los sesgos emocionales en función de la forma en la que afectaban al razonamiento y de donde provienen. Siguiendo con esta clasificación los sesgos emocionales tienen un tratamiento de corrección muy diferente y complejo, para ilustrar esta dificultad nos dirigimos a los ámbitos de la filosofía y las matemáticas, resulta mucho más fácil entender un razonamiento matemático (salvando las distancias con paradojas matemáticas y problemas que carecen de solución aun hoy día) como puede ser un modelo estadístico o la resolución de cálculos matemáticos, que las complejas ambigüedades morales que se pueden plantear y que son más difícilmente discernibles cuando tienen sentido que cuando no, hasta el punto de que pueden pasar años para superar sesgos emocionales como pueden ser el exceso de confianza o la ilusión de control, un ejemplo práctico lo podemos encontrar en la ilusión de control que pueden tener algunas personas que sufren de problemas como ludopatía. Esto es debido a que en los razonamientos lógicos dan menos lugar a interpretación dependiendo mayoritariamente de un esfuerzo por entender y comprender el proceso. Ligado al problema de los sesgos emocionales nos encontramos con la forma de adquisición de estos, muchos de los sesgos de este tipo han sido adquiridos a lo largo de toda una vida desde la infancia, o son propios de la personalidad del sujeto, por ejemplo, un individuo con una personalidad tipo A, hostil y competitiva, sería más propenso a presentar sesgos como el exceso de confianza o retrospectiva. Estos problemas derivados de la personalidad son de muy difícil eliminación por formar parte casi intrínseca de la personalidad. Una vez analizados los problemas que se plantean a la hora de tomar medidas para la evasión de sesgos vamos a intentar plantear algunas formas de evasión que puedan resultar de utilidad para aquellos que no quieran cometerlos. Para ello se debe tener en consideración que no existe una única regla formal para evitar sesgos, puesto que, si bien hay muchos tipos de sesgos, hay igual cantidad de formas de evadirlos, no SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 23 - se elimina de la misma forma un sesgo de ilusión de control que uno de aversión al riesgo siendo ambos contrarios entre ellos. Aun así, uno se puede cuestionar si es realmente posible eliminar los sesgos viendo los problemas que plantean su superación, aquí podemos hacer referencia a un estudio desarrollado por Morewedge, Yoon, Scopelliti Symborski, Korris y Kassam (2015) donde se estudió la efectividad de entrenamientos para la mejora de decisiones con una sola sesión de entrenamiento y llegaron a la conclusión de que efectivamente podía provocar una mejora en el proceso de toma de decisiones. Se llegó a esta conclusión al comparar la eficacia de dos técnicas de enseñanza en toma de decisiones, una basada en un video y otra en un videojuego, a largo plazo en diferentes sesgos, clasificados en dos experimentos según los sesgos. El video era simplemente un programa educativo enseñando sobre diferentes sesgos, ejemplificándolos de diferentes formas y mostrando forma de reducirlos. El videojuego por otra parte consistía en tomar decisiones con información incompleta, y al final de cada nivel se les enseñaban las definiciones y mostraban como con sus decisiones habían incurrido en uno u otro sesgo y formas de haberlo podido evitar. Para analizar la efectividad de estas técnicas se registró cuantas veces cometían cada sesgo en tres ocasiones, una primera vez antes de llevar a cabo las técnicas de enseñanza, una segunda vez justo después de enseñarlas, y una última vez en un periodo de 8 a 12 semanas después del entrenamiento. En el primer experimento se analizaron los sesgos de punto ciego, confirmación y error de atribución, mientras que en el segundo experimento se observaban los sesgos de anclaje, proyección y representatividad. En la siguiente figura se pueden observar la evolución la comisión de sesgos de una sesión para otra, podemos observar que no todos los sesgos son igualmente corregidos en intensidad, por ejemplo, si analizamos el sesgo de anclaje podemos ver que se corrige en mayor medida que el sesgo de proyección. También podemos observar cómo los sesgos se corrigen de forma diferente según la metodología utilizada, resultando más eficiente el videojuego sobre todo en las pruebas que se producen justo tras la lección sobre sesgos como es lógico puesto que está aún se encuentra fresca en la mentalidad de las personas al hacer el examen. Lo realmente relevante es que en un periodo de 8 a 12 semanas se puede seguir observando una reducción en la comisión de sesgos de forma general tanto con un sistema de enseñanza como otro. De esta forma podemos concluir que es posible mediante una única sesión de entrenamiento anti sesgos para comenzar a apreciar una reducción de comisión de estos, por ejemplo, si se le explica a un individuo que las muestras amplias son más representativas que las muestras pequeñas. Podrán aplicar ese conocimiento a la hora de valorar la información evitando sesgos como el de confirmación. Obviamente es un efecto que puede verse diluido en el tiempo y por lo tanto puede resultar necesario refrescarlo periódicamente. Hay