Simplificar para entender.
Ensayo.
Los modelos financieros suelen decepcionar con una facilidad curiosa. Se les acusa de funcionar solo en el libro de texto, de fallar cuando se enfrentan al mundo real o de quedarse cortos justo donde más se les necesita. Parte de esa decepción, sin embargo, nace de pedirles algo distinto de lo que realmente pueden dar. Un modelo sirve para simplificar la realidad, aislar algunas relaciones y volverlas más manejables para el análisis. Su valor está en ofrecer un puente entre una realidad demasiado compleja para captarse de una sola vez y una comprensión parcial pero disciplinada que puede ampliarse con el tiempo.
Esa función intermedia no es una rareza de las finanzas. Entender fenómenos complejos exige alguna forma de descomposición. A veces analizamos separando partes. Otras veces comparamos para resaltar una diferencia relevante. En otros casos recurrimos a analogías que trasladan un problema a un terreno más conocido para volverlo más legible. Los modelos hacen algo parecido de manera más explícita. Reorganizan la complejidad del mundo de una forma que vuelve más inteligibles relaciones que, en la experiencia, aparecen mezcladas.
En finanzas esto importa especialmente porque trabajamos con decisiones tomadas antes de conocer el desenlace, con datos incompletos y con efectos que rara vez aparecen solos. Ahí simplificar puede aclarar el problema porque crea un entorno más controlado para observar interacciones que, en su escala natural, serían difíciles de separar. Un análisis de estática comparativa ayuda a aislar, mediante una derivada parcial, una relación que en el mundo observado aparece mezclada con muchas otras. Una simulación o un bootstrap tampoco reproducen el mundo completo, pero sí permiten explorar la variabilidad plausible de una estimación y pensar escenarios contrafactuales bajo supuestos alternativos. El problema aparece cuando olvidamos esa mediación y lo tratamos como si fuera una representación fiel del todo.
Aquí aparece una objeción razonable. Afirmar que un modelo simplifica puede sonar como una excusa elegante para ocultar que no tenemos una explicación suficiente de la realidad. Pero esa objeción también parte de una expectativa confusa. Buscamos una representación útil del mundo. Si un modelo capturara sin pérdida toda la complejidad de lo real, dejaría de funcionar como modelo y se confundiría con aquello que pretende explicar. Su valor está en hacer visible una estructura relevante sin pretender que el fenómeno completo quede contenido de una sola vez en el mismo marco.
Ahí empieza una parte importante del malestar con los modelos. El problema puede surgir en la especificación o la estimación, en la lectura de los resultados o en las expectativas que proyectamos sobre ellos. Una regresión lineal difícilmente va a iluminar bien una relación que no es lineal. Un ARIMA mal especificado puede fracasar menos por el método que por tratar como estacionaria una serie que primero debía diferenciarse, y un pronóstico puede considerarse erróneo aunque el valor observado haya caído dentro del intervalo que el propio modelo consideraba plausible. El CAPM también se deforma cuando se le pide pronosticar rendimientos puntuales. Su tarea es aislar una dimensión muy concreta del riesgo de mercado, no anticipar el destino exacto de un activo.
También hay errores de otro tipo. A veces el problema está en la herramienta elegida. Usar Black-Scholes en su versión estándar para valorar opciones americanas, donde el ejercicio anticipado importa, deja ver que el problema exige otra estructura. Y la situación se vuelve todavía más grave cuando ese traslado incorrecto termina reproduciéndose también en la enseñanza, incluso en la universidad, como si la herramienta fuera una receta general y no una respuesta a una estructura específica. La decepción aparece entonces porque nosotros lo llevamos fuera de su terreno.
El error se vuelve más serio cuando acomodamos los datos para que el modelo se vea mejor. Quitar outliers solo porque incomodan el ajuste puede terminar borrando justo la parte del fenómeno que más importaba entender. A veces esos valores extremos sí son errores de medición y conviene tratarlos como tales. Pero otras veces reflejan cambios reales, crisis, rupturas o episodios que forman parte del problema. Incluso cuando una IA sugiere limpiar observaciones para mejorar el ajuste, el criterio tiene que sobrevivir a la comodidad técnica. Mejorar la forma estadística del modelo a costa de vaciar el fenómeno que debía capturar es una manera elegante de equivocarse. Y cuando esa limpieza deja de responder al fenómeno y empieza a responder a la conveniencia del analista, el problema deja de ser solo técnico y roza también una cuestión ética.
Todo esto ayuda a ver un punto más general. También importa cómo simplifica un modelo. Algunos modelos simples distorsionan demasiado y otros iluminan con precisión una relación importante. Algunos modelos complejos capturan mejor una realidad difícil y otros solo añaden detalle sin mejorar comprensión. Entre comprensibilidad y fidelidad suele haber un trade-off: cuanto más manejable se vuelve un modelo, más probable es que deje fuera parte del fenómeno; cuanto más intenta acercarse a la complejidad del mundo, más difícil puede volverse su lectura. Por eso la investigación no busca escapar de los modelos, sino proponer, contrastar y refinar aquellas simplificaciones que ayudan más a entender. La tarea consiste en usar la simplificación con más criterio.
Y si eso importa para investigar, también importa para enseñar. La experiencia profesional orienta el juicio y sería un error minimizar su valor. El problema es que esa experiencia se acumula lentamente, mientras que el tiempo de aula es breve y exige decisiones sobre qué conviene aprender de manera sistemática. En estudiantes jóvenes todavía no suele haber mucho tiempo de práctica, pero sí claridad, plasticidad y capacidad de aprender con método. Por eso vale la pena invertir ese tiempo en modelos sencillos antes de exigir herramientas más complejas o confiar demasiado en la intuición. Los modelos simples no agotan la realidad, pero enseñan a identificar relaciones básicas, a explicitar supuestos y a pensar con más orden que un simple guesstimate. El aula no compite con la experiencia. La prepara y le da un lenguaje más disciplinado cuando finalmente llega.
Leído así, el valor de un modelo consiste en obligarnos a pensar la realidad con más disciplina de la que tendríamos a simple intuición. La cuestión central es recordar qué simplifica, para qué lo hace y hasta dónde alcanza. En finanzas, aprender a usar modelos bien equivale a tratar el mundo observado con suficiente rigor para poner a prueba nuestras interpretaciones, en lugar de acomodarlo a ellas.