Auto-organizaci¶n en Sistemas o Econ¶micos o

Andr¶s R. Schuschnyy; e

À

y Centro de Estudios Avanzados, Universidad de Buenos Aires. À Universidad Nacional de Quilmes z CEPAL (Comisi¶n Econ¶mica para Am¶rica Latina, Naciones Unidas), o o e Universidad de Buenos Aires, Facultad de Ciencias Econ¶micas e Instituto o Torcuato Di Tella

Octubre del 2001

y

Directores de tesis: Daniel Heymann y Roberto P.J.Perazzo
z

i

Deseo agradecer a los Doctores Roberto Perazzo y Daniel Heymann por haberme guiado, de manera ejemplar, a lo largo de todo el proceso de desarrollo de esta tesis doctoral.

Dedico todo el trabajo realizado a la memoria de mi Padre.

ii

Contenido
1 Introducci¶n o 1.1 La complejidad en la Econom¶ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ³a 1.2 Contenido de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Sistemas Din¶micos y sistemas Complejos a 2.1 De¯niciones y principales caracter¶ ³sticas . . . . . . . . . . . . . . . . . . . . 2.2 Algunas Propiedades gen¶ricas . . . . . . . . . . . . . . . . . . . . . . . . . e 2.3 Clasi¯caci¶n de los Sistemas Din¶micos . . . . . . . . . . . . . . . . . . . . o a 2.3.1 Seg¶n la naturaleza de sus variables . . . . . . . . . . . . . . . . . . u 2.3.2 Seg¶n las propiedades de conservaci¶n del sistema . . . . . . . . . . u o 2.4 Mapas recursivos en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Estabilidad, periodicidades y bifurcaciones . . . . . . . . . . . . . . . 2.4.2 Sistemas Ca¶ticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 2.4.3 Estudio probabil¶ ³stico: la ergodicidad . . . . . . . . . . . . . . . . . 2.5 Los sistemas complejos adaptativos . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 Atributos b¶sicos de los sistemas complejos adaptativos . . . . . . . a 2.6 Temas de inter¶s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.6.1 Externalidades y Complementariedad estrat¶gica . . . . . . . . . . . e 2.6.2 Coordinaci¶n y din¶mica de las expectativas . . . . . . . . . . . . . o a 2.6.3 Equilibrios coordinados m¶ltiples: algunas implicancias econ¶micas . u o 2.6.4 Hist¶resis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.6.5 \Lock-In" y dependencia del sendero en econom¶ . . . . . . . . . . ³a 2.7 Ap¶ndices del Cap¶ e ³tulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.1 El mapa log¶ ³stico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.2 Estabilidad lineal y acoplamiento entre mercados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 4 6 11 11 12 12 12 13 14 14 15 16 19 20 23 24 25 26 27 27 29 29 35 39 39 41 42 42 52 53 54 57 61 63 66 67 67 68

3 Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o 3.1 Comportamientos econ¶micos y heterogeneidad . . . . . . . . . . . . . . . . . o 3.1.1 Agentes con expectativas racionales . . . . . . . . . . . . . . . . . . . 3.1.2 El rol del aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Modelo anal¶ ³tico con agentes heterog¶neos . . . . . . . . . . . . . . . . . . . . e 3.3 Modelos ca¶ticos en la literatura econ¶mica . . . . . . . . . . . . . . . . . . . o o 3.3.1 Son relevantes los modelos econ¶micos \ca¶ticos"? . . . . . . . . . . . o o 3.3.2 Caos determin¶ ³stico y la teor¶ econ¶mica . . . . . . . . . . . . . . . . ³a o 3.3.3 La racionalidad en el caos o el caos de la racionalidad? . . . . . . . . . 3.3.4 Algunas conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 Sistemas Econ¶micos \Desordenados" . . . . . . . . . . . . . . . . . . . . . . o 3.4.1 Complejidad e Intratabilidad . . . . . . . . . . . . . . . . . . . . . . . 3.4.2 Computabilidad y Computadoras Universales . . . . . . . . . . . . . . 3.4.3 Optimizaci¶n Combinatoria y Racionalidad Acotada . . . . . . . . . . o 3.5 Representaci¶n Computacional de Agentes Econ¶micos . . . . . . . . . . . . . o o iii

iv 3.5.1 Algoritmos Gen¶ticos . . . . . . . . . . . . . . . . . . e 3.5.2 Redes Neuronales Arti¯ciales . . . . . . . . . . . . . . 3.5.3 Modelos Econ¶micos con Redes Neuronales Arti¯ciales o Modelos con agentes arti¯ciales adaptativos . . . . . . . . . . 3.6.1 Aprendizaje y Co-Adaptaci¶n . . . . . . . . . . . . . . o 3.6.2 Descripci¶n de los tres modelos . . . . . . . . . . . . . o 3.6.3 Resultados Obtenidos . . . . . . . . . . . . . . . . . . 3.6.4 Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 70 73 74 74 76 79 86 89 90 91 92 94 98 102 103 106 109 111 115 116 119 119 121 121 122 128 129 130 133 136 138 140

3.6

4 Sistemas con agentes en interacci¶n: comportamientos emergentes o 4.1 Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³ 4.1.1 Din¶mica estoc¶stica microsc¶pica . . . . . . . . . . . . . . . . . . a a o 4.1.2 Din¶mica macrosc¶pica y consistencia macro-micro . . . . . . . . . a o 4.1.3 Estados frustrados y multiplicidad de atractores . . . . . . . . . . 4.1.4 Aplicaciones en sistemas econ¶micos y sociales: Marco gen¶rico . . o e 4.2 Mecanismos globales y locales de coordinaci¶n . . . . . . . . . . . . . . . . o 4.2.1 Coordinaci¶n guiada por la informaci¶n global . . . . . . . . . . . o o 4.2.2 Coordinaci¶n con el mecanismo local de contagio . . . . . . . . . . o 4.2.3 Una aplicaci¶n a las corridas bancarias . . . . . . . . . . . . . . . . o 4.2.4 Auto-organizaci¶n sin par¶metros ex¶genos . . . . . . . . . . . . . o a o 4.2.5 Comentarios adicionales . . . . . . . . . . . . . . . . . . . . . . . . 4.2.6 El modelo de \El Farol" con estrategias mixtas . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

5 Sistemas distribuidos y series temporales 5.1 Aut¶matas Celulares y Mapas Acoplados . . . . . . . . . . . . . . . . . . . . . o 5.1.1 Modelos econ¶micos que utilizan aut¶matas celulares . . . . . . . . . . . o o 5.1.2 Ejemplo: simulaci¶n de un proceso de difusi¶n con un aut¶mata celular o o o 5.2 Criticalidad Auto-organizada y Ruido 1=f . . . . . . . . . . . . . . . . . . . . . 5.3 Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" . e 5.3.1 Mercados ¯nancieros y paseos al azar . . . . . . . . . . . . . . . . . . . 5.3.2 Distribuciones estables y vuelos de L¶vy: Propiedades . . . . . . . . . . e 5.3.3 Distribuciones Estables en Mercados Cambiarios . . . . . . . . . . . . . 5.3.4 Ruptura de la Invariancia de estala: El Mercado Cambiario Argentino . 5.3.5 Ruido 1=f y Criticalidad Auto-organizada . . . . . . . . . . . . . . . . . 5.3.6 Algunos comentarios de esta secci¶n . . . . . . . . . . . . . . . . . . . . o 6 Conclusiones 6.1 La mano invisible: De la perplejidad a la complejidad . . . . . . . . . . . . . 6.2 Complejidad espacial en los sistemas econ¶micos . . . . . . . . . . . . . . . . o 6.3 Complejidad temporal: escalas de tiempo y tiempos intr¶ ³nsecos . . . . . . . . 6.4 Comportamiento adaptativo, memoria y predicci¶n . . . . . . . . . . . . . . . o 6.5 Hacia una epistemolog¶ de la complejidad: De las estructuras a los Procesos ³a Bibliograf¶ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ³a

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

143 . 145 . 146 . 147 . 148 . 149 . 151

Cap¶ ³tulo 1

Introducci¶n o
\Cuando empec¶ a escribir la novela, lo unico que ten¶ era la e ¶ ³a conjunci¶n \y". Yo sab¶ que una historia que tuviese la \y" o ³a ser¶ estupenda. Poco a poco el resto fue cobrando forma." ³a Woody Allen

El funcionamiento de los sistemas econ¶micos se conforma a trav¶s de una intrincad¶ o e ³sima red de decisiones e interacciones. Cualquiera que aborda la representaci¶n de esos sistemas no puede o sino quedar impresionado por la riqueza de los fen¶menos que son materia de an¶lisis: una enorme o a cantidad de agentes decide y act¶a de modo asincr¶nico y descentralizado, bas¶ndose en incentivos u o a que muchas veces son contrapuestos entre s¶ y disponiendo de informaci¶n y de conocimiento frag³, o mentarios e incompletos acerca del entorno. Es v¶lido interrogarse sobre el papel (supuestamente a muy importante) de las instituciones que de¯nen \reglas" de interacci¶n econ¶mica, y acotan las o o estrategias posibles de los agentes. Al mismo tiempo, a veces los sistemas econ¶micos se encuentran o en estados (como las recesiones o los reg¶ ³menes de alta in°aci¶n) que sugieren la existencia de serias o \fallas de funcionamiento". La capacidad homeost¶tica de las econom¶ parece tener apreciables a ³as limitaciones. No obstante, resulta innegable que la colecci¶n a primera vista desorganizada de o numerosas acciones individuales genera resultados con de¯nidos elementos de orden: las econom¶ ³as pueden verse como ejemplos notables de auto-organizaci¶n. Esta propiedad se mani¯esta en la o presencia de caracter¶ ³sticas estructurales de ¶ ³ndole gen¶rica (e.g. el intercambio monetario), y en e el mantenimiento de una cierta continuidad en el tr¶nsito de un estado \macrosc¶pico" del sistema a o a otro sucesivo. Vista con otro grado de detalle, esa continuidad revela constantes cambios internos. Al igual que los ecosistemas biol¶gicos, los sistemas econ¶micos evolucionan permanentemente. La o o estructura interna de las econom¶ var¶ constantemente (a veces, en forma perceptible a lo largo ³as ³a de per¶ ³odos bastante cortos): se modi¯can las actividades de los individuos, cambian los vol¶menes u de producci¶n y las razones de intercambio de diferentes bienes, se crean y desaparecen bienes, o mercados, sectores y actividades. En ocasiones, esos cambios implican que, en ciertas dimensiones (e.g. las caracter¶ ³sticas de algunos bienes), el sistema se encuentre en una con¯guraci¶n dif¶ o ³cilmente imaginable tiempo atr¶s. a Es claro que un sistema de esta naturaleza no se presta a una representaci¶n simple y o un¶ ³voca. Es de esperar que en un momento dado coexistan diferentes estrategias anal¶ ³ticas, cuyas caracter¶ ³sticas e in°uencia relativa vayan cambiando con el tiempo. En todo caso, resulta relevante el estudio de la evoluci¶n de las econom¶ en t¶rminos de la existencia de estados de reposo, su o ³as, e estabilidad, los procesos de relajaci¶n y acercamiento a tales estados, as¶ como el an¶lisis de los o ³ a cambios de r¶gimen en los que se modi¯ca apreciablemente el ordenamiento interno del sistema. e Para ello, parece natural trasladar a la ciencia econ¶mica las herramientas desarrolladas en el campo o de los sistemas din¶micos y los llamados sistemas complejos. a Sin embargo, no se trata de buscar una aplicaci¶n mec¶nica de conceptos y t¶cnicas. Las o a e econom¶ di¯eren de los sistemas f¶ ³as ³sicos, cuyos componentes se pueden considerar inalterables en el 1

2

Cap¶ ³tulo 1. Introducci¶n o

tiempo, y cuyas leyes de funcionamiento son ¯jas. No es necesario considerar dilemas tan profundos como el de la compatibilidad entre leyes inmutables y libre albedr¶ para encontrar di¯cultades. Una ³o de ellas se vincula con el rol que tiene la variable temporal en econom¶ Los sistemas f¶ ³a. ³sicos se suelen describir a trav¶s de sistemas de ecuaciones diferenciales acopladas. En econom¶ existen variados e ³a ejemplos de modelos que emplean representaciones en tiempo discreto o de tiempo continuo seg¶n u el caso, con argumentos en favor de uno u otro m¶todo de an¶lisis. En todo caso, las transacciones e a (y, probablemente, tambi¶n los procesos de decisi¶n) tienen una duraci¶n ¯nita, que de¯ne un l¶ e o o ³mite inferior a la \granularidad" del tiempo relevante. Pero, en una aplicaci¶n determinada, no existe o generalmente un modo sencillo de de¯nir la unidad de tiempo que resulta apropiada: el \tiempo econ¶mico" parece dilatarse y contraerse seg¶n las caracter¶ o u ³sticas mismas de la econom¶ un hecho ³a; de experiencia com¶n, por ejemplo, es que los intervalos de revisi¶n de planes son mucho menores u o en una econom¶ de alta in°aci¶n que en una estable. Autores como MÄller at al [146] sugieren que ³a o u la unidad de tiempo necesaria para estudiar la din¶mica de los mercados debe modi¯carse con el a nivel de volatilidad del mismo. Cuando un mercado est¶ sometido a una alta volatilidad la escala a de medida del tiempo debiera expandirse en t¶rminos del tiempo-reloj, mientras que en el caso de e bajas volatilidades deber¶ contraerse. En un sistema con su¯ciente grado de complejidad, es de ³a presumir por otro lado, que exista una diversidad de escalas, que de¯nir¶ a su vez, una jerarqu¶ ³a ³a de din¶micas. Esto ha sido tenido en cuenta en econom¶ en modelos donde, o se supone que a ³a, los precios de los activos tienen una din¶mica m¶s \r¶pida" que la de los bienes, o que precios a a a y cantidades ajustan con distinta velocidad. Sin embargo, esas dimensiones temporales no tienen un car¶cter \natural", sino que se de¯nen end¶genamente en el sistema, y en principio pueden a o ser variables en magnitud y ordenamiento. Se concluye pues, que muchas veces queda abierta la de¯nici¶n de la \unidad de tiempo" que corresponde emplear en el an¶lisis. o a Otra cuesti¶n es la que plantea la condici¶n \auto-referencial" de la descripci¶n de sistemas o o o econ¶micos. El an¶lisis econ¶mico estudia la operaci¶n de sistemas cuya din¶mica resulta de las o a o o a decisiones de agentes los que, a su vez, de¯nen sus planes de acuerdo a opiniones y percepciones sobre c¶mo evolucionan las variables relevantes: esos agentes, a su modo, tambi¶n son analistas. o e Como consecuencia, las relaciones de causalidad toman una forma diferente que en sistemas f¶ ³sicos; en econom¶ el futuro (o, m¶s bien, las expectativas que los individuos se forman acerca del futuro) ³a a condiciona las acciones y el estado presente. Con caracter¶ ³sticas particulares, ello mani¯esta una propiedad que tambi¶n se aplica a los sistemas biol¶gicos: el sistema contiene y procesa informaci¶n e o o con el transcurso del tiempo. Desde la ¶ptica de la mec¶nica estad¶ o a ³stica, se trata de sistemas abiertos y lejos del equilibrio termodin¶mico, en que la \°echa del tiempo" no es necesariamente a la que (como es el caso para los procesos termodin¶micos en un entorno del equilibrio) apunta en a la direccion del crecimiento de la entrop¶ es decir, del desorden. Dado ¶sto, parece razonable la ³a, e hip¶tesis de que los sistemas econ¶micos tienden a evolucionar en la direcci¶n de una complejidad o o o creciente, y no hacia un equilibrio de tipo an¶logo al de los sistemas mec¶nicos. Los fen¶menos de a a o aprendizaje introducen adem¶s un elemento \hist¶rico" (i.e. tiempo-dependiente) en la din¶mica: a o a la reacci¶n ante un determinado impulso variar¶ seg¶n las experiencias previas que tengan los o a u agentes y seg¶n c¶mo hayan \interpretado" esas experiencias. u o Los argumentos anteriores llevar¶ a limitar la validez de los modelos basados en una apli³an caci¶n mec¶nica de la teor¶ de sistemas din¶micos. Por otro lado, como sucede en diferentes o a ³a a campos, el \nivel" (grado de agregaci¶n) del an¶lisis y las herramientas adecuadas al caso depeno a der¶ del problema o del tipo de fen¶menos que se pretende estudiar. Si se adopta una actitud ³an o reduccionista al extremo, se buscar¶ describir la evoluci¶n de un sistema partiendo de sus cons³a o tituyentes elementales y de sus interacciones. Pero ¶sto parece una pretensi¶n dif¶ de realizar. e o ³cil Al mismo tiempo, parece claro que no deber¶ plantearse realizar un \despiece" de un sistema ³a econ¶mico, al modo de lo que se har¶ con una m¶quina, con la idea de que, una vez hecho eso, se o ³a a contar¶ con un modelo \constructivo" que, a partir de las \piezas desarmadas", explicar¶ su fun³a ³a cionamiento. A medida que se avanza en el \desarmado", se vuelve cada vez m¶s dif¶ dar cuenta a ³cil de las relaciones entre las partes. En general, se puede esperar que los elementos de organizaci¶n y o

3 especializaci¶n funcional que se advierten a un cierto nivel no se observen a niveles m¶s elementales o a o m¶s \agregados": el orden perceptible con un cierto grado de resoluci¶n no se aprecia con otros. a o En particular, cuando se llega al nivel de un unico agente econ¶mico es probable que se pierda de ¶ o vista a los mecanismos de procesamiento estructurado propios de los mercados o de la coordinaci¶n o del sistema como un todo. De lo anterior surgen dos caracter¶ ³sticas b¶sicas para el an¶lisis de econom¶ como sistemas a a ³as din¶micos. La primera es la existencia de interacciones intensas entre las partes constituyentes. El a comportamiento del sistema no puede describirse, ni siquiera en primera aproximaci¶n, a partir de o las propiedades de sus elementos considerados aisladamente. La cuesti¶n incluye a los problemas o de agregaci¶n, pero es de naturaleza m¶s amplia: como lo sugiere la noci¶n tradicional de que o a o el crecimiento involucra un aumento en el grado de especializaci¶n y de divisi¶n del trabajo, las o o oportunidades, las acciones y el desempe~o de los agentes individuales dependen del contexto n generado por las actividades de los dem¶s. La segunda caracter¶ a ³stica es la no linealidad. En general, en econom¶ no parece aplicable el principio de superposici¶n. Raramente la respuesta del ³a o sistema ante una combinaci¶n lineal de est¶ o ³mulos ser¶ la combinaci¶n lineal de las respuestas a los ³a o est¶ ³mulos individuales. Esto es impl¶ ³citamente aceptado en la generalidad del an¶lisis econ¶mico: a o los supuestos de linealidad se suelen presentar como simpli¯caciones instrumentales, y no como hip¶tesis con sustento te¶rico o emp¶ o o ³rico. La introducci¶n de no linealidades en la mec¶nica cl¶sica puede dar lugar a soluciones o a a sensibles frente a cambios en las condiciones iniciales. Esta sensibilidad se traduce en que dos soluciones de las ecuaciones de evoluci¶n que parten de condiciones iniciales muy cercanas entre s¶ o ³ pueden diverger una de la otra de manera exponencial con el tiempo transcurrido. La ocurrencia de estas soluciones, que por brevedad solemos denominar ca¶ticas, represent¶ en el campo de la o o mec¶nica un impacto conceptual importante, porque puso en evidencia que los comportamientos a \extra~os" que describen tales trayectorias pueden presentarse aun en sistemas deterministas con n pocos grados de libertad. La divergencia exponencial de ¶rbitas implica adem¶s que, aunque se o a conozca con in¯nita precisi¶n la \ley de movimiento" del sistema, resulta imposible en la pr¶ctica o a predecir la evoluci¶n del estado, porque la precisi¶n requerida en la medici¶n de las condiciones o o o iniciales crece exponencialmente con el horizonte temporal para el que se intenta la proyecci¶n o integrando las ecuaciones de movimiento. Determinismo e imprevisibilidad no se excluyen, por lo tanto. Pierde validez pues, el mito mecanicista que conceb¶ al universo como un mecanismo de ³a relojer¶ complejo pero sujeto a una evoluci¶n predecible. ³a o El an¶lisis de sistemas no lineales con posibles trayectorias ca¶ticas ofrece por cierto herraa o mientas utiles para una variedad de disciplinas, incluida la econom¶ De hecho, es posible encontrar ¶ ³a. en la literatura una apreciable variedad de modelos, en distintas ¶reas tem¶ticas y con diferentes a a perspectivas te¶ricas, que obtienen soluciones de tipo ca¶tico. Sin embargo, el impacto conceptual o o del \caos determinista" en econom¶ no debe necesariamente asimilarse al que se produjo en la ³a Mec¶nica. Por un lado, la Econom¶ nunca ha pretendido (o, en todo caso, no pudo razonablea ³a mente pretender), una precisi¶n cuantitativa en sus modelos y predicciones comparable con la que o se puede obtener en sistemas sujetos a las leyes de la mec¶nica: la imprevisibilidad de la evoluci¶n a o \a largo plazo" no deber¶ constituir una sorpresa. Por otro lado, resulta dif¶ imaginar que un ³a ³cil sistema econ¶mico pueda representarse a trav¶s de un modelo determinista con pocos grados de o e libertad. Aunque no hay nada que impida (y, de hecho, puede ser una pr¶ctica conveniente en a muchos casos) buscar modelos sencillos para describir los fen¶menos, parece claro que esa simpli¯o caci¶n tiene costos en t¶rminos de la no unicidad de la representaci¶n (i.e. no hay necesariamente o e o un conjunto unico de simpli¯caciones apropiadas a priori) y de su alcance explicativo (lo que se ¶ re°ejar¶ en la existencia de impulsos \ex¶genos" al modelo, que se interpretar¶ ³a o ³an, a la manera en que suele tratarse al t¶rmino aleatorio en econometr¶ como una \medida de la ignorancia"). Vale e ³a, decir que, sin entrar en una discusi¶n sobre un posible \determinismo subyacente" en la evoluci¶n o o de sistemas econ¶micos, en todo caso ¶ste estar¶ \escondido" para una descripci¶n que acepta s¶lo o e ³a o o un n¶mero peque~o de grados de libertad, inconmensurable con el que parece tener efectivamente u n

4

Cap¶ ³tulo 1. Introducci¶n o

el sistema. Por otro lado, las no linealidades pueden ser fuente de imprevisibilidad, pero tambi¶n cone tribuyen a veces a estabilizar las soluciones de un modelo (como un ejemplo cl¶sico, los rendimiena tos decrecientes en el modelo de crecimiento de Solow eliminan los comportamientos de \¯lo de navaja"); asimismo, la din¶mica de sistemas no lineales de m¶ltiples componentes puede resultar en a u un \ordenamiento macrosc¶pico". Esa diversidad de posibilidades, y no s¶lo una de ellas (como es o o el comportamiento \ca¶tico") resulta de inter¶s. La ubicuidad de las no linealidades en Econom¶ o e ³a hace que se la encuentre en modelos de muy diverso car¶cter. a A lo largo de esta tesis se analizar¶n las principales caracter¶ a ³sticas que poseen los sistemas complejos adaptativos y se mostrar¶n algunos modelos basados en agentes m¶ltiples construidos a a u partir de una aproximaci¶n constructiva. No tratamos de formular teor¶ predictivas en t¶rminos o ³as e cuantitativos, sino que apuntamos a explorar ciertos mecanismos que pueden generar la evoluci¶n o de variables econ¶micas. En ultima instancia, nos interesa buscar la forma en que las no linealidades o ¶ pueden ser utiles guiando nuestra intuici¶n para comprender las propiedades de orden interno y la ¶ o organizaci¶n de sistemas econ¶micos. Es de esperar que alguno de los enfoques que se muestran o o puedan servir, en un futuro no muy lejano, a incrementar la comprensi¶n de algunos temas concretos o en el campo de la teor¶ econ¶mica. ³a o

1.1

La complejidad en la Econom¶ ³a

Todo sistema econ¶mico est¶ constituido por una enorme cantidad de agentes que interact¶an pero a u manentemente. Existen tambi¶n comportamientos globales que emergen en forma auto-organizada e a causa de tales interacciones que, en general, son desordenadas (pues no siguen un patr¶n unio forme), descentralizada (pues no hay quien las controle) y asincr¶nicas. La aparici¶n del dinero o o como medio de cambio (as¶ como su potencial desaparici¶n en contextos hiperin°acionarios), la ³ o creaci¶n de mercados, la divisi¶n sectorial de la actividad industrial, la coordinaci¶n de agentes o o o en situaciones de \p¶nico", son ejemplos de distinto tipo de los productos emergentes de las intera acciones que resultan de las decisiones y planes formulados por los agentes del sistema, y suelen denominarse, en la jerga de los sistemas complejos, como comportamientos emergentes. Una buena parte de la literatura contempor¶nea presupone que los sistemas econ¶micos a o encuentran de modo m¶s o menos autom¶tico un estado coordinado, y que las conductas de los a a agentes est¶n plenamente adaptadas al entorno en el que operan. La estrategia anal¶ a ³tica es la de simpli¯car los problemas de decisi¶n de los agentes al punto en que ¶stos son capaces de de¯nir o e planes ¶ptimos basados en percepciones correctas acerca de la evoluci¶n de las variables relevantes, o o y postular la existencia de alg¶n mecanismo impl¶ u ³cito que reconcilia entre s¶ las decisiones indi³ viduales. Esta l¶ ³nea de trabajo ha producido indudablemente resultados utiles, y sigue generando ¶ modelos de inter¶s. Sin embargo, las hip¶tesis de partida dan por resueltas preguntas cruciales e o para el an¶lisis econ¶mico, y no permiten encarar importantes temas concretos {especialmente en a o el ¶rea de la Macroeconom¶ donde una variedad de fen¶menos (e.g. hiperin°aciones, depresiones, a ³a, o crisis ¯nancieras) plantean de forma espec¶ ³¯ca la posibilidad de que los sistemas econ¶micos est¶n o e sujetos a fallas de coordinaci¶n. En general los modelos m¶s simples que estudian las disrupciones o a y cambios de r¶gimen del sistema se basan en la idea de que los procesos estudiados poseen equie librios m¶ltiples. Sin embargo este tipo de modelos no permiten determinar cu¶les son los estados u a estacionarios que se seleccionar¶n como producto de las interacciones que deber¶ coordinarse para a ³an alcanzar alguno de esos estados, dejan sin explicar de qu¶ forma se genera esa coordinaci¶n en uno e o particular de los senderos admisibles. Por lo tanto, habr¶ lugar para la b¶squeda de modelos que ³a u investiguen c¶mo (y hasta qu¶ punto) conjuntos de agentes con capacidades cognitivas limitadas, o e interactuando en entornos m¶s o menos complejos, alcancen estados coordinados, y exploren las a respuestas de los sistemas ante perturbaciones. Los sistemas econ¶micos presentan caracter¶ o ³sticas particulares. Por un lado, son un ejemplo notable de auto-organizaci¶n robusta. Algunos rasgos distintivos de estos sistemas son ejemplos o

1.1. La complejidad en la Econom¶ ³a

5

notables de auto-organizaci¶n, en la que pareciera que una \mano invisible" opera y facilita la o coordinaci¶n de los componentes del sistema. Tanto consumidores como productores y arbitrajistas o formulan sus planes en forma descentralizada, dotados de informaci¶n incompleta y asim¶trica, o e bas¶ndose en preferencias independientes, sin la gu¶ de un agente omnisciente que imponga de a ³a manera centralizada la coordinaci¶n como condici¶n de partida para la determinaci¶n de los estados o o o alcanzables. Los sistemas econ¶micos, estudiados como un todo, presentan un alto grado de orden, o desde esta perspectiva, parecen capaces, hasta cierto punto, de absorber perturbaciones sin producir grandes cambios en los valores esperados de muchos de los indicadores econ¶micos. Es razonable o comprender el ¶xito de los modelos de coordinaci¶n plena de equilibrio general y la utilidad del e o esquema del agente representativo. No obstante, los sistemas econ¶micos evolucionan continuamente, cambiando de estructura o interna por creaci¶n o desaparici¶n de actividades, produciendo algunas veces s¶bitas oscilaciones o o u de las variables relevantes, muchas veces de tal amplitud que pueden producir pronunciadas depresiones, altas in°aciones o grandes redistribuciones de riqueza. Estas caracter¶ ³sticas sugieren que los sistemas econ¶micos evolucionan por un sendero que transita fuera del equilibrio, entendido ¶ste o e como un estado en el que todos los planes de los agentes son consistentes entre s¶ y puede ser v¶lido ³ a preguntarse si el valor de los indicadores econ¶micos corresponde a valores esperados del equilibrio o o a valores de un proceso de relajaci¶n hacia o fuera de ¶l. o e No debemos olvidar adem¶s que los sistemas econ¶micos poseen una diferencia fundamental a o con otros sistemas naturales y que consiste en su caracter autoreferencial: los mismos agentes que intentan predecir la evoluci¶n del sistema forman parte del propio sistema, por lo cual toda o a¯rmaci¶n acerca del futuro es susceptible de convertirse en un factor que contribuye a su gestaci¶n. o o Como la evoluci¶n depende de la percepci¶n de los mismos actores del sistema siempre existe la o o posibilidad de que surjan externalidades como los efectos de contagio que inducen din¶micas de a manada y muchas veces a la coordinaci¶n de expectativas sin bases \fundamentales". o En la aproximaci¶n econ¶mica usual del equilibrio, el problema de inter¶s es obtener a partir o o e de las elecciones optimizadoras individuales, el estado de la econom¶ a nivel agregado (e.g. precios, ³a cantidades, estrategias en teor¶ de juegos) que satisfagan ciertas condiciones de consistencia a nivel ³a agregado (e.g. equilibrio de mercados, equilibrios de Nash), y examinar las propiedades de estos estados. Por otro lado, desde la aproximaci¶n de las sistemas din¶micos el estado de la econom¶ o a ³a se representa por un conjunto de variables y un sistema de ecuaciones diferenciales o en diferencias que describen el cambio en el tiempo de dichas variables. El problema consiste en estudiar las trayectorias resultantes en el espacio de estados del sistema. La aproximaci¶n del equilibrio no o describe c¶mo y qu¶ mecanismos hacen cambiar los estados del sistemas y la aproximaci¶n de los o e o sistemas din¶micos falla al disociar la distinci¶n entre el nivel de las decisiones individuales y el a o nivel agregado. La utilizaci¶n del agente representativo elude esta distinci¶n. o o Claro est¶, que los modelos econ¶micos de equilibrio han resultado ser sumamente utiles para a o ¶ describir lo que se puede esperar de un sistema luego de que un ajuste ha tenido lugar. Sin embargo, muchos de estos modelos pueden exhibir m¶ltiples estados de equilibrio. Estos modelos no permiten u predecir la din¶mica que tiene lugar durante la transici¶n entre los mismos y por consiguiente cu¶l a o a ser¶ el nuevo equilibrio \seleccionado" a medida que la din¶mica tiene lugar. Durante esta transici¶n a a o es necesario contemplar un proceso de aprendizaje individual que en el agregado determinar¶ como a se coordinar¶n las expectativas. Frente a esta situaci¶n cada vez m¶s economistas han comenzado a o a ha incursionar en el estudio de modelos que simulan expectativas formuladas con racionalidad acotada mediante la implementaci¶n de agentes algor¶tmicos, en un intento por entender y explicar o ³ estos procesos din¶micos transicionales [171]. No obstante, debemos destacar que las formulaciones a basadas en criterios de racionalidad acotada exceden por mucho a las descripciones de modelos con m¶ltiples equilibrios. El estudio de situaciones transicionales puede no tener ninguna relaci¶n u o con los modelos usuales que exhiben equilibrios m¶ltiples. Durante los procesos transicionales, u los agentes deben aprender a medida que la evoluci¶n del sistema tiene lugar, y por lo tanto o el comportamiento optimizador puede ser poco plausible. Las conductas optimizadoras ser¶ ³an

6

Cap¶ ³tulo 1. Introducci¶n o

posibles si los agentes realizan predicciones correctas de las variables que no pueden controlar a trav¶s de sus propias acciones; un agente racional que pretenda en esta situaci¶n predecir como e o ser¶ la coordinaci¶n de las expectativas para as¶ formular la suya, seguramente enfrentar¶ un a o ³ a problema que posee una complejidad no polin¶mica (es decir un \problema NP-duro" { v¶ase la o e secci¶n 3.4.1). Esto signi¯ca que el tiempo necesario para encontrar una soluci¶n a su problema de o o predicci¶n mediante procesos optimizaci¶n (deductiva) crece exponencialmente con el volumen de o o datos necesarios para resolverlo. Debido a que los agentes no poseen ni recursos computacionales, ni tiempo ilimitados, la b¶squeda de estrategias buenas pero sub¶ptimas es inevitable. Por esta u o raz¶n es v¶lida la conjetura que lleva a construir modelos transicionales en el marco de la hip¶tesis o a o de la \racionalidad limitada". Este trabajo emplea como enfoque la construcci¶n de modelos computacionales, basados en o la aproximaci¶n constructiva o \bottom up". Con este marco de referencia es posible construir o un \sistema econ¶mico" comenzando apartir de sus elementos constitutivos. Tal sistema debe ser o visto como un (gran) n¶mero de agentes interactuando, cuyas acciones individuales, as¶ como las u ³ interacciones mutuas son explicitadas de manera que puedan ser expresadas de manera algor¶ ³tmica. Esta aproximaci¶n tiene la ventaja de que soporta restricciones m¶s d¶biles que las de los modelos o a e matem¶ticos, a pesar de que requieren a¶n de un alto grado de simpli¯caci¶n. El desaf¶ es capturar a u o ³o las caracter¶ ³stica m¶s relevantes, que son las responsables de los comportamientos emergentes del a sistema. Un modelo exitoso es aquel que poseen el mayor grado de abstracci¶n posible, pero que o permite recrear ciertos hechos estilizados y ser usado como un verdadero laboratorio en el cual situaciones extremas pueden ser simuladas y estudiadas.

1.2

Contenido de la Tesis

El objetivo que da origen a esta tesis es estudiar los fen¶menos de auto-organizaci¶n que resultan o o de la interacci¶n entre los numerosos agentes que operan en un sistema econ¶mico. El tema es, por o o cierto, muy amplio; aunque la literatura reciente presenta algunos avances, el an¶lisis realizado es a todav¶ incipiente. El enfoque que se pretende plantear admite una multiplicidad de las perspec³a tivas te¶ricas. Al margen de la indudable utilidad del an¶lisis econ¶mico tradicional, ¶ste suele o a o e considerar a la coordinaci¶n de muchos procesos de interacci¶n econ¶mica como un hecho dado o o o o pre-supuesto. Aqu¶ la b¶squeda se orienta a la representaci¶n de sistemas econ¶micos a trav¶s de ³ u o o e un enfoque que podemos llamar constructivo (o \bottom up"). Con las salvedades ya hechas, el objetivo es individualizar las propiedades que permiten pasar de un nivel de complejidad a otro mayor. Si ¶sto pudiera hacerse, los mecanismos de auto-organizaci¶n encontrados implicar¶ una e o ³an reducci¶n de los grados de libertad \efectivos" del sistema; a su vez, ello permitir¶ establecer o ³a puentes entre las descripciones \micro" y \macroecon¶micas". De todos modos, los resultados que o mostramos son sin duda modestos. No nos es posible seguir a¶n una unica l¶ u ¶ ³nea de razonamiento; m¶s bien, componemos un conjunto de \piezas anal¶ a ³ticas", de validez limitada, cada una de las cuales, separadamente, se vincula con un tipo particular de comportamiento emergente en un determinado contexto econ¶mico. Mostramos algunos ejemplos sobre c¶mo la estrecha interacci¶n o o o entre los agentes y su naturaleza no lineal, dan lugar a una din¶mica disipativa que comporta una a disminuci¶n en los grados de libertad que son realmente efectivos. Al ¯nal del camino esperamos o justi¯car en parte el estudio de la evoluci¶n del sistema mediante pocas variables globales y como probar tambi¶n que la relaci¶n de las variables macro con las micro puede en muchos casos, resultar e o sumamente compleja. Conciliar las descripciones micro y macro de un sistema econ¶mico requiere o de etapas intermedias en las que se pongan de mani¯esto los mecanismos de auto-organizaci¶n y o de reducci¶n de grados de libertad efectivos. o La mayor¶ de los modelos que se detallar¶n son s¶lo representables computacionalmente. ³a a o As¶ por ejemplo la heterogeneidad en un sistema es analizada siguiendo la evoluci¶n de m¶ltiples ³ o u agentes en interacci¶n tomando en consideraci¶n toda la diversidad que ello implica. De este o o modo la simulaci¶n mediante experimentos num¶ricos hace posible muchas veces no pagar el o e

1.2. Contenido de la Tesis

7

alt¶ ³simo tributo en abstracci¶n y simpli¯caci¶n que es necesario para que los modelos sean tratables o o anal¶ ³ticamente. Sin embargo, si bien este recurso hace posible el estudio de situaciones que no son abordables de manera anal¶ ³tica posee tambi¶n serias limitaciones. En primer lugar mencionemos e que se da un paso atr¶s en materia de rigor y generalidad. Por esta v¶ se es s¶lo capaz de coma ³a o probar y orientar nuestra intuici¶n, no de demostrar teoremas o propiedades con el rigor propio de o los tratamientos matem¶ticos formales. a El v¶ ³nculo con la computaci¶n es sin embargo m¶s que meramente instrumental. La econom¶ o a ³a ha basado tradicionalmente muchos de sus an¶lisis en la noci¶n de que los agentes determinan sus a o acciones optimizando alguna funci¶n de utilidad o bene¯cio. Sucesivas generalizaciones de este o concepto llevan a considerar agentes ideales con una capacidad de c¶mputo virtualmente in¯nita o ya que situaciones realistas hacen que dicha optimizaci¶n comporte la soluci¶n de problemas de o o complejidad combinatoria. Para subsanar esta falta de realismo se ha impulsado la alternativa de estudiar la posibilidad de representar la capacidad procedural de los agentes de manera algor¶ ³tmica [123]. Un sistema econ¶mico de m¶ltiples agentes es considerado en este contexto como un gran o u sistema de procesamiento distribuido cuyas posibilidades, en tanto sistema din¶mico, no pueden a sino formalizarse mediante recursos computacionales. El uso y la reducci¶n de la evoluci¶n de un o o

8

Cap¶ ³tulo 1. Introducci¶n o

sistema a t¶rminos computables es pues algo m¶s profundo que el mero recurso instrumental de la e a simulaci¶n. o La aproximaci¶n al realismo mediante modelos computacionales es de cualquier modo muy o modesta. En todos los modelos est¶ impl¶ a ³cita la hip¶tesis que el agregado de numerosos agentes o desdibuja alguna de sus cualidades individuales y tan s¶lo se preserva de ellos un conjunto quiz¶ o a ¶ reducido de posibles comportamientos esquem¶ticos. Estos se pueden complementar cargando a parte de la complejidad del sistema en las interacciones entre sus elementos. Este recurso es utilizado en una variedad de modelos que provienen de la f¶ ³sica de medios magn¶ticos estoc¶sticos; e a en el cap¶ ³tulo 4 se realiza una rese~a de los principales resultados que provienen de este tipo de n descripci¶n. En ellos se carga en las interacciones una parte del desorden del sistema como una o suerte de \desorden congelado" (\quenched disorder"). En estas situaciones, comportamientos individuales esquem¶ticos dan lugar a comportamientos globales (\emergentes") del sistema como a un todo que son de una gran riqueza y diversidad. En este sentido el todo es mucho m¶s que la a suma de sus partes. Los modelos de este tipo son utiles para \comprender" mejor la aparici¶n y ¶ o los alcances de los mecanismos de auto-organizaci¶n. o Los enfoques que presentamos surgen de un panorama m¶s abarcativo aun en el que se a supone que el orden se genera a partir de situaciones de desequilibrio 1 . Este enfoque interpreta que el orden y la estabilidad pueden surgir en sistemas complejos adaptativos de modo din¶mico a merced a mecanismos de realimentaci¶n positiva que son posibles en situaciones lejanas al equio librio. Los modelos que presentamos no pretenden indagar sobre todas las caracter¶ ³sticas de esta din¶mica previa subyacente. Consecuentemente en los modelos se presupone cierto orden b¶sico ya a a establecido y se analizan efectos adicionales de autoorganizaci¶n. o Los abordajes que analizamos pagan un alto costo en simpli¯caci¶n. Aumentar el realismo de o los modelos adicion¶ndoles una creciente complejidad no es necesariamente un aporte constructivo a para la comprensi¶n de la realidad. De hecho todas las complicaciones est¶n f¶cilmente a nuestra o a a disposici¶n en la observaci¶n directa de los sistemas reales. o o El pr¶ximo cap¶ o ³tulo introduce al lector en los conceptos fundamentales de la teor¶a de los ³ sistemas din¶micos; se realiza una clasi¯caci¶n de ellos y se analizan con especial ¶nfasis sistemas a o e representados en tiempo discreto. A modo de ejemplo se realiza un an¶lisis de estabilidad lineal de a un sistema que describe un conjunto de mercados acoplados. Utilizando algunos resultados de la teor¶ de matrices estoc¶sticas se demuestra que cuando mayor es el n¶mero de mercados, mayor ³a a u es la probabilidad de que el sistema sea inestable. Luego se de¯nen y describen las caracter¶ ³sticas elementales de los sistemas complejos adaptativos, su relaci¶n con los sistemas econ¶micos y se o o enumeran las posibles ¶reas de investigaci¶n en las que esta teor¶ puede resultar util en futuros a o ³a ¶ desarrollos. El cap¶ ³tulo 3 propone una descripci¶n detallada de los problemas derivados de la repreo sentaci¶n formal del comportamiento de los agentes econ¶micos en la model¶ o o ³stica tradicional. Se describe un modelo econ¶mico simple en el que la conducta de los agentes puede ser heterog¶nea o e ya que coexisten diversos mecanismos de formaci¶n de expectativas cuyas proporciones respecto de o la poblaci¶n total pueden modi¯carse como consecuencia de la evoluci¶n. Se supone que esta mio o graci¶n entre mecanismos est¶ guiada por el principio de m¶ o a ³nimo sesgo (tambi¶n llamado principio e de m¶xima entrop¶ El modelo presentado exhibe, bajo ciertas condiciones, evoluciones ca¶ticas. a ³a). o Resulta interesante puesto que muestra una metodolog¶ para incorporar heterogeneidades en el ³a comportamiento de agentes econ¶micos. No obstante, la existencia de din¶micas ca¶ticas en modeo a o los discretos es motivo de cuestionamiento. En las siguientes secciones del cap¶ ³tulo se analizan estas objeciones con mayor detalle. Luego se estudia la plausibilidad de que se puedan construir modelos econ¶micos constructivos en los que los agentes econ¶micos operan con racionalidad acotada o o a partir de una dotaci¶n incompleta de informaci¶n. Se ponen de mani¯esto los con°ictos t¶ o o ³picos que los agentes enfrentan en situaciones m¶s realistas, se consideran los procesos de aprendizaje a inherentes y la limitaci¶n de resolver \e¯cazmente" problemas de optimizaci¶n combinatoria. Se reo o
1

El Premio Nobel Ilya Prigogine lo de¯ne como orden a partir de °uctuaciones [164]