sesgos como ya hemos comentado anteriormente que son muy resistentes a su eliminación y que pese al esfuerzo del individuo es incapaz de eliminarlo pudiendo resultar muy difícil determinar qué tipo de técnica llevar a cabo para eliminar un determinado sesgo. Torres Morínigo, Joaquín José - 30 - SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 31 - CAPÍTULO 3. TRADING AUTOMÁTICO 3.1. CONCEPTO Y FUNCIONAMIENTO En este capítulo nos adentramos en la segunda mitad de este trabajo, donde pasaremos a contraponer lo anteriormente mencionado con un nuevo tipo de inversor que ha aparecido en los últimos años y que opera en el mercado constantemente siguiendo unas reglas establecidas sin cuestionar o dudar y por tanto, a priori, considerado como inmune a los sesgos anteriormente mencionados, estos son los robots de trading automático. En primer lugar, tenemos que proceder a aclarar conceptos, cuando hablamos de trading automático o trading algorítmico hacemos referencia a programas de software que permiten al inversor tradicional delegar actividades al programar algoritmos que determinen el método de actuación, siguiendo unos parámetros determinados establecidos dentro de una amplia gama de variables, como puede ser el precio, las ganancias o pérdidas de la operativa o la tendencia actual del activo. Un ejemplo de funcionamiento programado sería determinar que, cuando un activo A esté por encima de los 100€ comprar tantas unidades, y cuando el activo alcance los 120€ venderlo y liquidar posiciones para obtener como beneficio la diferencia. Repitiéndose la misma operativa todas las veces que se den las condiciones establecidas, pudiendo repetirse la operación varias veces a lo largo de una misma jornada sin que el inversor realice ninguna acción. Dentro del trading automático también entrarían las órdenes programadas como los stop loss (orden consistente en liquidar posiciones si estas generan ciertas pérdidas para evitar el empeoramiento de la situación). Estos programas están avanzando a grandes pasos y gracias al desarrollo de la inteligencia artificial están permitiendo que los programas se vuelvan más sofisticados y dinámicos pudiendo determinar los mismos programas qué estrategia hay que utilizar en función a las características del activo y del mercado, pudiendo el programa recomendar estrategias según la volatilidad, por ejemplo. La gran mayoría de estos programas de inversión son utilizados en mercados de divisas, realizando operaciones en Forex donde hay mucha volatilidad presente facilitando a los programas encontrar divergencias de precios de divisas para realizar varias operaciones a lo largo de un mismo día, un mercado poco volátil no requiere la supervisión constante que proporciona el software. Ventajas y desventajas del trading automático Las ventajas que presentan son fácilmente reconocibles a primera vista y pueden resultar de gran atractivo para cualquier persona que quiere realizar inversiones, pero no estar pendiente de las mismas. Los robots de trading automático no tienen necesidad alguna de descanso por lo cual pueden operar las 24 horas del día en diferentes mercados desde que abren hasta que cierra la sesión, ejecutando las órdenes metódica y constantemente además de vigilar las inversiones ya realizadas anteriormente y velar por su rentabilidad, por lo cual presentan una productividad que no podría ser imitada por ningún ser humano individualmente que hiciera un trading manual tradicional. Otra de las ventajas que presentan es la velocidad de respuesta, los “reflejos informáticos” son muy superiores si son comparados con los reflejos humanos, como resulta obvio a la hora de comprobar las reglas y aplicarlas una máquina tiene una velocidad de procesamiento mecánico que permite hacerlo en menor tiempo, basta con comparar el tiempo que necesita una calculadora en multiplicar dos grandes cifras con la de cualquiera de nosotros, de tal forma que si por ejemplo la cotización de un activo se deprecia incurriendo en pérdidas un software de trading sería más veloz detectando la pérdida, y corrigiéndola para evitar unas pérdidas que a una persona humana se le podrían escapar. Esto se trasmite también a la velocidad de cálculo, una operación Torres Morínigo, Joaquín José - 32 - compleja y que debe ser repetida periódicamente será procesada más lentamente por cualquier humano que por una máquina, y a la interpretación de gráficos para la determinación de tendencias. Otra diferencia sustancial entre los inversores tradicionales y los software de inversión a priori, y que discutiremos más adelante y por lo cual he incluido en el trabajo este capítulo, es que eliminan el factor emocional al seguir unas reglas establecidas sin dejarse llevar por planteamientos equivocados como los que hemos mencionado en el capítulo anterior, un ejemplo sería el no entrar en pánico porque una operación incurra en pérdidas más elevadas de lo esperado que lleve a liquidar una posición y resulte en una pérdida de oportunidad evitando de esta forma el sesgo de aversión al riesgo, o si lo miramos desde otra perspectiva nos puede servir para evitar incurrir en aún más perdidas y evitar así el sesgo de disonancia cognitiva. Pero pese a sus múltiples ventajas, los robots de