El empleo de técnicas de aprendizaje automático en el campo de la economía es bastante escaso, si

bien ha habido algunos estudios con enfoques diferentes al que se tratará en este trabajo. Uno de
estos estudios utiliza imágenes satelitales de poblaciones en el continente africano con el fin de
extraer datos socioeconómicos, como lo expresan sus autores: “Las imágenes satelitales de alta
resolución, están cada vez más disponibles a escala global y contienen una abundancia de información
acerca de las características del paisaje que podrían tener correlación con la actividad económica.”1.

La dificultad de utilizar el aprendizaje automático en área complejas como lo es la economía radica en

varios factores, entre ellos, el hecho de que hay una multiplicidad de variables que pueden influir
directa o indirectamente en el comportamiento que tiene una economía en un momento
determinado; además, los enfoques y técnicas a utilizar también son muy variados, lo cual puede
generar “confusión” en los algoritmos utilizados: “En la estimación tradicional, las correlaciones entre
las variables observadas se reflejarían en grandes errores estándar que expresan nuestra incertidumbre
al atribuir efectos a una variable sobre la otra. Este problema es omnipresente en el aprendizaje
automático. El atractivo mismo de estos algoritmos es que pueden adaptarse a muchas funciones
diferentes. Pero esto crea un talón de Aquiles: más funciones significan una mayor probabilidad de que
dos funciones con coeficientes muy diferentes puedan producir una calidad de predicción similar.
Como resultado, cómo un algoritmo elige entre dos funciones muy diferentes puede reducirse
efectivamente al lanzamiento de una moneda.”2.

Uno de los subtemas económicos en los que es relativamente fácil utilizar aprendizaje automático es
en la estimación de demanda. Dado que hay una correlación bastante definida entre oferta y
demanda, las variables adicionales que pueden incidir en la estimación de esta última tienen un
impacto mucho menor, y siendo así, los algoritmos utilizados son sencillos y eficientes: “Para mejorar
la precisión de predicción fuera de muestra, se propone un método para combinar los modelos
subyacentes mediante regresión lineal. El método es robusto para un gran número de regresores; escala
fácilmente a conjuntos de datos muy grandes; combina la selección y estimación de modelos; y puede
aproximar de forma flexible funciones arbitrarias no lineales.”3.

Otro subtema en el que se han hecho estudios utilizando diversas técnicas de aprendizaje automático
es en el de la predicción de mercados de valores, en los que es de fundamental importancia la
utilización de datos discretos para mejorar sustancialmente la exactitud de las predicciones. Se
utilizaron al menos cuatro técnicas diferentes con el fin de comparar la precisión de cada una de ellas:
“El estudio compara cuatro modelos de predicción, Red Neural Artificial (ANN), Máquina de Vector
de Soporte (SVM), bosque aleatorio y Clasificador Bayesiano ingenuo, con dos enfoques para la
entrada de estos modelos. El primer enfoque para los datos de entrada implica el cálculo de diez
parámetros técnicos utilizando datos de negociación bursátil (precios de apertura, altos, bajos y de
cierre), mientras que el segundo enfoque se centra en representar estos parámetros técnicos como datos
determinísticos de tendencias. Se evalúa la precisión de cada uno de los modelos de predicción para
cada uno de los dos enfoques de entrada. La evaluación se lleva a cabo sobre 10 años de datos
históricos de 2003 a 2012 de dos valores: Reliance Industries e Infosys Ltd. y dos índices de precios de
acciones CNX Nifty y S & P Bombay Stock Exchange (BSE) Sensex”4.

