La evolución de la probabilidad en la economía

La teoría de la probabilidad se ha convertido en una piedra angular de la economía moderna, proporcionando el marco matemático a la incertidumbre modelo y el riesgo. La integración de la probabilidad en el pensamiento económico data del siglo 17 con pioneros como Blaise Pascal y Pierre de Fermat, cuyo trabajo en juegos de azar puso las bases para la teoría de utilidades esperada.

Fundaciones de la modelación probabilística en economía

Utilidad esperada y teoría de decisiones

En el centro de la toma de decisiones económicas bajo la incertidumbre se espera teoría de utilidades. Los agentes asignan probabilidades a posibles resultados y eligen acciones que maximizan la suma ponderada de utilidades. Este marco sustenta modelos de seguros, inversión y suministro de mano de obra. Crítica han señalado anomalías conductuales, como la aversión de la pérdida y el ponderado de probabilidad, lo que ha llevado al desarrollo de la teoría de perspectivas por Kahneman y Tversky. Sin embargo, la utilidad esperada sigue siendo un punto de referencia para el análisis de elección racional.

Procesos estocásticos y series temporales

La previsión macroeconómica depende en gran medida de los procesos estocásticos. La hipótesis aleatoria de la caminata, por ejemplo, modelos de precios de activos como serie impredecible, mientras que los modelos autoregresivos de movimiento promedio (ARMA) capturan choques persistentes. Los bancos centrales modernos utilizan autoregresividades vectoriales estructurales (VARs) con respuestas probabilísticas de impulso para simular los efectos de la política monetaria.

Métodos Bayesianos en Economía Moderna

La econometría bayesiana ha adquirido tracción como una forma de incorporar información previa y actualizar las creencias a medida que llegan nuevos datos. El enfoque Bayesiano es particularmente valioso cuando los tamaños de muestra son pequeños o cuando los modelos están sobreparametrizados. Por ejemplo, los modelos DSGE de la Reserva Federal (Dynamic Stochastic General Equilibrium) utilizan a menudo la estimación Bayesian para comparar los datos observados respetando las limitaciones teóricas.

Aplicaciones de la probabilidad en el pronóstico económico

Inflación y política monetaria

Los bancos centrales publican habitualmente gráficos de fans que muestran la distribución de probabilidad de la inflación futura.El Informe de Política Monetaria del Banco de Inglaterra, por ejemplo, utiliza simulaciones estocásticas para ilustrar el equilibrio de riesgos alrededor de la proyección central. Estas probabilidades ayudan a los mercados y al público a entender la confianza que el banco central tiene en su escenario de referencia y cómo puede ajustar la política si se materializan los riesgos. Enlace externo: Informe de la política monetaria del Banco de Inglaterra – noviembre 2023

Pronósticos de crecimiento del PIB

Organizaciones internacionales como el Fondo Monetario Internacional (FMI) producen pronósticos probabilísticos para el crecimiento global del PIB utilizando métodos conjuntos. Combinando múltiples modelos y contando errores de pronóstico histórico, generan intervalos de probabilidad que revelan riesgos secundarios. Por ejemplo, el World Economic Outlook del FMI a menudo incluye una "matricia de evaluación de riesgos" que asigna probabilidades a eventos como una recesión global o crisis financiera.

Volatilidad del mercado financiero

Los modelos de probabilidad son esenciales en la economía financiera para opciones de precios y gestión de riesgos.El modelo Black-Scholes utiliza la distribución de log-normal para estimar primas de opción, mientras que las medidas de valor a riesgo (VaR) utilizan simulaciones históricas o Monte Carlo para cuantificar la probabilidad de pérdidas de cartera. Los reguladores requieren que los bancos mantengan capital contra eventos de baja probabilidad y de alto impacto, enfatizando el papel de probabilidad en la evaluación de riesgo sis.

Técnicas probabilísticas: Monte Carlo y Bootstrapping

Monte Carlo Simulations in Policy Analysis

Los métodos de Monte Carlo permiten a los economistas simular miles de posibles escenarios futuros al sortear los choques aleatorios de las distribuciones supuestas. Por ejemplo, para evaluar el impacto de un impuesto al carbono en el crecimiento del PIB, un economista podría simular caminos estocásticos para los precios de energía, el comportamiento del consumidor y el cambio tecnológico. La distribución resultante de los resultados proporciona una imagen más rica que un pronóstico determinista, destacando la probabilidad de escenarios. Enlace externo: NBER Working Paper – Monte Carlo Methods for Policy Evaluation

Bootstrapping for Confidence Intervals

Cuando las suposiciones paramétricas son dudosas, el arranque ofrece una alternativa no paramétrica.Rescribiendo datos históricos con reemplazo, los economistas pueden estimar la distribución de muestreo de un coeficiente estadístico (por ejemplo, un coeficiente de elasticidad) sin depender de aproximaciones asintomáticas. Esta técnica se utiliza cada vez más en microeconometría aplicada, especialmente cuando evalúa la robustez de los efectos del tratamiento en los experimentos naturales.