trading automático se encuentran muy lejos de la perfección y presentan ciertas desventajas, algunas de las cuales pueden ser muy peligrosas, siendo una de ellas la otra cara de tener un carácter metódico y no realizar interpretaciones propias de las órdenes dadas ni cuestionarlas, se trata de la aplicación (o inaplicación) de ciertas reglas que desembocan en una espiral de pérdidas, aunque en su defensa hay que decir que la mayoría de veces que se produce este error es culpa del factor humano, una ejemplo de presentarse esta situación es no haber programado correctamente un stop loss. Un inconveniente que presentan estos programas (si bien es compartido con sus contrapartidas humanas) es la necesaria supervisión de su actividad, ya que los fallos de funcionamiento o bugs son detectados en su mayoría una vez producidos lo cual implica en la mayoría de casos incurrir en pérdidas, no puede dejarse completamente desatendido constantemente por riesgo a pérdidas inasumibles, este problema es más notable cuando se tratan de programas de alta frecuencia de operaciones, puesto que si la capacidad de procesamiento de ordenes es muy elevada, unas pérdidas por operación que aun siendo escasas individualmente (y un humano podría percatarse y no repetirla en el primer error), en masa pueden resultar cuantiosas cuanto menos, haciendo que unos cuantos minutos pueden ser más que suficientes para provocar un auténtico desastre como veremos en el ejemplo expuesto más adelante. Para evitar este riesgo se tiene que llevar a cabo una cierta supervisión por gente con conocimientos tecnológicos desarrollados. Una última desventaja que podemos asociar a estos agentes informáticos es la falta de flexibilidad ante cambios en el entorno ya que necesitan una reprogramación para evolucionar junto con el entorno, requiriendo por tanto un constante desarrollo del software, ya que no están preparados para entender momentos abruptos de la bolsa o la psicología detrás del comportamiento de otros inversores, precisamente a raíz de esta falta de adaptabilidad algunos programan habilitan herramientas y opciones, un ejemplo está en programas que deshabilitan las operaciones automatizadas ante noticias financieras de gran importancia que por sí mismo no saben valorar, como el resultado del referéndum del Brexit en el valor de la libra, para que el usuario pueda valorar la noticia, determinar cómo afectaría a sus órdenes establecidas y permitirle cambiarlas o reactivarlas. Tras ver las desventajas que puede presentar se podría considerar que son desventajas también presentes en el inversor tradicional y que no suponen ningún riesgo que no sea imposible o difícil de solucionar, compensando las ventajas mucho más que las potenciales desventajas, y esta forma de pensar podría considerarse lógica y entendible, pero aunque las ventajas superen las desventajas no hay que menospreciar el alcance de los problemas que pueden derivarse de un mal uso de un programa de trading automático. A continuación, para hacernos una mejor imagen visual del peligro que puede suponer un software defectuoso y las consecuencias que puede derivar nos dirigimos al caso de Knight Capital Group, una de las principales firmas financieras americanas que fue fundada en 1995 por Kenneth Pasternak y Walter Raquet. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 33 - El 1 de agosto de 2012 puso en funcionamiento un nuevo software de High Frequency Trading que tenía como objetivo realizar un elevado número de operaciones en pocos segundos, un tipo de programa con el que estaban altamente relacionados y la empresa tenía experiencia implementándolos, pero se produjo un fallo en la programación del software consistente en no eliminar un código heredado de versiones anteriores del programa que solo debería ser puesto en marcha en entornos controlados de testeo que tenía como finalidad crear volatilidad artificialmente en simulaciones para testear el programa antes de su puesta en práctica y que debería ser eliminado de la versión final mediante una actualización en los servidores de Knight Capital Group, pero por un fallo del ingeniero humano no fue instalado en uno de los servidores, esto tuvo como resultado que el día en que el programa se puso en marcha este pensó que se encontraba en un entorno de simulación en lugar de operaciones reales lo que provocó que el programa adquiriera activos por el valor de compra y al momento los vendiera por el valor de venta, perdiendo la diferencia de precio entre la compra y la venta, la diferencia de precio era escasa pero esta operación se repitió una y otra vez hasta la cifra de 4 millones de veces gracias a la capacidad de procesamiento de las ordenes, haciendo perder a la compañía la no pequeña cantidad de 460 millones de dólares en un periodo de tan solo 45 minutos, que fue el tiempo hasta que el equipo técnico pudo solucionar el error, pero ya era demasiado tarde puesto que este fallo acabo colocando a la empresa en menos de una hora en una posición al borde de la bancarrota que acabo con la adquisición de la misma por la compañía Global Electronic Trading Company. Considero importante remarcar que el presente trabajo no tiene la intención de desincentivar el uso de este tipo de software