En una línea diferente a la anterior, otro estudio realizado en Corea del Sur se basó en la predicción
de taquilla de películas usando algoritmos de aprendizaje automático. Si bien hablar de la taquilla de
películas parecería algo irrelevante, lo cierto es que en la elección de qué película ver en el cine
entran en juego varios factores de toma de decisión, los cuales están íntimamente relacionados
también en la toma de decisiones individual y colectiva que inciden directamente en la economía.
Para realizar este estudio, los autores utilizaron una técnica novedosa: “Proponemos un enfoque
novedoso para el pronóstico de taquilla de películas utilizando datos del servicio de red social (SNS) y
algoritmos basados en aprendizaje automático. Comenzamos brindando una encuesta exhaustiva de los
algoritmos de pronóstico y las variables explicativas utilizadas en el dominio de la imagen en
movimiento. Debido a la importancia de las predicciones en los primeros períodos, desarrollamos tres
modelos de pronóstico secuencial para predecir las ganancias acumuladas y no acumuladas de taquilla:
(1) antes, (2) una semana después y (3) dos semanas después del lanzamiento. El número de menciones
del SNS y sus tendencias semanales se usan como variables de entrada además de la información
relacionada con el examen. Se adopta un algoritmo genético para determinar variables de entrada
significativas, mientras que tres algoritmos de regresión no lineal basados en aprendizaje automático y
sus combinaciones se emplean para construir modelos de pronóstico.”5.

Un estudio más se realizó para analizar y predecir otro factor de desarrollo económico de un país,
como lo es el turismo. Al igual que los anteriores, la toma de decisiones de las personas con respecto
a lo que desean sobre este tema es influido por diversos factores, por lo que es de gran interés poder
predecir con cierto grado de certeza cómo será la demanda de turismo, con miras a abonar un poco a
la proyección más general del crecimiento de la economía del país. Como sus autores lo exponen, las
predicciones mejoran cuando se trata de pronósticos a largo plazo, ya que se refina más la hipótesis
generada: “Encontramos que los métodos de aprendizaje automático mejoran su desempeño de
pronóstico con respecto al punto de referencia a medida que aumentan los horizontes de pronóstico, lo
que sugiere la idoneidad de estas técnicas para el pronóstico a mediano y largo plazo.”6.

Existe también otro estudio sobre productividad y capital humano, factores ambos que inciden en el
crecimiento económico. Se trata básicamente sobre la predicción de la productividad de los
trabajadores y cómo incide esto en el bienestar social: “Demostramos que puede haber grandes
ganancias en el bienestar social al usar herramientas de aprendizaje automático para predecir la
productividad del trabajador, utilizando datos de dos aplicaciones importantes: contratación policial y
decisiones de tenencia docente.”7.
Un caso más acorde al tema de estudio de este proyecto es el de la predicción de precios de venta de
casas en Fairfax County, Virginia, EU. Este tema es de particular interés , ya que la crisis económica del
año 2008 fue producida por la llamada “burbuja inmobiliaria”, dada la excesiva valoración que se le
dio a los hogares en Estados Unidos y el Reino Unido, entre otros países. Si bien los precios de venta
se establecen de acuerdo a los índices de precios de hogares de Standard & Poor, resulta de gran
utilidad una herramienta que logre pronosticar en un grado aceptable los precios futuros de los
bienes raíces. “Este estudio utiliza algoritmos de aprendizaje automático como metodología de
investigación para desarrollar un modelo de predicción de precios de la vivienda. Para mejorar la
precisión de la predicción del precio de la vivienda, este documento analiza los datos de vivienda de
5359 casas en el condado de Fairfax, Virginia, reunidas por el Servicio de listado múltiple (MLS) de
los Sistemas de información regionales metropolitanos (MRIS). Desarrollamos un modelo de
predicción del precio de la vivienda basado en algoritmos de aprendizaje automático como C4.5,
RIPPER, Naïve Bayesian y AdaBoost y comparamos su rendimiento de precisión de clasificación.”8.