1.2. Contenido de la Tesis

9

aliza luego una cr¶ ³tica a los modelos con expectativas racionales, presentando como una alternativa v¶lida, la construcci¶n de modelos computacionales que describan el comportamiento de los agentes a o econ¶micos algor¶ o ³tmicamente. Una manera de formular los procesos de aprendizaje inherentes es a trav¶s de algoritmos gen¶ticos o redes neuronales que son descriptos en el mismo cap¶ e e ³tulo. Posteriormente, se muestra un modelo econ¶mico construido a partir este esquema conso tructivo. Se pretende all¶ describir el proceso de co-adaptaci¶n de las estrategias de compradores ³ o y vendedores en un sistema de intercambio de estructura muy esquem¶tica. En una primera esa peci¯caci¶n, se modela a un vendedor que enfrenta una decisi¶n dicot¶mica sobre el precio que o o o ¯ja per¶ ³odo a per¶ ³odo; existen numerosos compradores potenciales, que tienen tambi¶n acceso a e una \fuente externa", en la cual el bien est¶ disponible a un precio ¯jo. El vendedor de¯ne su a conducta a trav¶s de una secuencia planeada de precios sobre un conjunto de per¶ e ³odos, mientras que los compradores determinan, a partir de las observaciones que hacen de los precios, si \visitan" al vendedor (en cuyo caso compran una unidad del bien) o concurren a una fuente externa. Las estrategias de los agentes est¶n determinadas por los procesos de aprendizaje que tienen lugar dua rante la propia evoluci¶n y est¶n representados a trav¶s de algoritmos gen¶ticos. Estos algoritmos o a e e actualizan las predicciones de los clientes acerca de la conducta de la ¯rma y las de la ¯rma sobre el comportamiento de sus potenciales compradores, seg¶n los ¶xitos o fracasos de cada uno logrados u e en instantes anteriores. Durante el proceso de transici¶n, mientras se desarrolla el aprendizaje, es o dif¶ determinar c¶mo los individuos podr¶ formular expectativas certeras; de ah¶ que parezca ³cil o ³an ³ natural el supuesto de que las expectativas se basan en alg¶n procedimiento simpli¯cado como el u que ofrecen los algoritmos empleados en el ejercicio. El modelo que se presenta es extremadamente esquem¶tico pero sugiere que, aun en situaa ciones muy simples, los fen¶menos de aprendizaje y co-adaptaci¶n pueden dar lugar a din¶micas o o a no triviales. Al margen de los resultados espec¶ ³¯cos, el an¶lisis de sistemas elementales de transaca ciones ilustra el hecho de que los mecanismos de mercado operan a trav¶s de decisiones de m¶ltiples e u agentes actuando \en tiempo real": los estados de equilibrio son en todo caso l¶ ³mites de trayectorias en las cuales los individuos van ajustando sus conductas a las de los dem¶s. a En el cap¶ ³tulo siguiente se estudian con mayor detalle los procesos de interacci¶n local entre o agentes de un sistema complejo y sus consecuencias a nivel agregado. Se muestra la consistencia entre la din¶mica estoc¶stica microsc¶pica y la evoluci¶n macrosc¶pica de estos sistemas. Este tipo a a o o o de modelos tienen su origen en la mec¶nica estad¶ a ³stica de medios magn¶ticos desordenados y han e servido para modelizar lo que se ha denominado como transiciones de fase que, como veremos, se originan a partir del quiebre en alguna simetr¶ que posee el sistema. Esta ruptura de simetr¶ ³a ³a supone que estos sistemas dejan de ser erg¶dicos. Mostramos en este cap¶ o ³tulo algunas aplicaciones de estos resultados y enumeramos las potenciales aplicaciones futuras en el contexto de la econom¶ ³a. Se realiza tambi¶n una comparaci¶n entre esta metodolog¶ y la t¶cnicas basadas en la teor¶ e o ³a e ³a evolutiva de juegos. Finalmente, el cap¶ ³tulo contiene un modelo que estudia los problemas de coordinaci¶n de las acciones de los agentes. Se explora la forma en que los comportamientos o pueden estar in°uidos, sea por expectativas formadas por cada agente acerca de la evoluci¶n del o sistema, a partir de proyecciones individuales, o por \contagio" de las acciones de los individuos con los que tiene contacto. El ejercicio est¶ inspirado en un conocido modelo de Brian Arthur, a que analiza el comportamiento de agentes en una situaci¶n en la que existe complementariedad o estrat¶gica en las acciones individuales y, por otro lado, tienen lugar efectos de congesti¶n. En los e o sistemas reales, esta situaci¶n puede aparecer en diversos contextos. De modo muy esquem¶tico, o a se puede plantear que el ejercicio tiene elementos relevantes para estudiar la din¶mica que tiene a lugar durante una corrida bancaria: si muy pocos agentes depositan sus fondos, se ven afectadas las oportunidades de repago para los que han realizado dep¶sitos y, si se supone que el sistema tiene o una cierta capacidad \f¶ ³sica", una gran cantidad de depositantes en un momento dado impone un costo (aunque sea peque~o) por la congesti¶n en el sistema. n o Los resultados obtenidos muestran (exceptuando algunos casos con particulares condiciones iniciales) una n¶ ³tida tendencia a la auto-organizaci¶n del sistema en un estado en el cual, per¶ o ³odo

10

Cap¶ ³tulo 1. Introducci¶n o

a per¶ ³odo, el volumen total de dep¶sitos se aproxima al m¶ximo valor para el que no existen costos o a por la congesti¶n. Se estudian diversas situaciones en las que se inhiben o no los efectos de contagio, o se analiza la din¶mica cuando los umbrales cr¶ a ³ticos evolucionan en forma autoconsistente, etc. En el cap¶ ³tulo siguiente, se ponen en consideraci¶n otro tipo de sistemas distribuidos que se o denominan como aut¶matas celulares y a partir de ellos describen los llamados sistemas cr¶ o ³ticamente auto-organizados que tienen la interesante propiedad de evolucionar hacia un estado global cr¶ ³tico cercano a una transici¶n de fase sin depender de par¶metros de control externos. Esto signi¯ca o a que el propio estado cr¶ ³tico resulta ser el atractor natural del sistema. Se analiza luego la relaci¶n o que existe entre los sistema complejos distribuidos y las series temporales que se derivan de este tipo de sistema. El cap¶ ³tulo trata esta cuesti¶n, concentr¶ndose en un tipo de proceso estoc¶stico o a a que parecieran tener muchas series econ¶micas: los \vuelos de Levy", que representan una generalo izaci¶n de los paseos al azar con incrementos gaussianos. Los vuelos de Levy tienen la caracter¶ o ³stica de generar trayectorias autosimilares, en el sentido que la distribuci¶n de la posici¶n luego de n pao o sos es la misma que la distribuci¶n luego de un paso, a menos de un factor de escala. Se observa que o esta propiedad tiene validez en una serie como la de las variaciones del tipo de cambio d¶lar{libra o esterlina, entre otras monedas, sobre datos diarios comprendidos entre 1973 y 1987. En caso del tipo de cambio de la moneda argentina con el d¶lar (tambi¶n sobre datos diarios, sobre un per¶ o e ³odo de unos veinte a~os previo a la ¯jaci¶n de la paridad en 1991) se registra una considerable deriva n o de la variable, asociada a las altas in°aciones que marcaron el rumbo de la econom¶ durante casi ³a dos d¶cadas. e Las distribuciones de Levy se pueden asociar con procesos de auto-organizaci¶n cr¶ o ³tica, que son descriptos en forma detallada, y revisten importancia ya que tienen su origen en los sistemas desordenados o extendidos que se describen a lo largo de todos dem¶s cap¶ a ³tulos. La noci¶n de que los o sistemas se pueden auto-organizar en estados \cr¶ ³ticos" es conceptualmente atractiva, porque lleva a una representaci¶n de los cambios de estado de los sistemas, incluyendo \grandes avalanchas", sin o necesidad de que ocurran grandes perturbaciones: un impulso peque~o puede ser capaz entonces n de dar lugar a una cadena de reacciones que resulta en un gran desplazamiento de los estados de un sistema. Los comportamientos emergentes que se han considerado son tan solo unos pocos ejemplos de casos en los que aparecen conductas de auto-organizaci¶n por medio de aprendizaje o imitaci¶n. o o Estos procesos con¯nan la din¶mica de los sistemas a visitar una porci¶n reducida del espacio de a o fases, por la acci¶n descentralizada de un conjunto de agentes alertas frente a cambios en su entorno, o pero que no necesariamente determinan conductas ¶ptimas en ambientes de alta complejidad. El o enfoque que hemos empleado aqu¶ permite encarar la exploraci¶n de fen¶menos de coordinaci¶n de ³ o o o actividades econ¶micas sin el empleo de hip¶tesis excesivamente r¶ o o ³gidas respecto de las capacidades cognitivas de los agentes. Sin embargo, conviene reconocer que el enfoque tiene tambi¶n limitae ciones, y que la construcci¶n de modelos que se basan en ¶l est¶n a¶n en sus inicios: no existe o e a u todav¶ en el campo un conjunto de procedimientos anal¶ ³a ³ticos bien establecidos. Es probable que con el tiempo tenga lugar una suerte de complementariedad entre los \modelos constructivos" y las formas m¶s tradicionales de an¶lisis. En todo caso, el documento que se presenta a continuac¶n a a o intenta realizar algunos avances en una l¶ ³nea de investigaci¶n incipiente, repitiendo que, lejos de o ofrecer productos terminados, la tarea est¶ en sus comienzos 2 . a

2 A lo largo del texto se observar¶ que algunas secciones est¶n escritas con una tipograf¶ m¶s peque~a. Estas a a ³a a n secciones corresponden a apartados de car¶cter informativo. Su lectura puede ser omitida por el lector informado. a

Cap¶ ³tulo 2

Sistemas Din¶micos y sistemas a Complejos
Tµ ¼ ®º¿ ® ½²¶ ® µ e (Todo °uye) Her¶clito a

A continuaci¶n repasaremos las de¯niciones y propiedades m¶s importantes de los sistemas o a din¶micos y los as¶ llamados sistemas complejos adaptativos. En general, no se presentar¶n a ³ a demostraciones ya que estas pueden encontrarse en la bibliograf¶ citada. Nos detendremos en ³a la de¯nici¶n de ergodicidad concepto que utilizaremos en los pr¶ximos cap¶ o o ³tulos. Esta y otras caracter¶ ³sticas se ejempli¯car¶n a trav¶s del mapa log¶ a e ³stico. Uno de los or¶ ³genes del estudio de la complejidad en la teor¶ de los sistemas ha surgido del estudio de modelos que exhiben din¶micas ³a a ca¶ticas. En esta primera parte del cap¶ o ³tulo nos referiremos a ellas. A modo de ejemplo y en un estudio de equilibrio parcial se describe el comportamiento de un conjunto de mercados acoplados y se realiza un estudio mediante la teor¶ de matrices estoc¶sticas. Posteriormente se efect¶a ³a a u una breve introducci¶n a los sistema complejos adaptativos basados en el enfoque constructivo; se o enumeran y detallan los elementos y atributos b¶sicos de los mismos. Tratamos tambi¶n la tem¶tica a e a de los sistemas complejos en la Econom¶ a la vez que describimos algunos fen¶menos econ¶micos ³a o o y t¶picos de la teor¶ econ¶mica en los que la teor¶ de los sistemas complejos adaptativos pueden o ³a o ³a brindar interesantes y nuevos resultados que extiendan el campo de nuestro entendimiento.

2.1

De¯niciones y principales caracter¶ ³sticas

La evoluci¶n de un sistema din¶mico suele describirse por medio de una funci¶n f que depende de o a o las variables x que caracterizan su estado de tal modo que: xt+1 = f (xt ; t; ¹) para el caso que el sistema se modeliza como un mapa funcional a tiempo discreto, o bien: dx = f (x(t); t; ¹) (1.2) dt para el caso de °ujos continuos. En esta ecuaci¶n xt 2 X µ <n es el vector de las variables de o estado, ¹ 2 M µ <m es el vector de par¶metros que afectan la estructura del sistema, y f es a una funci¶n que en general se supone continua y diferenciable. Los espacios X y M pueden ser o eucl¶ ³deos o espacios de probabilidades. S¶ los sistemas son aut¶nomos, no dependen expl¶ ³ o ³citamente del tiempo. Si la evoluci¶n de los estados es unica, el sistema din¶mico se dice determin¶ o ¶ a ³stico. Cuando est¶ sometido a in°uencias aleatorias se habla de un sistema estoc¶stico. Cada estado puede ser a a 11 (1.1)

12

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

visualizado como un punto. El conjunto ¡ de todos los estados posibles del sistema se denomina espacio de estados o de fases. La evoluci¶n de un sistema se representa por una curva en este o espacio y se denomina trayectoria u ¶rbita del sistema. Los par¶metros ¹ resumen los aspectos o a del sistema que permanecen inalterados, o que, al menos, exhiben una din¶mica tan lenta que no a es conveniente considerar su evoluci¶n en pie de igualdad con la de las otras variables de estado. o El conjunto de los valores posibles de los par¶metros se llama espacio de par¶metros o espacio de a a control. Para estudiar la evoluci¶n de un sistema din¶mico conviene primero considerar sus puntos o a ¤ 2 X que cumplen: ¯jos, de¯nidos como aquellos estados x dx¤ = f (x¤ ; ¹) = 0 (1.3) dt seg¶n se trate de mapas discretos en el primer caso o °ujos continuos en el segundo. Un punto ¯jo u es localmente estable s¶ para todo ² > 0 existe un ± 2 (0; ²) tal que kxs ¡ x¤ k < ± =) kxt ¡ x¤ k < ³ ² 8 t ¸ s. La estabilidad de estos puntos se analiza linealizando la funci¶n f y estudiando los o autovalores del Jacobiano asociado. Cuando la parte real de alguno de esos autovalores es positiva el punto ¯jo es inestable; en caso contrario es estable. x¤ = f (x¤ ; ¹) o ¶

2.2

Algunas Propiedades gen¶ricas e

1) Linealidad: Un sistema lineal es aquel en el que se cumple el principio de superposici¶n. Esto o signi¯ca que dados dos estados posibles xa y xb se cumple que f (xa + ®xb ) = f (xa ) + ®f (xb ). 2) Autonom¶ ³a: Un sistema din¶mico es aut¶nomo cuando no depende expl¶ a o ³citamente del tiempo. Es posible convertir un sistema no aut¶nomo en uno aut¶nomo agregando nuevas o o variables, es decir, expandiendo el espacio de fases, y realizando sustituciones apropiadas. 3) Determinismo: Las trayectorias de un sistema din¶mico determin¶ a ³stico no pueden bifurcarse con el transcurso del tiempo puesto que debe haber un s¶lo futuro posible para cada estado. o 4) Reversibilidad: Se dice que el sistema din¶mico es reversible cuando la evoluci¶n es invaria o ante frente al cambio de t por ¡t. 5) Preservaci¶n de la Orientaci¶n: Una variedad no lineal del espacio de fases que representa o o la din¶mica de un sistema es orientable si en ella es posible de¯nir de manera no ambigua su a interior y su exterior. Los sistemas continuos siempre preservan la orientaci¶n, en los mapas o discretos se preserva la orientaci¶n cuando la matriz Jacobiana posee un determinante que es o positivo. 6) Invariancia frente a transformaciones: Una transformaci¶n de coordenadas es un mapeo o ¶ invertible y biun¶ ³voco de los estados. Este es continuo si la transformaci¶n y su inversa son o continuos y suave si ambos son diferenciables. Las transformaciones continuas preservan las propiedades topol¶gicas de las trayectorias mientras que las suaves preservan la geometr¶ o ³a.

2.3
2.3.1

Clasi¯caci¶n de los Sistemas Din¶micos o a
Seg¶n la naturaleza de sus variables u

Los sistemas din¶micos pueden ser clasi¯cados: a ² por la naturaleza de sus variables seg¶n sean ¶stas discretas o continuas. El tiempo se suele u e suponer que evoluciona de manera discreta, como por ejemplo, en el caso de los aut¶matas o celulares. Su evoluci¶n es en cambio continua en las ecuaciones diferenciales ordinarias. o

2.3. Clasi¯caci¶n de los Sistemas Din¶micos o a

13

² por la naturaleza de sus estados. Los sistemas pueden poseer un n¶mero ¯nito o in¯nito de u estados que, a su vez, pueden suponerse discretos o continuos. ¶ ² por la topolog¶ espacial involucrada en la evoluci¶n. Esta puede quedar determinada por ³a o el comportamiento en un entorno de cada variable localmente de¯nida o puede en cambio involucrar partes del sistema que son distantes entre s¶ (modelos globales o no locales). La ³ noci¶n de vecindad o distancia puede quedar de¯nida tanto entre variables espaciales discretas o (redes o \lattice maps") como continuas (ecuaciones diferenciales o mapas funcionales). La siguiente clasi¯caci¶n se hace de acuerdo a estos tres elementos. La condici¶n de \local" o o corresponde a variables que poseen relaciones de vecindad [63, 37]. La \no localidad" que se atribuye al tiempo en las ecuaciones diferenciales con retardo se debe a que la evoluci¶n o queda determinada por dos instantes de tiempo separados por un intervalo ¯nito. Para ubicar esta clasi¯caci¶n en un contexto propio de los modelos econ¶micos se debe considerar o o a las variables \espaciales" como todas las que no son el tiempo. Una variable \espacial" en un modelo multiagente puede por ejemplo rotular a cada agente. Su vecindad no est¶ a determinada por la proximidad f¶ ³sica sino que podr¶ por ejemplo corresponder a los otros ³a, agentes del sistema que consumen lo que ¶l produce aun cuando se encuentren f¶ e ³sicamente 1. muy distantes el uno del otro

Modelo Ecuaciones Diferenciales Ordinarias Mapas (Ecuaciones en diferencias) Ecuaciones Diferenciales con Retardo Aut¶matas celulares¤ o Ecuaciones en Derivadas Parciales (EDP) Representaci¶n Computacional de una EDP o Mapas funcionales Modelos en una grilla (d-dimensional)¤ Vidrios de Spin (redes neuronales)¤

Espacio continuo,local continuo, local continuo discreto, local o no local continuo, local o no local discreto, local o no local cont., local discreto, local discr., no local

Tiempo continuo discreto continuo, no local discreto continuo discreto discreto discreto o continuo discr. o cont.

Estados continuo continuo continuo discreto continuo discreto continuo continuo discreto

¤

En la secci¶n 2.5 y el cap¶ o ³tulo 4 se realiza una descripci¶n m¶s detallada de estos sistemas. o a

2.3.2

Seg¶n las propiedades de conservaci¶n del sistema u o

Todo sistema din¶mico cuyo volumen del espacio de estados es asint¶ticamente invariante bajo su a o propia din¶mica es conservativo. La clase corresponde a los sistemas Hamiltonianos integrables. a En t¶rminos f¶ e ³sicos un sistema es conservativo cuando se conserva la energ¶ ³a. En un sistema no conservativo o disipativo las trayectorias no perturbadas se aproximan a un subconjunto del espacio de fases que se denomina atractor. En este proceso se reduce, a veces de manera dr¶stica la a dimensionalidad del espacio de fases efectivamente \visitado" por el sistema dando lugar, de esta manera, a una disminuci¶n de los grados de libertad efectivos. o
La noci¶n de espacio en la econom¶ merece un comentario. El estudio de econom¶ regionales o urbanas y la o ³a ³as organizaci¶n industrial en general, suponen que la vecindad entre dos operadores del sistema queda de¯nida por el o grado de cercan¶ espacial entre ellos; sin embargo a nivel de los mercados y, teniendo en cuenta la globalizaci¶n y los ³a o efectos de las tecnolog¶ aplicadas a las comunicaciones, el concepto de vecindad se altera por su propia naturaleza ³as y comienza a di¯cultarse el tratamiento de las relaciones de interacci¶n en t¶rminos de \localidad" o \no localidad" o e en el espacio. En esta instancia no tiene sentido suponer que las relaciones econ¶micas tienen lugar en un entramado o regular sino que ocurren en entornos cuya \topolog¶ es desordenada y posiblemente variable. ³a"
1

14

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

2.4
2.4.1

Mapas recursivos en tiempo discreto
Estabilidad, periodicidades y bifurcaciones
2

Estabilidad A continuaci¶n consideraremos mapas unidimensionales aut¶nomos o o expresi¶n: o xt+1 = f (xt ; ¹) cuya forma se reduce a la

(4.4)

donde ¹ 2 <1 es el par¶metro de control y xt 2 <1 . Como hemos visto, las soluciones de la ecuaci¶n a o ¤ = f (x¤ ; ¹), nos permite conocer los puntos ¯jos x¤ . Para analizar la estabilidad de cada punto x ¯jo podemos realizar una perturbaci¶n de la forma xt = x¤ + ²t . Sustituy¶ndola en 4.4 y efectuando o e un desarrollo de Taylor a primer orden alrededor de x¤ , se obtiene: ²t+1 = f 0 (x¤ ; ¹)²t (4.5)

donde f 0 (x¤ ; ¹) es un n¶mero que corresponde a la derivada primera del mapa 4.4 evaluada en el u x¤ . Queda pues una ecuaci¶n iterada cuya soluci¶n es (el valor de la perturbaci¶n en t = 0 es ²o ): o o o ²t = f 0 (x¤ ; ¹) ²o Cuando jf 0 (x¤ ; ¹)j < 1 el punto ¯jo es estable pues en esta situaci¶n: o
t!1

³

´t

(4.6)

lim f 0 (x¤ ; ¹)

en caso contrario el punto ¯jo es inestable. Generalmente los mapas unidimensionales se suelen normalizar para que los valores de x permanezcan en cierto intervalo I ´ (a; b). Una funci¶n normalizada f que mapea todos los valores o del intervalo I sobre s¶ mismo se denomina endomor¯smo. Un endomor¯smo que posee una inversa ³ derivable es un difeomor¯smo. Los mapas ca¶ticos unidimensionales que son endomor¯smos suelen o no ser inversibles. El pasado de estos sistemas, al contrario de los difeomor¯smos, no puede ser reconstruido de una manera univoca. ¶ Orbitas peri¶dicas o Un punto x pertenece a una ¶rbita peri¶dica (de per¶ ~ o o ³odo k > 0) si en el sistema din¶mico xt+1 = a (k) (~) = x, siendo k el menor f (xt ; ¹) es un punto ¯jo de la k-¶sima iteraci¶n de f (esto es, si f e o x ~ n¶mero natural para el cual esto es cierto y f (k) es la composici¶n de f sobre si misma k veces). u o Dada una condici¶n inicial arbitraria y luego del transitorio inicial, las ¶rbitas peri¶dicas constituyen o o o el conjunto de puntos de las iteraciones de f (ver ¯guras 7.3 y 7.4). Existen tambi¶n soluciones e cuasi-peri¶dicas que se constituyen como sumas de funciones peri¶dicas, cuyas frecuencias base son o o linealmente independientes. Se puede demostrar que si f es un mapa mon¶tono no decreciente, no o tiene ¶rbitas peri¶dicas. o o El an¶lisis de los puntos ¯jos se puede generalizar para el caso de ciclo de orden k. Sean a fx1 ; ¢ ¢ ¢ ; xk g el conjunto de puntos visitados durante el ciclo. Como, x2 = f (x1 ; ¹); ¢ ¢ ¢ ; xk = f (xk¡1 ; ¹) se satisface que: xi = f (k) (xi ); 81 · i · k con f (k) la composici¶n de f sobre si misma k o veces. Usando la regla de la cadena podemos representar la condici¶n de estabilidad de este sistema o peri¶dico como: o jf 0 (x1 ; ¹) ¢ ¢ ¢ f 0 (xk ; ¹)j < 1
2

³

´t

=0

(4.7)

(4.8)

Para el estudio de mapas d-dimensionales puede consultarse [19].

2.4. Mapas recursivos en tiempo discreto Bifurcaciones

15

\Me detuve, como es natural, en la frase: Dejo a los varios porvenires (no a todos) mi jard¶ de senderos que se bifurcan. Casi en el ³n acto comprend¶ el jard¶ de los senderos que se bifurcan era ³; ³n una novela ca¶tica; la frase varios porvenires (no todos) me sugiri¶ o o la imagen de la bifurcaci¶n en el tiempo, no en el espacio ... he conjeturado o el plan de ese caos ... Esa trama de tiempos que se aproximan, se bifurcan, se cortan o que secularmente se ignoran, abarca todas las posibilidades". Jorge Luis Borges

El comportamiento de un sistema se caracteriza por los valores del vector de par¶metros de a control ¹ 2 M µ <m . Sus posibles evoluciones pueden pues agruparse en familias rotuladas por los correspondientes vectores de par¶metros. Para ciertos valores cr¶ticos, peque~os cambios en a ³ n el vector de par¶metros pueden dar lugar a grandes cambios en la din¶mica. Cuando esto ocurre a a estamos en presencia de una bifurcaci¶n (v¶ase la ¯gura 7.5). o e Seg¶n los autovalores del jacobiano las bifurcaciones pueden clasi¯carse en puntos de enu silladura, hiperb¶licos (o \saddle-node"), en las que se pierde la estabilidad pues se amalgaman o dos punto ¯jos, uno estable y otro inestable; desdoblamientos de per¶odo, que dan lugar a ¶rbitas ³ o peri¶dicas con per¶ o ³odos duplicados; bifurcaciones de Hopf, que tambi¶n dan lugar a atractores e peri¶dicos y cerrados denominados ciclos l¶mite. o ³ Existen tambi¶n bifurcaciones por plegamiento (\fold bifurcations") o por ahorcamiento e (\pitchfork bifurcations"), bifurcaciones homocl¶ ³nicas, etc., para m¶s detalles se puede consultar a [87, 19, 63]. Basta aqu¶ decir que existen bifurcaciones que conducen hacia comportamientos ³ ca¶ticos del sistema. Las rutas que conducen a din¶micas ca¶ticas son variadas y se analizan o a o detalladamente en la literatura citada.

2.4.2

Sistemas Ca¶ticos o

El caos determin¶ ³stico aparece en algunos sistemas din¶micos y son un tipo particular de noa linealidad. En general, un sistema din¶mico determin¶ a ³stico es ca¶tico si exhibe sensibilidad a las o condiciones iniciales, en el sentido que peque~as diferencias en las mismas se ampli¯can en el n tiempo. Existen distintos tipos de rutas al caos que di¯eren en la forma en que se comporta una se~al previamente a que ¶sta se torna totalmente ca¶tica, por ejemplo la ruta al caos por n e o desdoblamientos de per¶ ³odo, o la ruta por intermitencia. La no linealidad de las ecuaciones del sistema que se estudia es una condici¶n necesaria, pero no su¯ciente para obtener evoluciones o ca¶ticas. o Las propiedades m¶s caracter¶ a ³sticas de los sistemas ca¶ticos son: o ² Sensibilidad a las condiciones iniciales: Exponentes de Lyapunov:

Una manera de detectar caos en una variable es mediante el c¶lculo de los exponentes de Lyaa punov. Para ejempli¯car consideremos un mapa unidimensional, xt+1 = f (xt ; ¹) que exhibe un movimiento ca¶tico. El exponente de Lyapunov ¸(xo ) mide la separaci¶n exponencial de o o dos condiciones iniciales cercanas al medir la evoluci¶n del sistema: o

xo xo + ²

z

² }|

{

=) n(iteraciones)

f (n) (xo )

z

²en¸(xo ) }|

f (n) (xo + ²)

{

Entonces, tenemos que ²en¸(xo ) = jf (n) (xo + ²) ¡ f (n) (xo )j, que en el l¶ ³mite ² ! 0 y n ! 1 nos conduce a la de¯nici¶n formal del exponente de Lyapunov: o

16

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

¸(xo ) =

1 f (n) (xo + ²) ¡ f (n) (xo ) ln j j n!1 ²!0 n ² 1 df (n) (xo ) = lim ln j j n!1 n dxo lim lim

(4.9) (4.10)

usando la regla de la cadena veri¯camos que: d (2) d f (x)jxo = f (f (x))jxo = f 0 (f (xo ))f 0 (xo ) = f (x1 )f 0 (xo ) dx dx donde x1 = f (xo ); entonces podemos escribir al exponente de Lyapunov como: ¸(xo ) = lim y por lo tanto:
X 1 n¡1 ln jf 0 (xi )j ¸(xo ) = lim n!1 n i=0
n¡1 Y 1 d 1 ln j f (n) (xo )j = lim ln j f 0 (xi )j n!1 n n!1 n dx i=0

(4.11)

(4.12)

(4.13)

Esto signi¯ca que e¸(xo ) es el factor promedio con el cual la distancia de dos puntos cercanos crece luego de una iteraci¶n. Usando la regla de la cadena se puede demostrar que el exponente o de Lyapunov mide tambi¶n la p¶rdida de informaci¶n (de¯nida debidamente) en cada iteraci¶n e e o o [177]. Para sistemas de m¶s dimensiones se pueden calcular los exponentes de Lyapunov seg¶n a u la direcci¶n de cada eje coordenado, utilizando la norma eucl¶ o ³dea. Cuando alg¶n exponente u es positivo se est¶ en presencia de un sistema ca¶tico pues exhibe gran sensibilidad a las a o condiciones iniciales, puesto que en esa direcci¶n las ¶rbitas se separan a una tasa exponencial. o o M¶s adelante se calculan, a modo de ejemplo, los exponentes de Lyapunov de algunos mapas a conocidos. ² Densidad de puntos peri¶dicos: o

Para ciertos valores del par¶metro de control los puntos peri¶dicos forman un conjunto denso a o de medida no nula sobre el dominio del mapa.

² Transitividad topol¶gica: o

Si para cierto intervalo de valores del par¶metro de control el mapa discreto es tal que para a dos subintervalos cualesquiera ¤ y © contenidos en el dominio del mapa existe una ¶rbita o n (x) 2 © se dice que la funci¶n tiene la que parte de x 2 ¤ y un n¶mero entero n tal que f u o propiedad de transitividad topol¶gica. Esta propiedad signi¯ca que el conjunto que determina o el dominio del mapa funcional no es descomponible sobre la din¶mica del mapa en el sentido a de que no se puede descomponer el dominio en dos (o m¶s) subconjuntos disjuntos que sean a invariantes frente a la aplicaci¶n del mapa funcional. o

2.4.3

Estudio probabil¶ ³stico: la ergodicidad

Ya que no es posible conocer con precisi¶n el estado inicial de un sistema din¶mico, se suele o a estudiar su evoluci¶n en t¶rminos probabil¶ o e ³sticos. La descripci¶n probabil¶ o ³stica de un sistema din¶mico discreto se basa en estudiar la probabilidad ½t (x) de encontrar al sistema en un entorno a dx alrededor del estado x del espacio de fases, al cabo de t iteraciones del mapa. Supongamos por el momento que una dada condici¶n inicial xo es conocida con una precisi¶n in¯nita. La o o

2.4. Mapas recursivos en tiempo discreto

17

densidad ½t (x) para t = 0 es ½o (x) = ±(x ¡ xo ), (± es la \funci¶n delta de Dirac). Como luego o de la primera iteraci¶n el sistema es conducido al valor f (xo ), la densidad inicial evoluciona hacia o ½1 (x) = ±(x ¡ f (xo )). Supongamos ahora que la densidad inicial ½o (x) es algo m¶s dispersa, o sea que consideramos a un cierto entorno compacto ° alrededor del punto xo que conforma un ensamble de estados iniciales. La densidad de probabilidades luego de la primera iteraci¶n surge de la superposici¶n de evoluciones o o que discutimos en el p¶rrafo anterior para todos estados iniciales pertenecientes a ° 3 . Se puede a entonces representar a la evoluci¶n de la densidad de probabilidades como: o ½t+1 (x) =
Z

°

±(x ¡ f (xo ))½t (xo )dxo

(4.14)

Esta es la ecuaci¶n de Frobenius - Perron, que puede tomarse como base para clasi¯car o distintos sistemas din¶micos sobre la base de las propiedades de la densidad de probabilidad estaa cionaria. (La densidad estacionaria es la que permanece invariante durante la evoluci¶n del sistema). o Sea ½e (x) esa densidad invariante; por de¯nici¶n es aquella que mantiene estacionaria la soluci¶n o o de la ecuaci¶n 4.14, o sea que debe satisfacer: o ½e (x) =
Z

°

±(x ¡ f (xo ))½e (xo )dxo

(4.15)

La unicidad de la densidad de probabilidades invariante s¶lo puede estudiarse considerando o cada caso particular, por lo que debe especi¯carse concretamente de la forma funcional del mapa: f (x). De acuerdo con la teor¶ de la medida, la densidad de probabilidad invariante induce sobre ³a un subconjunto C 2 [0; 1] lo que se denomina una medida invariante de¯nida por: ºe (C) =
Z
C

½e (x)dx

(4.16)

Esta medida es invariante en el sentido que ºe (f ¡1 (C)) = ºe (C), donde f ¡1 (C) representa al conjunto de todos los puntos x cuya im¶gen est¶ en C luego de una iteraci¶n. a a o En general, bajo los efectos de la din¶mica del sistema, un conjunto C suele transformarse a en otro diferente; cuando esto no ocurre y el conjunto se transforma en s¶ mismo se dice que es ³ ¡1 (C) = C. El sistema din¶mico de¯nido por invariante. Esta propiedad se expresa igualando: f a la ley de iteraci¶n f (x) es erg¶dico si todo conjunto invariante del mismo es el conjunto vacio o o (C = ;) o el intervalo entero (C = [0; 1]). En otras palabras, el espacio de fases ¡ de un sistema erg¶dico no puede decomponerse en otros subconjuntos invariantes que no sean el mismo espacio o de fases a menos de alg¶n conjunto de medida (de Lebesgue) nula. Esto signi¯ca que, a menos u de ciertas condiciones iniciales muy particulares, las trayectorias del sistema terminan pasando arbitrariamente cerca de cualquier punto del espacio de las fases si se espera su¯ciente tiempo. Es posible demostrar que si un sistema din¶mico de¯nido por f (x) es erg¶dico, hay una sola a o R densidad de probabilidades invariante ½e (x) integrable, en el sentido de que C ½e (x)dx es ¯nito. M¶s aun, si hay una unica densidad de probabilidades estacionaria ½e (x) con ½e (x) > 0 8x entonces a ¶ el sistema f (x) es erg¶dico. o El concepto de ergodicidad est¶ intimamente relacionado con el unicidad y derivabilidad de a la densidad de probabilidades estacionaria, ya que la misma supone probables todos los puntos del espacio de fases con excepci¶n de un subconjunto de medida nula. Esto excluye la posibilidad de o que existan densidades invariantes singulares (como las funciones delta) que aparecen cuando el sistema posee un unico punto ¯jo, atractor de la din¶mica. ¶ a Para conocer la densidad de probabilidades invariante, es necesario contabilizar el n¶mero u de veces que diferentes regiones del espacio de fase son visitadas por una trayectoria representativa. Este proceso de muestreo estad¶ ³stico debe realizarse durante un intervalo de tiempo (T ) muy
3

Suele considerarse que el entorno es todo el espacio de fases ¡ del sistema.

18

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

prolongado (T ! 1). Esto es similar a computar num¶ricamente un histograma de las trayectorias. e A partir de all¶ podemos expresar la densidad de probabilidades, calculada num¶ricamente, como: ³ e ½(x) = lim ¹
X 1 T ¡1 ±(x ¡ f (i) (xo )) T !1 T i=0

(4.17)

En forma similar, y a partir de una observaci¶n experimental (o una simulaci¶n num¶rica), o o e el valor medio de cierto observable A(x) de un sistema din¶mico se puede calcular como el promedio a temporal sobre muchas medidas instant¶neas del observable, durante un lapso prolongado. En este a sentido de¯nimos la media del observable como: < A > (xo ) = lim
X 1 T ¡1 A(f (i) (xo )) T !1 T i=0

(4.18)

La pregunta que cabe hacerse en este momento es c¶mo se relacionan ½(x) y < A > (x) con o ¹ la densidad estacionaria ½e (x). La respuesta la brinda el Teorema Erg¶dico de Birkho®: o Todo sistema din¶mico erg¶dico que satisface ºe (f ¡1 (C)) = ºe (C) para cualquier subconjunto a o perteneciente al intervalo [0; 1], veri¯ca que 8x 2 ¡ se cumple: < A > (x) =
Z
¡

A(x)½e (x)dx

y

½(x) = ½e (x) ¹

(4.19)

Esto signi¯ca que calcular un promedio temporal es equivalente a calcularlo sobre un ensamble de condiciones iniciales. Asimismo, el teorema a¯rma que existe una equivalencia entre la densidad de probabilidad medida y aquella (¶nica) que es la soluci¶n de la ecuaci¶n de Frobenius - Perron u o o (4.14). Este resultado garantiza que el promedio temporal realizado sobre una trayectoria dada es independiente de las condiciones iniciales xo . El concepto de ergodicidad ha sido de gran importancia y utilidad en f¶ ³sica moderna; nos permite formular supuestos a partir de los cuales es v¶lido o no calcular valores medios. La macroea conom¶ moderna ha basado sus modelos en la utilizaci¶n de agentes representativos optimizadores. ³a o Los agentes representativos, por construcci¶n, son \agentes promedio" cuyas acciones representan o una media sobre las decisiones de un conglomerado de agentes. Sin embargo no quedan claro los criterios a partir de los cuales es v¶lido calcular estos promedios. La f¶ a ³sica nos ha mostrado que bajo ciertas circunstancias puede tener lugar el quiebre de la ergodicidad y por lo tanto la operaci¶n o de promediar debe estudiarse delicadamente. Funci¶n de Correlaci¶n o o La funci¶n de correlaci¶n C(¿ ) de un mapa unidimensional xt+1 = f (xt ; ¹) se de¯ne como: o o
n 1X C(¿ ) = lim xi+¿ xi ^ ^ n!1 n i=0

(4.20)

donde: xi = f (i) (xo ) ¡ x ^ ¹ y

x = lim ^

n 1 X (i) f (xo ) n!1 n i=0

(4.21)

Con esta de¯nici¶n es posible concluir que la funci¶n de correlaci¶n brinda otra medida de o o o la irregularidad de la secuencia: xo ; f (xo ); f (2) (xo ); ¢ ¢ ¢ ; f (n) (xo ); ¢ ¢ ¢, ya que indica cu¶n recurrentes a son las desviaciones del valor promedio xi = xi ¡ x cuando se comparan iteraciones separadas por ^ ¹ ¿ pasos de tiempo (estos es, xi+¿ y xi ). ^ ^ Si la medida invariante ½e (x) del mapa f (x) es conocida y se usa la propiedad conmutativa: xi+¿ = f (i+¿ ) (xo ) = f (i) f (¿ ) (xo ) = f (¿ ) f (i) (xo ) (4.22)

2.5. Los sistemas complejos adaptativos es posible calcular C(¿ ) como: C(¿ ) =
Z

19

¡

xf

(¿ )

(x)½e (x)dx ¡

hZ

¡

x½e (x)dx

i2

(4.23)

2.5

Los sistemas complejos adaptativos
\El diversidad de las partes es condici¶n o necesaria para la unidad en el todo" Plat¶n o

Durante los ultimos a~os se han venido desarrollando considerables esfuerzos por abor¶ n dar temas en f¶ ³sica, biolog¶ y ciencias cognitivas que hasta el momento resultaban imposibles de ³a analizar con las herramientas de trabajo tradicionales. Muchos de estos programas de investigaci¶n o pueden ser agrupados bajo la clasi¯caci¶n com¶n del estudio de los Sistemas Complejos. Recienteo u mente se ha comenzado a contemplar la hip¶tesis de que la complejidad de por s¶ posee leyes que o ³ son propias, y las mismas pueden en algunos casos ser simples, de una razonable universalidad y entendibles sin grandes di¯cultades si se emplea la metodolog¶ apropiada. La raz¶n fundamental ³a o que ha posibilitado la realizaci¶n de estos estudios es la creciente capacidad de procesamiento de o la informaci¶n de los sistemas de c¶mputo, que ha incrementado la velocidad de procesamiento y o o posibilitado el manejo de grandes vol¶menes de informaci¶n. u o Un Sistema Complejo puede ser de¯nido como compuesto por una gran cantidad de elementos interactuantes, capaces de intercambiar informaci¶n entre ellos y el entorno, y de adaptar o sus estructuras internas como consecuencia de tales interacciones. Una caracter¶ ³stica propia de sistemas de este tipo es la existencia de interacciones no lineales entre sus componentes, que son las responsables de producir comportamientos emergentes en los que el todo es m¶s que la simple a suma de las partes. Vistos en forma agregada, estos comportamientos no pueden ser atribuibles a la acci¶n aislada de cada elemento por separado sino que son el resultado de su acci¶n colectiva. o o A partir del punto de vista que brindan los sistemas complejos, nuevas aproximaciones est¶n siendo estudiadas para construir modelos de trabajo. Hasta hace poco tiempo hab¶ s¶lo dos a ³a o esquemas model¶ ³sticos. El primero, puramente lingu¶ ³stico, que posee en principio una versatilidad ilimitada pero carece de precisi¶n cuantitativa sobre las hip¶tesis b¶sicas y las conclusiones que o o a se pueden derivar. La segunda aproximaci¶n es la puramente matem¶tica. Tiene la ventaja de o a brindar mucha precisi¶n en sus conclusiones y se sustenta en rigurosos teoremas matem¶ticos. Sin o a embargo muchas veces los modelos econ¶micos se transforman en construcciones matem¶ticas ad o a hoc con supuestos sin justi¯caci¶n emp¶ o ³rica incorporados con el s¶lo prop¶sito de suministrar al o o modelo una forma matem¶tica consistente. a Muchos sistemas complejos no resisten el tratamiento anal¶ ³tico (no son matematizables) y la unica forma de explorarlos es atrav¶s del tratamiento computacional mediante las simulaciones ¶ e num¶ricas. T¶cnicamente podemos decir que en general los sistemas complejos son sistemas come e putacionalmente irreducibles; ¶sto signi¯ca que la unica manera de conocer su evoluci¶n es a trav¶s e ¶ o e de la observaci¶n directa o simul¶ndolo utilizando para ello otro sistema de similar complejidad. o a Tambi¶n se puede decir que los sistemas complejos son sistemas aparentemente desordenados, en e los que existe un orden encubierto. Desde el punto de vista computacional esta forma de aproximaci¶n suele denominarse como enfoque constructivo (o \bottom up") ya que se parte de las propias o interacciones entre los elementos constitutivos (en el nivel microsc¶pico), para luego entender el o comportamiento a nivel macrosc¶pico. o Por lo tanto, la tercera alternativa es la construcci¶n de modelos computacionales. Desde o este marco conceptual es posible simular constructivamente un sistema complejo, partiendo de sus constituyentes elementales. Se pretende que los comportamientos globales emergentes surjan de la misma operaci¶n de un n¶mero (grande) de agentes cuyas acciones individuales as¶ como las intero u ³ acciones entre ellos son su¯cientemente expl¶ ³citas como para ser implementadas algor¶ ³tmicamente. La interdependencia entre elementos constitutivos est¶ intimamente unido al concepto mismo de a

20

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

la complejidad que se pone de mani¯esto en tales sistemas. Esta aproximaci¶n permite dise~ar o n modelos con menores restricciones que los puramente matem¶ticos, a pesar de requerir altos nivea les de simpli¯caci¶n respecto de situaciones reales. Estos modelos permiten incorporar procesos o de aprendizaje como las redes neuronales o los algoritmos evolutivos y as¶ simular lo que podr¶ ³ ³a denominarse como Agentes Arti¯ciales Adaptativos [104, 12, 13, 62, 8]. Los primeros antecedentes en el estudio de los comportamientos emergentes de los sistemas complejos fueron los estudios de las transiciones de fase y los fen¶menos cr¶ticos, que corresponden o ³ a las transformaciones que se dan en determinadas sustancias frente a cambios de la temperatura. El estudio de compuestos con propiedades magn¶ticas debe ser considerado como un ejemplo pare ticularmente importante e ilustrativo. Estas sustancias presentan un orden interno, responsable de las propiedades magn¶ticas observables, que se ponen de mani¯esto a nivel macrosc¶pico. Este e o ordenamiento se altera cuando la temperatura, considerada como par¶metro de control, crece por a encima de cierto valor cr¶ ³tico o cuando la sustancia est¶ en presencia de un campo magn¶tico a e externo mayor que el umbral que los componentes pueden soportar sin modi¯car sus estados internos. Este es un ejemplo de \comportamiento emergente", que ha sido descripto por modelos que el de Ising y los llamados vidrios de spin (o \spin glasses" 4 ). Tales modelos han probado ser utiles en el estudio de otro tipo de sistemas, como las redes neuronales y sistemas adaptativos, en ¶ la representaci¶n de la evoluci¶n bi¶tica [185] y prebi¶tica, y en algunos aspectos de la teor¶ de o o o o ³a optimizaci¶n combinatoria y en an¶lisis de din¶mica de poblaciones y de comportamiento social o a a [62, ?]. Todos estos sistemas poseen una cantidad de caracter¶ ³sticas comunes. Se constituyen a partir de una gran cantidad de elementos y, por ende existe un desorden estructural intr¶ ³nseco (o \quenched disorder"); las caracter¶ ³sticas aleatorias de las interacciones pueden dar lugar a lo que se denomina como frustraci¶n, que genera con¯guraciones estables del sistema en las que no es o posible optimizar todas las interacciones simult¶neamente. La aparici¶n de frustraci¶n da lugar a o o a la posibilidad de que existan m¶ltiples estados metaestables. Por lo tanto, a nivel macrosc¶pico u o los sistemas complejos puede exhibir tanto diversidad como estabilidad: por un lado, puede haber m¶ltiples estados fundamentales (equilibrios m¶ltiples), otras veces el orden macrosc¶pico resulta u u o ser robusto frente a cambios en la estructura interna del sistema. La din¶mica se ve afectada por a la naturaleza de las interacciones: la relajaci¶n a los estados estacionarios puede estar gobernada, o por muchas constantes de tiempo, o en el caso de los sistemas abiertos, la evoluci¶n se desenvuelve o en una regi¶n de posibles con¯guraciones que no est¶n caracterizadas por escalas espaciales y o a temporales precisas. El ¶xito que ha tenido en la f¶ e ³sica el tratamiento de los sistemas complejos a partir de este enfoque motiva y tienta a evocar estas l¶ ³neas de pensamiento para estudiar procesos sociales y econ¶micos [160], tal es el sentido de esta tesis. o El comportamiento global de un sistema complejo depende de las interacciones entre sus elementos constitutivos. Las interacciones entre los agentes del sistema responden a un conjunto de reglas bien determinadas. Cuando un agente del sistema recibe cierto est¶ ³mulo, determina una acci¶n a seguir a partir de un esquema o modelo interno que la determina. El proceso de decisiones o y acciones de los agentes puede describirse mediante una complicada e intrincada colecci¶n de reglas o cada una de las cuales se basa en la secuencia est¶mulo ¡! respuesta, y pueden ser representados ³ por un conjunto de clasi¯cadores del tipo: Condici¶n ¡! Acci¶n . o o

2.5.1

Atributos b¶sicos de los sistemas complejos adaptativos a

Los sistemas complejos adaptativos est¶n conformados por un conjunto de agentes en interacci¶n a o mutua y se caracterizan por poseer los siguientes atributos y/o propiedades b¶sicas [106]: a ² Agregaci¶n: Una de las principales caracter¶ o ³sticas del comportamiento agregado de las acciones de los agentes de un sistema complejo es que pueden tener lugar los efectos de largo
4

Una descripci¶n de estos sistemas se realiza en la secci¶n 4.1 del cap¶ o o ³tulo 4.