Desafíos en la modelación económica probabilística

Limitaciones de datos y error de medición

Los modelos de probabilidad son tan buenos como los datos que ingieren. Los datos económicos son revisados a menudo, sujetos a errores de medición, y disponibles sólo en frecuencias bajas. Por ejemplo, las estimaciones de crecimiento del PIB son revisados con frecuencia meses después de la liberación inicial, complicando las evaluaciones de probabilidad en tiempo real. Modelos de factor dinámico intentar solucionar esto mediante la extracción de señales latentes de múltiples indicadores ruidosos, pero introducen incertidumbre adicional sobre la estructura factorial.

Incertidumbre modelo y robo

Los economistas enfrentan incertidumbre modelo: ¿qué distribución de probabilidad representa mejor el proceso subyacente? Elegir la distribución incorrecta puede llevar a previsiones sesgadas sistemáticamente. Técnicas como el modelo Bayesiano ayudan a medir las previsiones de los modelos múltiples según su probabilidad posterior, reduciendo así el riesgo de depender de un modelo único especificado. Sin embargo, las probabilidades previas asignadas a cada modelo siguen siendo subjetivas.

Cambio de regímenes económicos

Los modelos de probabilidad que se calculan sobre datos históricos pueden fracasar cuando el régimen económico cambia. El entorno de baja tasa de interés posterior a 2008, por ejemplo, rompió muchas relaciones empíricas asumidas en modelos anteriores. Los modelos de intercambio de Markov permiten que los parámetros cambien a través de regímenes, pero la identificación del número y el tiempo de los regímenes sigue siendo difícil. Asimismo, la pandemia COVID-19 introdujo extremos atípicos que distorsionan las distribuciones, desafiando hipótesis estándar de normalidad.

Estudios de casos: probabilidad de acción

Pronunció la crisis financiera de 2008

Antes de la crisis de 2008, la mayoría de los modelos principales asignaban una probabilidad insignificante a un colapso bancario sistémico. El fracaso de los modelos probabilísticos para anticipar la crisis puso de relieve los peligros de depender de series de corto tiempo e ignorar las colas de grasa. Post-crisis, la Reserva Federal y otros reguladores adoptaron marcos de prueba de estrés que modelan explícitamente riesgos de cola usando escenarios históricos y choques hipotéticos.

Climate Change and Economic Risk

Los modelos de probabilidad se utilizan cada vez más para evaluar los impactos económicos del cambio climático. Los modelos de evaluación integrados (AMI) combinan la dinámica climática con las proyecciones de crecimiento económico, utilizando distribuciones de probabilidad para parámetros clave como la sensibilidad climática. Las previsiones resultantes ayudan a los gobiernos a establecer precios de carbono y a planificar inversiones de adaptación. Sin embargo, la profunda incertidumbre que rodea los puntos de inflexión climática ha llevado a algunos economistas a abogar por enfoques sólidos de adopción de decisiones en lugar de confianza únicamente en valores esperados probabilísticos. Enlace externo: Naturaleza – Riesgos económicos del cambio climático: Un enfoque probabilístico

Instrucciones emergentes: Aprendizaje de Máquinas y Datos en tiempo real

Aprendizaje de máquina probabilística

Las técnicas de aprendizaje automático, como los bosques aleatorios y las redes neuronales profundas, pueden captar relaciones no lineales que los modelos econométricos tradicionales pierden. Pero a menudo producen predicciones puntuales sin cuantificación de incertidumbre inherente. Los investigadores han desarrollado extensiones probabilísticas, incluyendo redes neuronales Bayesianas y predicción conformal, para generar intervalos de predicción.

Integración de datos en tiempo real

La disponibilidad de corrientes de datos en tiempo real a gran escala (por ejemplo, desde sistemas de pago, puestos de trabajo en línea) crea oportunidades para la actualización continua de las previsiones de probabilidad. Por ejemplo, el modelo del Banco Federal de Reserva del PIBAhora utiliza un modelo de factor de frecuencia mixta para producir un crecimiento del PIB en ejecución, actualización diaria como nuevos datos se liberan. El ahoracast está acompañado de un intervalo de probabilidad que reduce rápidamente el progreso de trimestre.

Futuros perspectivas: De los pronósticos de puntos a las distribuciones completas

La previsión económica se aleja de las predicciones de un solo número hacia las distribuciones de probabilidad completa. Los bancos centrales, como la Reserva Federal de los Estados Unidos, publican ahora la "conjunción de puntos" de las proyecciones de tipos de interés, pero los críticos piden reemplazarlas con distribuciones explícitas de probabilidad. Los avances en el poder computacional e inferencia Bayesian harán posible estimar modelos de causal masivos de equilibrio general que incorporen cientos de variables de responsabilidad.

Conclusión

La probabilidad no es meramente un accesorio técnico en el modelado económico; es el lenguaje por el cual los economistas articulan incertidumbre y riesgo. De la teoría de la elección microeconómica a la simulación de políticas macroeconómicas, la probabilidad permite un análisis riguroso de lo que podría suceder, no sólo lo que sucederá. A pesar de los desafíos persistentes — calidad de datos, inespección modelo y cambios de régimen— la innovación en curso de métodos Bayes, aprendizaje automático y promesas de datos en tiempo real de la demanda para mejorar la proba Enlace externo: Situación Económica Mundial del FMI – Octubre 2023