sino tan solo mostrar los riesgos que presenta. Situación actual El trading algorítmico como forma de invertir en el mercado de valores es algo bastante reciente, apenas comenzó su funcionamiento en la década de 1990 y desde entonces su uso se ha disparado a pasos agigantados siendo ya el uso de programas para la operativa la norma. Esto lo podemos observar en la siguiente tabla recogida en el libro de Kim (2007) donde se ve el crecimiento de uso de programas para el trading, pasando de un 9,9% en 1989 a un 50,6% en el 2004 en el NYSE, es decir la mitad de las operaciones que se llevan a cabo en la bolsa de New York no han sido realizadas por humanos directamente. No es difícil imaginarse los motivos del auge de estos programas ya que como comentamos anteriormente, entre sus ventajas está la rapidez lo que conlleva a una reducción de costes sustancial. La presencia de estos programas no se limitan a las grandes compañías que si bien usan las versiones más sofisticadas disponibles, los pequeños inversores también están haciendo uso de programas de inversión automatizados, así aparecen por ejemplo los robots de trading automático, programas desarrollados por terceros para determinar cuándo vender o comprar activos y que son vendidos para su uso por particulares permitiéndoles realizar operativas sin saber crear sus propios software desde cero, un ejemplo pueden ser los robots de Forex, centrados en la compra venta de divisas, pero que pese a los anuncios de grandes ganancias que ciertos programas puedan hacer, si no son bien programados pueden incurrir en pérdidas, por lo que su testeo es una condición necesaria antes de ponerse en práctica si se quiere aprovechar sus funciones. También existen usuarios que se dedican a realizar sus propios robots de trading para que se ajusten perfectamente a sus necesidades, aunque esto requiere de conocimientos extensos de programación. Torres Morínigo, Joaquín José - 34 - Figura 8. Crecimiento de trading automático en la bolsa de Nueva York. Fuente: Aite Group, NYSE Actualmente gracias a la producción de procesadores de mejor rendimiento y el desarrollo de la minería de datos y Big Data se ha dado un paso más allá en la elaboración de programas de trading automático a través del machine learning. Como comentamos anteriormente uno de los defectos del trading automático es que es estático, se le dictan una serie de normas orientadas a aprovecharse de una ineficiencia en el mercado, pero según va aprovechándose de esa ineficiencia la va corrigiendo y haciendo que su rentabilidad disminuya hasta que deje de ser explotable y haya que buscar otra oportunidad de inversión, siendo uno de los motivos por los cuales había que supervisar el programa para asegurarnos de que estuviera adaptado a las circunstancias bursátiles actuales. El machine learning por otra parte, consiste en el análisis de datos para automatizar la elaboración de reglas a seguir, de tal forma que el mismo programa sea el que analice la situación y no requiera de esa supervisión y responda de una forma más rápida y eficiente a los cambios del mercado abandonado las posiciones abiertas según se vaya reduciendo su rentabilidad, en otras palabras, que el software aprenda por sí mismo adquiriendo experiencia. Para que el machine learning funcione necesitaba de una gran cantidad de datos que le permitan realizar el análisis, los cuales para que sean efectivos y útiles para la inversión deben de ser capaces de ser tratados de forma veloz y no ha sido hasta estos últimos años que se ha logrado empezar a aplicarlo en el trading. Uno de los ejemplos de tratamiento grandes volúmenes de datos a alta velocidad lo encontramos en 2014 cuando la empresa Bloomberg integró en sus bases de datos económicos los tweets que contenían información financiera en directo, una hazaña si tenemos en consideración el volumen de tweets diarios en todo el mundo, y que Bloomberg clasifica los tweets por compañía, persona, tema y por activo al que hace referencia además de avisar de picos de información sobre una compañía tal como recoge Bloomberg en su propia página web en la sección de prensa, esta implementación es una muestra de la importancia de las redes sociales en las tendencias de los mercados, un caso lo podemos ver en la bajada en el Dow Jones de 143 puntos durante 3 minutos por un falso tweet que exponía que la Casa Blanca había sufrido dos explosiones. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 35 - Figura 9. Caída en el Dow Jones producida por un falso Tweet en 2013 Fuente: Anupriya Gupta (2015) En un futuro los programas de trading automático aprenderán a ser dinámicos permitiendo innovar y crear estrategias que a inversores tradicionales no se les hubiera ocurrido o que podrían pasar inadvertidas y dejar potencialmente obsoletos los actuales sistemas de análisis de datos, es más estos programas potenciados con el tratamiento masivo de datos podrían hacer predicciones sobre el valor de los activos en un futuro con muchísima exactitud. La presencia de programas de trading automático en el mercado por parte de grandes empresas y particulares han potenciado muchísimo la liquidez del mercado, pero también la volatilidad del del mismo provocando grandes miedos entre los inversores profesionales, como Torsten Slok, Director internacional de Deutsche Bank que puso el trading de alta frecuencia como uno de los 30 mayores riesgos para los mercados en el año 2019 como refleja en la página de noticias de la compañía y temen más situaciones como el flash crash que se produjo en 2010 donde el Dow Jones bajo un 9% sin apenas explicación durante unos minutos. 