2.5. Los sistemas complejos adaptativos

21

alcance que hemos denominado como comportamientos emergentes. Esto signi¯ca que estos sistemas no se prestan para la hip¶tesis del \agente representativo"5 . Las interacciones, tanto o locales como globales, son fundamentales en esta ruptura de simetr¶ del sistema. La comple³a jidad emerge como una propiedad de \escala". Podemos ejempli¯car esta caracter¶ ³stica con cualquier proceso que involucre una din¶mica de poblaciones; pensemos en un hormiguero: a resulta incomprensible si se pretende analizar su comportamiento agregado desde el comportamiento de una sola hormiga. De igual manera es imposible entender totalmente la din¶mica econ¶mica y social sin tener en cuenta la enorme matriz de interacciones que existe a o entre distintos agentes, sectores y actividades. ² Rotulado: El rotulado es un mecanismo que permite trazar las fronteras que delimitan a los agentes. Es posible establecer distintos grados de delimitaci¶n. Un conjunto de agentes o actuando en forma coordinada puede funcionar como un meta-agente que interact¶a con otros u meta-agentes en un nivel jer¶rquico superior. Para que la acci¶n de estos meta-agentes sea a o consistente es necesario que sus componentes puedan reconocerse. La propiedad de rotulado permite que esto ocurra. El rotulado es un mecanismo que subyace a toda organizaci¶n o jer¶rquica y permite de¯nir una red de interacciones. La existencia de redes en las que a °uye materia, energ¶ o informaci¶n merced de las interacciones entre sus nodos (siempre ³a o que estos est¶n adecuadamente rotulados). No resulta dif¶ encontrar ejemplos en los que e ³cil estos conceptos sean aplicables; los sectores econ¶micos o las actividades, son meta-agentes o compuestos por ¯rmas y trabajadores, que a su vez interact¶an entre s¶ Una ¯rma es un metau ³. agente compuesto por sus trabajadores. Estos a su vez suelen estar internamente organizados de manera tal que es posible de¯nir subsistemas que tambi¶n interact¶an entre s¶ Otro e u ³. ejemplo relevante en las ciencias sociales son las instituciones entendidas como el conjunto de normas y reglas de operaci¶n que organizan las acciones de un subconjunto de agentes que o act¶an en el sistema como un \meta-agente" con propia entidad. u ² No linealidad: No es posible aplicar el principio de superposici¶n o agregaci¶n de categor¶ o o ³as de manera directa y sin precauciones. Para entender esta propiedad analicemos el siguiente ejemplo. ² Flujo y conectividad: Un sistema complejo adaptativo puede considerarse como una red con \nodos" conectados por \v¶ ³nculos" a trav¶s de los cuales °uye materia, energ¶ infore ³a, maci¶n, dinero, bienes. Cada nodo procesa estos elementos de acuerdo a \modelos internos o locales" del comportamiento del sistema. Los \r¶tulos" permiten canalizar los °ujos entre o nodos y conectores en forma adecuada. Los °ujos permiten que pueda tener lugar el reciclado de los recursos y la aparici¶n de efectos multiplicadores. El sistema puede poseer lazos de o retroalimentaci¶n tanto positiva como negativa. En el caso de los sistemas econ¶micos este o o atributo da lugar a externalidades que condicionan los resultados agregados del sistema. Las condiciones necesarias para que tenga lugar el °ujo de materia, energ¶ o informaci¶n ³a, o a lo largo un sistema son (i) la accesibilidad, (ii) la posibilidad de p¶rdidas o ganancias por e medio del procesamiento que realiza de cada componente del sistema y (iii) las existencia de sinerg¶ entre ellos. ³as ² Diversidad: Cada tipo de agente de un sistema complejo adaptativo ocupa un nicho que determina y est¶ determinado por sus interacciones con el entorno. La diversidad de estos a sistemas no es acausal ni aleatoria, y queda de¯nida por un esquema din¶mico que posee un a alto grado de estabilidad y coherencia. La diversidad de los comportamientos de un sistema complejo adaptativo se pone de mani¯esto a trav¶s de patrones de evoluci¶n din¶micos. El e o a
Los modelos de \agente representativo" ignoran los problemas de agregaci¶n (v¶ase Mantel [134, 135] y Kirman o e [116]) y, dejan de lado, por propia construcci¶n, el an¶lisis de los mecanismos que reconcilian los planes individuales o a de los distintos agentes que componen el sistema [?].
5

22

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a origen de la diversidad est¶ en la manera de ensamblar entre s¶ los elementos constitutivos a ³ simples (e.g. letras ! palabras ! frases ! p¶rrafos ! ¢ ¢ ¢) . Es posible que en un sistema a complejo co-existan m¶ltiples estados estacionarios y que, a lo largo de la evoluci¶n, el sistema u o migre de uno a otro. ² Equilibrio Din¶mico: Los estados estacionarios tienen un caracter din¶mico debido a la a a diversidad del sistema a nivel microsc¶pico. El sistema mantiene su identidad mientras exo perimenta cambios y \mutaciones" internas. En los sistemas econ¶micos permanentemente se o crean y destruyen actividades no obstante, se mantiene la integridad del sistema como un todo coherente. Esta una una caracter¶ ³stica fundamental de todo proceso de auto-organizaci¶n. o ² Modelos Internos: En ciertos contextos, los agentes de un sistema complejo adaptativo deben ser capaces de anticiparse a los acontecimientos del entorno. Para ello formulan modelos internos del comportamiento del mismo. Los modelos act¶an como predictores de sucesos que u tienen lugar en el medio. Los modelos internos pueden ser t¶citos cuando determinan una a acci¶n sobre la base de una predicci¶n impl¶ o o ³cita (por ejemplo: el sistema inmune) o modelos abiertos, que implican la exploraci¶n de secuencias y escenarios futuros posibles (por ejemplo: o los modelos econ¶micos forward-looking). En general, los modelos internos se construyen a o partir de elementos constructivos simples. Es posible representar a los modelos internos a partir de una colecci¶n encadenada de clasi¯cadores del tipo: Condici¶n ¡! Acci¶n. o o o ² Elementos constructivos simples: La complejidad resulta de la composici¶n de una gran o diversidad de elementos simples. Como no es posible almacenar listas excesivamente grandes de alternativas situaciones complejas se descomponen a trav¶s del procesamiento de compoe nentes simples e identi¯cables. La complejidad del sistema surge en primera instancia como el resultado de las interacciones entre unidades simples y no a partir de la complejidad inherente de las unidades individuales per se. ² Procesamiento Paralelo: El procesamiento de la informaci¶n se realiza en forma indeo pendiente por parte de cada uno de los componentes del sistema. Cada uno de ellos puede disponer de cierta cantidad informaci¶n de car¶cter global a la vez que al interactuar con su o a entorno recibe informaci¶n \local" de la evoluci¶n del sistema. En los sistemas econ¶micos, o o o por citar un caso, las ¯rmas deben operar tanto con informaci¶n global (por ejemplo deben o analizar el riesgo cambiario a la hora de importar o exportar) y a la vez deben conocer las condiciones en que opera la competencia que muchas veces se localiza en las cercan¶ de las ³as mismas. El nivel de acceso a la informaci¶n debe depender de alg¶n par¶metro que depende o u a de la posici¶n que ocupa el elemento en el sistema. o ² No hay un Controlador Global: Las interacciones locales dan lugar a estructuras temporales o espaciales de largo alcance 6 . Debido a la complejidad intr¶ ³nseca de estos sistemas no es posible que haya un mecanismo centralizado de procesamiento de la informaci¶n. De o hecho, el procesamiento que cada elemento realiza en paralelo es una caracter¶ ³stica que da lugar a una mayor robustez del sistema frente a fallas. Desde el punto de vista evolutivo un sistema descentralizado posee una mayor aptitud en t¶rminos de capacidad de procesamiento e y velocidad, que uno que no lo es y, por lo tanto es mayor su e¯ciencia. ² Organizaci¶n Jer¶rquica: En el sistema existen estructuras que se mani¯estan en cierta o a escala y pueden dar lugar a nuevas estructuras en escalas de magnitud diferentes. Esta propiedad puede permitir que en el sistema se ponga de mani¯esto la multifuncionalidad de las operaciones que realizan sus componentes. En los sistemas econ¶micos en los que se o

Las nociones de vecindad y localidad no est¶n claramente de¯nidas, o al menos resultan dif¶ a ³ciles de mensurar, en el contexto de la econom¶ Las tecnolog¶ aplicadas a la inform¶tica y las comunicaciones y la globalizaci¶n de la ³a. ³as a o econom¶ han generado un rico debate en torno a esta cuesti¶n. ³a o

6

2.6. Temas de inter¶s e

23

mani¯estan muchos niveles de organizaci¶n e interacci¶n. Las unidades de organizaci¶n de o o o un nivel dado son los \ladrillos" o \bloques constructivos" de unidades de organizaci¶n en o niveles superiores. La organizaci¶n global del sistema act¶a a trav¶s de la interacci¶n entre o u e o niveles. ² Adaptaci¶n continua: Los equilibrios no son est¶ticos. El aprendizaje a partir de la expeo a riencia da lugar a un cambio sustancial del entorno a medida que transcurre el tiempo. Un sistema complejo, a pesar de comportarse en forma robusta, est¶ sometido a un proceso de a continua adaptaci¶n. Por medio de este proceso los subsistemas van progresivamente encono trando \nichos" en los cuales desarrollar sus acciones. Ya que los niveles de organizaci¶n son o m¶ltiples, y nuevos \nichos" son creados se puede decir que un sistema complejo adaptativo u opera lejos de un estado ¶ptimo (o atractor global puntual). La adaptaci¶n de los elementos o o constitutivos es la respuesta e¯ciente a los cambios en las condiciones del medio. El desarrollo de una capacidad de aprendizaje creciente es la respuesta e¯caz a ese medio cambiante. Si bien no existe una clasi¯caci¶n precisa de los sistemas complejos, una forma de cato egorizarlos podr¶ partir de la naturaleza de las interacciones entre los elementos constitutivos. ³a Si suponemos que Qij es la interacci¶n entre dos componentes i y j de un sistema complejo o desordenado, es posible discriminar entre los casos en que las interacciones dependen s¶lo del o ~t ), este caso corresponde a la mayor¶ de los sistemas estado presente, es decir: Qij = Qij (S ³a f¶ ³sicos. Dentro de otra categor¶ se podr¶ considerar a aquellos sistemas en los que la inter³a ³a ~ ~ ~ acci¶n depende tambi¶n del pasado, esto es: Qij = Qij (St¡¿ ; ¢ ¢ ¢ ; St¡1 ; St ), como ocurre con o e la mayor¶ de los sistemas biol¶gicos: los caracteres de una especie quedan de¯nidos a partir ³a o de su herencia; ¯nalmente es posible describir sistemas (m¶s) complejos en los cuales Qij = a ~t¡¿ ; ¢ ¢ ¢ ; St¡1 ; St ; Et [St+1 ]; ¢ ¢ ¢ ; Et [St+¿ 0 ]) donde los elementos Et [¢] corresponde a la expec~ ~ ~ ~ Qij (S tativa formulada en tiempo t de estados a ocurrir en per¶ ³odos futuros; esto signi¯ca que las interacciones dependen tambi¶n de los pron¶sticos sobre los estados futuros del sistema. Evidentemente e o este es el caso de mayor complejidad y por lo general corresponden con los sistemas econ¶micos y/o o sociales donde la capacidad de racionalidad de los actores permite que las interacciones dependan de la expectativa de realizaciones futuras de los estados agregados o locales del sistema. Completando esta discusi¶n, en [128] se realiza una exhaustiva clasi¯caci¶n y representaci¶n constructiva o o o de los sistemas econ¶micos a partir de sus elementos constitutivos. o

2.6

Temas de inter¶s e

El estudio de econom¶ en evoluci¶n ha sido y es tema de estudio de muchos programas de in³as o vestigaci¶n. Entre los investigadores pioneros que dieron cuenta de las complejidades que tienen o lugar en los sistemas econ¶micos se cuentan Joseph Schumpeter y Armen Alchian [3] quienes estuo diaron la evoluci¶n y la incertidumbre en sistemas economicos. Los trabajos de W. Brian Arthur o sobre los procesos de retro-alimenteci¶n positiva en los procesos econ¶micos son particularmente o o importantes [10, 11, 12, 13]. Investigadores como R. Day [57]) y Goodwin [80] han estudiado econom¶ din¶micas caracterizadas por a aparici¶n de transiciones complejas. Los trabajos de ³as a o John Foster [71] brindan una aproximaci¶n evolutiva a la macroeconom¶ Herbert Simon [179] o ³a, estudi¶ los or¶ o ³genes del comportamiento de los agentes econ¶micos, Jack Hirshleifer [102] dio una o aproximaci¶n evolutiva a muchos fen¶menos econ¶micos e institucionales, Richard Nelson y Sidney o o o Winter [151] estudiaron los cambios econ¶micos tambi¶n desde una perspectiva evolutiva. Daniel o e Friedman [73] muestra la importancia de la teor¶ evolutiva de juegos en el comportamiento de ³a los agentes econ¶micos. En la Argentina, S. London y F. Tohme [128] han puesto de mani¯esto el o car¶cter evolutivo de la organizaci¶n institucional en los sistemas econ¶micos utilizando un enfoque a o o constructivista. El problema central de las investigaciones que se realizan en la econom¶ desde la ¶ptica ³a o de los sistema complejos es entender la aparici¶n aparentemente espont¶nea que coordinaci¶n y o a o

24

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

auto-organizaci¶n de los procesos econ¶micos. El desaf¶ consiste en lograr explicar c¶mo las o o ³o o regularidades globales tienen lugar a partir de las interacciones locales de agentes que operan de manera aut¶noma interconectados a trav¶s de canales reales o potenciales de transmisi¶n de o e o informaci¶n. Desde esta perspectiva, la racionalidad es vista como una hip¶tesis a ser veri¯cada y o o no como un punto de partida para el an¶lisis. a La aparici¶n del dinero como medio de cambio, la creaci¶n y desaparici¶n de mercados de o o o todo tipo, los proceso transicionales y cambios de r¶gimen en din¶micas macroecon¶micas, los proe a o cesos de aprendizaje, las fallas de coordinaci¶n, las crisis, los ataques especulativos, los problemas o de congesti¶n, etc. son algunos de los innumerables t¶picos en que la teor¶ de los sistemas compleo o ³a jos adaptativos podra contribuir para incrementar el conocimiento de los mismos. Las ¶reas en las a que podr¶ ser util este enfoque incluyen t¶picos de las teor¶ del comercio internacional, la teor¶ ³a ¶ o ³as ³a del crecimiento, la microeconom¶ con externalidades, la econom¶ de la innovaci¶n tecnol¶gica y ³a ³a o o el estudio de econom¶ con rendimientos crecientes a escala, la macroeconom¶ monetaria y ¯scal, ³as ³a la organizaci¶n industrial, la econom¶ urbana y espacial, etc. A continuaci¶n enumeramos y exo ³a o plicamos con cierto detalle algunos temas relevantes sobre los cuales estas teor¶ pueden resultar ³as utiles.

2.6.1

Externalidades y Complementariedad estrat¶gica e

Existen circunstancias en las que las soluciones basadas en la din¶mica de los mercados no dan a como resultado asignaciones e¯cientes de los recursos. Muchas de estas situaciones corresponden a la no existencia de ciertos mercados contingentes; en otros casos tienen lugar externalidades. Una externalidad est¶ presente en un sistema cuando las decisiones de un agente econ¶mico, sea a o un consumidor o una ¯rma, est¶n directamente afectadas por las acciones de otros agentes de a la econom¶ Las externalidades afectan las condiciones bajo las cuales tiene lugar el equilibrio ³a. competitivo de mercados, pudiendo dejar estos de ser estados pareto ¶ptimos. Un ejemplo t¶ o ³pico corresponde al problema de los bienes p¶blicos en los que el consumo del bien por parte de un u agente no excluye que otro tambi¶n lo consuma, como ocurre con la mayor¶ de las obras p¶blicas e ³a u como la seguridad, los parques y plazas, las calles, las rutas, etc. Los bienes privados en cambio son autom¶ticamente exclusivos ya que son s¶lo consumidos por quien paga para ello. Al no cumplir a o con el principio de exclusi¶n en el consumo de bienes p¶blicos, puede haber ine¯ciencias en la o u provisi¶n del mismo. o La presencia de externalidades se relaciona tambi¶n con la existencia de complementariedad e estrat¶gica que tiene lugar cuando la estrategia ¶ptima de un agente depende positivamente de e o las estrategias seguidas por otro. Debemos diferenciar la complementariedad estrat¶gica de los e llamados efectos de derrame (spillovers), estos ultimos se re¯eren a las interacciones entre agentes ¶ en los valores de la funci¶n de utilidad de cada uno, mientras que la complementariedad estrat¶gica o e se re¯ere a las interacciones entre las estrategias seguidas por los agentes. Se producen efectos de derrame si la estrategia utilizada por un agente modi¯ca la utilidad de los dem¶s, en cambio hay a complementariedad estrat¶gica cuando la modi¯caci¶n de una estrategia por parte de un agente, e o altera la estrategia ¶ptima de los dem¶s [52]. o a La existencia de complementariedad estrat¶gica puede dar lugar a fallas de coordinaci¶n e o cuando los agentes act¶an descentralizadamente. Es posible tambi¶n, que se produzcan equilibrios u e m¶ltiples (v¶ase la secci¶n 2.6.3 de este cap¶ u e o ³tulo). Las fallas de coordinaci¶n se presentan cuando no o se puede lograr un bene¯cio mutuo entre agentes puesto que individualmente no tienen incentivos para desviarse del estado logrado, a pesar de que existe un estado coordinado m¶s favorable. En a teor¶ de juegos la complementariedad estrat¶gica multiplica los equilibrios de Nash sim¶tricos, que ³a e e son de naturaleza no cooperativa. La complementariedad estrat¶gica se pone de mani¯esto en los e procesos de producci¶n que involucran la adopci¶n de tecnolog¶ (complementariedad tecnol¶gica o o ³as o y trading externalities [52]), en la demanda de determinados bienes sometidos a la moda (demand externalities), en los p¶nicos bancarios, problemas de congesti¶n y efectos de manada. a o

2.6. Temas de inter¶s e

25

2.6.2

Coordinaci¶n y din¶mica de las expectativas o a
Sigo al proceso, . . . , y el proceso me sigue a mi. No hay separaci¶n. o John Cage

En ¶ ³ntima relaci¶n con la noci¶n de complementariedad estrat¶gica se encuentra el estudio de o o e los procesos que, tanto en el nivel individual como en el colectivo, da lugar a la formulaci¶n y o validaci¶n de las expectativas. Los procesos sociales tienen un car¶cter intertemporal, por lo que o a las acciones realizadas hoy tienen implicancias futuras, e inversamente, muchas veces los agentes deben formular alg¶n tipo de pron¶stico acerca del comportamiento futuro del sistema para tomar u o decisiones en el presente. Esta cuesti¶n resulta ser un hecho bien conocido y muy discutido por la o ciencia econ¶mica. o Para estudiar estos t¶picos la econom¶ se ha valido de herramientas tales como la met¶fora o ³a a del agente representativo que elude el problema de coordinaci¶n inherente. Existe una enorme o cantidad de t¶picos relacionados con el estudio de la din¶mica de expectativas que, con la ayuda de o a los sistemas complejos adaptativos, podr¶ ser adecuadamente tratados. Es posible de clasi¯car ³an de los procesos que tienen lugar cuando se formulan expectativas con el objetivo de promover un estudio sistem¶tico [173]: a (i) Profec¶ auto-cumplidoras: se originan a partir de expectativas tales que inducen el tipo ³as de comportamiento que es el responsable de que la expectativa se cumpla. Mediando de los a~os '80 este tema comenz¶ a ser tratado en la econom¶ especialmente en lo que se re¯ere n o ³a, al estudio de crisis especulativas, cambiarias y bancarias. (ii) Profec¶ auto-desplazadas: se constituyen a partir expectativas que, considerando como ³as dado lo que espera el promedio de individuos, tiende a producir el resultado contrario. Por ejemplo, si esperamos que despues del mediod¶ los bancos se congestionan de gente, iremos ³a m¶s temprano; pero si todos piensan as¶ todos ir¶n m¶s temprano, siendo la hora del mediod¶ a ³ a a ³a la m¶s propicia para asistir ya que no habr¶ all¶ ning¶n cliente. a a ³ u (iii) Expectativas auto-equilibradas: tienen lugar cuando, a trav¶s de un proceso din¶mico, e a una expectativa auto-desplazada se corrige de manera end¶gena hasta alcanzar un estado estao cionario. Si todos los asistentes a una ¯esta llevan bebidas y muy pocos aportan comida, la pr¶xima semana ocurrir¶ lo contrario y a trav¶s de un proceso de ajuste lento habr¶ una o a e a correcci¶n tal que la provisi¶n de alimento y bebida converja a un estado estacionario consiso o tente con la satisfacci¶n del grupo (ajusta tipo telara~a). Por un lado, este tipo de proceso es o n adaptativo ya que involucra necesariamente, un aprendizaje inductivo guiado por la evoluci¶n o del sistema. Por el otro, es convergente siempre y cuando el sistema tenga una diversidad interna tal que permita la diversidad de las acciones. En el cap¶ ³tulo 3.6 estudiaremos, en un contexto estilizado, este tipo de evoluciones a partir del enfoque constructivo. (iv) Se~ales auto-con¯rmadas: Esta es otra categor¶ que corresponde a una situaci¶n en la n ³a o que una se~al externa se refuerza por la adopci¶n de acciones que, a su vez, refuerzan a esa n o se~al. Como ejemplo, podemos suponer que si un fabricante produce cigarrillos mentolados n con una envoltura verde, su competidor tambi¶n har¶ lo mismo. Dentro de esta clasi¯caci¶n e a o podemos tambi¶n incluir lo que se podr¶ denominar como convenciones auto-reforzadas. Una e ³a convenci¶n es una instituci¶n que se origina a partir de la inercia que van adquiriendo las o o decisiones de los individuos en un contexto colectivo. A modo de ejemplos: s¶ todos asistentes ³ a un concierto esperan que nadie aplauda entre los movimientos de un cuarteto, di¯cilmente alguien lo haga. El estudio de las se~ales auto-reforzadas en los procesos productivos se relan ciona con los procesos denominados de \lock-in", las dependencias del sendero y el fen¶meno o de hist¶resis, que son descriptos en las siguientes secciones. e

26

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

(v) Pseudo equilibrios: Tienen lugar cuando los agentes piensan que las variables de mercado surgen de decisiones basadas en pron¶sticos exactos de parte del transactor promedio. Es o posible pues, que los agentes traten a los precios y cantidades observados como se~ales conn ¯ables a¶n cuando, de hecho, son consecuencia de previsiones incorrectas. Comportamiento u fundados en errores de interpretaci¶n pueden sostenerse como equilibrios temporarios en los o cuales, dadas sus creencias iniciales y la evoluci¶n que registran los mercados, los agentes no o encuentran motivo para modi¯car sus acciones. En algunas circunstancias, si los individuos creen ¯rmemente que la evoluci¶n agregada de la econom¶ re°eja expectativas correctas, o ³a pueden verse inducidos a realizar elecciones transitoriamente auto-validades pero err¶neas, lo o que traer¶ aparejado una revisi¶n de planes en alg¶n momento. Estas \burbujas" aparecen ³a o u en modelos con m¶ltiples equilibrios temporarios; sin embargo, ellas no son \profec¶ auu ³as tocumplidas"; no surgen de alg¶n conjunto particular de expectativas coordinadas, sino m¶s u a bien de percepciones inconsistentes [97]. La clasi¯caci¶n que hemos realizado no es exhaustiva sin embargo es una gu¶ v¶lida que o ³a a permite esquematizar procesos sociales donde tienen lugar fen¶menos de auto-organizaci¶n a trav¶s o o e la interdependencia entre los niveles individuales y colectivos. En muchos casos, la simple agregaci¶n o mediante la construcci¶n de \agentes promedio" puede sesgar las descripciones que conduzcan a o una explicaci¶n consistente en todos los niveles. Desde esta perspectiva, la coordinaci¶n plena del o o sistema es como un comportamiento emergente que surge de estos mismos niveles de acci¶n. o

2.6.3

Equilibrios coordinados m¶ltiples: algunas implicancias econ¶micas u o

Supongamos que un sistema din¶mico discreto en el tiempo, determin¶ a ³stico y aut¶nomo caracteriza o el comportamiento de un modelo econ¶mico y que las leyes de movimiento de esta econom¶ pueden o ³a ser expresadas por xt+1 = f (xt ; ¹), en donde xt 2 X µ <n es el vector de las variables de estado, ¹ 2 M µ <m es el vector de par¶metros que afectan la estructura de la econom¶ y f es una a ³a, funci¶n continua y diferenciable. Un sistema con equilibrios m¶ltiples tiene lugar cuando la ¶rbita o u o del sistema din¶mico para diferentes condiciones iniciales no est¶ un¶ a a ³vocamente determinada y por lo tanto el Teorema de Cauchy-Peano no es aplicable [19]. Entonces, si <n es el espacio de estados del sistema din¶mico y los datos hist¶ricos permiten a o solamente predeterminar j < n condiciones iniciales, entonces toda ¶rbita compatible con esa o historia previa tendr¶ en principio n ¡ j grados de libertad que no est¶n determinados. Entonces, a a para toda condici¶n inicial que ubica al sistema en una variedad estable que conduce a un equilibrio, o habr¶ un continuo de equilibrios posibles que obviamente quedan indeterminados. a En muchos modelos econ¶micos la historia previa no suele alcanzar para determinar todo o el estado de las variables del sistema. Muchas condiciones iniciales se basan en expectativas de valores futuros, por ejemplo en los modelos tipo \forward-looking". Lo que en la econom¶ tiende ³a a quedar predeterminado por la historia previa suelen ser unicamente los \stocks" agregados de ¶ algunas variables [19]. Sin embargo, la existencia de procesos de ajuste del tipo\forward-looking" contribuyen a dejar indeterminados los resultados, especialmente cuando el espacio de estados contiene ajustes de precios competitivos. Otra raz¶n por la que pueden proliferar estados de equilibrio son las extero nalidades, la existencia de mercados incompletos y la imposibilidad de cuanti¯car todos los estados de la naturaleza en una estructura probabil¶ ³stica. Las externalidades, como la complementariedad estrat¶gica, establecen v¶ e ³nculos entre los premios que recibe un agente y las acciones de otros, con lo cual se tiende a condicionar todo comportamiento individual. La existencia de mercados incompletos tambi¶n contribuye a dar lugar a la aparici¶n de m¶ltiples soluciones pues reduce el n¶mero e o u u de condiciones independientes para el despeje de los mismos. Las soluciones de manchas solares o la utilizaci¶n de alg¶n ¶ o u ³ndice que cuanti¯que el sentimiento de los agentes pueden afectar tambi¶n los resultados de un equilibrio. Los equilibrios de e manchas solares presuponen que alg¶n supuesto del esquema de equilibrio general competitivo se u

2.6. Temas de inter¶s e

27

corrompe. Se utilizan las manchas solares para incorporar estados subjetivos cuya realizaci¶n es o dif¶ de conocer a priori ya que son cuanti¯cados por variables ocultas y dan lugar a profecias ³cil auto-cumplidoras. Cuando un modelo admite m¶ltiples estados de equilibrios aparece una di¯cultad fundau mental ya que cuando ¶stos est¶n indeterminados se requiere un esfuerzo de coordinaci¶n entre los e a o agentes econ¶micos, que socava el concepto mismo de previsi¶n perfecta. En un modelo dado, la o o econom¶ no \saltar¶" de una soluci¶n a otra a menos que sea de p¶blico conocimiento que todos ³a a o u esperan precisamente que ese cambio ocurra. La principal complicaci¶n que tiene lugar cuando o se emplean herramientas propias de la aproximaci¶n anal¶ o ³tica-deductiva (o \top down") es que no es posible predecir como se coordinar¶n las expectativas y, por lo tanto, cual ser¶ el equilibrio a a resultante. Nuevos criterios que permitan evaluar la robustez de cada equilibrio y que estudien los mecanismos por los cuales un equilibrio particular es seleccionado deber¶ ser motivo de futuras ³a investigaciones y puede suponerse que los modelos que parten de la aproximaci¶n constructiva (o o \bottom up") puedan eludir semejante complicaci¶n. o

2.6.4

Hist¶resis e

El t¶rmino hist¶resis ha sido usado en la Econom¶ para describir muchos fen¶menos distintos. e e ³a o Se le suele usar para describir la persistencia en las desviaciones del equilibrio. Otro uso es para dar cuenta de la presencia de ra¶ ³ces unitarias en ecuaciones diferenciales o en diferencias lineales. Ninguna de estas interpretaciones se corresponde con las de la f¶ ³sica donde tuvo origen el t¶rmino. e El concepto de hist¶resis fue alli aplicado a sistemas que exhiben un comportamiento remanente por e oposici¶n a uno persistente. Un sistema tiene un comportamiento remanente cuando la aplicaci¶n o o de una perturbaci¶n y su posterior remoci¶n cambian el estado de equilibrio. Esto signi¯ca que la o o aplicaci¶n de \shocks" de igual magnitud pero sentido opuesto produce efectos que no se cancelan o entre s¶ [162]. Un sistema que presenta hist¶resis en su comportamiento debe satisfacer dos reque³ e rimientos b¶sicos, a saber: el sistema debe responder en forma no lineal a las perturbaciones y los a elementos que conforman el sistema deben ser heterog¶neos de manera tal que la respuesta de cada e uno de ellos a la perturbaci¶n sea diferente7 . La presencia de estas dos caracter¶ o ³sticas hace que el sistema tenga una memoria selectiva de los pasados \shocks" que afecta el equilibrio presente del sistema. Para ejempli¯car este fen¶meno, consideremos un sistema que posee dos puntos ¯jos estables o y un unico par¶metro de control ¹ 2 <1 , que var¶ lentamente. La ¯gura 6.1 muestra el diagrama ¶ a ³a de bifurcaciones del sistema. Si ¹ est¶ creciendo y el sistema se encuentra en el punto xo , podr¶ a ³a volcarse hacia el segundo punto ¯jo x1 apartir del momento en que ¹ supere al valor ¹o . Como xo permanece estable, esto no ocurre a menos que ¹ > ¹1 > ¹o situaci¶n en la que suponemos o que xo se torna inestable. Si sistema se encuentra en cambio en el punto ¯jo x1 y el par¶metro de a control ¹ > ¹1 comienza a decrecer, el sistema salta del punto ¯jo x1 a xo reci¶n cuando ¹ pasa por e debajo de ¹o . El equilibrio del sistema entre los valores ¹o y ¹1 depende pues de su historia previa. Este tipo de comportamiento puede tener lugar cuando el sistema admite m¶s de un atractor. En a un sistema que presenta hist¶resis los estados observados no dependen unicamente del valor del e ¶ par¶metro de control, sino tambi¶n de sus historia previa. a e En Econom¶ se ha utilizado el concepto de hist¶resis para modelar, por ejemplo, el fen¶meno ³a e o de persistencia del desempleo [30, 72, 113]. La existencia de hist¶resis es un hecho estilizado que e pone de mani¯esto un comportamiento de naturaleze compleja.

2.6.5

\Lock-In" y dependencia del sendero en econom¶ ³a

Este fen¶meno tiene lugar cuando no es posible que el sistema abandone un estado una vez que o ¶ste es alcanzado [11, 10]. Existe dependencia de la trayectoria cuando dado un conjunto de e
7

Estas dos condiciones son necesarias pero no su¯cientes.

28

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

Figura 6.1: Diagrama de Bifuraciones para un sistema din¶mico con hist¶resis; la l¶ a e ³nea s¶lida o representa estabilidad, mientras que la punteada, inestabilidad de los punto ¯jos. alternativas o senderos factibles, una diferencia ef¶ ³mera o aparentemente inconsecuente en el estado inicial conduce inexorablemente a s¶lo uno de esos senderos posibles. Bajo estas circunstancias, los o ajustes marginales de los agentes econ¶micos no pueden garantizar un resultado ¶ptimo [33, 60]. o o Desde el punto de vista de la optimalidad o e¯ciencia, cuando hay \lock-in" o dependencia del sendero, caben las siguientes consideraciones: ² Las °uctuaciones iniciales, por insigni¯cantes que sean, pueden ubicar al sistema en un sendero que no puede ser abandonado sin costo. Ese sendero puede ser ¶ptimo (aunque no necesao riamente sea el unico). Ejemplos de este tipo pueden ser el proceso de selecci¶n que tuvo ¶ o lugar en la industria automotriz cuando, seg¶n el pa¶ se eligi¶ la ubicaci¶n del conductor al u ³s, o o momento de iniciarse la fabricaci¶n de autom¶viles, o la adopci¶n del sentido de rotaci¶n de o o o o las manecillas del reloj. ² Otra situaci¶n tiene lugar cuando se transita hacia un resultado ine¯ciente y el sendero es o remediable. Esto signi¯ca que en alg¶n momento es posible un arreglo que hace posible u optimizar el resultado y, sin embargo, el mismo no se lleva a cabo. Esta clase de dependencia del sendero entra en con°icto con el modelo de comportamiento optimizador de los sistemas econ¶micos y constituye una clara \falla del mercado". o La exclusi¶n entre tecnolog¶ competitivas posee esta caracter¶ o ³as ³stica t¶ ³pica de sistema cuya evoluci¶n depende de la historia. Seg¶n las consideraciones que se hagan, la selecci¶n de la norma o u o de video VHS en oposici¶n a la BETAMAX, o la adopci¶n del teclado alfanum¶rico QWERTY en o o e lugar de teclado propuesto por Dvorak, pueden ser ejemplos de los diversos tipos de dependencia del sendero que hemos detallado. Toda manifestaci¶n de dependencia del sendero debe ser entendida como un proceso irreo versible que esta ¶ ³ntimamente ligado al concepto de hist¶resis - ya de¯nido - y puede ser modelado e por procesos estoc¶sticos en los que se incorpora cierto contenido de memoria. Consideremos una a secuencia de elecciones de dos posibles alternativas mutuamente excluyentes A1 y A2 , cuyas probabilidades sean Pn y (1 ¡ Pn ) respectivamente. S¶ Ei es el evento que a tenido lugar en el suceso ³ i; hay dependencia del sendero si Pn+1 = f (Pn ; En ; ¢ ¢ ¢ ; En¡d ) (en cambio si d = 0 el proceso es independiente del sendero).

2.7. Ap¶ndices del Cap¶ e ³tulo

29

Arthur (1989) [11] supone que las manifestaciones de \lock-in" suelen ocurrir cuando se consideran sistemas que operan con rendimientos crecientes a escala. Este autor argumenta que la interpretaci¶n misma de la historia econ¶mica deber¶ ser diferente seg¶n la condiciones respecto de o o ³a u los rendimientos a escala. Bajo rendimientos constantes o decrecientes a escala, la evoluci¶n de los o mercados ser¶ solamente consecuencia de las dotaciones, preferencias y relaciones tecnol¶gicas ³an o existentes. Los eventos de menor magnitud no pueden ser capaces de ladear un resultado. Sin embargo, cuando la econom¶ opera con rendimientos crecientes a escala muchos resultados son ³a posibles y, por lo tanto circunstancias insigni¯cantes puede torcer la selecci¶n a un estado detero minado. Por esta raz¶n, este tema est¶ intimamente relacionado con la ocurrencia de equilibrios o a m¶ltiples en los modelo din¶micos. u a Por otro lado, en un contexto de competencia perfecta, la ausencia de mercados contingentes puede conducir a la estandarizaci¶n de una norma, o sistema de producci¶n equivocado. Todo o o proceso dependiente del sendero est¶ llamado a ser no erg¶dico ya que una vez visitada cierta a o regi¶n del espacio de fases, el sistema queda entrampado quedando otros subespacios no accesibles. o

2.7
2.7.1

Ap¶ndices del Cap¶ e ³tulo
El mapa log¶ ³stico

En esta secci¶n se ejempli¯car¶n propiedades y de¯niciones sobre sistemas din¶micos comentadas en la primer parte del ca¶ o a a ³tulo. Se analiza un mapa simple discreto unidimensional: el mapa log¶ ³stico. Este mapa tuvo sus or¶ ³genes en el estudio de la din¶micas a de poblaciones en sistemas ecol¶gicos. Si se supone que N(t) representa como funci¶n del tiempo la poblaci¶n de individuos de o o o un especie, su tasa de cambio est¶ dada por: a dN = Nacimientos ¡ Muertes + Migraciones dt (7.24)

El modelo m¶s simple no incorpora a la migraci¶n de individuos y supone que la cantidad de nacimientos y muertes a o son proporcionales a la poblaci¶n total con lo que: o dN =n¢N ¡m¢N dt ) cuya soluci¶n es: N (t) = N(0)e(n¡m)t o (7.25)

Claramente, si n > m la tasa de nacimientos es mayor a la de muertes y por lo tanto la poblaci¶n crece exponencialmente, si o n = m hay un equilibrio que mantiene a la poblaci¶n en una cantidad igual a la que hab¶ inicialmente, y ¯nalmente, si n < m, o ³a la poblaci¶n tiende a desaparecer. El primer investigador en analizar esta aproximaci¶n fue Malthus en 1798. Verhulst en 1836 o o formul¶ un modelo algo m¶s re¯nado suponiendo que opera un proceso auto-limitante cuando la poblaci¶n crece excesivamente o a o y sugiri¶ que: o

Esta es la ecuaci¶n log¶ o ³stica. La constante k da cuenta de la capacidad del medio ambiente que se supone determinada por la cantidad de recursos disponibles. Este nuevo sistema posee dos estados estacionarios (que anulan la derivada respecto del tiempo) en N = 0 y N = k. El primero es inestable y no es accesible a menos que la condici¶n inicial corresponda a ese o estado. El segundo, en cambio, es estable y corresponde al valor al que tiende la poblaci¶n cuando t ! 1. En este modelo o (cont¶ ³nuo) la soluci¶n de la ecuaci¶n diferencial 7.26 es la funci¶n sigmoide: o o o N(t) = N(0)ke®t que cumple con: k + N(0)(e®t ¡ 1) lim N(t) = k 8® > 0 (7.27)

¡ N¢ dN = ®N 1 ¡ dt k

(7.26)

t!1

Este modelo formulado en tiempo continuo puede re¯narse incorporando t¶rminos que representan la predaci¶n por e o otras especies, o agregando retardos debidos, por ejemplo, a determinados tiempos de gestaci¶n. Tambi¶n se pueden estudiar o e modelos poblacionales en los que se tiene en cuenta la distribuci¶n de las edades de los individuos de la especie, asignando una o probabilidad de muerte seg¶n la edad, etc. Sin embargo todos estos modelos suponen una superposici¶n continua entre una u o generaci¶n y otra y, como es dable suponer, muchas especies no poseen esa caracter¶ o ³stica pues su reproducci¶n tiene lugar en o determinados momentos del a~o. Para considerar estos casos, en necesario suponer que el sistema evoluciona en tiempo discreto n por lo tanto: Nt+1 = ®Nt 1 ¡

Si realizamos el simple cambio de variables xt = Nt =k, de modo de normalizar la poblaci¶n a 1, y se de¯ne ® = 4r, se obtiene o el mapa log¶ ³stico discreto [147]. Formalmente, la expresi¶n funcional de este mapa es: o xt+1 = 4rxt (1 ¡ xt ); con 0 · r · 1 y0·x·1 (7.29)

³

Nt ; k

´

® > 0;

k>0

(7.28)

El miembro derecho de la ecuaci¶n anterior posee un m¶ximo en x = 1=2 y su valor es r. Los puntos ¯jos de este o a mapa se obtienen de resolver una ecuaci¶n cuadr¶tica cuya soluciones son: o a

30

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

x¤ 1 x¤ 2

= =

0 1 1¡ 4r

(7.30) (7.31)

Su condici¶n de estabilidad se puede expresar en forma general: o j4 ¡ 8rx¤ j < 1 i x¤ 1
8.

(7.32)

El punto = 0 es estable cuando r < 1=4 Para = 1 ¡ 1=4r, la desigualdad 7.32 prescribe la estabilidad si 1=4 < r < 3=4 (la parte izquierda de la desigualdad nos garantiza que x¤ 2 [0; 1]). La ¯gura 7.2 muestra, dada una condici¶n inicial arbitraria, o 2 la evoluci¶n del sistema hacia el punto ¯jo estable para el caso en que r = 0:7. Adviertase que una manera de identi¯car o gr¶¯camente a los puntos ¯jos es trazando la recta f (x) = x e identi¯cando a los puntos de intersecci¶n entre ¶sta y la par¶bola. a o e a

x¤ 2

Figura 7.2: Espacio de fases y evoluci¶n del mapa log¶ o ³stico para r = 0:7
Cuando r > 3=4 y se llega a r ' 0:775, se da lugar a una bifurcaci¶n en la que se produce un desdoblamiento de per¶ o ³odo (¯gura 7.3). El mapa describe un sistema peri¶dico que oscila entre dos valores posibles (x+ ; x¡ ), mediante una evoluci¶n de o o la forma:

x+ x¡ Resolviendo este sistema acoplado se obtiene: x§ =

= =

4rx¡ (1 ¡ x¡ ) 4rx+ (1 ¡ x+ )

(7.33) (7.34)

El comportamiento oscilatorio resultante se muestra en la ¯gura 7.3. Si se aumenta progresivamente el valor de r se producen sucesivos desdoblamientos de per¶ ³odo. En la ¯gura 7.4 se muestra una ¶rbita de per¶ o ³odo 4. Cuando se aumenta aun m¶s el valor del par¶metro de control hasta r = 1 se observa que cualquier condici¶n inicial (con la excepci¶n de los dos puntos a a o o ¯jos (ambos inestables)), se produce una evoluci¶n que exhibe caos determin¶ o ³stico (¯gura 7.6). La transici¶n hacia el caos tiene lugar a trav¶s de una in¯nita sucesi¶n de desdoblamientos de per¶ o e o ³odo a medida que el par¶metro de control toma los valores r1 = 3=4; r2 ; ¢ ¢ ¢ ; rn ; ¢ ¢ ¢. El valor r1 = limn!1 rn = 0:89248625::: < 1 es la llamada a constante de Fiegenbaum [67]. La constante r1 es universal, esto es, se trata de un valor general para todos los mapas recursivos de la forma xt+1 = f (xt ; ¹), siempre que f (¢) tenga un m¶ximo y exhiba desdoblamientos de per¶ a ³odo. En la ¯gura 7.5 se muestra el diagrama de bifurcaciones que representa un muestreo de las soluciones asint¶ticas del o mapa log¶ ³stico para valores crecientes de r, tomando 1000 condiciones iniciales diferentes para cada uno de sus valores en el intervalo 0:7 < r < 1. Esto signi¯ca que en la ¯gura se gra¯can los valores de xt luego de 1000 iteraciones, partiendo de 1000 condiciones iniciales diferentes. Se observa c¶mo, al crecer r, el sistema sigue un sendero hacia el caos en el que se van o produciendo desdoblamientos de per¶ ³odo progresivos. Las zonas con mayor densidad de puntos corresponden a ¶rbitas ca¶ticas. o o Se puede observar as¶ mismo la existencias de ventanas estables. Feigenbaum demostr¶ en 1978 [67] que s¶ se identi¯ca a los ³ o ³ puntos en los se produce un desdoblamiento de per¶ ³odo, con valores: r2 ; r4 ; r6 ; ¢ ¢ ¢ ; r2n ; ¢ ¢ ¢, se veri¯ca que:

p 1 1 + 4r § 16r2 ¡ 8r ¡ 3 8r

h

i

(7.35)

Esta soluci¶n es estable s¶lo cuando hay un unico punto ¯jo x¤ de doble multiplicidad, y esto sucede cuando la o o ¶ par¶bola queda por debajo la recta con pendiente ¼=4; cuando r = 1=4 se produce la primera bifurcaci¶n que da a o lugar a dos puntos ¯jos; en los casos que analizamos se supone r > 1=4 y por lo tanto x¤ = 0 siempre es un punto 1 ¯jo inestable.
8

2.7. Ap¶ndices del Cap¶ e ³tulo

31

Figura 7.3: Espacio de fases y evoluci¶n del mapa log¶ o ³stico para r = 0:775

± = lim

n!1

r2(n+2) ¡ r2(n+1)

r2(n+1) ¡ r2n

= 4:669201609::: ¢ ¢ ¢

(7.36)

Figura 7.4: Espacio de fases y evoluci¶n del mapa log¶ o ³stico para r = 0:88
Otro resultado interesante y aplicable a todo tipo de mapa discreto unidimensional, es el teorema de Sarkovskii: Si f es una funci¶n continua cuyo mapa xt+1 = f (xt ; ¹) tiene un ciclo de per¶ o ³odo k, entonces tiene tambi¶n un ciclo de per¶ e ³odo k0 donde k0 es cualquier n¶mero entero tal que k  k0 . El s¶ u ³mbolo  corresponde al llamado orden de Sarkovskii que se de¯ne por la siquiente secuencia:

2 ¢ 3 Â 2 ¢ 5 Â 2 ¢ 7 Â : : : Â 2 ¢ (m + 1) Â : : : 4 ¢ 3 Â 4 ¢ 5 Â 4 ¢ 7 Â : : : Â 4 ¢ (m + 1) Â ::::::::::::::::::::::::::: :::::::::::::::::::::::::::

3 Â 5 Â 7 Â ::: Â 2 ¢ m +1 Â :::

2m ¢ 3 Â 2m ¢ 5 Â 2m ¢ 7 Â : : : Â 2m ¢ (2 ¢ m + 1) Â

2m  2m¡1  : : :  16  8  4  2  1 Este teorema es v¶lido para cualquier mapa continuo, no s¶lo para mapas unimodales que posean un m¶ximo en un a o a intervalo dado [a; b].