El tema de la oferta y demanda del petróleo y cómo impacta en las economías de los países es
también relevante, especialmente ante estudios sobre predictibilidad de los precios en el mercado,
como sucede con caso particular del análisis realizado por la universidad de Texas A&M, donde se
utilizaron también sistemas basados en aprendizaje automático para desarrollar un modelo capaz de
predecir el precio del petróleo de acuerdo con diferentes factores: “Nuestro modelo es un modelo de
sistema dinámico que relaciona matemáticamente los determinantes del precio del petróleo en función
de las relaciones causales subyacentes. El modelo completo resuelve numéricamente ecuaciones
diferenciales relacionadas con los parámetros marginales y los factores principales, incluidos el precio,
la demanda y la oferta del petróleo. Separamos el suministro de petróleo a los países de los EE. UU.,
La OPEP y otros proveedores que no pertenecen a la OPEP cuyos parámetros difieren debido a los
recursos convencionales y no convencionales. Además, separamos la demanda de petróleo en OCDE,
Brasil, Rusia, India, China (BRIC) y las demandas de los países que no pertenecen a la OCDE debido a
la diferencia en la dependencia del crecimiento económico y el consumo de petróleo en ese grupo de
países. Desarrollamos nuestro modelo básico basado en el análisis de regresión sobre los datos
históricos del precio del petróleo WTI, crecimiento económico y demanda de la OCDE y BRIC, EE.
UU., La OPEP y otros países suministran datos. Luego, entrenamos otros parámetros del modelo
utilizando las reacciones históricas del mercado ante eventos inesperados que ocurrieron en el
pasado.”9.

El intercambio de divisas también es un factor de gran importancia para realizar proyecciones sobre el
crecimiento económico, ya que es uno de los más visibles instrumentos que permiten conocer cuán
sana y estable es la economía de un país. Al respecto se llevó a cabo un estudio que buscaba realizar
pronósticos diarios y mensuales de las tasas de cambio de divisas usando técnicas de aprendizaje
automático: “proponemos y probamos un modelo de pronóstico sobre los precios mensuales y diarios
de cinco tipos de cambio seleccionados. Al hacerlo, combinamos una nueva técnica de suavizado
(inicialmente aplicada en el procesamiento de señal) con una metodología de selección de variables y
dos metodologías de estimación de regresión del campo del aprendizaje automático (ML).”10.

En términos generales, y casi para concluir, queda claro que las técnicas de aprendizaje
automático son ideales para predecir el crecimiento económico de un país, analizando los
múltiples factores que intervienen, como lo establecen en el estudio “Problemas de la
política de predicción” de Jon Kleinberg y otros: “La mayoría del trabajo de política empírica se
centra en la inferencia causal. Argumentamos que una clase importante de problemas de política no
requiere inferencia causal, sino que requiere inferencia predictiva. La solución de estos "problemas de
política de predicción" requiere más que simples técnicas de regresión, ya que están ajustadas para
generar estimaciones insesgadas de coeficientes en lugar de minimizar el error de predicción.
Argumentamos que los nuevos desarrollos en el campo del "aprendizaje automático" son
particularmente útiles para abordar estos problemas de predicción. Utilizamos un ejemplo de la política
de salud para ilustrar las grandes ganancias potenciales de bienestar social a partir de una mejor
predicción.”11.

Finalmente, para sustentar el uso de inteligencia artificial mediante las técnicas de aprendizaje
automático, hay que señalar que se parte del supuesto de que los seres humanos somos racionales y
tomamos decisiones de manera racional, lo que supondría que es posible diseñar un modelo que
permita predecir con exactitud qué decisiones tomaremos y cómo influirán en el ámbito de la
economía; sin embargo, esto no es así del todo, por lo que la utilización de dichas técnicas se vuelve
un problema más complejo de lo que se esperaría, y sin embargo, es posible trabajar en el desarrollo
de modelos que las utilicen para proporcionar herramientas de predicción lo suficientemente
acertadas: “La economía se ve atraída por los modelos de decisión racionales porque conectan
directamente las elecciones y los valores de una manera matemáticamente precisa. Los críticos
argumentan que el campo estudia una especie mítica, homo economicus ("hombre económico") y
produce teorías con aplicabilidad limitada a cómo se comportan los humanos. Los defensores
reconocen que la racionalidad es una idealización pero contrarrestan que la abstracción respalda un
análisis poderoso, que a menudo es bastante predictivo del comportamiento de las personas (como
individuos o en conjunto). Incluso si no se trata de representaciones perfectamente precisas, los
modelos racionales también permiten estimar las preferencias a partir de las acciones observadas y
construir una comprensión que pueda informar de manera útil la política.”12.