3.2. DESARROLLO DEL SOFTWARE Ahora que hemos comentado en qué consiste el trading automático y como está evolucionando gracias a los avances en el desarrollo de nuevas tecnologías de inteligencia artificial vamos a hablar de su desarrollo y funcionamiento, explicando cómo se comprueba su utilidad y si es apto para ponerse en acción en el mercado, para ello vamos a comenzar explicando el llamado Backtesting. Backtestig El principal problema a la hora de determinar si un programa es apto o no para su puesta en marcha es comprobar su efectividad, pero esto es complejo de realizar si se utilizan predicciones de datos futuros puesto que pueden presentar problemas de fiabilidad y no responden necesariamente a un auténtico comportamiento del mercado pudiendo presentar desviaciones que deriven en una falsa sensación de éxito en el programa. Para ello se realiza el denominado backtesting o test marcha atrás que consiste en comprobar la forma de actuar del programa en base a datos históricos y ver como se hubiera comportado el programa si hubiera sido puesto en marcha en ese momento. El Torres Morínigo, Joaquín José - 36 - backtesting también es utilizado por los inversores tradicionales para comprobar la efectividad de sus operaciones, pero presenta un problema y es que puede incurrir fácilmente en fallas de objetividad, muchos usuarios pueden encontrarse sugestionados por la situación actual y pensar que sus decisiones pasadas habrían estado bien decididas cuando realmente podrían haber discrepancias con lo que realmente hubieran hecho de encontrarse en esa situación (comprar algo que provocaría perdidas o vender activos antes de alcanzar picos de cotización), lo cual deriva en incumplir su propia regla preestablecida ignorándola a sabiendas de como acabaría su realización, para que al analizar los resultados del backtesting obtenga una mejor valoración, aquí recordamos el sesgo anteriormente mencionado de retrospectiva y que produce que los resultados del test no sean objetivos ni por tanto valorables correctamente. Este es uno de los motivos por los que los backtesting realizados de forma manual no son muchas veces fiables y se prefiere hacer uso de sistemas automáticos que cumplirán las reglas establecidas independientemente del resultado, además el backtesting cuando se realiza de forma automática facilita la optimización del programa gracias a la aportación de información de la simulación. Pero incluso cuando se hace de forma automatizada el backtesting puede presentar problemas a los usuarios que lo usan para comprobar la eficacia del programa elaborado si no se tiene en consideración ciertos elementos, en primer lugar y muy relacionado con el usuario tenemos el sobreajuste (Overfitting), el sobreajuste consiste en optimizar excesivamente un modelo en base a los datos existentes y aunque originalmente puede pensarse que un sobreajuste para pulir la efectividad del modelo no es perjudicial el exceso del mismo puede acarrear un exceso de sensibilidad a la hora de introducir datos nuevos, es decir su puesta en funcionamiento en el mercado real, haciendo que deje de ser efectivo, además de que al sobreajustar se da un efecto falso de exceso de efectividad del sistema utilizado al pensar que obtendrá unos resultados espectaculares que no se acercan a los auténticos resultados. Este falso exceso de efectividad se ve potenciado cuando el backtest se realiza sobre activos aún presentes hoy en día únicamente y no sobre los existentes en el origen del test, los backtesting que ignoran esto operan con activos que presentan estabilidad en el tiempo y no adolecen de imprevistos que puedan haber surgido en el tiempo, un ejemplo para visualizar este fallo en el test sería el de un programa que no invierte en Abengoa por su situación actual cuando de haber estado operando si lo habría hecho, evitando malas decisiones en el programa de forma adelantada. Otro problema que pueden presentar los backtesting y que refleja el informe realizado por DSP Mutual Fund (2019) es que se ignora fácilmente ciertos elementos que influyen en gran medida en los resultados, como son la liquidez del activo o la comisión de la operación y que al realizar la operación siempre va a ser posible hacerla en el momento deseado sin tener en consideración por ejemplo si el capital invertido nos permitiría la realización de ciertas operaciones. Una última advertencia a la hora de realizar backtesting es realizarlos con datos históricos amplios que preferiblemente contengan varios ciclos económicos, puesto que permiten observar cómo funciona el programa en diferentes etapas económicas ya que su desempeño no puede ser igualmente efectivo durante épocas de crecimiento económico que durante temporadas de recesión. Todo lo anteriormente mencionado concluye en que el backtesting no es suficiente para analizar la efectividad de un programa y debe ser complementado con simulaciones en tiempo real. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 37 - Drawdown El siguiente elemento que vamos a analizar para determinar la utilidad de los sistemas de trading automático es el drawdown, el cual indica la diferencia entre el valor máximo obtenido y la situación actual, a mayor drawdown mayor distancia hay con respecto a nuestro mejor resultado, y por tanto si decimos que tenemos un drawdown de 2000 euros significa que nuestro resultado actual es 2000 euros menos que el último máximo obtenido, el drawdown no se supera hasta que se alcanza un nuevo resultado máximo superando el anterior. Figura 10. Muestra gráfica de un drawdown a lo largo del tiempo Fuente: Elaboración propia El interés en conocer el drawdown radica en conocer el comportamiento del programa y cuáles son las desviaciones que podemos experimentar con respecto a su desempeño en entornos simulados, esto es necesario saberlo porque por muy efectivo que resulte es imposible que este todo el tiempo logrando máximos, y hay que conocer cuál es el comportamiento habitual, de esta forma si a la hora de ponerlo en marcha experimentamos un drawdown de 9% cuando en la simulación el drawdown máximo es del 5% y el drawdown medio es del 3% significa que algo está operando de forma inesperada y no se encuentra en los estándares habituales del programa, lo cual permite al inversor alejarse del sesgo anteriormente mencionado de disonancia cognitiva al tener un indicador cuantitativo que le permita llegar de forma objetiva a la conclusión de que el sistema que ha planteado no es óptimo. Conocer el drawdown tiene también un beneficio psicológico puesto que permite preparar mentalmente al inversor para los periodos de tiempo en los que se esté incurriendo en pérdidas al conocer los intervalos normales que presenta el sistema utilizado y no alarmarse excesivamente otorgando cierta resistencia mental evitando el sesgo de aversión al riesgo. El drawdown es un indicador de riesgo muy utilizado en muchas vertientes, como nos indica el trabajo de Bacon (2013), midiéndose desde el drawdown básico anteriormente explicado, el drawdown medio, el drawdown máximo que es la mayor perdida comparada con la máxima ganancia en todo el histórico, la duración de los drawdown para determinar el tiempo de recuperación hasta una gran variedad de ratios basados en el drawdown. Torres Morínigo, Joaquín José - 38 - 3.3. SUSCEPTIBILIDAD A SESGOS Ahora que hemos determinado que es un programa de trading automático, como ha evolucionado gracias al desarrollo de la inteligencia artificial y la capacidad de procesar un mayor número de información en directo, y hemos observado como funciona y como se evalúa su utilidad ahora vamos a analizar si cumplen con el estereotipo de la objetividad suprema e incapacidad de dejarse llevar de las maquinas a la hora de operar o si por el contrario existen comportamientos que no corresponden a una actividad lógica propia de una máquina. Obviamente cuando analizamos la susceptibilidad de sesgos en el trading automático no hacemos referencia a la máquina en sí misma, la cual es incapaz de sentir miedo por una pérdida económica o ansiedad por no estar dando los retornos esperados. Sino que analizamos a la persona que se encuentra detrás de la máquina, el programador o el trader que opera a través de ella, para determinar si esta trasmite sus sesgos a la hora de actuar en el trading automático a través de su uso o su programación inicial. En apartados anteriores hemos explicado como un programador puede trasmitir parte de su razonamiento equívoco en un programa a través del sobreajuste (Overfitting) al apurar demasiado la optimización de un programa hasta hacerlo inservible en la puesta en práctica, este comportamiento es un claro ejemplo de cómo un programador puede trasmitir problemas de funcionamiento por su razonamiento personal. Continuando con este razonamiento vamos a analizar si durante el proceso de creación de software entran en juego los sesgos cognitivos y estos se trasmiten posteriormente en la utilización del programa. Para ello nos vamos a referir en primer lugar al estudio de Mohanani, Salman, Turhan, Rodriguez y Ralph, (2018) que analiza los errores de razonamiento que suelen estar presente debido a sesgos cognitivos de los desarrolladores. Para ello primero se realizó una recopilación de estudios con la intención de determinar que sesgos eran los más proclives a estar presentes en cada área de conocimiento del desarrollo de software (cabe destacar que no se encuentra limitado al trading) dando como resultado la tabla mostrada a continuación. En dicha tabla podemos observar cuales son los sesgos más comunes en la ingeniería de desarrollo de software, siendo estos el sesgo de anclaje (anchoring bias), exceso de confianza (overconfidence bias) y el sesgo de confirmación (confirmation bias), estos sesgos destacan su presencia sobre los demás sesgos reconocidos. Estos sesgos (incluso fuera del ámbito de la ingeniería) se presentan usualmente juntos en el mismo usuario, puesto que el exceso de confianza es el primer paso para dar más credibilidad a las fuentes de información que se corresponden con nuestros pensamientos previos, comportamiento que se encuentra aún más presente irónicamente en individuos cuya formación no está completa y que no son conscientes de sus propias limitaciones de forma adecuada. Una de las soluciones propuestas en el desarrollo de software para no incurrir en estos sesgos, tal como comenta Jain, Flomenbaum y Mohan, (2006) , es a través del trabajo en equipo o en parejas puesto que pone el trabajo realizado bajo una supervisión directa por otro individuo que no esta influencia por un posible sesgo de exceso de confianza en sus habilidades. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 39 - Área de conocimiento de ingeniería de software Computing foundation Configuration Construction Design Economics Engineering foundations General Maintenance Management Mathematical foundantions Models and Methods Process Professionalis m Quality Requirements Testing Total Sesgo cognitivo Anchoring/adjustment 0 0 5 8 0 0 0 0 9 0 0 1 0 1 2 0 26 Attentional 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 Availability 0 0 5 4 0 0 0 0 3 0 1 0 0 1 1 0 15 Bandwagon effect 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 2 Belief perseverance 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 2 Over confidence 0 0 0 1 0 0 0 0 15 0 0 0 0 0 0 0 16 Confirmation 0 0 6 4 0 0 1 1 0 0 0 0 0 1 3 7 23 Contrast effect 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Default 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Endowment effect 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 Fixation 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 2 Framing effect 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 3 Halo effect 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 2 Hindshight 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 3 Hyperbolic discounting 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Ikea effect 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 Impact 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 2 Information 0 0 2 1 0 0 1 0 1 0 0 0 0 0 0 0 5 Infraestructure 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Invincibility 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Mere exposure effect 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 3 Miserly info processing 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 Misleading information 0 0 0 0 0 0 1 0 2 0 0 0 0 0 0 0 3 Neglect of probability 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Normalcy effect 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Over optimism 0 0 1 1 0 0 0 0 1 0 0 0 0 0 3 0 6 Primacy 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Representativeness 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 4 Selective perception 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 Semantic fallacy 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 Semmelweis reflect 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Status quo 0 0 0 2 0 0 1 0 0 0 0 0 0 0 0 0 3 Sunk cost 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 Time-Based 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Valence effect 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Validity effect 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Wishful thinking 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 3 Total 0 0 22 39 0 0 5 2 44 0 2 2 0 4 15 7 142 Tabla 3. Presencia de sesgos cognitivos en diferentes áreas de conocimiento Fuente: Mohanani, Salman, Turhan, Rodriguez y Ralph, (2018) Torres Morínigo, Joaquín José - 46 - Una cosa a destacar es que, para un aprovechamiento al máximo de las herramientas de inversión automatizadas, es necesario tener conocimientos de finanzas y de informática en grandes cantidades, lo cual significa que los inversores del futuro sabrán tanta programación como finanzas. Mirando más allá en el futuro se pueden plantear ciertas cuestiones que podrían ser objeto de un estudio más desarrollado, ¿Qué comportamiento se puede esperar de un mercado compuesto únicamente por programas de inteligencia artificial? Si los programas de inversión siguen desarrollándose y acaban por exceder de forma aplastante la eficacia de los seres humanos, no existe necesidad de que estos persistan como operadores en mercados secundarios, por no decir que no podrían sobrevivir directamente. Esta situación desembocaría en que todos los agentes que operan son maquinas, algunas mas desarrolladas que otras, pero indudablemente programas de inversión con estrategias desarrolladas por si mismos, y aunque parezca de ciencia ficción hay que plantearse como se desarrollaría el día a día de un mercado perfectamente eficiente cuya liquidez se basa en esencia en el cambio de valor de los activos y su volatilidad. En conclusión, debemos ser conscientes de que no somos tan objetivos como nos queremos creer nosotros mismos, y que estas fallas de razonamiento se extienden hasta el subconsciente y que ni con un exhaustivo análisis introspectivo seriamos capaces de darnos cuenta de como estamos sesgados. Que las herramientas automatizadas son nuestra opción para salir de esta situación es cierto, pero hay que trabajar con ellas con el mismo cuidado que con cualquier otra herramienta y no depositar confianza en una caja negra que desconocemos su funcionamiento, y por tanto sus posibles fallos. SESGOS EN LAS FINANZAS CONDUCTUALES Y TRADING AUTOMATICO - 47 - Bibliografía Arkes, H. R., & Blumer, C. (1985). The psychology of sunk cost. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/0749- 5978(85)90049-4 Bacon, C. R. (2013). Practical Risk-Adjusted Performance Measurement. In Practical Risk-Adjusted Performance Measurement. https://doi.org/10.1002/9781118673621 Benoît, J. P., Dubra, J., & Moore, D. A. (2015). Does the better-than-average effect show that people are overconfident?: Two experiments. Journal of the European Economic Association. https://doi.org/10.1111/jeea.12116 Connolly, T., & Dean, D. (1997). Decomposed versus holistic estimates of effort required for software writing tasks. Management Science. https://doi.org/10.1287/mnsc.43.7.1029 De Bondt, W. F. M., & Thaler, R. (1985). Does the Stock Market Overreact? The Journal of Finance. https://doi.org/10.1111/j.1540-6261.1985.tb05004.x Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General. https://doi.org/10.1037/xge0000033 DSP Mutual. (2019). Common mistakes in back-testing and how to avoid them. https://doi.org/10.4324/9781315558820-22 Fagerlin, A., Wang, C., & Ubel, P. A. (2005). Reducing the influence of anecdotal reasoning on people’s health care decisions: Is a picture worth a thousand statistics? Medical Decision Making. https://doi.org/10.1177/0272989X05278931 Festinger, L. (1997). A Theory of Cognitive Dissonance. In Standford CA Standford University. https://doi.org/10.1037/10318-001 Forbes:, W. (2010). Behavioural Finance. Financial Markets and Portfolio Management. https://doi.org/10.1007/s11408-009-0127-9 Jain, R., Flomenbaum, J. M., & Mohan, K. (2006). A cognitive perspective on pair programming. Association for Information Systems - 12th Americas Conference On Information Systems, AMCIS 2006, 6, 3686–3692. Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica. https://doi.org/10.2307/1914185 Kaustia, M., Alho, E., & Puttonen, V. (2008). How much does expertise reduce behavioral biases? The case of anchoring effects in stock return estimates. Financial Management. https://doi.org/10.1111/j.1755-053X.2008.00018.x Kim, K. (2007). Electronic and Algorithmic Trading Technology: The Complete Guide. In Electronic and Algorithmic Trading Technology: The Complete Guide. https://doi.org/10.1016/B978-0-12-372491-5.X5000-9 Langer, E. J. (1975). The illusion of control. Journal of Personality and Social Psychology. https://doi.org/10.1037/0022-3514.32.2.311 Torres Morínigo, Joaquín José - 48 - Legoux, R., Leger, P. M., Robert, J., & Boyer, M. (2014). Confirmation biases in the financial analysis of IT investments. Journal of the Association of Information Systems. https://doi.org/10.17705/1jais.00350 Mohanani, R., Salman, I., Turhan, B., Rodriguez, P., & Ralph, P. (2018). Cognitive Biases in Software Engineering: A Systematic Mapping Study. IEEE Transactions on Software Engineering. https://doi.org/10.1109/TSE.2018.2877759 Morewedge, C. K., Yoon, H., Scopelliti, I., Symborski, C. W., Korris, J. H., & Kassam, K. S. (2015). Debiasing Decisions: Improved Decision Making With a Single Training Intervention. Policy Insights from the Behavioral and Brain Sciences. https://doi.org/10.1177/2372732215600886 Pompian, M. M. (2017). Risk Tolerance and Behavioral Finance. Investment Management Consultants Association Inc. Pompian, M. M. (2007). Behavioral Finance and Wealth Management – How to Build Optimal Portfolios That Account for Investor Biases. Financial Markets and Portfolio Management. https://doi.org/10.1007/s11408-007-0065-3 Ross, H. J. (2015). Everyday bias: identifying and navigating unconscious judgments in our daily lives. Choice Reviews Online. https://doi.org/10.5860/choice.188102 Ross, L., Greene, D., & House, P. (1977). The “false consensus effect”: An egocentric bias in social perception and attribution processes. Journal of Experimental Social Psychology. https://doi.org/10.1016/0022-1031(77)90049-X Shiller, R. J. (1981). Do Stock Prices Move Too Much to be Justified by Subsequent Changes in Dividends? American Economic Review. Shiller, R. J. (2003). From efficient markets theory to behavioral finance. Journal of Economic Perspectives. https://doi.org/10.1257/089533003321164967 Slovic, P. (1972). Psychological study of human judgment: implications for investment decision making. The Journal of Finance. https://doi.org/10.1111/j.1540- 6261.1972.tb01311.x Soll, J. B., Milkman, K. L., & Payne, J. W. (2015). A User’s Guide to Debiasing. In The Wiley Blackwell Handbook of Judgment and Decision Making. https://doi.org/10.1002/9781118468333.ch33 Thaler, R. H. (1999). Menta accounting matters. Journal of Behavioral Decision Making. https://doi.org/10.1002/(SICI)1099-0771(199909)12:3<183::AIDBDM318>3.0.CO;2-F Tversky, A., & Kahneman, D. (2013). Judgment under uncertainty: Heuristics and biases. In Judgment under uncertainty. https://doi.org/10.1017/cbo9780511809477.002 McLeod, S. (2018). Cognitive Dissonance. Simply Psychology, 1–6. Hens, T., & Meier, A. (2016). Finanzas Conductuales: La Psicología de la Inversión. 1– 29. Retrieved from http://s1.pulso.cl/wp-content/uploads/2014/10/2013779.pdf