32

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

Figura 7.5: Diagrama de bifuraciones de mapa log¶ ³stico para valores de r 2 [0:70; 1]. Sea han tomado como muestras representativas 1000 condiciones iniciales diferentes y se gra¯ca el valor de la variable xt luego de 1000 iteraciones. Se ampli¯ca a la izquierda/abajo la ventana recuadrada.
El mapa log¶ ³stico para r = 1 se puede reducir a trav¶s de un cambio de variables a otro mapa conocido en la e literatura como mapa carpa o tent map. Este mapa es util pues permite averiguar algunas propiedades adicionales que, con las ¶ transformaciones adecuadas, se pueden aplicar al mapa log¶ ³stico. Si se considera el cambio de variables: xt = sen2

se reemplaza en la expresi¶n del mapa log¶ o ³stico y se utilizan identidades trigonom¶tricas apropiadas se llega a: e sen2 esta igualdad implica que:

³

¼yt 2

´

(7.37)

³

¼yt+1 2

´
si

= sen2 (¼yt )

(7.38)

¼yt+1 = ¼yt 2 ¼yt+1 = ¼ ¡ ¼yt 2 Finalmente se obtiene el mapa carpa: yt+1 =

0 · ¼yt · si

¼ 2

(7.39) (7.40)

¼ · ¼yt · ¼ 2

que se muestra en la ¯gura 7.7 Esta nueva ley de recurrencia es topol¶gicamente conjugada respecto del mapa log¶ o ³stico en el sentido de que existe un homeomor¯smo, (la ecuaci¶n 7.37) que convierte a las ¶rbitas del mapa log¶ o o ³stico en las del mapa carpa. Como el valor absoluto de las pendientes de ambos segmentos del mapa carpa son mayores que 1, queda asegurada la inestabilidad de los puntos ¯jos. La inspecci¶n del la k-¶sima iteraci¶n T (k) (y) muestra que hay 2k puntos de intersecci¶n entre el gr¶¯co de la iteraci¶n y la o e o o a o funci¶n identidad f (y) = y (bisectriz). El mapa tiene dos puntos ¯jos y1 = 0 y y2 = 2=3, los restantes 2k ¡ 2 puntos pertencen o a trayectorias per¶ ³odicas de per¶ ³odo k. Esto signi¯ca hay una trayectoria de per¶ ³odo dos (tomando 22 ¡ 2 = 2 puntos), dos trayectorias de per¶ ³odo tres (tomando 26 ¡ 2 = 6 puntos), etc. Por construcci¶n, los puntos que pertenencen a estas trayectorias o peri¶dicas tiene valores racionales sobre el eje y. o Consideremos el mapa carpa o tent map de¯nido en la expresi¶n 7.41, aplicando la ecuaci¶n de Frobenius - Perron o o (4.14), sobre todo el intervalo unitario: ½e (y) = Calculando la integral se obtiene:

n

2yt 2 ¡ 2yt

Si 0 · yt · 1=2 Si 1=2 · yt · 1

(7.41)

Z

1=2

o

±(y ¡ 2yo )½e (yo )dyo +

Z

1

1=2

±(y ¡ (2 ¡ 2yo ))½e (yo )dyo

(7.42)

2.7. Ap¶ndices del Cap¶ e ³tulo

33

Figura 7.6: Espacio de fases y evoluci¶n del mapa log¶ o ³stico para r = 1

Figura 7.7: Mapa carpa o Tent Map T (x).
h ³ ´ ³ ´i

½e (y) =

1 y ½e 2 2

+ ½e 1 ¡

y 2

(7.43)

Esta ecuaci¶n admite una unica soluci¶n derivable e integrable en el sentido de Lebesgue9 y normalizada (ver [177]): o ¶ o ½e (y) = 1
10 :

(7.44) yo ; f (yo ); f (f (yo )); ¢ ¢ ¢ ; f (n) (yo ); ¢ ¢ ¢

Este resultado indica que la secuencia ca¶tica de iteraciones o cubre uniformemente el intervalo [0; 1] cuando n ! 1, y por lo tanto el sistema es erg¶dico. M¶s formalmente, la medida invariante de un o a conjunto dado para este sistema es la longitud de todo el intervalo [0; 1]. Como el mapa carpa est¶ vinculado topol¶gicamente a o con el log¶ ³stico (para r = 1) por el simple cambio de variables 7.37, se puede calcular la densidad estacionaria para el mismo. Teniendo en cuenta la conservaci¶n de la probabilidad frente a cambios de variables se tiene: o ½e dx(mapa log¶ ³stico) = ½e (y)dy(mapa carpa) y como ½e (y) = 1, usando la expresi¶n 7.37: o ½e (x) = por lo tanto:
9 10

(7.45)

d dx

³

p 2 arcsen( x) ¼

´

(7.46)

De manera tal que C ½e (y)dy es ¯nita. Recu¶rdese que el mapa log¶ e ³stico es ca¶tico para r = 1 o

R

34

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

Figura 7.8: Primera y segunda iteraci¶n del mapa carpa evaluado en (z +1=2). El ¶rea del tri¶ngulo o a a no depende de la iteraci¶n. o

½e (x) =

¼

Ambas densidades de probabilidad son derivables y no est¶n localizadas en el espacio de fases y pueden admitir a singularidades, sin embargo esto no compromete la ergodicidad pues los puntos singulares representan un conjunto de medida (de Lebesgue) nula. Para analizar la sensibilidad a las condiciones iniciales hab¶ ³amos de¯nido el exponente de Lyapunov como (ecuaci¶n o

p

1

x(1 ¡ x)

(7.47)

¸(xo )

= ´

n!1 ²!0

lim lim lim 1 n

f (n) (xo + ²) ¡ f (n) (xo ) 1 ln j j n ² ln jf 0 (xi )j

(7.48) (7.49)

n!1

n¡1 X i=0

Como para sistemas erg¶dicos este promedio temporal debe ser independiente de las condiciones iniciales11 , debe o cumplirse: ¸(xo ) = ¸ =

Z

½e (x) log jf 0 (x)jdx

(7.50)

Aplicando este resultado al mapa carpa 7.41, y sabiendo que ½e (y) = 1, se obtiene: ¸(mapa carpa) = ln 2 > 0 (7.51)

Es posible realizar este c¶lculo sobre el mapa log¶ a ³stico (si r = 1) utilizando la expresi¶n 7.50 con la densidad de o probabilidades 7.47: ¸(mapa log¶ ³stico) =

Z

1

lnj4 ¡ 8xj ¼

o

Como vimos, el exponente de Lyapunov mide la sensibilidad a las condiciones iniciales. En ambos casos, se obtuvo un valor de ln 2, que evidencia que la discrepancia entre ¶rbitas que parten de condiciones iniciales cercanas se duplica luego de o cada iteraci¶n. o Siguiendo con este ejemplo, podemos calcular tambi¶n la funci¶n de correlaci¶n del mapa carpa utilizando la exe o o presi¶n 4.23: o

p

x(1 ¡ x)

dx = ln 2 > 0

(7.52)

C(¿ )
11

=

Z

1

o

yf (¿ ) (y)dy ¡

hZ

1

ydy

o

i2

(7.53)

Excepto para un conjunto de medida (de Lebesgue) nula.

2.7. Ap¶ndices del Cap¶ e ³tulo
Z
1=2

35
³
1 1 z+ dz + 2 2

= =

zf

(¿)

1 ±0;¿ 12

¡1=2

´

Z

1=2

f (¿ ) z +

¡1=2

³

1 2

´

¡

1 4

(7.54) (7.55)

esto signi¯ca que la secuencia de iteraciones esta delta - correlacionada. Se obtiene este resultado ya que la expresi¶n f (n) (z+1=2) o es sim¶trica respecto de z = 0, entonces la primer integral es nula 8¿ > 0 y la segunda integral es independiente de ¿ como se e muestra en la ¯gura 7.8.

2.7.2

Estabilidad lineal y acoplamiento entre mercados

Para ejempli¯car y aplicar en un contexto econ¶mico la forma de realizar un an¶lisis de estabilidad lineal, o a consideremos un mercado cuyos precios ajustan seg¶ n excesos de demanda siguiendo en esquema de ajuste u \Walrasiano": dp = f (p) dt (7.56)

donde f (p) es una funci¶n creciente del exceso de demanda y, por lo tanto decreciente en el propio precio. o El precio de equilibrio del mercado po satisface la condici¶n f (po ) = 0. Si f 0 (po ) < 0 queda asegurada la o estabilidad para peque~os apartamientos del precio de equilibrio, por otro lado ¿ = jf 0 (po )j¡1 de¯ne una n escala temporal para el ritmo de transacciones que puede resultar menor cuando no hay costos de transacci¶n o y la informaci¶n es perfecta, como suele suponerse en situaciones idealizadas. Ahora, si estudiamos la o din¶mica de un conjunto de n mercados acoplados entre s¶ se deber¶ analizar la din¶mica del vector de a ³ a a precios ~(t). Siguiendo el mismo tipo de an¶lisis, la evoluci¶n de este vector deber¶ depender del vector de p a o ³a ~ excesos de demanda f : d~ p ~p = f (~) dt (7.57)

Considerando a peq el vector de precios en el equilibrio podr¶ hacerse un an¶lisis para peque~ as ~ ³a a n perturbaciones que apartan al sistema de este equilibrio y estudiar la estabilidad del mismo. Para hacer esto, podemos entonces linealizar al sistema, es decir que, dada una perturbaci¶n ~ realizamos un desarrollo o ± de Taylor a primer orden alrededor del valor peq , por lo tanto: ~ d~ ± ¹ p = M (~eq ) ¢ ~ ± dt (7.58)

~ ¹ ¹ donde M 2 <n£n es la matriz Jacobiana de f evaluada en peq . Los elementos diagonales de M determinan ~ el efecto directo de los precios del mismo mercado. Si suponemos que cada mercado por s¶ mismo es estable, ³ estos elementos de matriz deber¶n ser negativos y, por lo tanto se puede suponer que tienen un valor promedio a de ¡D. Este valor cuanti¯ca la velocidad media de ajuste de los mercados. Obviamente los t¶rminos no e diagonales describen el efecto del cambio del exceso de demanda de un mercado sobre el precio de otro. Si el acoplamiento es d¶bil ese elemento deber¶ ser cercano a cero. e a El efecto de una perturbaci¶n peque~ a sobre el punto ¯jo peq puede conocerse determinando el o n ~ ¹ autovalor de M de mayor parte real E ya que resolviendo el sistema de ecuaciones diferenciales linealizado, ~ / eE¢t . S¶ E < 0 la perturbaci¶n se disipa y se restituye el equilibrio, mientras que en el caso contrario el ± ³ o equilibrio ser¶ inestable y la perturbaci¶n ~ aumentar¶ su amplitud inexorablemente. a o ± a Un estudio que puede realizarse es analizar el comportamiento promedio sobre un ensamble de estados, considerando, dadas las restricciones formales, todas las matrices que puedan ser posibles matrices Jacobianas, obtenidas de distribuciones con media y varianza conocida [107]. Podemos realizar este an¶lisis a en diversos casos. a) Supongamos primeramente que en el conjunto de mercados acoplados los bienes pueden ser tanto sustitutos como bienes complementarios, por lo tanto el promedio de elementos no diagonales es nulo. Entonces, utilizando algunos resultados de la teor¶ de matrices estoc¶sticas, se demuestra que la distribuci¶n de ³a a o autovalores sigue la ley de Wiener: E = 2¾ ¢ p n¡D (7.59)

Se veri¯ca entonces que este promedio es positivo cuando n es su¯cientemente grande.

36

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

b) Un caso m¶s realista podr¶ partir de la suposici¶n de que los cambios sobre un precio est¶n en promedio a ³a o a balanceados por los cambios en otros, produci¶ndose una media no nula. En esta situaci¶n el Teorema de e o Furedi y Komlos [107] establece que en promedio del mayor autovalor va como: E = (n ¡ 1) ¢ ¹ + ¾2 ¡D ¹ (7.60)

siendo ¹ el valor promedio de los acoplamientos, que suponemos positivo. Adem¶s los valores de E quedan a normalmente distribuidos con una varianza 2¾ 2 , lo que implica que cuando el tama~ o del sistema crece, n muchas de estas matrices tendr¶n autovalores positivos, produci¶ndose nuevamente una tendencia a la ina e estabilidad. c) Si la matriz no es sim¶trica y los elementos no diagonales tienen una media positiva ¹ y varianza ¾ 2 , y e sobre la diagonal la media es ¡D, el mayor autovalor crecer¶ con n de acuerdo a a E » ¹(n ¡ 1) ¡ D (7.61) Como ¹ es positivo se veri¯ca que existe un valor de n para el que el equilibrio se torna inestable. Un argumento en favor de la estabilidad de estos mercado acoplados radica en el hecho de que no todos los productos suelen estar vinculados entre s¶ En los casos en los que esto ocurra dos situaciones pueden tener ³. lugar, una en la que el Jacobiano puede descomponerse en bloques y otra que implica que un mercado este fuertemente in°uenciado por unos pocos y d¶bilmente por el resto, produci¶ndose agrupamientos de e e mercados (o lo que se denomina en ingl¶s como clusters). e En este caso las matrices estoc¶sticas se pueden construir seleccionando los elementos fuera de la a diagonal en forma aleatoria con una magnintud igual a 1 (grande) con probabilidad p y una peque~ a (² ¿ 1) n con probabilidad (1 ¡ p). En este caso ¹ = p + (1 ¡ p) ¢ ² y ¾ 2 = p(1 ¡ p)(1 ¡ ²)2 . El valor promedio de mayor autovalor es similar al ultimo mostrado por lo tanto tambi¶n es inestable para n (el n¶ mero de mercados ¶ e u acoplados) grande. d) Consideremos el caso en que los productos se agrupan en una estructura o ¶rbol jer¶rquico de profundidad a a d y tasa de rami¯caci¶n b. La intensidad de la interacci¶n entre dos mercados se de¯ne como Rh , con h el o o n¶ mero de niveles jer¶rquicos que separan a los dos mercados, y R caracteriza la reducci¶n de la intensidad u a o de la interacci¶n. o Seg¶ n los resultados obtenidos a partir del estudio de matrices estoc¶sticas, el tama~ o promedio de u a n la matriz es n = bd y la media sobre los elementos no diagonales: ¹= Pd Pd
h=1

bh¡1 (b ¡ 1)Rh bh¡1 (b ¡ 1)

=

h=1

(Rb)d ¡ 1 R(b ¡ 1) bd ¡ 1 Rb ¡ 1

(7.62)

Si se supone que R < 1=b se puede veri¯car que ¹= R(b ¡ 1) (1 ¡ Rb)n (7.63)

con lo cual el sistema tiende a una media nula cuando n crece, por lo que el sistema tiende a ser estable. Sin embargo, cuando R > 1=b, en el l¶ ³mite de n À 1: ¹ = Rd R(b ¡ 1) R(b ¡ 1) lnR = n lnb Rb ¡ 1 Rb ¡ 1 (7.64)

como ¡1 < lnR < 0, ¹ tiende a cero al crecer n, sin embargo la ecuaci¶n 7.61 posee el t¶rmino positivo ¹n o e lnb que crece con n pudiendo ser un sistema inestable. Puede veri¯carse tambi¶n que el valor de n para esta e inestabilidad tiene lugar es mayor que para el caso en que la jerarqu¶ est¶ ausente. ³a a Hemos mostrado como un entramado de mercados puede conducir a situaciones de desequilibrio e inestabilidad cuando la cantidad de mercados que est¶n acoplados crece progresivamente. Esta conclusi¶n se a o ha realizado analizando el comportamiento de matrices Jacobianas aleatorias, cuyos valores medios describen de la componente lineal de la din¶mica de precios. Cabe preguntarse por qu¶ nuestra percepci¶n acerca del a e o comportamiento y estabilidad de los mercados reales suele ser la opuesta. En realidad, las inestabilidades explosivas de los mercados suelen manifestarse como eventos \extra~ os" o poco frecuentes. No obstante, los n mercados reales tienden a vincularse y, el conjunto parece ganar robustez y estabilidad en lugar de perderla. Una posible respuesta podr¶ surgir de considerar los procesos adaptativos que necesariamente deber¶ ser ³a ³an

2.7. Ap¶ndices del Cap¶ e ³tulo

37

considerados en el estudio de los mercados reales. La din¶mica de los mercados no s¶lo depende de los a o precios vigentes sino tambi¶n de los precios pasados y los futuros esperados y, por lo tanto, se desarrollas e comportamientos de arbitraje entre mercados y en el tiempo, que en \condiciones normales" tienden a estabilizar el sistema. En este modelo que hemos presentado el ajuste de precios se realiza atrav¶s de un \imaginario e rematador Walrasiano est¶tico" que no adapta o modi¯ca las funciones de exceso de demanda durante a la evoluci¶n del tiempo. Si los agentes econ¶micos advierten la aparici¶n de una inestabilidad, la misma o o o capacidad de adaptaci¶n que los agentes poseen pueden llevar al sistema a modi¯car los acoplamientos entre o mercados de manera de ubicar al sistema en un nuevo sendero estable [107].

38

Cap¶ ³tulo 2. Sistemas Din¶micos y sistemas Complejos a

Cap¶ ³tulo 3

Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o
3.1 Comportamientos econ¶micos y heterogeneidad o

Los sistemas econ¶micos comprenden intrincadas redes de interacciones entre agentes. Hemos o comentado ya que en la b¶squeda de satisfacer sus objetivos, estos desarrollan elaboradas conductas u de procesamiento de datos y toma de decisiones de manera descentralizada y asincr¶nica. Se podr¶ o ³a imaginar una estrategia de modelizaci¶n que, partiendo de elementos \b¶sicos" { los agentes con sus o a caracter¶ ³sticas y \capacidad de conocimiento", y ciertas reglas de interacci¶n{ tratara de describir o el comportamiento emergente del conjunto del sistema. Est¶ claro que hace falta recurrir a fuertes a simpli¯caciones, sea respecto de las conductas de los individuos, sea en cuanto a los entornos en los cuales se supone que ellos operan. Parece dif¶ por otra parte, establecer un¶ ³cil ³vocamente las simpli¯caciones apropiadas ya que es de esperar que ellas dependan del fen¶meno que se estudia y o del prop¶sito del an¶lisis. o a Buena parte de la literatura econ¶mica se basa en un conjunto espec¶ o ³¯co de pautas de representaci¶n. Entre ellas se destaca la descripci¶n de los agentes como optimizadores de alguna o o funci¶n bien de¯nida. Consid¶rese un problema de elecci¶n gen¶rico para un agente. Si trata de o e o e ordenar sus transacciones con los dem¶s a partir de la maximizaci¶n de una funci¶n de utilidad, a o o ¶sta deber¶ tener - en principio - tantos argumentos como transacciones posibles, en cada momento e ³a y en cada \estado de la naturaleza". El problema (si es que el agente llegara a formularlo) tiene complejidad combinatoria [190], y su soluci¶n requiere a una capacidad computacional virtualmente o ilimitada (para m¶s detalles, v¶anse las secciones 3.4.1, 3.4.2 y 3.4.3 de este cap¶ a e ³tulo). La hip¶tesis o de que \los agentes optimizan" no puede, por lo tanto, tener validez general. Caben dos alternativas: la primera es concebir un enfoque \constructivo" (\bottom up"), que represente a sistemas en entornos complicados \componiendo", comportamientos de agentes representados de manera esquem¶tica o procedural. La segunda, que es sin dudas la m¶s com¶nmente adoptada, consiste en a a u \empobrecer" el entorno de cada agente, de modo que el problema de decisi¶n se simpli¯que en la o medida necesaria como para que se puedan emplear las t¶cnicas usuales de optimizaci¶n. e o Si bien este segundo procedimiento ha dado lugar a una gran variedad de resultados utiles, ¶ suele quedar fuera de foco la cuesti¶n de c¶mo (y hasta qu¶ punto) se alcanza la coordinaci¶n de las o o e o acciones interdependientes de los agentes. En particular, los modelos de \agente representativo" ignoran los problemas de agregaci¶n [134, 135, 116]) pero, adem¶s, dejan de lado, por la propia o a construcci¶n del modelo, el an¶lisis de los mecanismos que reconcilian los planes individuales de o a los distintos agentes. En esos modelos, las condiciones de ¶ptimo del agente representativo generan o variables que se interpretan como \precios sombra", pero resulta imposible dar un sentido espec¶ ³¯co a la proposici¶n de que el sistema de precios act¶a como difusor de informaci¶n y como gu¶ para o u o ³a la asignaci¶n de recursos. o 39

40

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Algo similar ocurre con la descripci¶n de decisiones intertemporales. En ausencia de un o sistema de mercados completos, los planes individuales dirigidos al futuro deben basarse en expectativas referidas no solo a las variables \ex¶genas" al sistema, sino tambi¶n a las decisiones y o e acciones de los dem¶s agentes del sistema. Pero no existen aqu¶ mecanismos que reconcilien los a ³ planes. La hip¶tesis usual de expectativas racionales postula que los agentes derivan sus previsiones o a partir de las leyes de movimiento (posiblemente estoc¶sticas) que el sistema genera a partir de a los comportamientos inducidos por esas mismas proyecciones 1 . Esa propiedad \de punto ¯jo" caracteriza un equilibrio de expectativas, en el cual las previsiones de los agentes se basan en las \verdaderas" distribuciones de probabilidades que generar¶n las realizaciones futuras. La coordia naci¶n de planes intertemporales no proviene de la operaci¶n (interpersonal) de los mercados: ella o o ya estar¶ impl¶ ³a ³cita en el mismo proceso de decisi¶n de los agentes individuales. o En ese sentido, la hip¶tesis de expectativas racionales supone una extrema compatibilidad o de las racionalidades individuales (secci¶n 3.1.1). La hip¶tesis tendr¶ aplicabilidad limitada a los o o ³a casos en que los sistemas han venido funcionando en un \r¶gimen" con propiedades estacionarias, de e modo que pueda suponerse que los agentes han llegado a conocer las \caracter¶ ³sticas sistem¶ticas" a de su entorno. Sin embargo, parece haber una gran variedad de situaciones de inter¶s econ¶mico e o que no se corresponden con esta hip¶tesis. Recientemente, se han desarrollado modelos que buscan o describir el aprendizaje de los agentes (por ejemplo, a trav¶s de algoritmos adaptativos), y donde e la consistencia entre expectativas y realizaciones resulta, en todo caso, como propiedad asint¶tica o 2. Desde el punto de vista de la organizaci¶n interna del sistema, los modelos de expectativas o racionales, as¶ como aquellos en los que las expectativas se generan a trav¶s de un unico algoritmo de ³ e ¶ aprendizaje, comportan una enorme simpli¯caci¶n del sistema. En general, es probable que exista o una apreciable diversidad en las percepciones y expectativas de los agentes (aun cuando ¶stos tene gan acceso a un conjunto unico de datos). Se plantea, entonces, la construcci¶n de representaciones ¶ o que permitan incorporar, en forma manejable, la heterogeneidad de previsiones y comportamientos. Interesa particularmente el an¶lisis de la evoluci¶n de los mecanismos de formaci¶n de expectatia o o vas, entendida como la din¶mica de poblaciones de agentes que utilizan diferentes esquemas para a formularlas. En la secci¶n 3.2 consideramos como ejemplo un modelo con agentes heterog¶neos (algunos o e 3 ). El procedimiento utilizado para representar la din¶mica en la hede los cuales son \ruidosos" a terogeneidad de los agentes se basa en el principio de m¶xima entrop¶a que se describe en detalle. a ³ Seg¶n este principio los agentes tienen un comportamiento probabil¶ u ³stico con una distribuci¶n tal o que minimiza el sesgo con que se toman las decisiones. En el modelo se supone que es posible, a un cierto costo, formar expectativas sobre la base del modelo del sistema mientras que las expectativas basadas en las realizaciones pasadas se formulan a un costo menor, pero se paga el costo de predicciones incorrectas. Se ve que es posible generar gran variedad de din¶micas. Pueden existir a equilibrios m¶ltiples, estables e inestables; el sistema puede tener ciclos l¶ u ³mites o din¶micas ca¶ticas. a o El ejercicio se muestra a t¶ ³tulo de ejemplo: compararlo con situaciones reales entra~a di¯cultades: n no es sencillo asignar a los par¶metros de control una interpretaci¶n econ¶mica precisa, as¶ como a o o ³ establecer una correspondencia entre las escalas de tiempo del modelo y las de un sistema real. El ejercicio ilustra llamativamente de qu¶ manera, a¶n en modelos relativamente simples, la diversidad e u intr¶ ³nseca entre los agentes del sistema puede dar lugar a una multiplicidad de din¶micas. a

V¶ase la secci¶n 3.1.1, donde se detallan la principales caracter¶ e o ³sticas de la hip¶tesis de expectativas racionales. o En [171, 64, 97] se presentan modelos donde el aprendizaje acerca de la tendencia del producto puede generar °uctuaciones en el gasto agregado. 3 V¶ase [58] y [136], donde se presentan modelos de agentes ruidosos para estudiar la evoluci¶n del tipo de cambio e o en la Argentina.
2

1

3.1. Comportamientos econ¶micos y heterogeneidad o

41

3.1.1

Agentes con expectativas racionales
\Lo sabe todo, absolutamente todo. Fig¶ rese lo tonto que ser¶". u a Miguel de Unamuno

Esta hip¶tesis, formulada inicialmente por Muth en 1961 [148], supone que las expectativas, desde el momento que se o constituyen como predicciones informadas de acontecimientos futuros, deben ser iguales, a las predicciones de la teor¶ econ¶mica ³a o relevante. La hip¶tesis supone pues, que los agentes econ¶micos formulan sus expectativas acerca de las variables econ¶micas o o o utilizando como base de sus pron¶sticos el mismo modelo que da lugar al comportamiento de las variables. Esto signi¯ca que las o distribuciones de probabilidades objetivas (que determinan los estados del sistema) son id¶nticas a las distribuciones subjetivas e que utilizan los agentes para formular sus expectativas. Entonces, las expectativas diferir¶n de los valores verdaderos s¶lo a a o causa de la incertidumbre del sistema dada por las componentes estoc¶sticas irreducibles. Formalmente: podemos de¯nir como: a ²t = xt ¡ xe al error de previsi¶n de una variable econ¶mica x en el momento t donde la expectativa fue formulada en instantes o o t anteriores; entonces, s¶ xe = E(xt jIt¡1 ) es la expectativa de la variable x para el momento t, formulada en t ¡ 1, dado que la ³ t informaci¶n disponible en t ¡ 1 es It¡1 . Bajo la hip¶tesis de expectativas racionales, el valor esperado del error de previsi¶n o o o (calculado para la verdadera distribuci¶n que determina la ley de movimiento) es nulo, esto es: o E(²t =It¡1 ) = = E(xt =It¡1 ) ¡ E E(xt =It¡1 )=It¡1 = E(xt =It¡1 ) ¡ E(xt =It¡1 ) ´ 0

¡

¢

(1.1) (1.2)

El supuesto de expectativas racionales di¯ere pues, de la llamada previsi¶n perfecta porque admite la aparici¶n o o de incertidumbre en los modelos, la cual es representada por elementos estoc¶sticos. Los agentes pueden formular diversas a expectativas s¶lo si no conocen con exactitud los datos que el modelo genera. No obstante, bajo la hip¶tesis de expectativas o o racionales, estas deben estar generadas por la correcta distribuci¶n de probabilidades. o La primer formulaci¶n de esta hip¶tesis fue desarrollada por Muth [148] a partir de un esquema microecon¶mico que o o o supon¶ impl¶ ³a, ³citamente, una separaci¶n entre el problema de decisi¶n que enfrenta un agente econ¶mico al buscar optimizar o o o sus objetivos dadas las expectativas por una parte y las formulaci¶n de las mismas por la otra. Sin embargo fueron Lucas y o Sargent, en 1981 [129] quienes mostraron que mantener esa separaci¶n era innecesario, cuando un agente representativo toma o decisiones maximizando una funci¶n de utilidad esperada. Estos autores formularon la hip¶tesis de expectativas racionales en o o contextos macroecon¶micos e intertemporales. o La hip¶tesis de expectativas racionales exige que las percepciones del conjunto de agentes sean consistentes entre s¶ o ³. Las expectativas racionales suponen impl¶ ³citamente y por hip¶tesis que todos los agentes saben, que todos los agentes saben, o que todos los agentes saben ... Eludiendo esta circularidad, la teor¶ econ¶mica { en especial la macroeconom¶ { comenz¶ a ³a o ³a o desarrollar modelos basados en la construcci¶n del \agente representativo" que presentan una imagen sencilla del problema de o coordinaci¶n intertemporal: por hip¶tesis, el agente \internaliza" los efectos futuros de sus decisiones actuales. La incertidumbre o o que enfrenta un agente de estas caracter¶ ³sticas se re¯ere a la componente estoc¶stica de las variables ex¶genas, pero no le hace a o falta arriesgar conjeturas sobre los planes de los dem¶s agentes acerca de estas variables, eludiendo, de esta forma, el problema a de alta complejidad al momento de formar sus previsiones hacia el futuro. En raz¶n de verdad, la hip¶tesis de racionalidad es un concepto que se incorpora en la econom¶ como una hip¶tesis o o ³a o instrumental que permite desarrollar modelos con facilidad y hasta cierto punto contrastables con algunos hechos estilizados. La discusi¶n sobre el m¶todo con el que se determinan las expectativas tiene relevancia pr¶ctica si bien no siempre es debidamente o e a tenida en cuenta al formularse esos modelos te¶ricos. En realidad, las expectativas pueden determinarse en forma inconsistente, o es decir, de un modo tal que las decisiones corrientes tengan impl¶ ³citos desequilibrios futuros no detectables directamente a partir de la informaci¶n disponible en el momento en que la decisi¶n se toma [92, 97]. o o En general, la hip¶tesis de expectativas racionales por s¶ sola no permite determinar el resultado de un modelo. Existe o ³ una variada cantidad de modelos basados en ella que poseen m¶ltiples equilibrios (v¶ase la secci¶n 2.6.3 del cap¶ u e o ³tulo 2). Es necesario recurrir a otros supuestos basados en alg¶n tipo de esquema de aprendizaje que permita entender como se seleccionan u los equilibrios cuando el sistema exhibe una multiplicidad de ellos. Si entendemos la hip¶tesis de expectativas racionales como aquella que nos permite encontrar un punto ¯jo en el mapa o que existe entre las percepciones de los agentes y las leyes de movimiento de un sistema le estaremos imputando a los agentes que operan en el mismo m¶s conocimiento y capacidad del que poseen los economistas que construyen ese modelo. Se estar¶ a a suponiendo que los agentes de un modelo conocen objetivamente el valor de aquellas variables que cualquier econometrista intenta estimar con probabilidad de ¶xito incierta. e La hip¶tesis de expectativas racionales se suele basar en diversos argumentos, sea como una derivaci¶n del postulado o o de racionalidad individual, sea como un precepto metodol¶gico de consistencia con el modelo, sea como el l¶ o ³mite de un proceso de aprendizaje. En el primer caso, el conocimiento de las distribuciones de probabilidad relevantes se trata a la manera de un atributo de los agentes, en una categor¶ similar a la de las preferencias o las dotaciones iniciales de bienes o factores. Pero, la ³a noci¶n de que los individuos tratan de comprender el entorno en que operan y no desaprovechan informaci¶n no implica que o o las expectativas sean racionales en el sentido usual. La presencia de incentivos para que los individuos usen datos disponibles al formar sus previsiones no limita particularmente los modos en que esos datos ser¶n procesados. Y resulta algo parad¶gico suponer que mientras que la informaci¶n a o o cuantitativa puede ser costosa, el conocimiento en el sentido de los procedimientos empleados para interpretar esa informaci¶n y o realizar inferencia est¶ disponible, impl¶ a ³citamente, sin restricciones y sin costo. Si se admite que la identi¯caci¶n de m¶todo para o e procesar los datos es una actividad costosa, lo cual no parece una hip¶tesis extrema, hace falta tener en cuenta la complejidad o del problema de inferencia que enfrentan los agentes [92]. Por cierto, la hip¶tesis de expectativas racionales es de gran utilidad o en muchos contextos. Pero dif¶ ³cilmente se le pueda asignar validez universal

42

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

3.1.2

El rol del aprendizaje

En la actualidad muchos modelos macroecon¶micos est¶n comenzando a incorporar procesos de aprendizaje como mecanismo o a de determinaci¶n de expectativas con la ¯nalidad de enriquecer la din¶mica y explicar hechos a¶ n no comprendidos bajo el o a u supuesto de \racionalidad". Algunos autores introducen esquemas de aprendizaje para mostrar convergencia a equilibrios con expectativas racionales y as¶ intentan justi¯car esta hip¶tesis. Otro bene¯cio potencial de la incorporaci¶n de procesos de ³ o o aprendizaje en los modelos surge de la necesidad de estudiar representaciones que poseen m¶ltiples estados de equilibrio. S¶ u ³ algunos de estos equilibrios son localmente estables en presencia de procesos de aprendizaje, se podr¶ concluir que el aprendizaje ³a act¶a como mecanismo selector de equilibrios (v¶ase la secci¶n 2.6.3 del cap¶ u e o ³tulo 2). Puede interesar tambi¶n estudiar bajo e qu¶ condiciones tiene lugar la convergencia, a trav¶s del aprendizaje, de soluciones \ex¶ticas", como ocurre en el caso de los e e o equilibrios de \manchas solares". Es posible que en muchos de estos casos los procesos de aprendizaje que in°uyen en el comportamiento de los agentes d¶ lugar a lo que denominamos como path - dependence (v¶se la secci¶n 2.6.5 del cap¶ e a o ³tulo anterior). En tal sentido podr¶ pensarse que todo proceso de aprendizaje determina una reducci¶n de los grados de libertad ³a o efectivos del sistema debido al necesario mapeo entre los modelos subjetivos y los objetivos. El tema es abierto y abordable desde m¶ltiples perspectivas. Sin embargo, a¶n no hay un criterio uni¯cado que permita trabajar con modelos que incorporan u u procesos de aprendizaje que puedan ser, a su vez, correlacionados con estudios econom¶tricos reales. e Por otro lado el tema del aprendizaje no es solamente importante para estudiar y seleccionar comportamientos asnt¶ticos en modelos de m¶ ltiples equilibrios. Toda vez que se desee describir en forma realista el comportamiento predictivo o u de los agentes econ¶micos para estudiar senderos transicionales y procesos din¶micos alejados del equilibrio ser¶ necesario dotar o a a a los agentes del modelo de alg¶n tipo de procesos de aprendizaje, ya sea simple o de manera so¯sticada. u Los esquemas de aprendizaje m¶s utilizados son [64]: a ² Aproximaciones eductivas (el t¶rmino es debido a Binmore [28]): se trata de entender como la coordinaci¶n de e o expectativas en equilibrios con expectativas racionales puede lograrse por medio de un proceso mental de razonamiento. Se estudia lo que se denomina como \estabilidad expectacional" a trav¶s de construcciones basadas en funciones de e expectativas iterativas. Un equilibrio de expectativas racionales es \expectacionalmente estable", si se converge a ese equilibrio, cuando el n¶mero de iteraciones tiende a in¯nito. Es posible de¯nir criterios de convergencia d¶biles y fuertes u e [64]. ² Aproximaciones adaptativas: Hay gran variedad de formulaciones adaptativas que generalizan en cierto sentido el esquema de expectativas adaptativas simples (como las utilizadas en la secci¶n 3.2 de este cap¶ o ³tulo). Las posibilidades que se presentan pueden separarse en diversos casos: (i) Utilizando funciones generalizadas, que con observaciones pasadas mapean el valor futuro de las variables a predecir. Esta es la aproximaci¶n m¶s usada en modelos no estoc¶sticos. Bajo ciertas condiciones es posible que o a a la din¶mica resultante converja a estados estacionarios y ciclos de expectativas racionales. a (ii) Una segunda aproximaci¶n consiste en pensar que los agentes act¶an como econometristas que estiman modelos o u usando procedimientos estad¶ ³sticos estandar. Estas ideas han sido usadas en modelos estoc¶sticos, pero pueden a aplicarse obviamente, en modelos no estoc¶sticos. a (iii) Modelos basados en inteligencia arti¯cial. Los agentes son modelados como sistemas arti¯ciales que responden al conjunto de entradas y adaptan su salida (la expectativa) seg¶n alg¶ n protocolo de aprendizaje y adaptaci¶n u u o a lo largo del tiempo. Las redes neuronales y algoritmos evolutivos son los m¶s utilizados. En este trabajo se a estudian modelos de aprendizaje basados en una representaci¶n computacional del comportamiento de los agentes o econ¶micos a trav¶s a algoritmos de aprendizaje evolutivos (ver la secci¶n 3.6) . o e o ² Otras aproximaciones: Existen modelos que combinan la aproximaci¶n eductiva y la adaptativa. Un modelo relevante o fue formulado por Nyarko [153] Los agentes tienen jerarqu¶ en sus creencias y las acciones que formulan son consistentes ³as con la regla de actualizaci¶n bayesiana. En los modelos de aprendizaje bayesiano, se supone que los agentes conocen la o estructura del modelo, pero desconocen sus par¶metros y lo actualizan a trav¶s de la ley de Bayes, suponiendo que la a e distribuci¶n a priori es conocida por todos. o Es concebible construir modelos que combinan conductas de agentes con expectativas racionales, adaptativas , miopes, \seguidores de tendencia" y \fundamentalistas". Un ejemplo es modelo formulado en la secci¶n 3.2 de este cap¶ o ³tulo.

3.2

Modelo anal¶ ³tico con agentes heterog¶neos e

La distribuci¶n de Gibbs y el principio de m¶xima entrop¶ o a ³a
Concepto de Informaci¶n o Supongamos que se estudia un experimento cuyos resultados pueden tomar n valores posibles de¯nidos por Ã1 ; ¢ ¢ ¢ ; Ãn . Sean las probabilidades a priori de cada resultado: po (Ãi ) = po (1 · i i · n). Ahora supongamos que se realiza un nuevo experimento y se desea conocer una medida cuantitativa del contenido de informaci¶n que provee el nuevo conjunto de datos, conocidas las o probabilidades po y las nuevas pi . Si se supone que esta medida de informaci¶n es I(po ; p) es o i razonable que cumpla con las siguientes hip¶tesis (cf. [103]): o

3.2. Modelo anal¶ ³tico con agentes heterog¶neos e

43

(i) Debe ser continua pues un cambio \peque~o" en las nuevas probabilidades p respecto de las n probabilidades a priori po deber¶ modi¯car muy levemente el contenido de informaci¶n que ³a o produce el nuevo experimento. (ii) Debe cumplirse que: I(po ; ¢ ¢ ¢ ; po ; ¢ ¢ ¢ ; po ; ¢ ¢ ¢ ; po ; p1 ; ¢ ¢ ¢ ; pk ; ¢ ¢ ¢ ; pj ; ¢ ¢ ¢ ; pn ) 1 k j n I(po ; ¢ ¢ ¢ ; po ; ¢ ¢ ¢ ; po ¢ ¢ ¢ ; po ; p1 ; ¢ ¢ ¢ ; pj ; ¢ ¢ ¢ ; pk ; ¢ ¢ ¢ ; pn ) = 1 j k n

ya que el contenido de informaci¶n no deber¶ depender de la forma en se presentan los o ³a resultados del experimento. (iii) I(p1 ; ¢ ¢ ¢ ; pn ; p1 ; ¢ ¢ ¢ ; pn ) = 0, ya que no se obtiene nueva informaci¶n cuando las probabilidades o a priori y las obtenidas luego de la realizaci¶n del nuevo experimento, son iguales. o (iv) Para todo par de enteros n y no , con no > n, la funci¶n: o 1 1 1 1 I( no ; ¢ ¢ ¢ ; no ; n ; ¢ ¢ ¢ ; n ; 0; ¢ ¢ ¢ ; 0) debe ser una funci¶n creciente en la variable n y decreciente o en no . Esta expresi¶n representa el contenido de informaci¶n que se obtiene partiendo de o o probabilidades a priori uniformes para cada resultado del experimento y valores ¯nales equiprobables para un subconjunto de ellos junto con algunos resultados previamente considerados posibles, ahora improbables. (v) Debe ser siempre posible de¯nir una regla de composici¶n que permita hacer experimentos o directos, o a trav¶s de pasos intermedidos sin que la cantidad de informaci¶n se modi¯que e o (v¶ase [103]). e Entonces, se puede demostrar que la unica medida de informaci¶n consistente con estos supuestos ¶ o es la expresi¶n: o I(po ; ¢ ¢ ¢ ; po ; p1 ; ¢ ¢ ¢ ; pn ) = k 1 n
n X i=1

pi ln (

pi ) po i

k>0

(2.3)

por convenci¶n podemos suponer que k = 1. Se ha encontrado una asignaci¶n que contiene s¶lo o o o la informaci¶n contenida en las probabilidades calculadas a partir de la frecuencia de aparici¶n de o o datos, sin suponer m¶s de lo que los mismos informan. Esta de¯nici¶n de contenido de informaci¶n o a o o entrop¶ es un indicador de la cantidad de informaci¶n necesaria para describir la variable aleatoria ³a o que es consistente con el experimento. Supongamos ahora que las probabilidades pm ; ¢ ¢ ¢ ; pm corresponden al m¶ximo conocimiento a 1 n que puede obtenerse a partir de la realizaci¶n de los experimentos. El contenido de informaci¶n o o o ; ¢ ¢ ¢ ; po , es I(po ; ¢ ¢ ¢ ; po ; pm ; ¢ ¢ ¢ ; pm ), o sea la en este caso, dadas las probabilidades a priori : p1 n n 1 n 1 m¶xima informaci¶n que se puede obtener. Entonces se puede de¯nir como informaci¶n perdida a o o o ignorancia al contenido de informaci¶n necesario para conocer el estado pm ; ¢ ¢ ¢ ; pm respecto de o n 1 la asignaci¶n de probabilidades p1 ; ¢ ¢ ¢ ; pn , dadas las probabilidades a priori po ; ¢ ¢ ¢ ; po . Esto es, la o n 1 diferencia entre el m¶ximo contenido de informaci¶n que se puede obtener dadas las probabilidades a o a priori po ; ¢ ¢ ¢ ; po y el que se tiene dada la asignaci¶n de probabilidades p1 ; ¢ ¢ ¢ ; pn : o n 1 que es la de¯nici¶n de incerteza o p¶rdida de informaci¶n en la asignaci¶n p1 ; ¢ ¢ ¢ ; pn . o e o o 1 a Si se parte de una asignaci¶n de probabilidades uniforme: Pio = n y el estado de m¶ximo o m = ± con 1 · i · n y k un ¶ conocimiento corresponde a la asignaci¶n: pi o ³ndice ¯jo y ±ik la delta ik de Kronecker, entonces 4 :
Es f¶cil veri¯car que cuando hay s¶lo dos sucesos posibles cuyas probabilidades son po , y (1¡po ) respectivamente, a o 1 la p¶rdida de informaci¶n es m¶xima (e igual a 1 si la base de los logaritmos es 2) cuando po = 2 , y m¶ e o a ³nima si po = 0 ¶ 1. o
4

R(P ; P m ; P o ) = I(P m ; P o ) ¡ I(P ; P o )

(2.4)

44

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

R(p1 ; ¢ ¢ ¢ ; pn ) = ¡ Principio de Jaynes de M¶xima Entrop¶ a ³a

n X i=1

pi ln pi

(2.5)

Si suponemos que se desean conocer resultados en los casos m¶s pesimistas posibles se podr¶ a ³an calcular las probabilidades que maximizan el valor de la ignorancia o lo que es equivalente minimizar la informaci¶n que los nuevos datos poseen. Sea un observable del sistema U , por ejemplo un costo o o una desutilidad, si maximizamos la ignorancia sujeta a un cierto valor medio para ese observable Uo :

max;¢¢¢;pn p1

h

R(po ; ¢ ¢ ¢ ; po ; p1 ; ¢ ¢ ¢ ; pn ) = ¡ 1 n sujeta a
n X i=1

n X i=1

pi ln pi
n X i=1

i

pi Ui = Uo ;

pi = 1

equivalentemente, el problema dual asociado consiste en hallar la asignaci¶n de probabilidades que o minimiza el costo esperado sujeto a un nivel constante de \ignorancia", o sea:
n X i=1

min;¢¢¢;pn p1

pi Ui

sujeta a

Ro (po ; ¢ ¢ ¢ ; po ; p1 ; ¢ ¢ ¢ ; pn ) = ¡ 1 n
n X i=1

n X i=1

pi ln pi ;

pi = 1

en ambos casos es facil demostrar que: pi = Ae¡¯Ui (2.6)

Se obtiene la llamada distribuci¶n de Gibbs. En el siguiente cap¶ o ³tulo veremos que esta distribuci¶n o tambi¶n surge a partir de una descripci¶n de las interacciones locales entre m¶ltiples agentes sometie o u dos a una din¶mica colectiva. El par¶metro de control, ¯ es el multiplicador de Lagrange de la a a primera restricci¶n y se relaciona con el nivel dado del observable Uo , en el problema primal o con o un nivel dado de ignorancia en el caso dual. En t¶rminos f¶ e ³sicos es la inversa de la temperatura y controla el tama~o de las °uctuaciones, siendo un indicador controlable de la varianza. En [39] n se de¯ne a ¯ como la \intensidad de las elecciones" ya que mide la dispersi¶n con que se toman o las decisiones. En lo que sigue usaremos este m¶todo de asignaci¶n de probabilidades para detere o minar la proporci¶n de agentes econ¶micos que siguen distintos tipos de estrategias en un modelo o o esquem¶tico. a

Agentes heterog¶neos en un modelo econ¶mico simple: caos? e o
Consideremos un modelo determin¶ ³stico que describa el comportamiento de alguna variable econ¶o 5 , es decir: mica cuya magnitud dependa de la expectativa futura de esa misma variable
e yt = f (yt+1 ; µ)

(2.7)

5 En [40] se realiza un an¶lisis parecido adaptando esta forma de representaci¶n al modelo de la telara~a. Aqu¶ a o n ³ mostramos una representaci¶n m¶s general. o a

3.2. Modelo anal¶ ³tico con agentes heterog¶neos e

45

e donde yt+1 es el valor medio de la variable y que los agentes esperan en t que se realice en el per¶ ³do t + 1, y µ el vector de par¶metros del modelo. Supongamos adicionalmente que la funci¶n f (x) es a o tal que posee un equilibrio de expectativas racionales (v¶ase la secci¶n 3.1.1), unico y estacionario, e o ¶ ¤ = f (y ¤ ; µ) es un punto ¯jo estable. esto signi¯ca que y Estudiemos el efecto de incorporar alg¶n tipo heterogeneidad en el mecanismo de formaci¶n u o de expectativas, bas¶ndonos en el principio de m¶xima entrop¶ Para simpli¯car supogamos que a a ³a. existen dos grupos de agentes, unos \racionales", que durante la evoluci¶n del sistema tienen o perfecto conocimiento de la evoluci¶n del modelo, y otros que llamaremos \ruidosos", adaptan sus o creencias utilizando los valores pasados de la variable.

² Para no complicar el modelo, descartamos los elementos estoc¶sticos, entonces supondremos a que los agentes racionales formulan sus expectativas con previsi¶n perfecta, por lo tanto: o
1;e yt+1 = yt+1

(2.8)

Puesto que esta es una predicci¶n informada, el agente debe incurrir en el pago de un costo o C1 necesario para conocer con precisi¶n el valor futuro de la variable end¶gena en cuesti¶n. o o o Obviamente, su magnitud est¶ asociada a los costos necesarios para obtener la informaci¶n a o precisa y aprender la verdadera estructura del sistema sobre el cual el agente est¶ formulando a sus planes. Como la previsi¶n es perfecta, no se cometen errores de pron¶stico, por lo tanto o o la \desutilidad" de esta estrategia se mide unicamente por el pago de ese costo ¯jo: Ut1 = C1 . ¶ ² Se supone que los agentes \ruidosos" adaptan sus expectativas extrapolando, los valores que la variable fue adquiriendo en per¶ ³odos anteriores6 . Entonces:
2;e yt+1 = g(yt ; yt¡1 ; yt¡2 ; ¢ ¢ ¢ ; #)

(2.9)

# representa al conjunto de par¶metros de este modelo de formaci¶n de expectativas, como a o por ejemplo los coe¯cientes de un ajuste de cuadrados m¶ ³nimos, o tasas de aprendizaje. Ya que es posible que se comentan errores de previsi¶n, la \desutilidad" de este mecanismo o se de¯ne en t¶rminos del error en la previsi¶n al que alternativamente se le puede sumar e o un costo C2 , que puede depender del grado de so¯sticaci¶n del m¶todo , entonces: Ut2 = o e 2+C . (yt ¡ g(yt¡1 ; yt¡2 ; yt¡3 ; ¢ ¢ ¢ ; #)) 2 Para poder determinar la proporci¶n de agentes que siguen las expectativas racionales reso pecto de los que las formulan con el segundo modelo utilizamos el Principio de M¶xima Entrop¶ a ³a. Esto es equivalente a considerar al conjunto de todos los agentes como un grupo que posee la distribuci¶n de creencias m¶s azarosa compatible con un determinado nivel medio de \desutilidad" o a i = U . Esta representaci¶n supone que existe un par¶metro de control ex¶geno ¯ = ¯(U ) y U o a o o o que se asocia a la dispersi¶n que existe sobre la distribuci¶n de las creencias y en termodin¶mica o o a estad¶ ³stica tiene la misma interpretaci¶n que la inversa de la \temperatura". Si de¯nimos n1 como o t la fracci¶n de los agentes que son racionales y como n2 la proporci¶n de \ruidosos", tenemos: o o t n1 t e¡¯Ut = ; Zt
1

n2 t

e¡¯Ut = Zt

2

(2.10)

donde 1=Zt el factor de normalizaci¶n de la distribuci¶n: o o Zt = e¡¯Ut + e¡¯Ut
1 2

(2.11)

Entonces, el valor de la expectativa agregada se de¯ne como el promedio pesado por estas probabilidades:
6

El cali¯cativo de ruidosos se debe a que con este mecanismo se cometen errores sistem¶ticos de apreciaci¶n. a o

46

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

1;e 2;e e yt+1 = n1 ¢ yt+1 + n2 ¢ yt+1 = n1 ¢ yt+1 + n2 ¢ g(yt ; yt¡1 ; yt¡2 ; ¢ ¢ ¢ ; #) t t t t

(2.12)

Para hacer una presentaci¶n m¶s simpli¯cada conviene de¯nir una nueva variable (end¶gena) que o a o podemos llamar como la \polarizaci¶n" del sistema: o 1 ¡ mt 1 + mt y n2 = (2.13) t 2 2 Cuando mt = 1, todos los agentes siguen las expectativas racionales, mientras que si mt = ¡1 todos est¶n optando por la estrategia adaptativa. Luego, si se usa la ecuaci¶n 2.10, se obtiene: a o mt = n1 ¡ n2 t t ) n1 = t (2.14) 2 en estas condiciones queda impl¶ ³citamente de¯nido un sistema din¶mico recursivo que determina a los valores de la variable yt , y que depende de c¶mo se est¶n formulando las expectativas y de qu¶ o a e proporci¶n de agentes las formulan racional o extrapolativamente: o
´ 1 ¡ mt g(yt ; yt¡1 ; yt¡2 ; ¢ ¢ ¢ ; #); µ (2.15) 2 2 Como la evoluci¶n de mt es altamente no lineal cabe esperar comportamientos peri¶dicos, cuasio o peri¶dicos y ca¶ticos. Cabe destacar que este abordaje puede aplicarse cuando hay m¶s de dos o o a mecanismos de formaci¶n de expectativas. o

mt = tanh

³¯

(Ut2 ¡ Ut1 )

´

yt = f

³1 + m

t

yt+1 +

Previsi¶n perfecta y agentes \ruidosos": modelo lineal o
A continuaci¶n mostramos, a trav¶s de un simple ejemplo, c¶mo la coexistencia de dos mecanismos o e o de formulaci¶n de expectativas, puede conducir a los m¶s diversos comportamientos (puntos ¯jos o a estables, ciclos l¶ ³mites con diversos per¶ ³odos o evoluciones ca¶ticas). La estructura del modelo se o simpli¯ca al m¶ximo para que resulte evidente que la complejidad de la din¶mica surge tan s¶lo de a a o la heterogeneidad as¶ como de la posibilidad que haya migraci¶n entre los mecanismos de generaci¶n ³ o o de expectativas. Supongamos que cierta variable econ¶mica yt , se comporta linealmente con el valor de la o expectativa futura de la misma:
e yt = a ¢ yt+1 + b

(2.16)

Un modelo de estas caracter¶ ³sticas puede tener validez en muchos contextos econ¶micos, por o ejemplo: ² Si se de¯ne el nivel de ingreso como la suma del nivel de consumo y el de inversi¶n: Yt = Ct +It , o se supone que el nivel de consumo es proporcional al de actividad: Ct = c¢Yt y que la inversi¶n o e depende de la expectativa futura del ingreso: It = Io +®¢Yt+1 , donde Io es un nivel de inversi¶n o aut¶noma y ® un coe¯ciente de aceleraci¶n, se llega a la ecuaci¶n 2.16. o o o ² Si se supone que en un mercado ¯nanciero existen dos tipos de activos, uno sin riesgo que brinda una tasa de inter¶s r y otro que otorga una corriente de dividendos dt , y si los precios e futuros de este activo no se conocen, los inversores deben formular una expectativa pe al t+1 comienzo de cada per¶ ³odo. Se puede formular una condici¶n de arbitraje (bajo neutralidad o frente al riesgo) que iguala los rendimientos de ambos activos: (1+r)pt = dt +pe , suponiendo t+1 que dt = d > 0; 8t se llega a la estructura especi¯cada antes, para yt ´ pt . ² Bray (1982) [36] desarroll¶ un modelo lineal similar al de la \telara~a": pt = a + bpe + ut , o n t+1 para estudiar la din¶mica de los procesos de aprendizaje m¶s so¯sticados que las expectativas a a adaptativas y la convergencia a expectativas racionales.

3.2. Modelo anal¶ ³tico con agentes heterog¶neos e

47

Como en la secci¶n anterior, suponemos existen dos clases de agentes, los que pagan un alto o costo (¯jo) por utilizar el mecanismo de \previsi¶n perfecta" y los que emplean un modelo simple o de expectativas adaptativas arriesg¶ndose a cometer errores de pron¶stico: a o ² Como vimos antes, los agentes racionales pronostican sin cometer errores de previsi¶n, por lo o tanto: 1;e yt+1 = yt+1 (2.17) La \desutilidad" de este mecanismo la determina el costo ¯jo C1 pagado por poder acceder al exacto valor futuro de yt+1 consistente con todo el modelo y con las creencias de todos b los agentes del sistema. El equilibrio con previsi¶n perfecta es: y ¤ = 1¡a , y la din¶mica, o a suponiendo que s¶lo existe este mecanismo, la determina la ecuaci¶n en diferencias: o o yt+1 = 1 b yt ¡ a a (2.18)

que es estable siempre que a ¸ 1 e inestable en los otros casos. ² Los agentes que utilizan expectativas adaptativas corrigen sus pron¶sticos seg¶n el error o u cometido en el instante anterior, entonces:
2;e 2;e 2;e yt+1 = yt + °(yt ¡ yt )

(2.19)

° es una \tasa de adaptaci¶n" y mide la velocidad de cambio de la expectativas respecto de o la magnitud del error cometido. Calcular esas expectativas supone el pago de cierto costo por lo tanto la \desutilidad" de esta estrategia puede de¯nirse como:
2;e Ut2 = (yt ¡ yt )2 + C2

(2.20)

2;e Puede suponerse que computar yt+1 en forma extrapolativa, es una tarea de mucho menor complejidad que la que se necesita para hacer una predicci¶n perfecta. Por esta raz¶n se o o supone que los costos ¯jo cumplen: C1 > C2 . El equilibrio basado unicamente en el mecanismo extrapolativo es el mismo que el de previsi¶n perfecta siempre que 0 < ° < 1 pues, es f¶cil o a comprobar que:

2;e yt+1 = °

1 X i=0

(1 ¡ °)i yt¡i por lo tanto (1 ¡ °)i + b = ay ¤ + b

(2.21) (2.22)

y ¤ = a°y¤

1 X i=0

Sin embargo, en este caso la soluci¶n del modelo es la ecuaci¶n en diferencias: o o yt+1 =
³ 1¡° ´

1 ¡ a°

yt +

³

b° ´ 1 ¡ a°

(2.23)

que es inestable cuando la soluci¶n de previsi¶n perfecta es estable y viceversa. o o Si la expectativa agregada se de¯ne ahora como el promedio ponderado de ambos mecanismos, pesados por las proporciones obtenidas seg¶n la ecuaci¶n 2.12 que son compatibles con u o el principio de m¶xima entrop¶ la din¶mica del sistema queda determinada por una ecuaci¶n a ³a, a o recursiva no lineal:

48

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

8 2;e < 2+a°(mt ¡1) y + a(mt ¡1)(1¡°)yt ¡2b t a(1+m³) a(1+mt) t ´ ³ ´ yt+1 = 1¡° b° : yt + 1¡a° 1¡a°

Si mt 6¡1 = Si mt = ¡1
´

(2.24)

mt = tanh

El modelo posee 5 par¶metros libres: a

³¯

2

2;e [(yt ¡ yt )2 + C2 ¡ C1 ]

(2.25)

² a: es la pendiente de la funci¶n que vincula la variable realizada con la expectativa (una o suerte de \multiplicador de las expectativas"), ² b, el nivel \aut¶nomo" de la variable end¶gena, o o ² °: la tasa de aprendizaje, ² ¯: la \temperatura", que act¶a como par¶metro de control. Este par¶metro est¶ asociado u a a a con las tasas de migraci¶n entre ambos mecanismos y de¯ne la dispersi¶n de la distribuci¶n o o o de creencias tal como se indic¶ anteriormente, o ² la diferencia entre costos C2 ¡ C1 . Para simpli¯car se puede suponer que C2 = 0. El modelo est¶ lejos de recrear una situaci¶n real, sin embargo se lo construye al s¶lo efecto a o o de exhibir c¶mo la incorporaci¶n de una din¶mica sobre la heterogeneidad de los mecanismos o o a de formaci¶n de las expectativas produce una rica variedad de evoluciones. Se pasa por alto el o an¶lisis riguroso de la din¶mica sobre todo el espacio de par¶metros. A continuaci¶n se realiza un a a a o estudio parcial de los comportamientos que se obtienen parar mostrar que esta forma de incorporar heterogeneidades din¶micamente puede producir inestabilidades sobre la variable end¶gena del a o sistema. T¶ngase en cuenta que el modelo posee dos variables de estado, el observable del sistema e (por ejemplo el nivel de ingreso) y la probabilidad o fracci¶n de agentes que optan por uno u otro o mecanismo de formaci¶n de expectativas, siendo esto ultimo, la que da lugar a un sistema din¶mico o ¶ a determin¶ ³stico no lineal. Algunas simulaciones num¶ricas e Supongamos que todos los agentes utilizan las expectativas racionales como predictor del sistema. En este caso el sistema converge a punto de equilibrio estable (con la condici¶n inicial o utilizada), pero por seleccionar este predictor so¯sticado los agentes deben pagar un costo. Cuando la predicci¶n obtenida con el otro m¶todo, que adapta los pron¶sticos progresivamente, es lo su¯o e o cientemente preciso, a los agentes le conviene migrar hacia este mecanismo para evitar pagar ese costo. Sin embargo, si todos los agentes eligen este predictor y, considerando que el sistema est¶ a cerca del equilibrio pero todav¶ no lo alcanz¶, el transito hacia el punto de equilibrio se inter³a o rumpir¶ puesto que con la migraci¶n el equilibrio se torna inestable. Como el sistema comienza a a o diverger con rapidez, el predictor adaptativo empieza a cometer errores signi¯cativos de apreciaci¶n. o Si se sopesa este error con el costo del predictor m¶s so¯sticado cada vez m¶s agentes desearan a a pagar el costo y no cometer errores de previsi¶n y, por lo tanto, migrar¶n hacia las expectativas o a racionales, las cuales revierten la din¶mica hacia el punto de equilibrio (que es ahora estable). Este a proceso se repetir¶ inde¯nidamente. Cuando la intensidad de las elecciones es alta, esto es cuando a ¯ ! 1, tan pronto como el costo (normalizado) pagado por utilizar expectativas racionales sea menor que error cometido por el mecanismo adaptativo, todos los agentes migran hacia la elecci¶n o racional y viceversa. A continuaci¶n se hace un an¶lisis parcial eligiendo ad-hoc distintos valores de los par¶metros. o a a Hemos convenido en ¯jar los valores de a = 1:01 y b = ¡10. El equilibrio del sistema, tanto con expectativas racionales como con adaptativas, es y¤ = 1000.

3.2. Modelo anal¶ ³tico con agentes heterog¶neos e

49

² Cuando ¯ ) 1 (T ) 0) y C1 = 0 (¯gura 2.1): Un valor de ¯ peque~o hace que la disn persi¶n alrededor de la \desutilidad" promedio sea m¶ o ³nima. La \desutilidad" de la estrategia adaptativa s¶lo depende de los errores de apreciaci¶n que surjan de la misma y no hay costos o o derivados de elegir las expectativas racionales (C1 = 0). El sistema converge al equilibrio partiendo de una poblaci¶n con mayor¶ de agentes racionales (mt = 1). Para valores de ° o ³a mayores que 0:4 se observa en la convergencia una migraci¶n del 50% de los agentes hacia el o esquema adaptativo (m = 0). Esto se debe a que cerca del equilibrio el error cometido por los que optan adaptarse es nulo, y como todo agente que sigue esta estrategia no paga el costo ¯jo (C1 = 0), la migraci¶n se ve favorecida por que hay un indiferencia a elegir uno u otro o mecanismo. Cuando ° < 0:4 el sistema converge igualmente al equilibrio, pero la polarizaci¶n o tiene un comportamiento oscilatorio, dado el lento aprendizaje de los agentes que optan por la adaptaci¶n. o

Figura 2.1: Evoluci¶n de la variable yt (eje de la izquierda) y de la polarizaci¶n o distribuci¶n de o o o las expectativas mt (eje derecho). Se muestra el caso ¯ = 20000, con C1 = 0, para los casos ° = 0:8 y 0:2. La l¶ ³nea de puntos corresponde a la polarizaci¶n del sistema: mt . o

² Si ¯ ) 0 (T ) 1) y C1 = 0 (¯gura 2.2). En este caso la poblaci¶n es m¶s propensa a las o a °uctuaciones entre ambas estrategias. Cuando ° = 0:8 la convergencia al equilibrio es similar a la del caso anterior, no obstante, si ° = 0:2 presenta oscilaciones tanto para la variable yt como para la polarizaci¶n mt . Para \temperaturas" elevadas, y baja tasa de aprendizaje, o el sistema es propenso a no encontrar el equilibrio, dando lugar a un ciclo l¶ ³mite como el observado en la ¯gura.

Figura 2.2: Evoluci¶n de la variable yt (eje de la izquierda) y de la polarizaci¶n de las expectativas o o mt (eje derecho). Se muestra el caso ¯ = 0:1, con C1 = 0, para los casos ° = 0:8 y 0:2. La l¶ ³nea de puntos representa la polarizaci¶n del sistema: mt . o

50

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o Tomando valores \intermedios" de ¯ (por ejemplo ¯ = 2) y C1 = 0: El sistema presenta un comportamiento similar al de la ¯gura anterior. ² Cuando suponemos que ¯ ) 1 (T ) 0) y C1 = 1:5 (¯gura 2.3). La incorporaci¶n de o un peque~o costo por elegir expectativas racionales da lugar a comportamientos peri¶dicos n o (° = 0:8) o cuasi peri¶dicos (° = 0:2) de la variable de estado: yt . La polarizaci¶n de las o o expectativas tambi¶n presenta un comportamiento oscilatorio: a diferencia de los casos antee riores el sistema no se estaciona en una proporci¶n estable de agentes racionales y adaptativos. o En el segundo caso de la ¯gura 2.3 se observan momentos en los que el sistema se polariza totalmente hacia uno u otro mecanismo de generaci¶n de expectativas. o

Figura 2.3: Evoluci¶n de la variable yt (gr¶¯co superior) y de la polarizaci¶n de las expectativas o a o mt (gr¶¯co inferior). Se muestra el caso ¯ = 20000, con C1 = 1:5, para los casos ° = 0:8 y 0:2 a ² Tomando un valor intermedio de ¯ (¯ = 2) y C1 = 1:5 (¯gura 2.4) El comportamiento de la variable de estado yt y de la polarizaci¶n mt es oscilatorio, sin embargo, en el primer caso o la evoluci¶n es relativamente \suave" mientras que la evoluci¶n de la polarizaci¶n muestra o o o regiones en las que esta oscila a altas frecuencias. Tiene lugar una especie de \resonancia" debida al hecho que los costos pagados por cada mecanismo poseen valores muy similares cuando el sistema se aparta del punto de equilibrio: y ¤ = 1000. Tiene lugar entonces, una mayor competencia entre ambos mecanismos de expectativas, y la migraci¶n entre uno u otro o es inestable. ² Eligiendo ¯ = 2 y C1 = 2:75 (¯gura 2.5): La evoluci¶n de ambas variables se torna ca¶tica para o o los dos valores considerados de °. Cuando ° = 0:8 los valores de yt oscilan aperi¶dicamente o con una amplitud menor que en el caso ° = 0:2. Por esta raz¶n los tiempos medios de o las °uctuaciones son menores. Observese la permanente inestabilidad de la polarizaci¶n de o las expectativas. Suponiendo que ¯ = 2 y C1 = 3: El costo por acceder a las expectativas racionales es elevado. La evoluci¶n es ca¶tica. En el caso de ° = 0:8 la amplitud que alcanzan o o la °uctuaciones aperi¶dicas es enorme. o

3.2. Modelo anal¶ ³tico con agentes heterog¶neos e

51

Figura 2.4: Evoluci¶n de la variable yt (eje izquierdo) y de la polarizaci¶n de las expectativas mt o o (eje derecho). La par¶metros tienen un valor de ¯ = 2, con C1 = 1:5, y ° = 0:8 (a la izquierda) y a 0:2 (a la derecha).

Figura 2.5: Evoluci¶n de la variable yt (gr¶¯co superior) y de la polarizaci¶n de las expectativas o a o mt (gr¶¯co inferior). Se muestra el caso ¯ = 2, con C1 = 2:75, para los casos ° = 0:8 y 0:2. a Algunos comentarios Las simulaciones num¶ricas que hemos mostrado indican que el con°icto que existe entre las fuerzas e producidas por la utilizaci¶n del predictor racional pero m¶s costoso y las debidas al predictor o a extrapolativo dan lugar a una rica variedad de din¶micas. a En [89], a partir del an¶lisis emp¶ a ³rico, se sugiere que buena parte de los movimientos de precios en los mercados ¯nancieros no parecen asociarse con la observaci¶n de informaci¶n relevante o o sino con la existencia de creencias muchas veces inconsistentes con los datos \fundamentales" de la econom¶ En t¶rminos del modelo que desarrollamos podr¶ ocurrir que agentes que basaban sus ³a. e ³a planes en informaci¶n costosa acerca de la estructura del sistema, deciden cambiar de metodolog¶ o ³a y optar por seguir la tendencia del mercado extrapolando los precios pasados, sin que se tenga en cuenta la verdadera estructura del sistema. Si la proporci¶n de agentes que act¶an de esta manera o u crece, es probable que tenga lugar una burbuja que crezca hasta que los agentes decidan actuar racionalmente y evaluar la verdadera potencialidad de la sistema econ¶mico-¯nanciero. Este tipo o de proceso podr¶ dar lugar a un incesante proceso de auges y ca¶ ³a ³das en los precios de los activos ¯nancieros. Se puede sugerir un modelo m¶s realista si los costos involucrados fueran end¶genos y a o

52

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

variables en el tiempo. El modelo que hemos presentado puede generalizarse suponiendo que las predicciones se construyen sobre la base de un conjunto ¯nito de m¶s de dos predictores. Estos predictores podr¶ a ³an utilizar la informaci¶n pasada de una manera m¶s complicada que el simple caso de las expectativas o a adaptativas simples. Podr¶ agregarse otros m¶todos de aprendizaje como las extrapolaciones ³an e param¶tricas a partir de cuadrados m¶ e ³nimos. Es posible por otro lado incorporar al conjunto de predictores una cantidad similar de ellos, pero con diferentes valores de sus tasas de aprendizaje u otros par¶metros relevantes del m¶todo de extrapolaci¶n considerado. Podr¶ ser interesante, y a e o ³a queda para el futuro, incorporar una cantidad muy grande de predictores. Tal vez en esta nueva situaci¶n el sistema se \termalice" haciendo que la din¶mica que era ca¶tica con el uso de pocos o a o predictores, se estabilice. Este hecho, pondr¶ en evidencia que la diversidad de comportamientos ³a no est¶ directamente asociada a la \complejidad" del predictor. Aumentar el n¶mero de predictores a u podr¶ pues dar lugar a cambios en la din¶mica. La incorporaci¶n de numerosos predictores pueden ³a a o eliminar la posibilidad de caos siempre que no tengan lugar \efectos coherentes" que ampli¯quen, por retroalimentaci¶n positiva, las °uctuaciones. o En este modelo, y bajo ciertas condiciones, se alcanzaron evoluciones ca¶ticas. En los o ultimos a~os han proliferado en la literatura econ¶mica modelos que exhiben este tipo de din¶micas ¶ n o a \extra~as". Es menester pues analizar los verdaderos alcances de estos modelos concebidos en el n marco de la teor¶ del caos. La siguiente secci¶n trata sobre este tema y se analiza especialmente ³a o la consistencia l¶gica de modelos en los que se supone que los agentes operan racionalmente. o

3.3

Modelos ca¶ticos en la literatura econ¶mica o o
\En el caos inicio una primera designaci¶n o de todas las posibilidades larvadas que en cierta ocasi¶n se constituyeron en cultura." o Antonin Artaud

Gen¶ricamente, los modelos ca¶ticos que se han publicado en la literatura econ¶mica pueden e o o ser clasi¯cados en dos grandes grupos: ² Aquellos modelos que parten de un punto de vista que podr¶ ³amos denominar como el enfoque macrodin¶mico con funciones de comportamiento de tipo \fenomenol¶gico". Tenemos por un a o lado los modelos din¶micos con variables agregadas como los desarrollados por Goodwin, o a Kalecki o los modelos de crecimiento a la Solow; por el otro lado est¶n los modelos de intera acci¶n entre sectores o pa¶ o ³ses, que dan lugar a din¶micas ca¶ticas debido al desacoplamiento a o entre las tasas de ajuste o los rezagos intersectoriales. ² El otro grupo lo conforman los modelos basados en la hip¶tesis de racionalidad, con agentes o representativos optimizadores. El equilibrio es un resultado ¶ptimo del proceso de decisiones o coordinadas por hip¶tesis de partida. Estos modelos son hoy en d¶ el est¶ndar de la macroeo ³a a conom¶ actual, en ellos las °uctuaciones se originan como una respuesta racional al entorno. ³a Este gran grupo de modelos incluye: (i) Modelos de generaciones superpuestas con previs¶n perfecta, en los que en todo instante o coexisten dos generaciones de agentes (usualmente rotulados como j¶venes y y viejos o) o que enfrentan un problema de optimizaci¶n del tipo: o max U (cy ; co ) sujeta a: t t+1 cy + t co wo y t+1 = wt + t+1 ½ ½ (3.26)

cuando: ½ = ½(ct ) [25] o cy = cy (½¤ ) [85] es posible en contrar situaciones con caos. t t La principal objeci¶n formal de estos modelos es que el agente representativo optimiza o sobre un per¶ ³odo m¶s corto que el que genera ciclos contradiciendo lo que ocurre en la a

3.3. Modelos ca¶ticos en la literatura econ¶mica o o

53

realidad. Es posible demostrar que en este tipo de modelo, si el agente vive inde¯nidamente y optimiza un sendero in¯nito es posible encontrar ¶rbitas ca¶ticas [25]. o o (ii) Modelos de crecimiento ¶ptimo con expectativas racionales. El formato gen¶rico de estos o e modelos es el siguiente: max
1 X t=0

¯ t U (kt ; kt+1 )

sujeta a:

(kt ; kt+1 ) 2 T ko dado

(3.27)

donde T es el conjunto asequible por la tecnolog¶ y la disponibilidad de recursos. ³a Boldrin & Montruccio [32] han demostrado que todo sendero de crecimiento ¶ptimo o fkt g1 representado por una una funci¶n de decisi¶n kt+1 = f¯ (kt ) 8 f¯ 2 C 2 es soluci¶n o o o t=0 de un problema de crecimiento ¶ptimo como el que hemos planteado en la ecuaci¶n 3.27 o o para tasas de descuento, tecnolog¶ y preferencias adecuadas a esa soluci¶n. En partic³as o ular, es posible encontrar trayectorias del sistema ca¶ticas ya que bien podr¶ tomarse o ³a 2 . Esto es posible si el futuro es fuertemente el caso en que kt+1 = r(¯)kt (1 ¡ kt ) 2 C descontado, evitando que los agentes perciban importantes ventajas en el intercambio intertemporal (hip¶tesis de agentes \miopes"), o sea cuando ¯ ¿ 1. Estas conclusiones o dieron lugar a los llamados teoremas Anti-Turnpike ya que contrar¶ los argumen³an tos que conducen a senderos de ¶ptimos y estacionarios de equilibrio de los teoremas o \Turnpike". En un caso de estas caracter¶ ³sticas, el agente representativo optimiza una corriente de utilidades in¯nita con previsi¶n perfecta. Es evidente que esta situaci¶n o o puede ser inconsistente con la aparici¶n de trayectorias ca¶ticas. Lo mismo ocurre con o o los modelos basados en la superposici¶n de generaciones. Analizamos a continuaci¶n y o o de modo conceptual la importancia de la teor¶ del caos este tipo de modelos. ³a

3.3.1

Son relevantes los modelos econ¶micos \ca¶ticos"? o o

El desarrollo de la hip¶tesis que supone que las °uctuaciones agregadas pueden representar un o fen¶meno end¶geno que puede persistir a¶n en ausencia de perturbaciones estoc¶sticas llev¶ a o o u a o pensar en un primer momento que pod¶ tener lugar movimientos peri¶dicos. Esto motiv¶ la ³an o o aparici¶n de modelos econ¶micos entre los que destacan aquellos formulados por Samuelson y por o o Goodwin a mediados de este siglo. Sin embargo, los comportamientos peri¶dicos que estos modelos o mostraban no se vieron econom¶tricamente con¯rmados [25]. e El desarrollo de las nuevas herramientas de trabajo que facilit¶ la teor¶a del caos detero ³ min¶stico, no tardaron utilizarse en todas las ¶reas de la ciencia, primeramente en las ciencias ³ a f¶ ³sico-matem¶ticas, luego en la biolog¶ te¶rica, especialmente en los sistemas ecol¶gicos y en los a ³a o o modelos de din¶mica de poblaciones [147] y, ¯nalmente en la econom¶ [25] as¶ como en el resto de a ³a ³ las ciencias sociales. Cabe acotar que en esta ultima disciplina el uso de la teor¶ del caos se ha ¶ ³a realizado casi exclusivamente de manera metaf¶rica, extrayendo conclusiones inv¶lidas a partir de o a interpretaciones que poco tienen que ver con el sentido original de esta teor¶ En rigor de verdad ³a. hablar de caos (determin¶ ³stico) no tiene sentido si no se conoce el sistema din¶mico en cuesti¶n. a o S¶lo porque sabemos que existe uno, con ecuaciones bien especi¯cadas, y porque podemos variar o sus par¶metros, es que tiene sentido hablar del caos. Esto es exactamente lo opuesto a lo que se a ha pretendido con las super¯ciales interpretaciones sociol¶gicas \postmodernas" sobre el tema. El o problema radica en el hecho de que la econom¶ en tanto ciencia social, pero por otro lado dotada ³a, de un alto nivel de rigor, abarca un terreno lo su¯cientemente amplio como para dar cabida a todo el espectro de interpretaciones acerca de esta cuesti¶n. o Nunca se comprendieron con la debida precisi¶n los verdaderos alcances de esta nueva teor¶ o ³a cuando se la utiliz¶ en el estudio de la evoluci¶n de gran cantidad de sistemas econ¶micos y, por o o o lo tanto, muchas veces se le atribuyeron a estos modelos \m¶gicas y extra~as" propiedades de a n \caoticidad" e impredictibilidad, que no eran m¶s que el resultado, a veces voluntario, de la excesiva a

54

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

simpli¯caci¶n de la representaci¶n con el objetivo de obtener muchas veces de manera premeditada o o ese resultado sobre la evoluci¶n din¶mica del modelo construido. Esta a¯rmaci¶n pareciera ser o a o parad¶jica, ya que a primera vista y para aquel que no conoce la teor¶ del caos, simplicidad en la o ³a representaci¶n7 y evoluciones impredecibles parecieran ser conceptos que se contraponen. o El estudio de la actividad econ¶mica envuelve de por s¶ una labor interpretativa [156]. Para o ³ que la interpretaci¶n de un modelo sea v¶lida, este deber¶ al menos haber pasado la prueba de la o a ³a robustez.

3.3.2

Caos determin¶ ³stico y la teor¶ econ¶mica ³a o

En esta secci¶n se discute la utilizaci¶n de los modelos ca¶ticos en la econom¶ Para una mayor o o o ³a. claridad expositiva separamos los temas en diversos items: ² Tiempo continuo versus tiempo discreto: La utilizaci¶n de ecuaciones en diferencias o ¯nitas para representar la evoluci¶n de muchos sistemas ha resultado ser de gran utilidad o en el ¶mbito de la teor¶ econ¶mica. La ventaja principal que poseen las ecuaciones en a ³a o diferencias es que contienen impl¶ ³citamente la idea de que la informaci¶n de las variables o relevantes se cuanti¯ca en intervalos discretos (por citar algunos ejemplos, cada mes se conoce el nivel de precios, el producto bruto se publica trimestralmente, los indicadores ¯nancieros se contabilizan diariamente), por otro lado el proceso de toma de decisiones no es aparentemente continuo. Junto a estas razones de ¶ ³ndole econ¶mica parece claro que la frecuente utilizaci¶n o o de modelos discretos se debe, precisamente, a la facilidad con que se presentan en ellos din¶micas \extra~as", ha sido una tentaci¶n a la que no pocos investigadores se han podido a n o negar. Se han presentado gran cantidad de modelos econ¶micos que dan como resultado ¯nal mapas o funcionales discretos como los estudiados en el cap¶ ³tulo 2 y dan lugar a evoluciones ca¶ticas o para ciertos valores de sus par¶metros [175]. No obstante si el tratamiento de estos modelos a se hiciera en tiempo continuo es comportamiento dejar¶ de ser sensible a las condiciones ³a iniciales. La raz¶n de esta a¯rmaci¶n se sustenta en el Teorema de Poincar¶-Bendixson que o o e nos da una condici¶n necesaria para la aparici¶n de evoluciones ca¶ticas en sistemas continuos: o o o se requiere que el sistema tenga por lo menos de 3 grados de libertad [87] 8 . Los modelos econ¶micos de los que hablamos por lo general poseen solamente un grado de libertad [25]. o En los sistemas f¶ ³sicos existe una estrecha relaci¶n entre los sistemas continuos y discretos. o Si en un sistema din¶mico cont¶ a ³nuo se elige una secci¶n o hiperplano apropiado y luego se o estudia la evoluci¶n del sistema observando unicamente esa secci¶n estrobosc¶pica, las ¶rbitas o ¶ o o o del sistema din¶mico se reducen a una colecci¶n de puntos discretos que conforman un mapa a o de Poincar¶. En este caso, el mapa de Poincar¶ es la representaci¶n en tiempo discreto de un e e o sistema en tiempo continuo.
Como vimos en el cap¶ ³tulo 2 una sola ecuaci¶n din¶mica (no lineal) de primer orden basta para encontrar evoluci¶n o a o sensibles a las condiciones iniciales. 8 Esto se debe al hecho de que en los sistemas continuos las aparici¶n de trayectorias ca¶ticas surgen cuando la o o evoluci¶n en el espacio de fases tiene lugar en lo que se denomina como \atractor extra~ o". La principal ventaja o n de estudiar a los sistemas din¶micos en t¶rminos de sus atractores es que se puede describir los estados del sistema, a e independientemente de las condiciones iniciales. Es razonable suponer que tal sistema ha tenido su¯ciente tiempo como para converger al atractor, de modo que lo que se observa corresponde a un subconjunto de menor dimensionalidad respecto de la integridad de todo el espacio de fases. Una evoluci¶n perfectamente oscilatoria corresponde a o una ¶rbita cerrada en el espacio de fase, una oscilaci¶n que se amortigua durante el transcurso del tiempo se asocia o o a una espiral que converge al punto de equilibrio, sin embargo para que sean posibles din¶micas ca¶ticas es necesario a o que las ¶rbitas en el espacio de fases, que est¶n con¯nadas en el atractor extra~ o, se plieguen y a la vez se estiren [87]. o a n Puesto que estamos hablando de sistemas din¶micos determin¶ a ³sticos, no es posible que una trayectoria en el espacio de fase se intersecte consigo misma pues, de ser as¶ se estar¶ violando la propiedad de determinismo en el sistema. ³, ³a Se demuestra, y a la vez resulta intuitivo, que para que tenga lugar al menos un plegamiento y un estiramiento de las ¶rbitas, ¶stas deben estar con¯nadas en una espacio topol¶gico de por lo menos tres dimensiones [87]. o e o
7

3.3. Modelos ca¶ticos en la literatura econ¶mica o o

55

Sin embargo cuando se quiere comparar la evoluci¶n de un sistema representado en tiempo diso creto o continuo se puede decir que el cambio en la forma de presentaci¶n introduce supuestos o ocultos, como pueden ser rezagos no tenidos en cuenta y que deber¶ ser considerados para ³an compatibilizar las reprentaciones. Este hecho ha sido escasamente abordado en la literatura y no parece ser f¶cilmente salvable [127]. El hecho de que el comportamiento de un sistema a en tiempo discreto o continuo pueda ser tan diferente seg¶n la elecci¶n que se haga quita el u o atributo fundamental de la robustez. Por esta raz¶n, la evoluci¶n irregular que se observa en o o el mapa log¶ ³stico podr¶ resultar ser una propiedad exclusivamente matem¶tica no atribuible ³a a al sistema sometido a estudio. Ser¶ necesario, o al menos deseable, sustentar emp¶ ³a ³ricamente los resultados que son consistentes con cada modelo que se propone. Pero debido a que estos modelos son sensibles a las condiciones iniciales no es posible realizar una calibraci¶n o econom¶trica con¯able. e ² Precisi¶n ¯nita: Otro se~alamiento que podemos hacer, y que pone en duda la posibilidad o n de que la evoluci¶n de un sistema econ¶mico representado discretamente, sea ca¶tico parte o o o del hecho, cierto, de que las variables dependientes son tambi¶n discretas. Si los precios est¶n e a de¯nidos en t¶rminos de alguna unidad de cuenta, no podr¶ haber magnitudes m¶s precisas e a a que las que quedan de¯nidas por la precisi¶n que posee por medici¶n. En el caso de los precios o o monetarios de¯nidos en pesos, por ejemplo, la precisi¶n la determina el centavo. Lo mismo se o puede decir de las cantidades de¯nidas por unidades f¶ ³sicas convencionales. De hecho todas las magnitudes econ¶micas poseen una precisi¶n ¯nita; si hablamos de la cuanti¯caci¶n del o o o nivel de producto es evidente que su medici¶n lleva involucrado un determinado error de o medici¶n. Podemos entonces subdividir el intervalo de valores posibles de esa variable por o ventanas de¯nidas por la varianza que posee la medici¶n de la misma. Como consecuencia o de ello, el conjunto de todos los estados posibles queda discretizado por un n¶mero ¯nito u (aunque grande) de con¯guraciones. La mayor complejidad que puede tener toda evoluci¶n o determin¶ ³stica sobre un conjunto de estados ¯nito corresponde a una evoluci¶n cuasi peri¶dica. o o Con una din¶mica peri¶dica deja de haber sensibilidad a las condiciones iniciales. Esta a o a¯rmaci¶n se sustenta en el hecho de que siempre existir¶ un n¶mero real 0 < ² ¿ ¾ que o a u de¯ne un intervalo en el que condiciones iniciales distintas: xo y x0 veri¯can que jxo ¡ x0 j < ², o o con ¾ la varianza en la medici¶n de la variable. Entonces cualquier par de condiciones iniciales o que disten entre s¶ una distancia menor que ² tendr¶n, como consecuencia, la misma evoluci¶n. ³ a o Las ¯guras 3.6, 3.7 y 3.8 muestran el diagrama de bifurcaciones del mapa log¶ ³stico (xt+1 = rxt (1 ¡ xt )); primero en el caso en el que los datos no est¶n truncados, con un truncamiento a num¶rico del orden de 10¡4 y 10¡2 posteriormente. Claramente se puede observar que cuanto e mayor es el truncamiento num¶rico de los datos menor es la cantidad de estados asint¶ticos. e o ² Espacio de par¶metros: En muchos sistemas din¶micos el conjunto de valores que toman a a de los par¶metros para producir evoluciones err¶ticas puede constituir un conjunto de mea a dida nula. Esto signi¯ca que la probabilidad de que los par¶metros adquieran esos valores esa pec¶ ³¯cos es nula. Todo ello, sin considerar la plausibilidad econ¶mica de sus valores num¶ricos. o e En este caso, la existencia de ¶rbitas ca¶ticas no deja de ser una mera curiosidad anal¶ o o ³tica. ² Series temporales cortas: La mayor¶ de las series temporales econ¶micas no son esta³a o cionarias y debido al intervalo de muestreo de datos no se dispone de series largas. Esta situaci¶n erosiona la posibilidad de comprobar la existencia de caos en las series econ¶micas. o o La longitud de las series temporales acota la utilidad del caos a un espectro peque~o de pron blemas (por ejemplo el estudio de °uctuaciones en mercados ¯nancieros y de commodities ya que en estos casos las series suele ser largas, pues se puede disponer de datos diarios o incluso intradiarios).

56

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Figura 3.6: Diagrama de bifurcaciones del mapa log¶ ³stico. La variable dependiente xt no est¶ a truncada.

Figura 3.7: Diagrama de bifurcaciones del mapa log¶ ³stico. El truncamiento de los datos es de un orden de 10¡4 . Obs¶rvese que el sistema queda con¯nado en un n¶mero menor de estados e u asint¶ticos. o ² El rol del \aprendizaje" como elemento estabilizador: Muchos de los trabajos de la literatura parten de la hip¶tesis de que los agentes econ¶micos son optimizadores y, con ello, o o los modelos dan lugar a °uctuaciones end¶genas que constituyen equilibrios desde el punto o de vista estrictamente econ¶mico. Esto signi¯ca que los mercados quedan perfectamente o equilibrados y las expectativas que se formulan acerca de la futura evoluci¶n son consistentes. o Sin embargo, el sendero que sigue la evoluci¶n de estos modelos es impredecible. o Estos resultados dejan de lado un aspecto fundamental de los sistemas econ¶micos: el apreno dizaje (v¶ase la secci¶n 3.1.2 de este cap¶ e o ³tulo). En [85] se acepta la posibilidad de que existan modelos no estacionarios con previsi¶n perfecta, pero se justi¯ca la intervenci¶n estatal para o o eliminar las °uctuaciones end¶genas ya que supone que los agentes aprenden a lo largo del o tiempo y esa estabilizaci¶n les permite ahorrar costos de aprendizaje que suelen disminuir la o e¯ciencia del sistema y que a su vez no son considerados dentro de la estructura del modelo. Es preferible ir un poco m¶s lejos: es m¶s o menos evidente que cuanto m¶s inestable resulta a a a

3.3. Modelos ca¶ticos en la literatura econ¶mica o o

57

Figura 3.8: Diagrama de bifurcaciones del mapa log¶ ³stico. El truncamiento de los datos es de un ¡2 . El sistema queda con¯nado en un n¶ mero mucho menor de estados asint¶ticos. orden de 10 u o ser un contexto econ¶mico m¶s di¯cil es aprender a pronosticar la evoluci¶n del mismo ya o a o que se reduce el per¶ ³odo sobre el que se puede predecir, llegando puntos extremos en que no se pueda decir absolutamente nada. Casos como los de los reg¶ ³menes de alta in°aci¶n o en los cuales se di¯culta la formulaci¶n de contratos cuya realizaci¶n se extiende a lo largo o o de un tiempo m¶s o menos prolongado. En una situaci¶n de estas caracter¶ a o ³sticas los agentes econ¶micos, para seguir operando, se ven obligados a pagar el costo de informarse y aprender. o Entonces, la existencia de procesos de aprendizaje no es consistente con el hecho de que un sendero ca¶tico sea ¶ptimo de Pareto. Es razonable suponer que los resultados de los moo o delos con previsi¶n perfecta corresponden al l¶ o ³mite asint¶tico de un proceso de aprendizaje. o Si el sendero no es estacionario, no es posible alcanzar dicho l¶ ³mite ya que los agentes se ven impedidos de aprender correctamente ese \sendero de equilibrio con previsi¶n perfecta no o estacionario". Se plantea as¶ una posible contradicci¶n entre la existencia de \trayectorias ³, o ca¶ticas" y la previsi¶n perfecta. o o

3.3.3

La racionalidad en el caos o el caos de la racionalidad?
\Cuanto m¶s honradamente pienso, a m¶s profundamente me descomprendo. a El saber es la inconsistencia de ignorar ..." Fernando Pessoa

Bajo el supuesto de previsi¶n perfecta los agentes nunca cometen errores de previsi¶n. Esto o o valdr¶ a¶n cuando un observador externo que tenga perfecto conocimiento del modelo concluya ³a u que sus estados siguen un proceso que no se puede predecir. Esta situaci¶n tambi¶n tiene lugar o e en los modelos que admiten soluciones de \manchas solares", en sistemas con m¶ltiples equilibrios u o cuando existe sensibilidad a las condiciones iniciales y por lo tanto sus trayectorias resultan ser ca¶ticas. Aqu¶ comentaremos esta ultima posibilidad. o ³ ¶ En la secci¶n 3.3 de este cap¶ o ³tulo se a¯rm¶ que la literatura econ¶mica se ha \nutrido" de o o gran cantidad de modelos no lineales que dan lugar a evoluciones que no convergen a un valor estacionario. Sin embargo, desde el punto de vista del an¶lisis econ¶mico estos modelos satisfacen a o todas las condiciones del equilibrio [25]. La terminolog¶ pues, constituye un problema. Por lo ge³a, neral, el concepto de equilibrio es, por un lado, utilizado para conceptualizar un estado estacionario y por el otro para signi¯car que un conjunto de condiciones impuestas por los economistas se ven satisfechas. Queda trazada una distinci¶n entre el equilibrio econ¶mico y las propiedades din¶micas o o a

58

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

de la secuencia de valores del equilibrio, ya que muchos modelos (no lineales) no presuponen que las condiciones de equilibrio econ¶mico se satisfacen en un dado estado estacionario. Deber¶ o ³amos pensar pues que bajo ciertas condiciones estos modelos no lineales pueden dar lugar una suerte de \equilibrio ca¶tico" en el que se satisfacen las condiciones de equilibrio de los mercados, y por lo o tanto los agentes logran optimizar la consecuci¶n de sus objetivos, pero la trayectoria del sistema o es ca¶tica. No es posible establecer una asociaci¶n uno a uno entre evoluciones que no conducen a o o estados estacionarios y estados de desequilibrio de¯nidos en un sentido estrictamente econ¶mico. o Gran cantidad de modelos publicados en la literatura tradicional muestran la posibilidad de estados de equilibrio econ¶mico que no son estacionarios. Conviene ejempli¯car las a¯rmaciones o que hemos venido realizando mostrando algunos modelos de equilibrio con expectativas racionales y horizonte in¯nito. En primer lugar consideremos un modelo con externalidades como el presentado en [170] en el cual un agente representativo resuelve el siguiente problema de control ¶ptimo en o tiempo discreto: max
ct f 1 X t=0

¯ t log (ct )g

sujeto a

® ct + kt = At kt¡1

(3.28)

donde 0 < ® < 1, ct denota el consumo y kt el stock de capital en el instante t, 0 < ¯ < 1, k¡1 es una condici¶n inicial dada, y At es una externalidad de¯nida por una secuencia determin¶ o ³stica que puede depender del tiempo de una manera complicada. De las condiciones de primer orden se puede demostrar que la soluci¶n ¶ptima cumple con: o o
® kt = ®¯At kt¡1

(3.29)

Debemos destacar que este valor ¶ptimo es igualmente v¶lido para toda secuencia At por intrincada o a que sea su forma expl¶ ³cita. Ya que no tenemos ninguna restricci¶n sobre los valores de la secuencia, o se puede suponer que At = At (kt¡1 ), y siendo su expresi¶n expl¶ o ³cita: ®¯A(k)k® = rk(1 ¡ k) 0·r·4 (3.30)

Con esta dependencia la externalidad no es una funci¶n mon¶tona del stock de capital. Reemo o plazando la ecuaci¶n 3.30 en el equilibrio con previsi¶n perfecta (ecuaci¶n 3.29) se obtiene nuevao o o mente el mapa log¶ ³stico: kt+1 = rkt (1 ¡ kt ) (3.31)

La impresi¶n que deja este modelo es su aparente \confecci¶n a medida" para la obtenci¶n o o o ad hoc de comportamientos ca¶ticos. Este modelo sigue claras reglas de juego impuestas por la o modelizaci¶n econ¶mica que en general no especi¯can formas funcionales ni ¶rdenes de magnio o o tud de¯nidos. El procedimiento empleado para llegar al mapa log¶ ³stico se basa en una suerte de \deducci¶n hacia atr¶s". Se supone que la externalidad At tiene la dependencia funcional que o a mostramos pues argumentan que el stock de capital deber¶ tener, en el largo plazo, un com³a portamiento mon¶tono; argumentando que este crece inicialmente, alcanza un punto m¶ximo y o a posteriormente decaiga. La idea que subyace es que el sistema tiene un tama~o ¯nito, entonces n puede suponerse que existe un umbral a partir del cual quede inhibida la productividad, por escasez, congesti¶n, excesiva poluci¶n u otros efectos adversos sobre el medio ambiente. Este tipo de o o modelos pone en evidencia que el agregado de externalidades en las ecuaciones din¶micas de los a modelos facilita la aparici¶n evoluciones extra~as. De all¶ es posible orientar (tal vez de manera o n ³, ad hoc) los resultados hacia las conclusiones a las que ex ante se deseaba llegar. En tal sentido, la incorporaci¶n de externalidades como mecanismo para obtener una evoluci¶n o o ca¶tica es por s¶ misma criticable ya que alcanza con buscar la dependencia adecuada entre las vario ³ ables para lograr el resultado deseado. La justi¯caci¶n econ¶mica que fundamente esa dependencia o o es una tarea ex post que puede realizarse muchas veces con relativa facilidad.

3.3. Modelos ca¶ticos en la literatura econ¶mica o o

59

Como otro ejemplo mostramos a continuaci¶n un modelo de precios ¯jos que estudia la o din¶mica del consumo en un esquema monetario simple con previsi¶n perfecta [94]. En muchos a o modelos monetarios, un agente representativo optimiza una funci¶n de utilidad entre cuyos arguo mentos se incluye al dinero demandado como una medida de los servicios que este brinda como medio de cambio. Si suponemos que un agente representativo en tiempo t busca maximizar una funci¶n de o utilidad multiper¶ ³odo: maxct ;mt U =
1 X t

¯ t u(ct ; mt )

sujeto a

yt = ct + mt ¡ mt¡1

(3.32)

donde ct es el consumo de bienes, y mt ´ M la cantidad real de dinero demandada, ¯ es el factor p de descuento (0 < ¯ < 1). Las utilidades marginales son es decrecientes: @u >0 @ct @2u <0 @c2 t @u >0 @mt @ 2u <0 @m2 t (3.33) (3.34)

El resultado de la optimizaci¶n ser¶ un sendero para las variables ct y mt , dada la restricci¶n sobre o a o la funcional objetivo. Si resolvemos las condiciones de primer orden del problema se llega a:
´ @u 1 ³ @u @u (ct+1 ; mt+1 ) = (ct ; mt ) ¡ (ct ; mt ) @ct+1 ¯ @ct @mt

(3.35)

Postulando una funci¶n de utilidad cuya expresi¶n sea (para el rango relevante): o o u(c; m) = ac + bm ¡ °m2 c2 (3.36)

N¶tese que esta funci¶n no satisface todos los supuestos de la teor¶ axiom¶tica del consumo, ya o o ³a a que no cumple con el supuesto de insaciabilidad. Para que se cumplan las relaciones 3.33 y 3.34, debe veri¯carse que: a c < min f ; 2°m2
s

b g 2°m

(3.37)

Suponiendo que la demanda nominal de dinero (M ) y el nivel de precios (p) no se modi¯can, la din¶mica del consumo se reduce a la siguiente ecuaci¶n en diferencias siendo mt = m = M : a o ¹ p 1 ´ 1 ³ b ¡ a(1 ¡ ¯) (3.38) + ct ¡ c2 ¯ 2° m2 ¹ m t ¹ No se pretenden obtener resultados generales; s¶lo deseamos mostrar que este simple modelo o admite soluciones ca¶ticas. Para ello basta suponer (arbitrariamente) que b = (1 ¡ ¯)a con lo cual o podemos ¯jar libremente a y b en compatiblilidad con la restricci¶n 3.37. Entonces sistema de o reduce a 9 : ct+1 = ct+1 = 1 1 ct (1 ¡ ct ) ¯ m ¹ (3.39)

cuyos puntos ¯jos son: c1 = 0 (estable) y c2 = (1 ¡ ¯)m (inestable) s¶ ¹ ¹ ¹ ³: @ct+1 (c2 ) ¹ 1 = (2¯ ¡ 1) < ¡1 @ct ¯ (3.40)

9 T¶ngase en cuenta que cualquier mapa cuadr¶tico de la forma xt+1 = ® + ¯xt + °x2 es reducible al famoso e a t mapa log¶ e p ³stico: yt+1 = ryt (1 ¡ yt ), con y 2 [0; 1] a trav¶s del cambio de variables y = A + Bx, quedando r = 1 + 1 ¡ 4®° + ¯(2 ¡ ¯).

60

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

lo cual implica que: ¯<

1 3

(3.41)

1 La ¯gura 3.9 muestra como ejemplo el caso en que ¯ = 4 ; la din¶mica no alcanza un estado a estacionario sin embargo, cada estado del modelo constituyen el sendero de equilibrio en el sentido econ¶mico (sujeto a la estricci¶n de la rigidez de precios). El agente representativo ¶ptimiza una o o o funci¶n de utilidad con previsi¶n perfecta, el sendero de \equilibrio econ¶mico" sigue una secuencia o o o de estados que son ¶ptimos de Pareto y, por lo tanto, no existe un sendero alternativo que mejore o su situaci¶n. La principal limitaci¶n de este modelo es que los planes se formula s¶lo de t + 1. o o o En ambos casos la din¶mica conduce a evoluciones ca¶ticas a¶n cuando los agentes act¶an a o u u con previsi¶n perfecta y optimizan sus planes. Estos modelos son consistentes matem¶tica, pero o a no econ¶micamente ya que las variables siguen una evoluci¶n impredecible desde el punto de vista o o de un analista \externo". Si suponemos v¶lida la concepci¶n que Sargent [171] tiene a cerca de los a o modelos de expectativas racionales, deber¶ ³amos atribuir a los agentes del modelo una capacidad de predicci¶n -a lo sumo- tan precisa como la que tiene todo economista que, desde \afuera", o manipula ese modelo. Ya que ning¶n \observador externo" puede predecir el sendero con la misma u precisi¶n de la misma manera que el agente del sistema pues es ca¶tico se pone de mani¯esto una o o inconsistencia l¶gica que pocas veces se apunta en la literatura sobre din¶mica econ¶mica. o a o

Figura 3.9: Ejemplo de comportamiento ca¶tico para el caso ¯ = o

1 4

Si se asocia la noci¶n de equilibrio econ¶mico con la concepci¶n matem¶tica de estado o o o a estacionario es razonable suponer que los agentes orientar¶n sus expectativas por medio de un a proceso de aprendizaje que evite cometer errores de previsi¶n en pron¶sticos futuros. En este o o sentido el equilibrio de expectativas racionales puede considerarse como el atractor natural del sistema. Sin embargo, siempre que se admita que el equilibrio econ¶mico es compatible con una o evoluci¶n no estacionaria la suposici¶n de que los agentes cometen errores de previsi¶n debe ser o o o descartada, ya que no hay forma de corroborar la posibilidad de que haya una convergencia hacia el incierto sendero racional. Los modelos de previsi¶n perfecta presentan otro problema particular [94]: Existe la amo bigÄedad de si las trayectorias que de ellos devienen tienen que obtenerse iterando desde un valor u inicial de las variables signi¯cativas hacia el futuro o ¯jando un valor futuro de las variables (o sea una condici¶n de transversalidad) y resolviendo el modelo por inducci¶n hacia atr¶s. La di¯cultad o o a que se plantea proviene del hecho de que las variables signi¯cativas que determinan la evoluci¶n o del sistema son expectativas, las cuales no se pueden considerar como un dato sino que pueden alterar su valor discretamente ante un cambio de las creencias con respecto a sus valores futuros. Por lo tanto, bien puede suponerse que los valores futuros de la variable son los que determinan de manera un¶ ³voca su valor presente. Se puede comprobar que el modelo genera din¶micas distintas a

3.3. Modelos ca¶ticos en la literatura econ¶mica o o

61

seg¶n c¶mo se lo resuelva. Si se estudia la evoluci¶n de una variable: xt = F (xt+1 ), ¯jando un u o o \valor terminal", un mapa unimodal podr¶ admitir soluciones ca¶ticas. Si es que se ¯ja de alg¶n ³a o u modo una condici¶n inicial, en un determinado rango, los valores futuros no quedan un¶ o ³vocamente determinados. En rigor de verdad, un modelo de previsi¶n perfecta no admitir¶ perturbaciones de ning¶n o ³a u tipo, ya que, si las expectativas se ven desmentidas, se contradice la propia hip¶tesis del modelo, o por lo que utilizar estos modelos para analizar comportamientos frente a cambios en reg¶ ³menes transicionales implica una contradicci¶n l¶gica. o o Modelos ca¶ticos con elementos estoc¶sticos o a Los argumentos presentados hasta aqu¶ se basan exclusivamente en la formulaci¶n de modelos de³ o termin¶ ³sticos por lo tanto se puso el ¶nfasis en la hip¶tesis de previsi¶n perfecta. Una consideraci¶n e o o o especial merecen los modelos que contienen elementos estoc¶sticos. Se pueden contemplar dos a m¶todos de introducir elementos estoc¶sticos en los modelos no lineales. e a El primer m¶todo es directo. El elemento de azar se introduce en el modelo como un e error de medici¶n sobre las variables. En [53] se consideran las consecuencias de introducir ruido o directamente en la ecuaci¶n determin¶ o ³stica que exhibe sucesivas bifurcaciones por desdoblamiento de per¶ ³odos hasta llegar al caos. Se analiza all¶ la situaci¶n en la que el ruido se incorpora en ³ o el par¶metro de control o cuando directamente se lo suma a la ecuaci¶n del sistema en cada a o iteraci¶n. Los autores de este art¶ o ³culo muestran que estas dos formas de introducir aleatoriedad son equivalentes y veri¯can que no se altera cualitativamente el proceso de desdoblamientos de per¶ ³odos que conducen al caos . Por lo tanto, en t¶rminos tambi¶n cualitativos, lo comentado e e en la secci¶n anterior ser¶ v¶lido en el caso en que extendamos nuestro estudio a los modelos o ³a a con expectativas racionales que veri¯can Et (xe ) = xt+1 siendo xe 6xt+1 (la realizaci¶n de la o t+1 t+1 = expectativa de la variable signi¯cativa es igual a la expectativa a menos de una variable aleatoria). La otra forma de incorporar elementos estoc¶sticos es poniendo ¶nfasis en el rol integral del a e la incertidumbre en los modelos. En los ultimos a~os se han formulado gran cantidad de modelos ¶ n determin¶ ³sticos, pero en los cuales las expectativas de los agentes se suponen condicionadas a alguna variable (oculta) que puede seguir un proceso estoc¶stico. Este tipo de modelo se categorizan a bajo la denominaci¶n de modelos de equilibrios de manchas solares o modelos de incertidumbre o \extr¶ ³nseca" ya que las expectativas, si bien pueden ser racionales, est¶n condicionadas por una a fuente de ruido externa o alg¶n tipo de variable determin¶ u ³stica oculta [43]. Por ejemplo, se podr¶ ³a pensar que el funcionamiento de un sistema econ¶mico depende de las expectativas que los agentes o poseen sobre la prospectiva meteorol¶gica. Obviamente, todas las consideraciones que se puedan o hacer respecto de la evoluci¶n clim¶tica quedar¶n fuera de los alcances del modelo que representa o a a a ese sistema econ¶mico. Se podr¶ considerar a los modelos determin¶ o ³a ³sticos con externalidades no lineales como un caso degenerado de los equilibrios de manchas solares. Los elementos estoc¶sticos a se han incorporado en los modelos no lineales, tambi¶n en una forma un poco m¶s convencional: e a a trav¶s de las preferencias o la tecnolog¶ en lugar de a trav¶s de las expectativas de los agentes. e ³a, e En este caso, se estar¶ incorporando al modelo una fuente intr¶ ³a ³nseca de ruido.

3.3.4

Algunas conclusiones

Si los procesos econ¶micos son impredecibles, sea por que su representaci¶n da lugar a sistemas o o con m¶ltiples estados de equilibrio, sea porque poseen una evoluci¶n ca¶tica, o estoc¶stica, se u o o a menoscaba la utilidad de la pol¶ ³tica econ¶mica cuantitativa. S¶lo es posible la realizaci¶n de una o o o pol¶ ³tica econ¶mica cualitativa, cuyo objeto no es regular el comportamiento de las variables sino o resguardar, en alguna direcci¶n determinada, la orientaci¶n econ¶mica del sistema [156]. o o o Adicionalmente cabe destacar que los resultados basados en modelos ca¶ticos constituyen o una paradoja. Por un lado, nos enfrentamos a soluciones de sistemas din¶micos de \inusitada a complejidad" que nos impiden la predicci¶n \exacta"; por el otro, todos aquellos fen¶menos que o o

62

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

hasta el presente se pod¶ ¯gurar como estoc¶sticos se convierten en candidatos de una descripci¶n ³an a o perfectamente determinista. El caos determin¶ ³stico introduce \orden" dentro del \caos" aparente {valga el abuso de lenguaje{ de los modelos estoc¶sticos [4]. En realidad, el caos determin¶ a ³stico vuelve a poner sobre el tapete el tema del azar subjetivo, ya que de acuerdo a ¶l no se trata de que e la naturaleza no sepa hacia d¶nde evoluciona, sino que a nosotros nos est¶ vedado el conocimiento o a de las condiciones iniciales con precisi¶n in¯nita como para poder predecir todo el recorrido del o sistema. Sin embargo, la predicci¶n a corto plazo siempre es posible, de manera \exacta", y a largo o plazo, de manera erg¶dica, si se conoce el sistema din¶mico correspondiente [4]. o a En general, para obtener trayectorias ca¶ticas en los modelos econ¶micos es necesario que o o alg¶n supuesto de \normalidad" en la forma de las funciones involucradas sea violado; a trav¶s de u e externalidades que evidencian, en ultima instancia, la incompletitud de los mercados o ya sea la ¶ ruptura de alg¶n axioma neocl¶sico que modi¯ca las funciones de comportamiento. Por lo general u a las violaciones de la \normalidad" en las funciones de comportamiento pueden encontrar debida justi¯caci¶n a partir de los microfundamentos adecuados. o Muchos investigadores se han basado en el uso (y abuso) de la teor¶ del caos en sistemas ³a discretos para fundamentar la impredictibilidad que subyace en el comportamiento de los sistemas econ¶micos. Sin embargo, el verdadero origen de esa impredectibilidad debe ser cuidadosamente o analizada. Muchos modelos poseen m¶ltiples estados de equilibrio, y la determinaci¶n de aquel u o que resulta depende de variables ocultas al analista; tambi¶n queda oculta la forma en que se e coordinan las expectativas. Uno de los principales problemas es que los modelos no contienen un criterio selector de de equilibrios. La predictibilidad del comportamiento de un sistema no solamente requiere la existencia de un resultado sino tambi¶n la unicidad de sus soluciones. Las e condiciones de unicidad no se satisfacen de manera autom¶tica, especialmente cuando los mercados a son incompletos, como evidentemente ocurre en la realidad. Una condici¶n necesaria, pero no su¯ciente para la obtenci¶n de evoluciones ca¶ticas en un o o o modelo es que sus ecuaciones contengan alg¶n tipo de no linealidad que permita alterar el comporu tamiento mon¶tono de las funciones involucradas. Cabe tener en cuenta que las especi¯caciones o lineales surgen como una aproximaci¶n local destinada a simpli¯car el an¶lisis de modelos que en o a forma m¶s detallada pueden resultar ser de naturaleza no lineal. Por otro lado, en gran variedad de a modelos representados con ecuaciones no lineales no se afecta la naturaleza cualitativa de las soluciones que pueden incluso ser convergentes para todo el espectro de par¶metros. Generalmente, el a an¶lisis de din¶micas no lineales se realiza con la ¯nalidad de derivar comportamientos err¶ticos, sin a a a incurrir en la incoporaci¶n de impulsos ex¶genos. Sin embargo, parece claro que una representaci¶n o o o p¶ramente end¶gena de las variables econ¶micas es un objetivo s¶mamente ambicioso. u o o u Si se revisa con detenimiento la enorme cantidad de modelos presentados en la literatura econ¶mica, se podr¶ comprobar que en todos los ¶mbitos y ramas de la teor¶ econ¶mica se han o a a ³a o formulado modelos ca¶ticos. Ser¶ posible la construir una tabla en la que queden representados o ³a las principales escuelas y taxonom¶ de la model¶ ³as ³stica econ¶mica tradicional, en la que ¯guren o modelos monetarios, modelos de crecimiento y acumulacion de tipo Keynesiano, modelos en los que rige la ley del precio unico, o no, modelos que expliquen la din¶mica de in°aci¶n y del desempleo, ¶ a o modelos con rezagos, de equilibrio o no, etc. Seguramente, y luego de una rigurosa b¶squeda u bibliogr¶¯ca, ser¶ posible llegar a la conclusi¶n de que para todas estas ramas del saber econ¶mico a a o o se han podido formular modelos con din¶micas ca¶ticas. La fruct¶ a o ³fera proliferaci¶n de modelos o con comportamientos ca¶ticos, independientemente de la orientaci¶n econ¶mica, nos llama a la o o o re°exi¶n y da la impresi¶n de su aparente confecci¶n a medida al s¶lo efecto de lograr rescatar o o o o de ellos el resultado \ca¶tico". La pretensi¶n que subyace en todas estas construcciones es la de o o convencer a la comunidad academica que existen diferentes implicaciones en t¶rminos de pol¶ e ³tica econ¶mica cuando se comparan las visiones que suponen que las °uctuaciones macroecon¶micas o o son generadas principalmente por la propagaci¶n de mecanismos end¶genos en oposici¶n aquellos o o o que suponen que se originan de perturbaciones ex¶genas. Las teor¶ que soportan la existencia o ³as de mecanismos de propagaci¶n end¶gena suelen defender la acci¶n gubernamental a trav¶s de o o o e

3.4. Sistemas Econ¶micos \Desordenados" o

63

pol¶ ³ticas de estabilizaci¶n en completa contradicci¶n con las teor¶ que concluyen que los ciclos o o ³as econ¶micos son principalmente causados por \shocks" ex¶genos, las cuales sugieren que las pol¶ o o ³ticas de estabilizaci¶n por parte del gobierno son como mucho un ejercicio futil. o Es posible considerar que, en torno de este tema, hay dos grandes visiones: por un lado est¶n a los adherentes del \oportunismo" que buscan encontrar caos para justi¯car ideas preconcebidas y por otro los \estructuralistas" que buscan, a trav¶s de s¶lidos supuestos, entender el origen de las e o °uctuaciones en los sistemas econ¶micos. Es necesario establecer una cuidadosa distinci¶n entre o o el mundo de los fen¶menos humanos o naturales y los modelos matem¶ticos de tales mundos. o a Las regularidades del mundo se suelen cuanti¯car en magnitudes directamente observables. Como hemos visto, estos elementos observables por lo general forman un conjunto de medidas que toman valores en cierto conjunto ¯nito de n¶meros. Estas medidas no son, por lo general, exactas. En el u mundo de la matem¶tica, por otra parte, tenemos representaciones simb¶licas de estos observables a o del mundo real. Los s¶ ³mbolos matem¶ticos que representan estos atributos del mundo real suelen a ser n¶meros enteros, racionales o reales, sistemas todos ellos, que contienen una colecci¶n in¯nita u o de elementos simb¶licos. Dada esta diferencia fundamental, en [47] se le atribuye a los modelos o matem¶ticos un caracter \extrareal" que puede conducir a que la representaci¶n e interpretaci¶n a o o de los resultados d¶ un modelo matem¶tico de lugar a conclusiones err¶neas. e a o

3.4

Sistemas Econ¶micos \Desordenados" o
\Un orden violento es desorden: y un gran desorden es orden. Ambas cosas son una." Wallance Stevens

Muchos modelos econ¶micos presuponen la coordinaci¶n de las actividades de los agentes en o o dos \dimensiones": la \espacial" y la \temporal". Esto implica suponer que las transacciones entre los individuos que, en realidad se efect¶an en lugares distintos, est¶n perfectamente \arbitradas", y u a pueden representarse como teniendo lugar en un \mercado central espacialmente localizado" donde puede operar un subastador que determina los precios, al modo de lo que resulta en los modelos tradicionales de equilibrio general. La coordinaci¶n intertemporal supone una plena consistencia o ex-ante de las acciones presentes y futuras planeadas por los agentes a partir de sus percepciones sobre la evoluci¶n del sistema. Al margen de la evidencia cotidiana que revela la capacidad de o auto-ajuste de los sistemas econ¶micos, existe un variado conjunto de fen¶menos, tales como los o o episodias de alta in°aci¶n y ciertas clases de °uctuaciones (o \crisis") econ¶micas, a partir de los o o cuales parece razonable dudar de la hip¶tesis de que la coordinaci¶n ocurre siempre como un hecho o o autom¶tico. a Si se trata de levantar el supuesto de que la coordinaci¶n de los planes es un dato, hace o falta estudiar c¶mo ¶sta puede surgir a partir de la propia interacci¶n de los agentes. Esto nos reo e o mite a un abordaje \constructivo" (\bottom up") para modelar el sistema (v¶ase la secci¶n 2.5 del e o cap¶ ³tulo 2). Como se mencion¶ en los cap¶ o ³tulos 1 y 2, el objetivo es construir una escala jer¶rquica a de creciente complejidad que permita indagar acerca de los mecanismos de auto-organizaci¶n que o operan a los diferentes niveles. Un primer paso en esa direcci¶n, que se aborda en detalle, cono siste en representar a los agentes individuales en interacci¶n con los dem¶s. En este punto, cabe o a distinguir entre \racionalidad" y optimizaci¶n. En efecto, si se busca describir la conducta de los o agentes como optimizadora en sentido estricto, los individuos deber¶ encontrar los extremos de ³an funciones cuyos argumentos tienen una dimensi¶n del orden del n¶mero de bienes que se transan o u en la econom¶ cuya soluci¶n requiere una cantidad de pasos que crece exponencialmente con la ³a, o informaci¶n necesaria para especi¯carlos. En estas condiciones, resulta dif¶ mantener la hip¶tesis o ³cil o de que los agentes literalmente optimizan; y, al mismo tiempo, el an¶lisis de los mecanismos de a coordinaci¶n aparece como de enorme complejidad. o En la pr¶ctica, es probable que la conducta de los agentes se corresponda a un sub¶ptimo a o

64

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

de la funci¶n objetivo, pero se base en reglas y rutinas de decisi¶n robustas frente a cambios del o o entorno determinados por modi¯caciones en el comportamiento de los dem¶s individuos. Dicho de a otro modo, los agentes operar¶ heur¶ ³an ³sticas e¯caces para \acercarlos" al ¶ptimo en una variedad o de circunstancias, sin necesariamente alcanzarlo. Explorar esta alternativa implica considerar a la racionalidad de los individuos de modo procedural. En este enfoque las acciones de los agentes deben resultar de algoritmos \razonablemente adaptados" al problema de decisi¶n que enfrentan y o el sistema econ¶mico debe ser visto como un sistema de c¶mputo distribuido (o como una red de o o procesadores interconectados) donde cada componente tendr¶ una capacidad limitada, menor a la ³a del conjunto, y tambi¶n muy inferior a la que ser¶ necesaria para especi¯car el ¶ptimo social 10 . e ³a o En la imagen mencionada, el sistema evoluciona \computando" su pr¶xima con¯guraci¶n a o o partir de la situaci¶n en la que se encuentra y permitiendo que sus agentes pongan en pr¶ctica sus o a algoritmos o rutinas individuales. En la generalidad de los casos, se espera que la din¶mica que a resulte sea fuertemente no lineal. Puede, adem¶s, ser disipativa con lo que la regi¶n visitada del a o espacio de las fases se contrae a una regi¶n m¶s reducida poniendo de mani¯esto, de esta manera, o a un proceso de auto-organizaci¶n. Mediante esta evoluci¶n el sistema puede relajar a una situaci¶n o o o estacionaria, recorrer un r¶gimen transitorio o incluso converger a un atractor extra~o. e n La evoluci¶n de un sistema f¶ o ³sico que act¶a como una computadora s¶lo puede ser descripta u o de manera general mediante un c¶lculo si se eval¶an todos su pasos de manera explicita. No a u existe otro m¶todo que sea universal y que adem¶s permita describir la evoluci¶n de manera m¶s e a o a abreviada. Esta situaci¶n corresponde a sistemas denominados \computacionalmente irreducibles" o [196]. Si la analog¶ fuera v¶lida, considerar a los sistemas econ¶micos como de c¶mputo distribu¶ ³a a o o ³do los englobar¶ en esta amplia categor¶ de irreducibilidad computacional con lo que la manera m¶s ³a ³a a \econ¶mica" de obtener su evoluci¶n ser¶ seguirla expl¶ o o ³a ³citamente. Existen otros sistemas para los que existe el atajo de computar - en otro sistema f¶ ³sico cuya evoluci¶n sea m¶s compleja o a la trayectoria o la ecuaci¶n de movimiento y obtener de ese modo su con¯guraci¶n en cualquier o o ¶ momento del tiempo. Estos son la excepci¶n, mientras que la regla son los irreducibles. Ejemplos de o \modelos reducibles" son los problemas de la din¶mica elemental. Algunos ejemplos para los que es a imposible un procedimiento general de soluci¶n son los aut¶matas celulares, los sistemas din¶micos o o a ca¶ticos, las redes neuronales, las m¶quinas de Turing universales, etc. (v¶ase la secci¶n 3.4.2 de o a e o este cap¶ ³tulo y el cap¶ ³tulo siguiente para tener m¶s detalles). a Aceptar este enfoque hasta sus ultimas consecuencias abre cuestiones pol¶micas cuya dis¶ e cusi¶n excede los prop¶sitos del presente trabajo. Si as¶ fuera, un sistema natural que sea capaz o o ³ de computaci¶n universal, por su propia naturaleza, podr¶ emular cualquier evoluci¶n. Cono ³a o secuentemente deber¶ concluirse que un sistema f¶ ³a ³sico que pueda actuar de esa manera puede emular la evoluci¶n de cualquier otro sistema f¶ o ³sico. De estas consideraciones surge que si la descripci¶n algor¶ o ³tmica de los agentes econ¶micos corresponde a la realidad, se deber¶ poder simular o ³a la evoluci¶n de un sistema econ¶mico en una computadora universal (un art¶ o o ³culo interesante que ¶ trata esta tem¶tica es [190]). Esta es una aseveraci¶n semejante a (y vinculada con) la as¶ llamada a o ³ \hip¶tesis de inteligencia arti¯cial fuerte" que a¯rma que toda manifestaci¶n de inteligencia es o o representable por un algoritmo. Y por obvia extensi¶n la conducta de N agentes inteligentes en o interacci¶n deber¶ tambi¶n ser reducible a una expresi¶n algor¶ o ³a e o ³tmica. Traducido al lenguaje que nos ocupa se podr¶ formular correspondientemente la hip¶tesis de \econom¶a arti¯cial fuerte" que ³a o ³ dir¶ que toda evoluci¶n de un sistema econ¶mico es expresable bajo la forma de un sistema de ³a o o c¶mputo distribuido en el que cada nodo implementa sus decisiones de manera algor¶ o ³tmica. La hip¶tesis de \econom¶ arti¯cial d¶bil" derivar¶ de poner l¶ o ³a e ³a ³mites a la a¯rmaci¶n hecha m¶s arriba o a acerca de la posibilidad de emular mediante una computadora universal un sistema cuya evoluci¶n o
V¶ase [123, 90]; La discusi¶n esbozada aqu¶ se vincula con el an¶lisis de Heiner [91]. A menudo, los modelos e o ³ a econ¶micos suponen impl¶ o ³citamente que los agentes econ¶micos son capaces de expandir y mejorar sus capacidades o de an¶lisis y decisi¶n a medida que el entorno se vuelve m¶s complejo. Heiner hace notar que, por contraste, los a o a comportamientos en ambientes muy complicados tienden a simpli¯carse, y los agentes tienden a actuar sobre la base de estrategias \rutinarias" y conservadoras.
10

3.4. Sistemas Econ¶micos \Desordenados" o

65

es irreducible. Esto equivale a a¯rmar que existen conductas y din¶micas econ¶micas que no pueden a o ser reducidas a la forma de una red de \agentes algor¶ ³tmicos". En lo que sigue consideraremos el abordaje computacional de sistemas y agentes econ¶micos o sin pretender en modo alguno zanjar ni tomar partido en las especulaciones formuladas m¶s arriba. a El prop¶sito es s¶lo explorar un sendero que permita un avance de limitado reduccionismo en o o la comprensi¶n de algunos fen¶menos de auto-organizaci¶n de sistemas econ¶micos. El punto de o o o o partida para construir una descripci¶n de este tipo radica pues en estilizar al m¶ximo el comporo a tamiento de los agentes reteniendo un espectro limitado de sus posibles conductas, y proponer una representaci¶n algor¶ o ³tmica de sus decisiones y mecanismos de decisi¶n. La estilizaci¶n debe o o ser tal que permita entender fen¶menos emergentes en t¶rmino de conductas elementales (v¶ase la o e e secci¶n 2.6, cap¶ o ³tulo 2). Los agentes, su plasticidad y sus mecanismos de aprendizaje deben ser formulados de manera de ser ejecutados por una computadora universal. El siguiente ingrediente sobre el que se debe decidir en un modelo constructivo es la organizaci¶n \espacial" del sistema (topolog¶ o ³a), con lo cual, se debe establecer alg¶n criterio de u proximidad de modo de limitar por esta v¶ las in°uencias que es capaz de recibir cada agente. El ³a \tama~o" de la vecindad y el grado de conectividad con que los agentes se vinculan deben pensarse n asociados a la cantidad de informaci¶n que un agente dispone acerca del resto del sistema. De¯nir la o \topolog¶ ³a"de las vinculaciones internas en un sistema econ¶mico dista de ser un problema sencillo, o dado el complejo sistema de comunicaciones internas que existe. Por otra parte, la naturaleza de la \vecindad" y la conectividad de los agentes, depende de la escala de complejidad en la que nos encontremos: son distintos los contactos mutuos que experimentan los participantes en diferentes mercados. Las interacciones entre los agentes juegan un papel importante en determinar las con¯guraciones estables y la evoluci¶n del sistema. Distintos agentes de un sistema interact¶an cuando o u alguna acci¶n afecta las condiciones relevantes para ¶ste. Es de esperar que estas interacciones sean o e altamente heterog¶neas y que el grado de complementariedad sea globalmente incierto. Cuando esto e sucede no existen con¯guraciones unicas en las que todos los agentes son tratados sim¶tricamente ¶ e sino que existe una gran diversidad de situaciones en las que el sistema puede acomodarse. En el sistema conviven - del mismo modo que podr¶ hacerlo en un ecosistema biol¶gico - diversidad y ³an o estabilidad. En la din¶mica del sistema es dable esperar que se presente el fen¶meno de \quiebre a o de la ergodicidad" que ser¶ analizado en detalle en el pr¶ximo cap¶ a o ³tulo. Las interacciones entre los agentes del sistema, su esquema de interconexiones y vecindades, los mecanismos de toma de decisiones o de aprendizaje y adaptaci¶n pueden suponerse a veces inalo terables en el tiempo. Teniendo en cuenta la heterogeneidad se~alada arriba, el sistema presenta un n \desorden estructural" (o \desorden congelado"). Estas condiciones con¯guran lo que podr¶ ³amos llamar \modelos desordenados" de la econom¶ En situaciones como ¶stas los sistemas pueden ³a. e presentar \propiedades emergentes" y son posibles fen¶menos de auto-organizaci¶n, que no ser¶ o o ³an identi¯cables a trav¶s de la b¶squeda de ¶ptimos de funciones de numerosas variables. Tambi¶n e u o e habr¶ casos en los que el sistema se estaciona en una con¯guraci¶n sub¶ptima por per¶ ³a o o ³odos apreciables. Se encuadran en estos comportamientos fen¶menos de hist¶resis, dependencia del sendero o e y \lock-in", ya mencionados en el cap¶ ³tulo anterior. Los recursos de modelizaci¶n computacional son diversos. Hemos elegido modelar los proo cesos de aprendizaje y adaptaci¶n y la elaboraci¶n de heur¶ o o ³sticas sencillas mediante el uso de los algoritmos gen¶ticos (una explicaci¶n resumida de los mismo se da en la secci¶n 3.5.1) que emulan e o o el proceso de evoluci¶n biol¶gica por selecci¶n de los individuos m¶s aptos de una poblaci¶n. En o o o a o los modelos econ¶micos que discutimos, la \aptitud" (\¯tness") se mide mediante alguna funci¶n o o de utilidad apropiada. La heur¶ ³stica se codi¯ca en un \genoma" que se va alternando por mutaciones al azar y por cruza, seleccionando en cada \generaci¶n" la porci¶n de la poblaci¶n cuya o o o funci¶n de utilidad es mayor. De este modo se pueden emular de modo estilizado aspectos de apreno dizaje inductivo o de racionalidad acotada, ya que el agente dispone de una limitada informaci¶n o para procesar y sobre la base a la misma debe modi¯car peri¶dicamente su manera de formular o

66

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

expectativas para ajustarlas a la marcha de los acontecimientos. A continuaci¶n, y en car¶cter de ap¶ndice se detallan algunas caracter¶ o a e ³sticas importantes que deber¶ tenerse en cuenta al considerar la construcci¶n de modelos econ¶micos basados es³an o o trictamente en la representaci¶n del comportamiento de agentes econ¶micos. Estas propiedades o o contribuyen a dar fundamento a las hip¶tesis sostenidas en esta secci¶n y las vinculan con el o o tratamiento que se propone en la secciones 3.5 y 3.6.

3.4.1

Complejidad e Intratabilidad

Es posible cuanti¯car el grado de complejidad de un deteminado problema y analizar hasta que punto ¶ste es o no tratable. Para e comprender esto, de¯namos un problema como una pregunta a ser respondida que, usualmente, posee p¶rametros o variables a libres. Un problema involucra: (i) Una tipi¯caci¶n de todos sus par¶metros. o a (ii) Una sentencia acerca de qu¶ propiedades debe satisfacer la respuesta o soluci¶n. e o Una instancia particular del problema se obtiene especi¯cando valores de todos sus par¶metros. Como ejemplo, podemos citar al a cl¶sico Problema del Viajante de Comercio. Los par¶metros de este problema consisten en un conjunto ¯nito S = fc1 ; ¢ ¢ ¢ ; cm g a a de m ciudades y para cada par de ellas, ci ; cj 2 C, la distancia d(ci ; cj ) que las separa. Una soluci¶n de este problema es un o ordenamiento < c¼(1) ; ¢ ¢ ¢ ; c¼(m) > de visita de las ciudades que minimice una funci¶n\costo" del tipo: o
m¡1

C = d(c¼(m) ; c¼(1) ) +

X
i=1

d(c¼(i) ; c¼(i+1) )

(4.42)

El costo C es la longitud de un recorrido que comienza en c¼(1) , visita secuencialmente cada ciudad, y retorna a c¼(1) desde la ultima ciudad c¼(m) . ¶ Un algoritmo es un procedimiento cuyos pasos est¶n especi¯cados, y que deben seguirse para resolver el problema en a cuesti¶n. Un algoritmo resuelve un problema P si el mismo puede aplicarse a toda instancia I de P y es posible garantizar que o siempre se obtendr¶ una soluci¶n. a o La Teor¶ de la Computabilidad [75] estudia las funciones o relaciones (y por ello problemas) que pueden ser computados ³a mediante un algoritmo. De esta teor¶ surge la de¯nici¶n de complejidad computacional que es una medida de la \di¯cultad" ³a o { cuanti¯cada en t¶rminos adecuados { de los diversos algoritmos. Por lo general, esta complejidad se mide por el tiempo (o e n¶mero de pasos) necesarios para obtener una soluci¶n. Esta se expresa convenientemente como una funci¶n de la cantidad de u o ¶ o informaci¶n, medida en \bits", que es necesario brindar para dar lugar a los datos que especi¯can la instancia del problema. o Se puede pues suponer, que cada problema tiene asociado un esquema de codi¯caci¶n, que mapea sus instancias en cadenas o de caracteres. La longitud de la entrada de la instancia I del problema P es el n¶mero de s¶ u ³mbolos en la descripci¶n de I o obtenidos de la codi¯caci¶n de P. Esta longitud se mide normalmente en \bits". En el problema del viajante de comercio, el o tama~ o de la instancia del problema es el n¶mero de ciudades m. n u La complejidad temporal de un algoritmo expresa el tiempo (o el n¶ mero de pasos) necesario para resolver el problema u ¶ para una dada longitud de la entrada. Esta se de¯ne para el peor o m¶s pesimista caso posible de cada instancia y puede no ser a una funci¶n bien de¯nida. Distintos algoritmos presentan una gran diversidad de complejidades temporales. Para establecer si o un problema es o no tratable importa determinar el valor asint¶tico de la complejidad para grandes valores de la longitud de o los datos de entrada. Por otro lado, se dice que una funci¶n f (n) es O(g(n)) cuando existe una constante c tal que: o jf (n)j · c ¢ jg(n)j; 8n ¸ 0 (4.43)

Un algoritmo de tiempo polin¶mico es aquel cuya complejidad temporal es O(P (n)), con P (n) un polinomio en la longitud n o de la entrada del problema . Todo algoritmo cuya complejidad temporal pueda acotarse inferiormente por una exponencial en n recibe el nombre gen¶rico de problema N P (No Polin¶mico). Se suele decir que los problemas N P son intratables ya que e o cuando n aumenta el problema no puede resolverse por ning¶n medio pr¶ctico 11 . u a En la siguiente tabla se muestran el crecimiento de la complejidad temporal para diferentes instancias de un problema. Para ejempli¯car las magnitudes involucradas, se ¯j¶ arbitrariamente la m¶ o ³nima duraci¶n en :000001 segundos. Para el caso o del problema del viajante de comercio n representa la cantidad de ciudades. En muchos casos es posible demostrar que dos problemas son equivalentes. Para ello se debe relacionar la solucion de toda instancia del primero con una equivalente del segundo. La complejidad resulta entonces un invariante intr¶ ³nseco del problema. Si, por ejemplo, puede establecerse esta correspondencia con un algoritmo que insuma un tiempo polin¶mico, y el o primer problema es de la clase P, el segundo tambi¶n pertenece a la misma clase. e

Se suelen distinguir dos causas de intratabilidad. La primera es cuando el problema requiere una cantidad exponencial de tiempo para llegar a la soluci¶n. La segunda es cuando su soluci¶n no puede ser escrita por una o o expresi¶n cuya longitud pueda acotarse por alg¶ n polinomio que dependa de la longitud de la entrada. Consideramos o u aqu¶ s¶lo el primer caso de intratabilidad. ³ o

11

3.4. Sistemas Econ¶micos \Desordenados" o
Comp. Temp. 10 30 40 50 60 n .00001 s .00003 s .00004 s .00005 s .00006 s n2 .0001 s .009 s .0016 s .0025 s .0036 s n3 .001 s. .027 s .064 s .125 s 0.216 s n5 .1 s 24.3 s 1.7 m 5.2 m 13.0 m 2n .001 s 17.9 m 12.7 d 35.7 a 366 si 3n .059 s 6.5 a 3855 si 2 x 108 si 1.3 x 1013 si Complejidad Temporal para diferentes instancias del problema del viajante de comercio. Las unidades son: s: segundos, m: minutos, a: a~ os, si: siglos n

67

3.4.2

Computabilidad y Computadoras Universales

Las m¶quinas de Turing [188] reciben ese nombre de Alan M. Turing que las concibiera en 1936 como un modo de concretar la a idea de algoritmo o procedimiento efectivo en forma general. Una m¶quina M consiste en un aut¶mata con un n¶ mero ¯nito a o u de estados internos capaz de leer o escribir en una cinta in¯nita utilizando un alfabeto ¯nito de caracteres. El funcionamiento de la m¶quina se traduce en a (i) la lectura de un car¶cter en la cinta a (ii) desplazamiento (hacia la derecha o izquierda) (iii) el cambio de su estado interno (iv) la escritura de un caracter en la cinta. El funcionamiento de una dada m¶quina M se establece dando una tabla que estipule qu¶ desplazamiento debe realizar a e y cu¶l debe ser su nuevo estado interno frente a las posibles lecturas que realice. Con estos elementos se puede demostrar [144] a que es posible formular cualquier algoritmo ¯nito aritm¶tico o evaluar tablas de verdad de cualquier funci¶n l¶gica. Los datos e o o para ejecutar el algoritmo se alimentan a la m¶quina por medio de la cinta. a Es posible construir una m¶quina de Turing U que es capaz de replicar el funcionamiento de cualquier otra m¶quina a a M leyendo de su cinta de datos la informaci¶n que caracteriza M. Esta m¶quina recibe el nombre de \computadora Universal". o a Formalmente una computadora U es universal si para todo procedimiento efectivo realizado por otra m¶quina M existe una a cadena de caracteres s tal que para todas las entradas posibles p de la m¶quina M sucede que U(sp) = M(p). En otras palabras, a la acci¶n de U sobre la entrada sp produce la misma salida que cualquier otra m¶quina M produce, recibiendo como entrada o a a p. Las M¶quinas de Turing no son las unicas capaces de efectuar computaci¶n universal. Las funciones recursivas y sistemas a ¶ o f¶ ³sicos como las redes neuronales y algunos aut¶matas celulares como el Juego de la Vida son tambi¶n capaces de actuar como o e una computadora universal (v¶ase la secci¶n 5 del cap¶ e o ³tulo 4) La cuesti¶n de si funciones cognitivas superiores pueden o no ser o representadas por medio de una computadora universal est¶ ligado con las limitaciones de estas m¶quinas y dista de ser un a a problema resuelto. Turing formul¶ su teor¶ de la computabilidad para dar una respuesta al \10mo. Problema de Hilbert" (el o ³a \Entscheidungsproblem") que inquiere sobre la posibilidad de formular un algoritmo ¯nito que establezca si una proposici¶n o en matem¶ticas es cierta o falsa 12 . En el lenguaje de las m¶quinas de Turing la imposibilidad de resolver el \10mo. Problema a a de Hilbert" se formula como el \problema de la parada" (o \halting problem"), que consiste en demostrar que no existe una m¶quina de Turing que determine anticipadamente si una m¶quina universal se detendr¶ ante toda posible entrada. Problemas a a a como ¶ste, que no pueden ser resueltos por medio de un algoritmo ¯nito, reciben el nombre de indecidibles. Existe una gran e variedad de sistemas f¶ ³sicos cuya evoluci¶n es indecidible (v¶ase [196]). En [190] se relaciona este tipo de limitaci¶n intr¶ o e o ³nseca de los sistemas computacionales con el postulado de racionalidad que subyace en la mayor¶ de las teor¶ econ¶micas estandar. ³a ³as o

3.4.3

Optimizaci¶n Combinatoria y Racionalidad Acotada o
\Aprendi¶ tantas cosas que no tuvo tiempo o para pensar en ninguna de ellas." Antonio Machado

Durante mucho tiempo los economistas han trabajado con las herramientas cl¶sicas de la optimizaci¶n. Se suelen a o emplear algoritmos tales como lo de programaci¶n lineal (como por ejemplo: el simplex), de programaci¶n no lineal y din¶mica, o o a o la teor¶ del control ¶ptimo. Los recientes desarrollos de la teor¶ de la complejidad computacional y la optimizaci¶n ³a o ³a o combinatoria han cambiado el abordaje de estos problemas, tratando a la optimizaci¶n como un problema de decisi¶n. Para o o hacer ¶sto debemos preguntarnos si existe un procedimiento efectivo, que busque sobre el conjunto de alternativas y determine e la mejor de ellas. Si consideramos a la econom¶ en su conjunto y tomamos en consideraci¶n el universo de todas las preferencias ³a o y alternativas posibles, el problema econ¶mico se torna intratable porque no es posible encontrar un algoritmo (o procedimiento o efectivo) que pueda obtener la mejor soluci¶n en un tiempo aceptable. o A modo de ejemplo, en todo problema de Programaci¶n Lineal el objetivo es maximizar una funci¶n lineal: max c ¢ x o o sujeta a A ¢ x · b, con c; x 2 <n , x ¸ 0, A 2 <m £ n y b 2 <m . Sabemos que el ¶ptimo en este simplex n-dimensional est¶ o a situado en alguno de sus v¶rtices. El algoritmo simplex va buscando la soluci¶n desplaz¶ndose progresivamente hacia v¶rtices e o a e en los que la funci¶n lineal crece. Este algoritmo ¯naliza luego de un n¶ mero ¯nitos de pasos. Para cada valor de n, existen o u instancias en las que el problema (de orden n) requiere 2n pivotes (o b¶squedas parciales), con lo cual resulta que el problema u es N P.
12 El teorema de incompletitud de GÄdel est¶ tambi¶n vinculado a este problema. Dicho teorema a¯rma que en o a e todo sistema axiom¶tico formal existen proposiciones cuya veracidad o falsedad no puede ser demostrada. a

68

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

En el mismo sentido, es posible demostrar que muchos de los problemas m¶s comunes a los que se enfrenta un agente a econ¶mico, son intratables 13 . La b¶squeda de ¶ptimos debe hacerse sobre un paisaje de costos de tantas dimensiones y tan o u o \rugoso" que es imposible encontrarlo en un tiempo compatible con la evoluci¶n real del sistema. La utilizaci¶n de heur¶ o o ³sticas que realizan b¶squedas locales, y son capaces de garantizar buenas opciones sub¶ptimas, es la unica estrategia realista posible u o ¶ para una b¶squeda. u Concebir a la optimizaci¶n como un problema de decisi¶n da un nuevo contenido a la hip¶tesis de la racionalidad o o o acotada ya que elimina el problema de circularidad que existe en los casos usuales de optimizaci¶n en los cuales no se tiene en o cuenta el costo de alcanzar su propia soluci¶n. Herbert A. Simon [179] ha de¯nido como racionalidad acotada a toda aquella o acci¶n de un agente econ¶mico que, enfrentado a una tarea compleja, no intenta \optimizar" el resultado y s¶ \satisfacerlo" o o ³ con cierto nivel de aspiraci¶n 14 . Conlisk (1996) [51], detalla diversos ejemplos y ¶reas de trabajos en la teor¶ econ¶mica o a ³a o que deber¶ requerir el dise~o de modelos con racionalidad acotada. Simon supone que los agentes operan en general por ³an n aproximaciones sucesivas para optimizar y economizar las limitaciones impuestas por la informaci¶n limitada y la habilidad o de razonar. Por otro lado, una respuesta emocional puede considerarse incompatible con el accionar racional; sin embargo, es posible que actitudes \irracionales" pueden servir para producir un sendero adaptativo 15 . No obstante, toda conducta no optimizadora estar¶ sesgada por el mismo entorno que act¶a como v¶ a u ³nculo y que da origen a un proceso competitivo de selecci¶n. Armen A. Alchian [3] supone que a¶n cuando las empresas tomaran sus decisiones o u al azar, el medio ambiente seleccionar¶ a aquellas cuyas decisiones superen un m¶ a ³nimo estandar de viabilidad. Muchas veces la imitaci¶n de estrategias resulta ser menos ardua y costosa que la propia optimizaci¶n. En ultima instancia el equilibrio vendr¶ o o ¶ ³a dado por un proceso competitivo de selecci¶n guiado por una mezcla de h¶bitos y rutinas que surgen de previas optimizaciones o a o de la simple tarea de imitaci¶n. o El proceso de aprendizaje de los actores econ¶micos puede ser entendido entonces como el resultado de un proceso de o prueba y error que, a trav¶s de un proceso de selecci¶n, da por resultado la adopci¶n de nuevas reglas que funcionan cada vez e o o mejor para un entorno dterminado. Otra manera de ver este mismo proceso es pensarlo como el resultado del entorno propio del mercado que da lugar a una selecci¶n de aquellos agentes cuyo comportamiento les permite sobrevivir. Desde este punto o de vista los agentes econ¶micos deber¶ exhibir pautas de un comportamiento consistentes con un proceso de aprendizaje o ³an evolutivo, o l¶gicamente inductivo. o Robert Lucas [130] sugiere que todo comportamiento es adaptativo ya que las reglas de decisi¶n ser¶ el estado estao ³an cionario de alg¶n proceso adaptativo. A ¶ste se llega luego de un proceso de experimentaci¶n sobre el conjunto de preferencias. u e o Tengamos en cuenta que cualquier motivaci¶n por optimizar ex - ante, no implica la realizaci¶n del ¶ptimo ex - post. Por o o o esta raz¶n el esquema soportado por el supuesto de racionalidad acotada implica la utilizaci¶n de alguna forma de din¶mica o o a adaptativa para las reglas de comportamiento de los agentes. Este modelo de aprendizaje est¶ guiado por procesos inductivos. a Si suponemos que la informaci¶n llega a los agentes de manera secuencial todo intento optimizador se implementa por medio o de la inducci¶n extrapolando las regularidades, y obteniendo un comportamiento esperado universal a partir de las experiencias o obtenidas de cada caso particular. Si la capacidad de c¶mputo es limitada (i.e. si representa un \bien econ¶mico", ya que es escaso) las decisiones correctas o o deben ser costosas. La interrelaci¶n entre el esfuerzo por computar un resultado correcto y el seguir h¶bitos establecidos se o a ve re°ejado en lo que podemos denominar como \econom¶ de la mente": operar con reglas heur¶ ³a ³sticas resulta a veces ser la \reacci¶n racional" cuando se toma en cuenta el costo computacional y los bene¯cios de lograr una representaci¶n de la realidad o o m¶s acertada. a Parte de la robustez de los sistemas econ¶micos puede atribuirse a la memoria de los agentes de experiencias anteriores, o que condiciona las decisiones de planes futuros. La adaptaci¶n de la que hablamos brinda la plasticidad necesaria para enfrentar o nuevas situaciones y absorber cambios y perturbaciones ex¶genas. No sorprende pues que las econom¶ exhiban un cierto grado o ³as \regularidad intr¶ ³nseca", que permite, salvo en casos excepcionales el desenvolvimiento normal de las variables.

3.5
3.5.1

Representaci¶n Computacional de Agentes Econ¶micos o o
Algoritmos Gen¶ticos e

Una manera de representar agentes con una limitada capacidad de procesamiento es asociando a cada uno de ellos una poblaci¶n de estrategias que pueden alterarse progresivamente mediante los o ¶ pasos de un algoritmo gen¶tico. Esta heur¶ e ³stica fue desarrollada por J. Holland [104] y tiene como base conceptual a los mecanismos de evoluci¶n y selecci¶n biol¶gicos. A diferencia de otros m¶todos, o o o e los algoritmos gen¶ticos exploran el espacio de par¶metros de un problema con un mecanismo al e a
\If a garment factory requires 52 distinct independent steps to assemble a shirt, there are 52! = 1068 di®erent ways to order these steps in sequence. ... For any realistic garment assembly operation, almost all possible sequences for the step would be wildly impractical, but if even a very small fraction of sequences is useful there will be many such sequences. It is therefore extremely unlikely that any actual sequence that humans have used for sewing a shirt is the best possible one." Romer, P.M. [165]. 14 \Models of satis¯cing behavior are richer than models of maximazing behavior, because they treat not only of equilibrium but of the method of reaching it as well... (a) When performance falls short of the level of aspiration, search behavior... downward until goals reach levels that are practically attainable, (c) If the two mechanisms just listed operate too slowly to adapt aspiration to performance, emotional behavior - apathy or agression, for example - will replace rational adaptive behavior" [179]. 15 \It is evident that the rational thing to do is to be irrational, where deliberation and estimation cost more than they are worth" [121].
13

3.5. Representaci¶n Computacional de Agentes Econ¶micos o o

69

que se le puede atribuir un cierto \paralelismo intr¶ ³nseco", usualmente poseen adem¶s una gran a robustez frente a cambios en sus par¶metros de control. Por estas razones se hace posible trabajar a con espacios de b¶squeda de gran dimensi¶n. No obstante, si bien han probado ser sumamente u o e¯caces en la identi¯caci¶n de las regiones del espacio de par¶metros que corresponden a zonas o a sub¶ptimas, los algoritmos gen¶ticos no han sido igualmente e¯caces para identi¯car extremos muy o e localizados en paisajes de costo rugosos. Cuando se los utiliza en el marco problemas representables por la teor¶ de juegos, los ³a ¶ algoritmos gen¶ticos operan sobre una poblaci¶n de estrategias. Esta se renueva por medio de e o los operadores gen¶ticos que simulan los procesos de selecci¶n, cruza y mutaci¶n. Los operadores e o o se aplican sobre la poblaci¶n de estrategias renov¶ndola progresivamente a trav¶s de sucesivas o a e generaciones. De este modo tiene lugar un proceso de adaptaci¶n en el que las peores estrategias o \mueren" mientras que las que prueban ser exitosas ocupan gradualmente las vacantes dejadas por las primeras. El algoritmo permite modelar de este modo un proceso de aprendizaje en el que pueden tener lugar la imitaci¶n, la prueba y el errror. o Para implementar un algoritmo gen¶tico, las estrategias de un jugador se codi¯can medie ante una secuencia o cadena de caracteres cuya longitud depende del problema a resolver. Cada estrategia recibe un premio que depende del resultado que se obtiene al ponerla en pr¶ctica. El a m¶rito o aptitud (\¯tness") de la estrategia es la suma de las recompensas recibidas. En la siguiente e etapa del algoritmo, las estrategias son seleccionadas para pasar a la siguiente generaci¶n, con una o probabilidad que es proporcional a su aptitud relativa. Las estrategias que dan lugar a premios mayores tienden de este modo a perpetuarse en la poblaci¶n. o En sucesivas generaciones, las nuevas estrategias aparecen cuando se utilizan los operadores gen¶ticos de cruza y mutaci¶n. Con estos operadores, las estrategias se combinan modelando un e o aprendizaje por imitaci¶n de las estrategias exitosas. La operaci¶n de cruza se implementa eligiendo o o dos estrategias ya seleccionadas y recombinando sus partes. Para ello se \cortan" ambas estrategias en un punto intermedio seleccionado al azar, y se intercambian las partes complementarias de ambas. Por ejemplo, una \cruza" de las dos secuencias de 5 caracteres 11111 y 00000 , \cortando" a ambas en el tercer caracter resulta en las nuevas secuencias 11100 y 00011 . La cruza combina partes de estrategias seleccionadas por ser las m¶s exitosas de la generaci¶n anterior para encontrar a o nuevas estructuras con mayor aptitud o \¯tness". El tercer operador gen¶tico es la mutaci¶n e o que produce la alteraci¶n de un s¶lo \bit" de la secuencia, seleccionado al azar. Por ejemplo, si la o o secuencia 00011 se muta en la ultima posici¶n la nueva estrategia es 00010 . Al igual que la cruza, ¶ o esta operaci¶n se realiza con cierta probabilidad, en este caso pm . La mutaci¶n puede representar o o el ensayo de una innovaci¶n mediante un cambio local en la implementaci¶n de esa estrategia. Este o o operador mantiene la diversidad en la poblaci¶n de estrategias. o Los pasos formales del algoritmo son, someramente, los siguiente: (i) Generar una poblaci¶n inicial de con¯guraciones tomadas al azar. o (ii) Evaluar la funci¶n objetivo para cada individuo de la poblaci¶n. o o (iii) Evocar el operador de selecci¶n y elegir el conjunto de individuos m¶s aptos. o a (iv) Aplicar los operadores de cruza y mutaci¶n, produciendo los individuos de la nueva generaci¶n. o o (v) Salvo un criterio de terminaci¶n, repetir los pasos (ii)-(iv). o Las principales caracter¶ ³sticas de estos algoritmos evolutivos son: ² Requerimientos Computacionales: Es necesario codi¯car las posibles soluciones del sistema que se desea optimizar en una cadena de caracteres de un alfabeto perfectamente especi¯cado. Por ejemplo, si se trabaja con n¶meros reales, es necesario truncarlos y transformarlos en una u cadena de caracteres cuya longitud se adecua a la precisi¶n deseada, y a la magnitud del o

70

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o intervalo que act¶a como dominio del problema. Luego, la unica informaci¶n requerida es la u ¶ o funci¶n objetivo del problema. No es necesario que esta sea diferenciable. Es posible aplicar o el algoritmo a funciones objetivo discontinuas, no diferenciables, o de¯nidas proceduralmente. ² Paralelismo: Existen argumentos que justi¯can el uso de estos algoritmos para b¶squedas u en grandes espacios de con¯guraciones. Su e¯cacia se basa en el concepto de paralelismo impl¶cito [79] que implica que el algoritmo explora simult¶neamente muchas regiones del ³ a espacio de soluciones, evitando quedar atrapado en regiones limitadas localmente. El m¶todo e no es e¯caz para encontrar ¶ptimos que est¶n con¯nados en regiones muy estrechas. o a ² Reglas de exploraci¶n: La b¶squeda de soluciones tiene lugar a trav¶s de transiciones eso u e toc¶sticas, como en el algoritmo de \recocido simulado"16 . Di¯ere en este sentido de los a m¶todos de optimizaci¶n de descenso por gradientes que pueden presentar el inconveniente e o de quedar atrapados en m¶ ³nimos secundarios.

Es posible modi¯car algunas caracter¶ ³sticas del algoritmo para optimizar funciones con m¶ltiples ¶ptimos mediante la especiaci¶n de las sucesivas soluciones; en este caso la frecuencia reu o o lativa de individuos en cada extremo relativo categoriza la magnitud de cada uno de estos m¶ltiples u estados ¶ptimos [79]. La estructura b¶sica de los algoritmos gen¶ticos puede ser amalgamada con o a e otro tipo de m¶todo de optimizaci¶n con el prop¶sito de mejorar la \performance" del proceso; estas e o o modi¯caciones suelen denominarse como algoritmos h¶ ³bridos. Existen muchos algoritmos h¶ ³bridos que los combinan con la t¶cnica de recocido simulado, las redes neuronales, e incluso ciertos m¶todos e e y algoritmos basados en reglas, usados en inteligencia arti¯cial como los sistemas de clasi¯cadores. En el cap¶ ³tulo 3.6 mostramos dos aplicaciones de estos algoritmos en modelos constructivos de sistemas econ¶micos. En ellos los algoritmos gen¶ticos sirven para modelar el aprendizaje o e y la capacidad limitada de procesamiento de la informaci¶n que poseen los agentes econ¶micos. o o Mostramos tambi¶n c¶mo se pueden dar lugar as¶ a estados de equilibrio autoorganizado, y condie o ³ ciona el relajamiento a dicho equilibrio y c¶mo la evoluci¶n del aprendizaje inductivo puede o o tambi¶n servir para comprender din¶micas transicionales entre estados autoorganizados. En la e a bibliograf¶ se citan otras aplicaciones de los algoritmos gen¶ticos en la econom¶ y la teor¶ de ³a e ³a ³a juegos: [105, 152, 137, 159, 109, 157, 8, 166, 12, 13, 138, 142, 24, 16, 171, 9].

3.5.2

Redes Neuronales Arti¯ciales

El proceso de aprendizaje y toma de decisiones de un agente econ¶mico puede tambi¶n representarse o e mediante un sistema de procesamiento adaptivo con una arquitectura basada en el concepto de las redes neuronales17 que se inspira en el procesamiento de la informaci¶n que tiene lugar en el sistema o nervioso central [161, 98]. Una red neuronal establece una correspondencia entre un conjunto de datos de entrada y uno de salida a trav¶s del procesamiento interconectado de un conjunto de e \neuronas". Cada una de ellas corresponde a un dispositivo biestable de umbral que se interconecta con las dem¶s por medio de una matriz de conectividad, tambi¶n llamada matriz sin¶ptica, que se a e a
16 El recocido simulado [119] es un m¶todo de optimizaci¶n basado en ideas de la termodin¶mica estad¶stica. La e o a ³ funci¶n costo se supone local en el espacio de estados. La b¶ squeda del extremo se realiza efectuando cambios (locales) o u en el espacio de estados; si el cambio del costo ¢C es negativo se acepta la modi¯caci¶n de la con¯guraci¶n, s¶ por el o o ³ contrario es mayor, se lo acepta con una probabilidad P / e¡¯¢C donde ¯ es la inversa de una \temperatura" que act¶ a como par¶metro de control de la convergencia del algoritmo (recuerdese que esta es la medida de probabilidad de u a Gibbs). Con este procedimiento es posible eludir m¶ ³nimos secundarios. El algoritmo comienza con una temperatura alta y gradualmente se la disminuye hasta \congelar" el sistema en una con¯guraci¶n que corresponde a un posible o extremo de la funci¶n costo. o 17 En esta secci¶n se muestran los rudimentos de las redes neuronales arti¯ciales entendidas ¶stas como algoritmos o e de aprendizaje heur¶ ³stico capaces de simular el proceso de toma de decisiones de los agentes econ¶micos. En el o cap¶ ³tulo siguiente veremos sistemas con dispositivos biestables en interacci¶n, en un intento de matematizar una o teor¶ de la elecci¶n discreta con externalidades intergrupales. Se podr¶ comprobar que ambos temas tiene mucha ³a o a semajanza.

3.5. Representaci¶n Computacional de Agentes Econ¶micos o o

71

puede modi¯car progresivamente para reproducir la correspondencia deseada entre subconjuntos de datos de entrada y salida. El protocolo de alteraci¶n de los elementos de la matriz sin¶ptica o a corresponde con lo que denominamos como el proceso de \entrenamiento" de la red. Una vez ¯nalizada esta etapa de \aprendizaje", la red puede utilizarse con el resto del conjunto de datos de entrada y obtener salidas en principio, desconocidas. Es decir que entrenamos a la red con una cantidad de ejemplos o patrones conocidos que la red aprender¶ una vez ¯nalizada a la fase de entrenamiento; luego se testea el aprendizaje de la red con un conjunto de patrones de prueba, desconocidos por la red hasta ese momento, y si la red pasa esta prueba y se veri¯ca que ha aprendido y generalizado adecuadamente los patrones con los que se la aliment¶, es posible o utilizarla como algoritmo de clasi¯caci¶n de patrones en caso gen¶ricos 18 . El aprendizaje de la red o e neuronal se pone de mani¯esto cuando ¶sta ha logrado generalizar a todo su universo el aprendizaje e que realiz¶ sobre el subconjunto de datos. o La actividad de las \neuronas" puede cambiar entre dos estados extremos (excitada (+1) o inhibida (¡1)). Las conexiones pueden a su vez ser excitatorias (positivas) o inhibitorias (negativas). Cada neurona es un procesador de umbral que cambia de estado dependiendo de la suma de las se~ales que reciba de las restantes y de acuerdo con una funci¶n de transferencia seg¶n la regla n o u (ver ¯gura 5.10): xi (t) = g
³X

j6 =i

¹ Mij xj (t ¡ 1) ¡ £i

´

(5.44)

La funci¶n de trasferencia g(x) suele tomarse como una funci¶n sigmoide continua o discreta (una o o ¹ ij de la matriz sin¶ptica M determinan la e¯cacia (intensidad y ¹ de Heaviside). Los elementos M a signo) de la interconexi¶n entre la neurona i y j. £i es el umbral de respuesta la neurona i. o Las propiedades b¶sicas de la redes neuronales son: a (i) Aprendizaje: tienen la capacidad de adaptar su comportamiento a un entorno y por lo tanto construir una representaci¶n de la correspondencia entre las entradas y las salidas sobre la o base de un conjunto ¯nito de ejemplos. (ii) Generalizaci¶n: Habiendo ajustado una tabla extensa de pares entrada-salida, las redes o pueden proveer una representaci¶n de la regla que subyace en esa correspondencia. En estas o condiciones, la red puede producir salidas aceptables para entradas que no fueron incluidas en la lista de los ejemplos durante el entrenamiento. Esta propiedad pueden hacerlas utiles ¶ para el reconocimiento de patrones complejos, o la identi¯caci¶n de patrones \corrompidos o por ruido. (iii) Robustez: La alteraci¶n o eliminaci¶n de algunas conexiones sin¶pticas no impide que la red o o a pueda seguir evocando entradas, con un aceptable grado de precisi¶n. o (iv) Procesamiento distribuido: El procesamiento de la informaci¶n est¶ distribu¶ en todo el o a ³do sistema. Cada neurona est¶ involucrada en la representaci¶n de muchos \conceptos" o \rea o cuerdos". Esta caracter¶ ³stica con¯ere al sistema robustez y plasticidad. Tipos de redes neuronales Existen varios tipos de redes neuronales. Est¶n por un lado las as¶ llamadas redes amorfas o redes a ³ de Hop¯eld en honor al investigador que las implement¶; las m¶s comunes son las redes orientadas o a en capas. En el modelo de Hop¯eld la conectividad es completa (con excepci¶n de los t¶rminos o e diagonales). Se puede suponer como hip¶tesis simpli¯cadora que la conectividad es sim¶trica, esto o e ¹ ¹ es que Mij = Mji . Las redes orientadas en capas suponen v¶ ³nculos adicionales que establecen
18 Existen algoritmos de aprendizaje para redes neuronales que permiten realizar un aprendizaje en l¶ ³nea, mientras los datos de entrada y salida desconocidos van apareciendo durante el mismo proceso que se desea predecir.

72

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

una jerarqu¶ en la conectividad de manera tal de implementar una red orientada en capas, que ³a se constituye a partir de una capa de entrada, que recibe los datos externos, una capa intermedia llamada \capa oculta" y la de salida, con tantas neuronas como variables de salida requieran el problema que se estudia. Durante la fase de entrenamiento de una red neuronal se deben seleccionar ejemplos representativos, que denominamos recuerdos, y que ser¶n aprendidos por la red durante la fase de a entrenamiento. Estos recuerdos consisten en un conjunto de datos de entrada y salida perfectamente especi¯cados. Para que el aprendizaje sea posible es necesario de¯nir una funci¶n de Lyapunov, o usualmente llamada energ¶ que crece con la norma (usualmente la distancia de Hamming) de la ³a, diferencia entre la salida verdadera de un recuerdo y aquella se que mani¯esta al evocarlo durante el entrenamiento. La fase de entrenamiento consiste de determinar y modi¯car los pesos sin¶pticos a Mij de manera tal de minimizar esta energ¶ Una vez logrado este objetivo los recuerdos o pa³a. trones que fueron aprendidos se encuentran en cuencas de atracci¶n en el paisaje de energ¶ por o ³a lo cual son atractores de la din¶mica de la red. El proceso de evocaci¶n de un recuerdo a partir a o de un patr¶n de entrada parecido, pero no igual la entrada del recuerdo, se denomina memoria o asociativa. La capacidad de almacenar recuerdos depende del n¶mero de neuronas que conforman la u arquitectura. Se puede demostrar num¶rica y te¶ricamente que una red de Hopp¯eld puede ale o macenar aproximadamente 0:14N recuerdos (donde N es la cantidad de neuronas) si se desea una tolerancia de error del orden del 1% [98]. La aptitud de evocaci¶n de la red se deteriora si se trata o de exceder esta capacidad. No obstante el proceso de aprendizaje es robusto por lo que el diezmado de algunas sinapsis no altera sustancialmente los resultados de una evocaci¶n. o Matriz Sin¶ptica a ¹ H H Mij xj
H H H © © H ' j H

E n t r a d a s xj

g(¢)

©

© ©

& * © ©

$

xi

i

Salida %

-

Figura 5.10: Representaci¶n de una neurona formal: La neurona se excita o inhibe por la acci¶n de o o las se~ales recibidas luego de computar la suma ponderada por los pesos sin¶pticos de sus entradas, n a y emite una se~al xi = +1 si la suma es mayor que el umbral £i ,y xi = ¡1 en el otro caso. n Las redes orientadas en capas procesan secuencialmente la informaci¶n a trav¶s de distintas o e capas formadas por neuronas. La estructura gen¶rica de una red orientada en capas se muestra en e la ¯gura 5.11. Sus elementos son: 1) Una capa de entrada que recibe la se~al del entorno. Las neuronas de entrada transmiten n esta informaci¶n a las capas siguientes. El n¶mero de neuronas de entrada depende de cada o u problema particular. 2) Una o m¶s capas intermedias denominadas como capas ocultas que realizan el procesamiento a antes descripto. La complejidad y capacidad de procesamiento de la red depende de la cantidad de neuronas de las capas ocultas. Se puede demostrar que si una red tiene su¯cientes neuronas en su capa oculta puede aprender cualquier funci¶n f : Rn ¡! Rm con una precisi¶n o o arbitraria [98].

3.5. Representaci¶n Computacional de Agentes Econ¶micos o o

73

3) Una capa de salida que devuelve una se~al, y alimenta sus neuronas desde la ultima capa n ¶ oculta. La cantidad de neuronas de salida depende de la naturaleza de la respuesta deseada. Existen numerosos \algoritmos de aprendizaje" [98] que sirven para adaptar la matriz sin¶ptica para a que la red reproduzca la tabla de \ejemplos". Dichos algoritmos est¶n dise~ados para minimizar a n una funci¶n de \energ¶ o costo que depende de los elementos de la matriz sin¶ptica y que mide o ³a" a la diferencia entre el conjunto de salidas deseadas y las que realmente produce la red a medida que tiene lugar la fase de entrenamiento. Como en las redes orientadas en capas la se~al de entrada se propaga en un unico sentido n ¶ atrav¶s de las sucesivas capas, cada capa, con excepci¶n de la entrada, eval¶a la combinaci¶n lineal e o u o pesada por la matriz sin¶ptica de la entradas que ella recibe (v¶ase la ecuaci¶n 5.44). El sistema a e o se inicializa especi¯cando aleatoriamente esta matriz y dada la arquitectura orientada de la red es posible aplicar un algoritmo denominado de retropropagaci¶n (back-propagation). o

3.5.3

Modelos Econ¶micos con Redes Neuronales Arti¯ciales o

En Beltratti et al. [24] se expone una variedad de modelos de agentes arti¯ciales representados por redes neuronales que interact¶an, aprenden y se adaptan. Se pueden de¯nir diversas formas de u construir modelos econ¶micos con redes neuronales: o (i) Modelos con agentes arti¯ciales que formulan expectativas mediante red neuronales. En este caso la red act¶a como simulando a un agente \econometrista" que predice la o las variables u de un modelo te¶rico ya concebido [171, 117]. La ¯gura 5.11 representa un esquema posible. o (ii) Modelos con agentes arti¯ciales, cuyas reglas de comportamiento y sus acciones est¶n impl¶ a ³citas en la operaci¶n de una red neuronal. La red neuronal, en este caso, luego de procesar y o clasi¯car la informaci¶n de entrada, determina la acci¶n a seguir por el agente que est¶ reo o a presentando. (iii) Redes neuronales como mecanismo para hacer aproximaciones econom¶tricas [171, 45]. En e este caso la red intenta generalizar, extrapolar y predecir el curso de una serie temporal (uni o multivariada) del sistema econ¶mico. La red act¶a como un pronosticador no lineal, que o u in¯ere el valor de las variables a partir de informaci¶n pasada sin conocer los par¶metros ni o a la forma de las funciones involucradas. (iv) Modelos constructivos, en los que el sistema es concebido como una red de agentes econ¶micos o y la matriz sin¶ptica representa el reticulado de transcciones entre ellos [160]. En estos casos, a una modi¯caci¶n de la matriz sin¶ptica corresponder¶ a una modi¯caci¶n de los patrones de o a ³a o producci¶n y/o intercambio de los agentes del sistema. En el cap¶ o ³tulo siguiente analizaremos este tipo de esquema constructivo. Un consideraci¶n ¯nal que cabe realizar es que tanto las redes neuronales como los algoritmos o evolutivos tienen un cierto caracter isomorfo ya que ambos m¶todos funcionan como sistemas e heur¶ ³stico de clasi¯caci¶n que reconocen patrones regulares a partir de datos externos. Cada uno o de estos m¶todos tienen sus virtudes y sus defectos y son ventajosos seg¶n las caracter¶ e u ³sticas del sistema que se desea representar.

74

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Figura 5.11: Representaci¶n de una red neuronal multicapas, que esquematiza la forma de dise~ar o n un sistema de predicci¶n de una serie temporal, partiendo de un conjunto de datos estructurales, o y la evoluci¶n de una o m¶s series temporales. En este caso se obtiene como resultado una unica o a ¶ salida, pero la red puede poseer muchas m¶s salidas. a

3.6
3.6.1

Modelos con agentes arti¯ciales adaptativos
Aprendizaje y Co-Adaptaci¶n o

El n¶cleo tem¶tico de este cap¶ u a ³tulo es el estudio de la representaci¶n de la conducta de agentes o econ¶micos; hemos visto que los los modelos estandar suelen formular estrictas suposiciones acerca o de la habilidad de los agentes para procesar la informaci¶n disponible; analizamos tambi¶n las o e limitaciones de estos enfoques. El car¶cter simpli¯cador de estos estrictos supuestos ha dado lugar a a numerosos modelos que han permitido caracterizar { a veces con realismo interpretativo { los senderos de equilibrio del modelo (donde vala la consistencia de planes ¶ptimos). En las descripo ciones econ¶micas, esos senderos pueden ser entendidos como resultado \asint¶tico" de un proceso o o en el que el comportamiento de los agentes ha evolucionado, mediando un proceso de aprendizaje, al punto tal de haberse adaptado a las condiciones impuestas por el entorno; sin embargo esta caracterizaci¶n dista mucho de ser una aproximaci¶n general, ya que los sistemas econ¶micos devienen o o o de una compleja red de interacciones en la que tanto decisiones, expectativas y acciones descentralizadas son formuladas por una enorme cantidad de agentes poseedores,en general, de percepciones distintas. Por lo tanto no existe ning¶n argumento a priori que postule que los comportamientos u individuales son ¶ptimos o que la coordinaci¶n de actividades tiene lugar de manera autom¶tica o o a [50]. Existen pues razones para investigar alternativas a este tipo de an¶lisis. En la secci¶n 3.5 del a o cap¶ ³tulo 3 presentamos algunas de estas posibles alternativas. En las mismas, la representaci¶n de o los agentes econ¶micos se realiza postulando cierto grado de \racionalidad acotada" que involucra o la incorporaci¶n de procesos de aprendizaje empleando algoritmos de aprendizaje heur¶ o ³stico como las redes neuronales o los algoritmos evolutivos. Podemos denominar este enfoque anal¶ ³tico como

3.6. Modelos con agentes arti¯ciales adaptativos

75

una representaci¶n de los comportamientos a partir de Agentes Arti¯ciales Adaptativos (AAA). No o obstante debemos destacar que, si bien ha crecido el n¶mero de trabajos realizados en esta ¶rea, u a todav¶ no se ha formulado un marco general de estudio con el objetivo de de establecer procedimien³a tos de modelizaci¶n estandarizados. La exploraci¶n de modelos en contextos muy estilizados sirven o o entonces como un primer paso hacia la representaci¶n m¶s realista de las interacciones econ¶micas o a o y nos posibilita comprender muchos procesos que subyacen en los sistemas de transacciones en los que no media la suposici¶n de una coordinaci¶n centralizada a priori. o o A continuaci¶n se describe un sistema muy esquem¶tico de intercambio descentralizado en o a el cual operan Agentes Arti¯ciales Adaptativos. Se estudia un proceso competitivo, en el que un conjunto grande de compradores y vendedores de cierto bien coordinan sus decisiones guiados por conjeturas o modelos internos que se revisan de acuerdo a los resultado obtenidos a lo largo de la propia evoluci¶n del sistema de intercambio. En el modelo la \ley de precio unico" y la condici¶n o ¶ o del despeje del mercado no se presuponen apriori. Cuando el sistema se encuentra en una situaci¶n o transitoria, los problemas de decisi¶n se tornan complicados desde la perspectiva de los agentes o dado que la informaci¶n que est¶n procesando surge del propio proceso de interacciones. o a El prop¶sito del modelo que se presenta es entender los procesos de b¶squeda y relajaci¶n o u o a la situaci¶n de \equilibrio competitivo". Se analiza de este modo el comportamiento adaptativo o de un sistema formado por un conjunto de potenciales \clientes" de una o dos \proveedur¶ ³as" (seg¶n el caso), que venden un producto no diferenciado. Los clientes pueden comprar en una u de ellas o bien, si el precio excede un cierto precio de reserva pueden abstenerse de comprarlo, esperando una situaci¶n m¶s favorable. Los clientes efect¶an primero una predicci¶n del precio o a u o futuro bas¶ndose en la historia de los ultimos precios pasados, pudiendo optar por comprar o no el a ¶ bien. Las proveedur¶ que tambi¶n se adaptan, ¯jan una pol¶ ³as, e ³tica de precios que intenta maximizar 19 . En el modelo existe un per¶ su bene¯cio ³odo de tanteo (en l¶ ³nea) durante el cual las estrategias de clientes y proveedur¶ se co-adaptan en b¶squeda de un equilibrio. En la situaci¶n en que ³as u o interact¶an dos provedur¶ compitiendo, ambas deben co-adaptar sus estrategias de ¯jaci¶n de u ³as o precios detectando la presencia mutua de ellas a trav¶s de las se~ales provenientes de la demanda e n que efectivamente perciben. En esta exposici¶n seguimos de cerca la referencia [95]. o Una cr¶ ³tica a la met¶fora deductiva a
Hemos comentado ya que los principales modelos econ¶micos suelen originarse a partir de r¶ o ³gidos supuestos acerca del comportamiento de los agentes econ¶micos. Por lo general se supone que ¶stos derivan sus o e conclusiones de procesos l¶gicos cuyas premisas son completas, consistentes y bien de¯nidas. Bajo estas o hip¶tesis subyace la idea de que los agentes trazan sus planes bas¶ndose en decisiones ¶ptimas con perfecto o a o conocimiento de las propiedades sistem¶ticas del entorno que los contempla. Este esquema de modelizaci¶n a o puede ser denominado como la \met¶fora deductiva" [12], y es sobre el cual se sostiene la tan usada hip¶tesis a o de expectativas racionales. Esta met¶fora deductiva requiere por parte de los agentes: a (i) El conocimiento completo del problema. (ii) La total capacidad de computaci¶n para alcanzar la soluci¶n. o o (iii) La unicidad de tal soluci¶n relevante. o (iv) El conocimiento com¶ n de que todos los agentes operan con (i) y (ii) (Esta hip¶tesis da la consistencia u o necesaria que se requiere para que sea posible emplear en el modelo, un agente representativo). Si bien esta met¶fora ha resultado hasta hoy muy fecunda como recurso de modelizaci¶n, muchas a o veces existen situaciones que resultan muy dif¶ ³ciles de reconciliar con la realidad. Un ejemplo proviene de ciertos modelos de mercados especulativos en los cuales se puede demostrar que, bajo la hip¶tesis de o expectativas racionales, pueden producirse situaciones en las que los transactores son tan e¯caces en la interpretaci¶n de la informaci¶n que la realizaci¶n de transacciones queda inhibida (\No trade theorems" o o o [143]).
19

Debido a que la provisi¶n del bien est¶ libre de costos bene¯cio e ingreso son magnitudes similares. o a

76

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Muchas veces los agentes econ¶micos, en su esfuerzo por optimizar, enfrentan problemas del tipo no o polin¶mico (N P ), en los que la alternativas a elegir explotan combinatoriamente (v¶ase la secciones 3.4.1 o e y 3.4.2). Podr¶ suceder tambi¶n que los problemas que deben enfrentar los agentes del sistema no esten ³a e claramente de¯nidos, por lo cual muchas veces se tomen decisiones que mantienen al sistema inde¯nidamente fuera de un estado estacionario consistente. Es en estos punto en donde la met¶fora deductiva puede perder a poder predictivo como hip¶tesis constructiva. o

Aprendizaje Inductivo
Los estudios realizados en psicolog¶ cognitiva han demostrado que todas las personas crean o clasi¯can ³a categor¶ que resumen los aspectos m¶s salientes de lo que perciben. Constantemente se reconstruyen y ³as a desechan representaciones internas del mundo aceptando aquellas que m¶s se ajustan con la realidad percibida a y que parecen ofrecer mejores posibilidades de predecir futuras eventualidades [1]. Es posible as¶ transferir ³ experiencias de un problema a otro en busca de generalizaciones a trav¶s del reconocimiento de patrones e percibidos como regulares. Este tipo de proceso cognitivo es, b¶sicamente, de car¶cter inductivo puesto a a que tiene lugar la continua adaptaci¶n de lo que se cree percibir como estable del entorno. Los modelos y o representaciones internas se utilizan para salvar la brecha que produce la ignorancia, especialmente cuando el entorno no es estacionario. En estas circunstancias debemos destacar que la validez de los modelos internos que las personas formulan es s¶lo temporaria. o Estas ideas pudieron ser contrastadas con experiencias realizadas en psicolog¶ cognitiva experimental ³a [68]. Un experimento interesante realizado en la d¶cada del '60, consisti¶ en mostrarles a un conjunto de e o personas una secuencia o ventana de 50 \bits" cuyos valores (0's ¶ 1's) estaban distribuidos al azar. Los o participantes del experimento desconoc¶ el proceso de generaci¶n de los datos. Se ped¶ a los sujetos ³an o ³a que, dada la ventana de \bits", predigan el siguiente que sigue en la secuencia. Luego se les mostraba el bit verdadero y as¶ sucesivamente. El an¶lisis de los resultados demostr¶ que las personas basaban sus ³ a o predicciones en la b¶squeda y veri¯caci¶n de patrones regulares que virtualmente observaban al sucederse la u o secuencia de 0's y 1's. Esta b¶squeda de regularidades generaba modelos internos que no eran inmediatamente u desechados ante la posibilidad de algunos fracasos en la predicci¶n aunque, se demostr¶ que exist¶ un o o ³a determinado n¶ mero cr¶ u ³tico de fracasos que motivaba a los participantes a modi¯car el patr¶n de predicci¶n o o por la percepci¶n de una nueva y arbitraria regularidad. No es sorprendente que Hey [99] haya encontrado o en experimentos econ¶micos que los agentes, lejos de la optimalidad, reaccionan en la direcci¶n que sugieren o o modelos imperantes en ese momento. Bajo estas premisas, la conducta de agentes econ¶micos no parece necesariamente seguir el esquema o de la \met¶fora deductiva" sino que podr¶ hablarse en cambio de \expectativas temporariamente satisa ³a fechas", t¶ ³picas de un comportamiento basado en la hip¶tesis de racionalidad acotada. Recientemente se han o investigado numerosos modelos evolutivos de aprendizaje. Muchos se han centrado en modelos que utilizan AAA, modelados con algoritmos computacionales de adaptaci¶n, aprendizaje, y b¶ squeda. Este tipo de o u modelizaci¶n fu¶ usada por Axelrod (1987) [16], Miller (1989) [8], Rust, Miller y Palmer (1992) [166], Marks o e (1992) [138], Marks (1995) [142], A. Kirman [117] as¶ como los antes citados en la secci¶n 3.5.1 del cap¶ ³ o ³tulo 3. El prop¶sito de esta secci¶n es explorar algunas posibilidades de los AAA en un entorno arti¯cial o o donde agentes pueden interactuar y adaptarse. Se estudia pues el proceso de relajaci¶n al estado estacionario o y la robustez de los comportamientos emergentes. Para modelar el proceso de aprendizaje se utilizar¶n a algoritmos gen¶ticos. En la secci¶n 3.5.1 se detallan algunas caracter¶ e o ³sticas de los mismos. Se analizan varios modelos que son variantes de la interacci¶n de una numerosa clientela con una o dos proveedur¶ o ³as que venden un bien no diferenciado, cuyo costo suponemos nulo, a dos precios posibles ¯jados por cada una de ellas. En todos los casos los clientes ¯jan una estrategia de compra basada en los pasados precios y en funci¶n de ella deciden comprar el bien en aquel lugar que lo ofrezca al menor precio posible o no comprarlo o si es que el precio del mismo excede un precio de reserva que representa la existencia de una fuente externa.

3.6.2

Descripci¶n de los tres modelos o

Modelo A Se analiza, en los siguientes modelos, la evoluci¶n de la presi¶n competitiva que tiene lugar en un o o mercado, en el que los compradores buscan ofertasde precios bajos y los oferentes ¯jan el precio. En el primer caso (modelo A), el sistema se compone de un n¶mero grande de (N ) compradores u de un bien y una proveedur¶ que obtiene el bien a un costo constante, que suponemos nulo por ³a simplicidad. Hay una \fuente externa", donde los compradores pueden adquirir el bien a un precio

3.6. Modelos con agentes arti¯ciales adaptativos

77

dado p¤ . Cada \d¶ de mercado, la proveedur¶ enfrenta una decisi¶n binaria, pudiendo ¯jar su ³a" ³a o precio en los valores p> ¶ p< (se toma por convenci¶n p> + p< = 1). Los clientes deciden, antes de o o conocer este precio, si visitar¶n o no a la proveedur¶ En caso a¯rmativo, compran una unidad del a ³a. bien al precio previamente ¯jado por el oferente. Como suponemos que p< < p¤ < p> , los clientes la visitar¶n solamente si la conjetura individual de cada agente es que pe = p< . a El modelo hace una fuerte simpli¯caci¶n al suponer que los precios pueden tomar s¶lo dos o o valores. No obstante, ¶sto hace al modelo computacionalmente tratable, ya que se usan funciones e booleanas en el dispositivo de aprendizaje. A pesar de ello, cuando existe una brecha entre p¤ y los valores de p> y p< , los clientes perciben un precio promedio sobre una secuencia de compras repetidas. El equilibrio en el cual los agentes optimizan podr¶ obtenerse de un estado en el que ³a la proveedur¶ ¯ja precios al azar, generando un patr¶n impredecible pero con valor medio igual a ³a o p¤ 20 . Para que el modelo sea econ¶micamente interesante, nos hemos concentrado en el caso en el o que p¤ es levemente superior a p< , por lo cual el equilibrio debe establecerse en p< . Los clientes usan un predictor para anticipar el precio de la proveedur¶ y decidir una ³a acci¶n. Estos predictores consisten en funciones booleanas de tres entradas (los ultimos 3 precios o ¶ observados) y una salida (el precio esperado). Cada predictor se codi¯ca en una cadena de caracteres de 8 \bits" de longitud. Los agentes eligen un predictor de un conjunto, que inicialmente es tomado al azar del universo de posibles funciones booleanas de 3 entradas y una salida. Cada predictor tiene asociado una funci¶n de aptitud, que crece (decrece) cuando la acci¶n tomada por el agente o o de acuerdo a su predicci¶n es exitosa (incorrecta). Los predictores de cada agente son probados o contra la estrategia de precios vigente, ¯jada por la proveedur¶ y se categorizan de acuerdo a su ³a \aptitud". La acci¶n tomada por cada agente corresponde a la prescripta por el mejor predictor, o es decir el m¶s apto, de acuerdo al mecanismo de selecci¶n del algoritmo gen¶tico. Cada Tc pasos a o e de tiempo se evoca la actualizaci¶n de las estrategias llamando a una subrutina del programa que o hace operar al algoritmo gen¶tico. Los agentes actualizan sus estrategias asincr¶nicamente: esto e o signi¯ca que en cada momento una dada fracci¶n de la poblaci¶n actualiza sus estrategias. o o La proveedur¶ al igual que los compradores, tambi¶n ¯ja sus precios usando una funci¶n ³a, e o booleana de 4 entradas (sus precios pasados) y una salida (el siguiente precio a ¯jar). Estas estrategias se codi¯can en una cadena de caracteres de 16 \bits" y tambi¶n son actualizadas por e medio de un algoritmo gen¶tico. Todo la poblaci¶n de estrategias se prueba contra los predictores e o que est¶n vigentes en ese instante de una muestra de clientes tomada al azar. Esto se realiza a durante una sesi¶n de Tv pasos de tiempo computado virtualmente 21 . Las estrategias se ordenan o en forma decreciente de acuerdo a la ganancia acumulada. T¶n gase en cuente que el valor total e de las ventas es equivalente a la ganancia ya que se supone, sin p¶rdida de generalidad, que el bien e tiene un costo nulo. Este proceso permite la co-adaptaci¶n entre las estrategias de los agentes de o ambos lados del mercado. Modelo B El modelo B es similar al anterior, pero los clientes incurren en un \costo de movilidad" (S) que pagan toda vez que optan por cambiar la opci¶n que estos ven¶ elegiendo. La elecci¶n de la o ³an o estrategia vigente se ver¶ in°u¶ no s¶lo por los ¶xitos y fracasos en busca del \precio m¶s bajo" a ³da o e a sino tambi¶n por el n¶mero de veces que el agente altera sus visitas, produci¶ndose una inercia e u e interna en el comportamiento de los compradores. Si este costo es uniforme entre los clientes y su¯cientemente alto 22 , la proveedur¶ tendr¶ ³a a clientelas \cautivas" y podr¶ ¯jar el precio p> como producto de la maximizaci¶n sus las ganancias. ³a o
20 Debe notarse, que para los prop¶sitos del modelo, la previsibilidad de la secuencia de precios es relativa a la o capacidad de aprendizaje de los compradores y de los recursos que utilizan para aprender. 21 Pues no tienen lugar transacciones efectivas. Se procede \congelando" el estado en el que se encontraba el sistema en ese instante y se actualizan las estrategias de la proveedur¶ dada las de la muestra tomada de clientes. ³a 22 Rigurosamente mayor a (Tc ¡1)(p> ¡p¤ ) ya que en estas circunstancias a los compradores no les conviene realizar ninguna mudanza.

78

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Sin embargo, la distribuci¶n asint¶tica de clientes que compran en cada proveedur¶ puede depender o o ³a de las condiciones iniciales (que son aleatorias) y del sendero particular que sigue al proceso de relajaci¶n. Una variante a este simple caso ocurre cuando se supone que el costo de movilidad var¶ o ³a ¤ es cercano a p . Si hay una fracci¶n de clientes cautivos (dado sus altos entre los agentes, y p o < costos de movilidad), la proveedur¶ deber¶ aprender acerca de la elasticidad precio de la demanda: ³a a dependiendo de esa fracci¶n, el precio ¶ptimo podr¶ ser tanto p> como p< , y este precio ¶ptimo o o ³a o puede por s¶ ser dependiente del sendero. ³ Modelo C En este caso los clientes no enfrentan un costo de movilidad pero hay dos proveedur¶ cada una ³as, de las cuales puede ¯jar uno de los dos precios. Las mismas se confrontan con los N clientes y deben encontrar una estrategia de ¯jaci¶n de precios conveniente. Estamos en presencia de un o duopolio cuando la fuente externa tiene p¤ > p> y el modelo puede ser usado para analizar bajo que condiciones las proveedur¶ podr¶n aprender a cooperar, en desmedro de los clientes, o si ³as a actuar¶n como competidoras en una \guerra de precios". a Los predictores usados por los clientes son ahora mas complicados ya que estos deben tener en cuenta los patrones de precios de ambas proveedur¶ En este caso, los predictores son tambi¶n ³as. e funciones booleanas de 6 entradas (los ultimos 3 precios de cada oferente) y 2 salidas (los precios ¶ esperados para ambas proveedur¶ ³as). Con esta predicci¶n toman la decisi¶n de comprar o no en o o conformidad con la siguiente tabla:
Predicci¶n Prov. 1 o p> p> p< p< Predicci¶n Prov. 2 o p> p< p> p< Acci¶n tomada o No comprar (compra \externa") Comprar en Prov.2 Comprar en Prov.1 Comprar en Pr.1 o Pr.2 con 1 probabilidad 2

El algoritmo gen¶tico opera de id¶ntica forma que en el modelo A, y las estrategias de e e precios de los proveedur¶ poseen la misma estructura que antes. El proceso de co-adaptaci¶n, que ³as o tiene lugar durante una sesi¶n de Tv pasos de tiempo virtual, tiene lugar cuando ambas proveedur¶ o ³as prueban sus estrategias de precios contra las de la otra proveedur¶ partiendo de las decisiones de ³a, una muestra tomada al azar de clientes. En la ¯gura 6.12 se muestra en diagrama de °ujo del proceso de co-adaptaci¶n correspono diente al Modelo C.

3.6. Modelos con agentes arti¯ciales adaptativos

79

Figura 6.12: Diagrama de °ujo del algoritmo utilizado en el caso del Modelo C.

3.6.3

Resultados Obtenidos

Modelo A El Modelo A muestra una robusta tendencia de converger al \equilibrio competitivo" en el que la proveedur¶ ¯ja el precio p< y \captura" a toda la clientela potencial. Este comportamiento se ³a mantiene frente a cambios en los par¶metros del algoritmo gen¶tico (la probabilidad de cruza y a e mutaci¶n, el n¶mero de agentes, etc.). o u Una vez que el equilibrio es alcanzado, existe la posibilidad de que la proveedur¶ produzca ³a subas ocasionales del precio (p> ) debido a mutaciones aleatorias en las estrategias del oferente que dan lugar a una mayor ganancia moment¶nea. Durante estos instantes la proveedur¶ toma a ³a ventaja de la \sorpresa" causada a los clientes por el cambio inesperado en la estrategia. Sin embargo, estas variaciones del equilibrio se observan solo durante cortos per¶ ³odos de tiempo ya que los clientes adec¶an sus predictores aprendiendo de manera progresiva. u Se analiz¶ la robustez de la llegada al \equilibrio competitivo" cuando es modi¯cada la o longitud de la memoria de los pasados precios (que utilizan los predictores tanto del proveedor como de los clientes). Se observa que cuando ambos tipos de agentes poseen una memoria excesivamente larga (mayor a 6 d¶ la convergencia al equilibrio se pierde progresivamente debido a que el espacio ³as) de con¯guraciones posibles, sobre el cual opera el proceso de optimizaci¶n, crece en tama~o y el o n proceso de b¶squeda local y global se torna cada vez m¶s complejo. Este tipo de situaci¶n suele u a o denominarse como una cat¶strofe de complejidad o cat¶strofe de confusi¶n [114]. Debe tenerse en a a o cuenta que el n¶mero de estados sub¶ptimos y metaestables crece proporcionalmente con el n¶mero u o u

80

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Figura 6.13: Dos simulaciones del Modelo A. En ambos casos hay 400 clientes, cada uno con 16 predictores; la proveedur¶ dispone de 32 predictores. Se ¯j¶ p> = 0:60, p< = 0:40 y p¤ = 0:41. ³a o De arriba hacia abajo se muestran los precios ¯jados por la proveedur¶ el precio medio pagado ³a, por los clientes, el % de clientes equivocados, y el % de compradores, todos en funci¶n del tiempo. o La duraci¶n de las simulaciones es de 500 pasos de tiempo. Los tiempo de actualizaci¶n son para o o la Figura (a): Tp = 60, Tv = 30, Tc = 10; y para la Figura (b): Tp = 10, Tv = 30, Tc = 10. Se ampli¯ca la regi¶n de metaestabilidad, indicada entre las °echas. o de con¯guraciones posibles, y a su vez estas crecen combinatoriamente con el tama~o (en bits) de n la memoria que utilizan los agentes. A pesar de que el sistema converge asint¶ticamente al equilibrio, el sendero hacia la cono vergencia no es del todo simple y directo. Durante la transici¶n, existe la posibilidad de que el o mercado se \entrampe" durante considerables per¶ ³odos de tiempo en estados intermedios en los que la proveedur¶ tiende a producir oscilaciones en los precios (es decir precios promedio mayores) ³a y, a su vez, los clientes logran r¶pidamente aprender ese patr¶n de oscilaci¶n. Esto puede verse en a o o la ¯gura 6.13 (a), donde el n¶mero de clientes \equivocados" decae en el tiempo a la vez que la u proveedur¶ persiste en mantener el patr¶n de precios oscilatorio. Otro ejemplo se muestra en la ³a o ¯gura 6.13 (b) donde la regi¶n de comportamiento metaestable se ampli¯ca al costado del gr¶¯co o a para mostrar con m¶s detalle el tipo de estado transicional que resulta de la co-adaptaci¶n entre a o ambos tipos de agentes. Los estados metaestables pueden perdurar durante muchos per¶ ³odos de tiempo antes de que se produzca la aproximaci¶n de¯nitiva al equilibrio. La vida media de estos o estados de co-adaptaci¶n depende de la fracci¶n de agentes de la poblaci¶n que no han aprendido o o o el patr¶n de oscilaci¶n. Una conclusi¶n que se podr¶ sacar es que los estados meta-estables deo o o ³a penden de la velocidad de aprendizaje del conjunto de agentes y de la cantidad de informaci¶n o que se utilizan durante el proceso de aprendizaje (o sea el tama~o de la memoria). En un enn torno sometido a fuertes \shocks" ex¶genos, estos estados podr¶ tener una duraci¶n tal que se o ³an o perpet¶an inde¯nidamente debido a la naturaleza estoc¶stica del entorno. u a La aparici¶n de estos estados metaestables hace di¯cultoso establecer univocamente la duo raci¶n del proceso de relajaci¶n al equilibrio. Existen dos situaciones extremas: Ts ¿ Tc y Tc ¿ Ts . o o En ambos casos, la longitud del per¶ ³odo de relajaci¶n est¶ gobernada por el mayor de los intero a valos de \revisi¶n de estrategias". Si Ts ¿ Tc , la proveedur¶ adapta sus precios frente a una o ³a poblaci¶n de clientes, muchos de los cuales est¶n actuando sobre la base de predictores err¶neos. o a o La proveedur¶ puede obtener entonces bene¯cios signi¯cativos, con una proporci¶n no despreciable ³a o de clientes que eligen de modo equivocado. En el otro caso extremo, la co-adaptaci¶n y sus tiempos o caracter¶ ³sticos est¶ gobernada por los clientes. El sistema muestra sucesivos estados metaestables, a a la vez que los clientes se van adaptando a las nuevas estrategias de precios °uctu¶ntes impuestas a por la proveedur¶ En el caso intermedio, situaciones en las que Tc ' Ts el proceso de relajaci¶n es ³a. o

3.6. Modelos con agentes arti¯ciales adaptativos

81

m¶s complicado. Esto puede observarse en la ¯gura 6.13, donde se muestra en (a) una simulaci¶n a o en la que Tc ¿ Ts , mientras que en la ¯gura 6.13 (b) Tc = Ts . La poblaci¶n de clientes no se comporta como un s¶lo agente representativo. Los clientes no o o comparten estrategias entre s¶ y el proceso de aprendizaje de cada uno de ellos es independiente. ³ Entonces, dada la diversidad de estrategias existente en la poblaci¶n podemos entender la forma o en que se produce el proceso de relajaci¶n. Si analizamos la distribuci¶n de las \aptitudes" de los o o clientes se puede veri¯car que cuando la proveedur¶ modi¯ca su estrategia vigente, la distribuci¶n ³a o de estos valores es inicialmente una campana gaussiana centrada en un error promedio cometido por los clientes, pero esta distribuci¶n evoluciona hacia un estado bimodal, con un m¶ximo que o a corresponde a los agentes correctamente adaptados a esa nueva estrategia de la proveedur¶ y otro ³a que corresponde a los que a¶n no han logrado tal adaptaci¶n y mantienen decisiones equivocadas. u o Dependiendo de la velocidad de adaptaci¶n del sistema en su conjunto, luego de cierto tiempo trano scurrido toda la poblaci¶n de clientes migrar¶ hacia el grupo de agentes correctamente adaptados. o a

Figura 6.14: Simulaciones del Modelo B para crecientes valores del costo de mobilidad (S). Las condiciones son similares a la ¯gura anterior. El valor de S = 1 permite lograr clientelas cautivas. Los tiempos de actualizaci¶n son Ts = 10,Tv = 30, y Tc = 10. o

Modelo B En el Modelo B, la b¶squeda realizada por los clientes es amortiguada por el \costo de movilidad". u La distribuci¶n asint¶tica de clientes que compran en la proveedur¶ local y en la fuente externa o o ³a depende de las condiciones iniciales (aleatorias) y del sendero particular seguido durante el proceso de relajaci¶n. Cuando el costo S es alto, la estrategia elegida por la proveedur¶ es ¯jar el precio o ³a p> (¯gura 6.14). Sin embargo, existe un valor cr¶ ³tico So del costo de movilidad, dado por (Tc ¡ 1)(p> ¡ p¤ ) o equivalentemente (Tc ¡ 1)(p¤ ¡ p< ), por debajo del cual no hay clientelas cautivas debido a que los clientes encuentran cierto incentivo en \invertir" y modi¯car sus decisiones de

82

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

compra eludiendo el precio mayor. Este simple modelo puede extenderse introduciendo alguna heterogeneidad entre los agentes, dando a los clientes un distinto costo de movilidad. Bajo estas circunstancias, la poblaci¶n de o clientes de divide en dos grupos: los de costo de movilidad bajo, y los de costo alto (respecto del valor cr¶ ³tico So ). Si la informaci¶n fuera completa, el ultimo grupo representa un conjunto de o ¶ clientes cautivos y el primero s¶lo comprar¶ en aquel vendedor que ¯je el precio p< . De hecho, la o a proveedur¶ se enfrenta a una curva de demanda de pendiente decreciente, cuya forma var¶ en el ³a ³a tiempo. La proveedur¶ durante la adaptaci¶n, aprende acerca de su elasticidad, que, a su vez, ³a, o depende de la fracci¶n de compradores con alto o bajo costo de b¶squeda. o u El comportamiento del sistema es dependiente del sendero (v¶ase la secci¶n 2.6.5 del cap¶ e o ³tulo 2). La ¯gura 6.15 muestra la distribuci¶n de algunas variables sobre la realizaci¶n de muchos experio o mentos con distintas condiciones iniciales para diferentes valores de la proporci¶n de compradores o con alto costo de movilidad So . Cuando esa proporci¶n es peque~a, en la mayor¶ de los expero n ³a imentos la co-evoluci¶n de las estrategias hace que la proveedur¶ ¯je p< : la distribuci¶n de los o ³a o precios posee un \m¶ximo" bien de¯nido en ese valor. Para valores muy bajos de esta proporci¶n, a o la proveedur¶ captura a la mayor¶ de la clientela puesto que ha ¯jado p< mientras que cuando ³a ³a cuando la fracci¶n de agentes con So alto es grande, la distribuci¶n de los precios es bimodal, o o con algunos experimentos donde el precio promedio es levemente menor a p> : en estos casos, la proveedur¶ ha aprendido a aprovechar la existencia de clientes \cautivos", a¶n si esto signi¯ca la ³a u disminuci¶n de su clientela. o Modelo C En el Modelo C hay dos proveedur¶ compitiendo entre s¶ con la fuente externa que mantiene el ³as ³ ¤ . Cuando el precio de la fuente externa es tal que p < p¤ < p el sistema admite precio ¯jo en p < > un equilibrio de Nash est¶tico en el que ambas proveedur¶ ¯jan p< y comparten la poblaci¶n a ³as o de clientes. Dada la complejidad del proceso en que los m¶ltiples clientes y las dos proveedur¶ u ³as se co-adaptan modi¯cando sus estrategias, el sistema alcanza el equilibrio luego de un muy largo proceso de b¶squeda. El estado estacionario, una vez alcanzado, puede ser facilmente perturbado u cuando una de las proveedur¶ cambia sus precios. En la ¯gura 6.16 se muestran dos simulaciones ³as que di¯eren en la brecha de precios p> ¡ p< . Cuando la diferencia es peque~a (¯gura 6.16(b)) el n sistema r¶pidamente converge a una con¯guraci¶n en la que los precios var¶ en el tiempo: ambas a o ³an proveedur¶ se alternan en ¯jar el precio alto o una ¯ja este precio mientras que la otra oscila ³as con altas frecuencias. En este caso el ingreso de ambas es relativamente alto, puesto que muchos clientes, confundidos por esa oscilaci¶n alternada, est¶n operando con predictores inapropiados. o a Este comportamiento corresponde a un \equilibrio din¶mico". a Si la funci¶n objetivo del proceso de aprendizaje fuera la maximizaci¶n del n¶mero de o o u clientes en lugar del ingreso acumulado, el equilibrio (¯jar p< ) resulta ser m¶s robusto. Esto a se puede observar en la ¯gura 6.17 en la que se gra¯ca un histograma con C2 vs C1 , donde Ci representa el n¶mero de clientes en de la proveedur¶ i. Durante la primera etapa de la relajaci¶n u ³a o hacia el equilibrio la \fuente externa" va perdiendo progresivamente clientes. La puja se produce entre esta y las dos proveedur¶ \internas". Posteriormente la competencia por ganar clientes ³as tiene lugar entre una y otra proveedur¶ interna. Finalmente se llega a un equilibrio que, por ³a momentos se ve alterado, pero al que invariablemente se retorna. Si se produce una °uctuaci¶n en o el n¶mero de clientes, la proveedur¶ perdedora no posee ninguna otra estrategia que mejore el nivel u ³a de sus premios. Si esta situaci¶n persiste, la correcta estrategia de ¯jar p< perder¶ aptitud, ser¶ o a a reemplazada por otra, que la llevar¶ a una situaci¶n a¶n m¶s desfavorable. Se producir¶ entonces a o u a a un retorno a la estrategia correcta luego de que se produzca una oscilaci¶n de gran amplitud a lo o largo de la recta C1 + C2 = N . Cuando la funci¶n que optimiza cada proveedur¶ es el ingreso acumulado una degeneraci¶n o ³a o mayor tiene lugar puesto que puede obtenerse el mismo ingreso con menos clientes y precios que

3.6. Modelos con agentes arti¯ciales adaptativos

83

Figura 6.15: Distribuciones de precios medios pagados por los agentes, de la clientela y de los precio ¯jados por la proveedur¶ para distintos valores del % de agentes con So ! 1, p> = 0:60; p< = 0:40 ³a y p¤ = 0:41.

son mayores en promedio. Bajo estas circunstancias se di¯culta llegar al equilibrio. Los argumentos dados en el p¶rrafo anterior se pueden extender en este caso para mostrar que el precio presenta a oscilaciones de gran amplitud a lo largo de la recta I1 + I2 = N ¢ p< , donde Ii representa el ingreso de la proveedur¶ i. Esta recta contempla la condici¶n est¶tica C1 = C2 = N=2 (ver ¯gura 6.18). ³a o a En lugar de buscar un equilibrio est¶tico, el sistema evoluciona poniendo de mani¯esto un a equilibrio din¶mico, en el que ambas proveedur¶ ¯jan alternadamente p> . Este comportamiento a ³as puede ser interpretado como de \conducta din¶mica oligop¶lica" que es robusta frente a cambios a o en los par¶metros del modelo y se aproxima a la situaci¶n anterior cuando ¢p = (p> ¡ p< ) ! 0 ya a o que, en ese l¶ ³mite, el ingreso queda determinado por el n¶mero de clientes. Cuando una proveedur¶ u ³a ¯ja p> , se producen oscilaciones de gran amplitud. Entonces, los valores del \equilibrio" en los cuales C1 ¼ C2 ¼ N=2 coexisten con otra distribuci¶n altamente asim¶trica en donde C1 = N y o e C2 = 0 ¶ C1 = 0 y C2 = N . Cuando se incrementa ¢p no se puede alcanzar un estado en el que o C1 ¼ C2 ¼ N=2 porque existe la posibilidad de compensar una cantidad peque~a de clientes con n la ¯jaci¶n de p> . o Esa conducta \oligop¶lica" es una consecuencia directa del hecho que ambas proveedur¶ o ³as est¶n optimizando la misma funci¶n de ingreso acumulado. Esto puede corresponder a un intercama o bio din¶mico de clientes en el que lo que s¶lo importa el \promedio temporal" de ambos ingresos. a o ¹ ¹ La clientela promedio durante todas las simulaciones es C1 ¼ C2 · N=2 y los ingresos promedio ¹ ¹ corresponden a I1 = I2 = p< ¢ N=2, como era de esperarse dada la simetr¶ del modelo respecto de ³a

84

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Figura 6.16: Dos simulaciones del Modelo C con 48 clientes que poseen 32 predictores cada uno. Las proveedur¶ tienen tambi¶n 32 predictores cada una. Los tiempo de actualizaci¶n son Ts = 60, ³as e o Tv = 30 y Tc = 10, Los precios son para la Figura (a): p> = 0:52 y p< = 0:48 y para la Figura (b): p> = 0:60 y p< = 0:40, p¤ = 0:50.

Figura 6.17: Frecuencia con la cual el sistema de 100 clientes visita los puntos (C2 ; C1 ), Durante la evoluci¶n ambas proveedur¶ intentan maximizar la cantidad de clientela Ci . o ³as las proveedur¶ ³as. Si el precio de la fuente externa fuera p¤ > p< , estamos en presencia de un duopolio dado que los clientes siempre eligir¶n visitar a alguna de las dos proveedur¶ Bajo estas circunstancias a ³as. se puede estudiar la interacci¶n estrat¶gica entre ambos oferentes. Es conocido que en los juegos o e iterados de duopolios no existe un unico estado estacionario (\folk theorem"). En el caso de ¶ este ejercicio, el \paisaje de premios" est¶ evolucionando y alter¶ndose como consecuencia de la a a co-adaptaci¶n de todos los agentes. Esto signi¯ca que la forma en la cual evoluciona el sistema o depende de la manera en que los agentes aprenden acerca sus caracter¶ ³sticas. Cuando la brecha entre los precios es grande y p¤ > p> , se veri¯ca que las proveedur¶ vi³as sitan con m¶s frecuencia el precio p> . En estas condiciones las proveedur¶ tienden a adaptar sus a ³as estrategias hacia una conducta cooperativa en lugar de la competitiva. Ocasionalmente, una proveedur¶ puede ¯jar el precio p< con la intenci¶n de capturar la clientela de la otra (ver ¯gura 6.19), ³a o pero eventualmente revisa su decisi¶n y vuelve al estado (cooperativo) anterior . En este caso tiene o lugar una \guerra de precios" de duraci¶n limitada, por lo que no resulta su¯ciente como para o generar un equilibrio competitivo como resultado perdurable. La raz¶n de esto se debe a que la o

3.6. Modelos con agentes arti¯ciales adaptativos

85

elecci¶n binaria de precios implica que la respuesta de los clientes debe ser r¶pida, pero levemente o a retardada y la proveedur¶ es forzada (por la ¯jaci¶n de p< por parte de la otra) a bajar el precio ³a o signi¯cativamente, pero si lo reduce, disminuye apreciablemente el valor de sus ingresos. En otras palabras, la coordinaci¶n impl¶ o ³cita entre los proveedores aparece como inducida por la combinaci¶n o de alternativas de precios discretizadas y el retardo que se produce en el ajuste de las estrategias de los compradores, las cuales resultan en una baja \elasticidad de demanda" que perciben las proveedur¶ durante el intervalo de tiempo que ellas est¶n considerando con el prop¶sito de ¯jar ³as a o sus estrategias de precios.

Figura 6.18: Curvas de nivel para la frecuencia para la cual el sistema, similar a la ¯gura anterior, visita los puntos (C2 ; C1 ) y (I2 ; I1 ). Durante la evoluci¶n ambas proveedur¶ intentan maximizar o ³as el valor nominal de las ventas: Ii . Se puede analizar la dependencia de estos resultados respecto de los par¶metros cuando a la brecha entre los dos precios es baja (ver ¯gura 6.19). Aqu¶ los clientes en promedio son dis³ tribuidos de tal manera que cada proveedur¶ capta al 50 % de los mismos. Sin embargo, a pesar ³a de que el precio p> suele ser ¯jado, el sistema muestra oscilaciones de precios considerables, sin que aparezca un patr¶n de¯nido. En este caso, existe la \tentaci¶n" de las proveedur¶ a ¯jar o o ³as el \precio competitivo" (p< ) para captar una mayor clientela. El retardo en el aprendizaje de los clientes hace que el equilibrio competitivo sea f¶cilmente perturbado con aumentos de precios por a parte de los oferentes. El sistema muestra una din¶mica que no converge a una estado estacionario a bien de¯nido. Se puede estudiar tambi¶n la evoluci¶n del sistema como si ambas proveedur¶ jugaran un e o ³as juego no cooperativo iterado, en el que la matriz de premios se calcula computando los bene¯cios que les generan los clientes a lo largo de la evoluci¶n y luego promediando. En este juego se o debe suponer que cada jugada corresponde a la elecci¶n del conjunto de precios para los pr¶ximos o o per¶ ³odos de tiempo de mercado (una estrategia de precios). La matriz de premios se calcula combinando mec¶nicamente todas las estrategias vigentes de los clientes. Existen dos situaciones a que pueden analizarse. En una de ellas se supone que todos los clientes aprenden cada posibilidad instant¶neamente (\clientes con expectativas racionales"). Este caso corresponde a una matriz de a premios \est¶tica" que puede obtenerse si se permite que los clientes se adapten a cada una de las a combinaciones posibles de precios y puede ser calculada anal¶ ³ticamente. Ambas proveedur¶ se ³as enfrentan a similares condiciones debido a la simetr¶ del problema. La matriz de juego que resulta ³a posee una estrategia dominante que obviamente corresponde a la ¯jaci¶n del menor precio: p< . o La otra situaci¶n m¶s realista es aquella en la que los predictores vigentes de cada cliente o a se van modi¯cando por la acci¶n de las estrategias de adaptaci¶n de los proveedores. En este caso o o la matriz de premios debe ser calculada num¶ricamente. Este c¶lculo puede hacerse en momene a tos arbitrarios de la evoluci¶n. Se realiza evaluando, en un tiempo virtual, el resultado promedio o de hacer jugar las estrategias de los clientes, vigentes hasta ese instante, contra todas la combi-

86

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Figura 6.19: Dos simulaciones del Modelo C con 48 clientes que poseen 32 predictores cada uno. Las proveedur¶ tienen tambi¶n 32 predictores cada una. Los tiempo de actualizaci¶n son Ts = 10, ³as e o Tv = 30 y Tc = 10, Los precios son para la Figura (a): p> = 0:60 y p< = 0:40 y para la Figura (b): p> = 0:85 y p< = 0:15, p¤ = 0:90. naciones de precios que pueden ¯jar las proveedur¶ ³as. En este caso el resultado no es sim¶trico. e Ambas proveedur¶ enfrentan diferentes matrices de juego; adem¶s, los elementos de la matriz ³as a cambian con el tiempo, lo que signi¯ca que cada proveedur¶ juega diferentes juegos en diferentes ³a instantes. Este resultado puede comprobarse siguiendo la evoluci¶n de las estrategias minimax de o cada una, obtenidas numericamente. Bajo estas circunstancias el juego se desarrolla en un \paisaje de premios" que evoluciona constantemente [114]. Cuando tiene lugar un proceso de aprendizaje de todos los actores del mercado, no es dable estudiar el problema de manera est¶tica ya que no a la matriz de premios no permanece inalterada durante la evoluci¶n. El estudio de duopolios en o condiciones din¶mica es un tema de por s¶ complejo. El \folk theorem" ha mostrado que cuando a ³ los agentes juegan una guerra de precios en forma iterada, es posible encontrar m¶ltiples soluciones u y no es posible predecir un comportamiento estacionario para las partes del juego. Sin embargo, debido a que la matriz de juego que perciben los agentes proveedores cambia por la acci¶n de la o adaptaci¶n de los clientes, se pone de mani¯esto un nivel adicional de complejidad en el problema o del duopolio. En condiciones estacionarias, la relajaci¶n al equilibrio competitivo se tendr¶ que o ³a re°ejar en un proceso en el cual ambas matrices se aproximan al valor com¶n dado por la matriz u \est¶tica". a

3.6.4

Comentarios

La presentaci¶n de estos modelos extremadamente esquem¶ticos usando agentes arti¯ciales adapo a tativos sugiere que a¶n en situaciones simples los procesos de aprendizaje y co-adaptaci¶n pueden u o producir din¶micas no triviales. Hemos visto que pueden tener lugar estados de meta-estabilidad a que alteran el proceso de relajaci¶n al estado de equilibrio. Se observ¶ que cuando hab¶ dos proveeo o ³a dur¶ que se adaptan, no hab¶ una convergencia evidente al \equilibrio competitivo estacionario". ³as ³a Los agentes arti¯ciales muestran comportamientos complejos, a pesar de tener mecanismos de decisi¶n simples, debido a que el proceso de aprendizaje de unos est¶ in°uido por el aprendizaje o a simult¶neo de los dem¶s. Se ha observado que cuando hay agentes que aprenden lentamente los a a dem¶s se aprovechan esa ventaja impidiendo que se alcance el estado estacionario. Hemos utia lizado un esquema extremadamente simple de interacciones en un mercado descentralizado para

3.6. Modelos con agentes arti¯ciales adaptativos

87

poner de mani¯esto las m¶ltiples alteraciones que se pueden producir con se incorporan procesos u de aprendizaje. Se ha tratado aqu¶ los efectos del procesamiento de informaci¶n sobre una estructura de ³ o mercado pre-de¯nida donde los agentes poseen un conocimiento limitado (acotado) pero con una dada capacidad de aprendizaje de corto plazo del comportamiento del sistema. El proceso de aprendizaje inductivo se simul¶ por medio de un algoritmo gen¶tico. El sistema dise~ado tiene la o e n desventaja de ser extemadamente simple. No obstante, el proceso de adaptaci¶n de las estrategias o no est¶ sesgado por suposiciones hechas a priori; el sistema puede, en cada instante, explorar a todo el espacio de alternativas posibles y seleccionar en cada momento aquellas que son favorables aunque no correspondan a las alternativas globalmente ¶ptimas. La evoluci¶n de las estrategias s¶lo o o o involucra cambios locales sobre la poblaci¶n existente, cuyo resultado es un permanente tr¶nsito o a entre estados sub¶ptimos. o Como hemos comentado en secciones anteriores, actualmente se han venido desarrollando muchos modelos que usan agentes arti¯ciales adaptativos. La b¶squeda de un marco general con u procedimientos comunes y resultados robustos se encuentra todav¶ en una etapa incipiente. Uno de ³a los principales objetivos de futuras investigaciones ser¶ el estudio de la robustez de los resultados ³a en el sentido de que estos no sean sensibles a una particular especi¯caci¶n de los modelos. La o exploraci¶n de las propiedades emergentes en contextos estilizados es un paso preliminar hacia o una representaci¶n m¶s realista de las interacci¶nes econ¶micas. En este contexto, el estudio de o a o o procesos elementales de intercambio resulta ser un punto de partida natural.

88

Cap¶ ³tulo 3. Comportamiento de los agentes y evoluci¶n de los sistemas econ¶micos o o

Cap¶ ³tulo 4

Sistemas con agentes en interacci¶n: o comportamientos emergentes
En el cap¶ ³tulo anterior se han planteado algunas cuestiones relacionadas con el ejercicio que los economistas enfrentan cuando buscan representar en un modelo la conducta de los agentes econ¶micos. Los modelos con expectativas racionales deber¶ ser entendidos como una repreo ³an sentaci¶n que asint¶ticamente deviene de procesos de aprendizaje y adaptaci¶n que tienen lugar o o o entre los estados transicionales que operan durante cambios de r¶gimen. La hip¶tesis de expece o tativas racionales deber¶ ser entendida como una aproximaci¶n (en general util) que nos permite ³a o ¶ comprender algunos hechos estilizados de la realidad econ¶mica, y como toda aproximaci¶n est¶ o o a sometida a alg¶n tipo de recorte conceptual. Olvidar esta premisa puede dar lugar a falsas inu terpretaciones. Por otro lado, el uso de expectativas racionales presupone impl¶ ³citamente la coordinaci¶n de las creencias y, por lo tanto, la consistencia plena de las acciones de los agentes que o act¶an en el sistema. u Es v¶lido formularse la pregunta que conduzca a entender c¶mo y bajo qu¶ circunstancias a o e tiene lugar la coordinaci¶n de estas acciones de manera tal de hacer posible su representaci¶n o o mediante un agente representativo racional en modelos m¶s simpli¯cados con pocos grados de a libertad. La respuesta a esta pregunta debe tener en cuenta dos cuestiones fundamentales. Una de ellas se basa en los problemas que resultan de la agregaci¶n de las acciones individuales. El o celebrados resultado del economista argentino, Rolf Mantel [134], pone de mani¯esto limitaciones no triviales que surgen en los intentos de agregaci¶n de excesos de demanda a partir de hip¶tesis o o de comportamiento individuales. La otra cuesti¶n a tener en cuenta se relaciona con entender la forma en que los agentes o toman decisiones a la vez que interact¶an con los dem¶s y en qu¶ medida estas interacciones u a e in°uyen sobre tales decisiones. El concepto de interacci¶n debe ser entendido ampliando su signi¯o caci¶n, ya que las interacciones no s¶lo tienen lugar en el espacio de las transacciones y relaciones o o de intercambio entre agentes, sino que tambi¶n queda impl¶ e ³citamente involucrada alguna forma de difusi¶n (global o local) de creencias, conjeturas, humores, sentimientos, etc. En el presente o cap¶ ³tulo analizaremos esta cuesti¶n. En la siguiente secci¶n intentaremos formular bases micro o o y macrosc¶picas para una teor¶ de la elecci¶n discreta para el caso de agentes localizados en o ³a o determinadas topolog¶ y sometidos a interacciones locales que involucran el intercambio de infor³as maci¶n entre agentes. Tomamos como base para esta formulaci¶n algunos t¶picos que se remiten o o o a la f¶ ³sica de particulas interactuantes. Posteriormente desarrollamos un modelo que utiliza estas herramientas de estudio.

89

90

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

4.1

Estudio de las interacciones locales y analog¶ con la mec¶nica ³as a estad¶stica ³

Para realizar un desarrollo sistem¶tico, a continuaci¶n se muestran algunos resultados que surgen a o del estudio de los medios magn¶ticos desordenados. Si bien la aplicaci¶n de esta metodolog¶ en e o ³a la econom¶ es incipiente, es posible que en el futuro se constituya como un marco de referencia ³a util para estudiar la evoluci¶n de poblaciones heterog¶neas, en donde las decisiones de cada agente ¶ o e est¶n in°uenciadas por las elecciones de los dem¶s. Esta metodolog¶ ha resultado ser util en las a a ³a ¶ ciencias cognitivas para estudiar las funciones cerebrales a trav¶s de las redes neuronales amorfas 1 . e En Biolog¶ se utilizaron estas ideas para estudiar procesos de evoluci¶n bi¶tica y prebi¶tica [185]. ³a o o o La probabilidad de que un elemento del sistema se encuentre en un dado estado en tiempo t depende de los estados previos que poseen y otros elementos que se encuentran en una vecindad del primero. Esta vecindad o entorno depende del arreglo topol¶gico sobre el cual los elementos o est¶n ubicados. Dado el caracter interdependientemente de la din¶mica local veremos que forma a a de representaci¶n podr¶ ser considerada como una base de lo que en econom¶ a ha llamado como o ³a ³a \teor¶ de la elecci¶n discreta". ³a o Comencemos nuestro estudio considerando un conjunto de N elementos o \agentes" en un sistema multiconectado, cada uno de los cuales pueden adquirir en un instante dado uno de dos estados internos posibles, digamos: si (t) 2 f¡1; 1g2 . Cada agente del sistema est¶ vinculado con los a dem¶s; el estado interno de cada uno se ve in°uido e in°uye a su vez sobre los dem¶s seg¶n distintas a a u intensidades que se cuanti¯can mediante de una matriz de conectividad (o matriz sin¶ptica en el a ¹ lenguaje de las redes neuronales) M = fMij g. A trav¶s de la matriz de conectividad se determina e lo que se denomina como el \campo local" percibido por el componente i, de¯nido como: hi (t + 1) =
N X

Mij sj (t) + he i

(1.1)

jj6 =i

donde la sumatoria representa la in°uencia media percibida en t + 1 por el \agente" i como consecuencia de las acciones sj (t) tomadas por los dem¶s agentes y pesadas por la intensidad de la a interacci¶n entre i y j: Mij ; he es una in°uencia exterior 3 . Si el elemento de matriz Mij À 0 o i el elemento j in°uye fuertemente al elemento i, si Mij ¼ 0, j casi no in°uye al componente i, ¹ mientras que si Mij ¿ 0, j in°uye negativamente sobre i. La matriz M contiene informaci¶n que o da cuenta de la topolog¶ con la que los elementos del sistema est¶n vinculados entre s¶ Es muy ³a a ³. com¶n el desarrollo de modelos a partir de un reticulado bidimensional con condiciones de conu torno peri¶dicas. En este tipo de conectividad cada componente se rotula seg¶n sus coordenadas o u horizontales (i) y verticales (j) de forma tal que dado el agente i j s¶lo los elementos de matriz o Mij§1 60 y Mi§1j 60 el resto de los elementos, a no interactuar entre s¶ poseen elementos nulo: = = ³ Mij§k = 0, Mi§kj = 0 con 8 k > 1 y los bordes est¶n interconectados entre s¶ a ³. Conocido el \campo local", el \agente" i tomar¶ la acci¶n compatible con la din¶mica: a o a si (t + 1) = g(hi (t + 1) ¡ Ti ) (1.2)

donde g(x) es llamada funci¶n transferencia y Ti es el valor de un umbral a partir del cual la o in°uencia de los otros agentes es tenida en cuenta. A los efectos pr¶cticos consideremos que la a
Los vidrios de spin y las redes neuronales amorfas son similares en su arquitectura. Sin embargo, en el primer caso se trata de estudiar sus propiedades como sistema en s¶ mismo, mientras que en el segundo se prentende aplicarlas ³ como mecanismo evocador de memorias asociativas en sistemas de clasi¯caci¶n o reconocimiento de patrones. o 2 La representaci¶n si (t) 2 f¡1; 1g ¶ ¾i (t) 2 f0; 1g es equivalente mediante la transformaci¶n s = 2¾ ¡1. Destaqueo o o mos que el sistema visto como un todo posee un total de 2N estados agregados posibles. 3 Por ejemplo un campo magn¶tico externo en el caso de interacciones magn¶tica o una tendencia idiosincr¶tica o e e a una campa~a publicitaria en el caso de un modelo de elecci¶n social. n o
1

4.1. Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³ funci¶n de transferencia es una funci¶n signo 4 : o o g(x) =
(

91

1 s¶ x ¸ 0 ³ ¡1 s¶ x < 0 ³

(1.3)

Cl¶ramente, cuando hi > Ti el estado de i ser¶ si = +1 mientras que si hi < Ti su estado a a ser¶ si = ¡1. a

4.1.1

Din¶mica estoc¶stica microsc¶pica a a o

Supongamos que el \campo local" de cada componente del sistema es una variable aleatoria que ¹ sigue una distribuci¶n normal con media hi y varianza ¾; entonces, la probabilidad de que el campo o local del elemento i tenga el valor h es simplemente:
¹ ¡(h¡hi )2 1 P (hi = h) = p e 2¾2 2¼¾ 2

(1.4)

La probabilidad que el elemento i est¶ en el estado si = 1, es la funci¶n signo es: e o P (si = 1) = donde erf (x) =
2 R x ¡t2 p e dt, ¼ 0

Z 1
Ti

P (hi = h)dh =

¹ hi ¡ Ti ´ 1³ 1 + erf ( p ) 2 ¾ 2 ¹ 1³ hi ¡ Ti ´ 1 ¡ erf ( p ) 2 ¾ 2

(1.5)

es la funci¶n error. An¶logamente: o a (1.6)

P (si = ¡1) = 1 ¡ P (si = 1) =

¹ Ya que si 2 f¡1; 1g se pueden juntar ambos resultados es una sola expresi¶n. Normalizando hi de o tal manera que los umbrales Ti sean nulos se puede condensar la expresi¶n, entonces: o P (si ) = ¹ si hi ´ 1³ 1 + erf ( p ) 2 ¾ 2 (1.7)

Esta probabilidad se aproxima (con un error mucho menor al 1% ) a: P (si ) ¼ e¯ hi si 1 ¹ ¯ hi si ¹ ¹ ¹ ´ (1 + tanh (¯ hi si )) / e ¯ hi + e¡¯ hi 2 e
¹

(1.8)

p donde ¯ ¡1 = 2 2¾. Recordemos que hemos supuesto que el campo local de cada agente es una variable aleatoria, la expresi¶n a la que se ha llegado indica la probabilidad de los estados de los o agentes como si estos se encontraran en un \ba~o t¶rmico" a una \temperatura" T = 1=¯ (que n e est¶ relacionada con la varianza de la variable aleatoria). a La probabilidad a la que llegamos se denomina como din¶mica de Glauber. Para entender a la din¶mica que resulta, supongamos que la temperatura es nula, esto es, ¯ ¡! 1, entonces como a la tanh se transforma en la funci¶n signo, esto es: hi 6 0 =) si (t + 1) = sgn (hi ) con o = probabilidad uno 5 . Luego veremos que en ambos casos el elemento i cambia su estado siempre que en el nuevo estado se cumpla que hi si ¸ 0. Cuantitativamente el cambio de estado de un elemento debe producir una disminuci¶n local de una funci¶n de Lyapunov que en los sistemas f¶ o o ³sicos es la \energ¶ (luego ³a" ser¶ claramente de¯nida): ¢E = ¡2hi si · 0, o sea que la \energ¶ se reduce siempre que hi 60. a ³a" =
Tambi¶n es posible trabajar con una g(x) = tanh (¿ x) donde ¿ un par¶metro del modelo. Sin embargo conviene e a limitarse al caso de una funci¶n signo ya que se adec¶ a m¶s a un proceso de decisi¶n binario. o u a o 5 S¶ hi = 0 =) si (t + 1) = §1 con probabilidad 1=2; no obstante esta posibilidad ocurre con una probabilidad ³ despreciable si el sistema extendido est¶ multiplemente contectado. a
4

92

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

4.1.2

Din¶mica macrosc¶pica y consistencia macro-micro a o

La in°uencia local que cada agente percibe de su entorno est¶ cuanti¯cada por su \campo local a inducido" (ecuaci¶n 1.1). La din¶mica de cada agente se desarrolla de manera tal que trata de o a acoplarse adecuadamente a la in°uencia de su \campo local". Si es positivo, el estado del agente es +1 y en caso contrario ¡1 con ciertas probabilidades. Es posible de¯nir una funci¶n de Lyapunov o o \funci¶n de energ¶ o de costo" que cuanti¯ca el nivel de acoplamiento agregado de los estados o ³a de todos los elementos del sistema. Por ejemplo, si el estado del elemento i es si y el del j es sj y ambos elementos interact¶an positivamente, es decir, que Mij > 0, entonces hay una contribuci¶n u o a esa funci¶n de Lyapunov proporcional a: ¡Mij si sj . En este caso si ambos estados poseen el o mismo signo (sgn (si ) = sgn (sj )) la contribuci¶n de la interacci¶n es negativa lo cual indica que o o ambos estados est¶n \coherentemente" acoplados; s¶ sgn (si ) = ¡sgn (sj ), la contribuci¶n a la a ³ o \energ¶ es positiva ya que ambos estados son inconsistentes con la naturaleza de su interacci¶n. ³a" o Cuando Mij < 0 el acoplamiento favorable tiene lugar cuando los estados de i y de j poseen el signo contrario y viceversa. Se puede de¯nir como indicador \global" (o agregado) del grado de acoplamiento de los estados del sistema: ~ EfSg = ¡
N N N 1X e 1 XX hi si ¡ Mij si sj 2 i=1 2 i=1 j6 =i
j=1

(1.9)

~ donde S = (s1 ; ¢ ¢ ¢ ; si ; ¢ ¢ ¢ ; sN ) es uno de los 2N micro-estados posibles del sistema. Gibbs muestra [?] que conociendo el valor de esta funci¶n de costo (o \energ¶ o ³a") para todo ~ estado posible S se pueden conocer las propiedades del sistema en equilibrio a un nivel de °uctuaci¶n o o \temperatura" dada T . Debido al car¶cter erg¶dico de este sistema, es posible demostrar que es a o equivalente calcular el promedio temporal de un observable como el promedio sobre un ensamble o conjunto de sistemas id¶nticos, donde la probabilidad de cada estado es proporcional a: e e¡¯EfSg
~

con ¯ = 1=kT

siendo k

la constante de Boltzman

(1.10)

Esta expresi¶n es la medida de probabilidad descubierta por Gibbs. Tomemos un observable6 o ~ ~ OfSg. Dado que el sistema posee un total de 2N micro-estados: S, el observable tendr¶ un valor a dado para cada uno de ellos; en el equilibrio, el valor medio del observable O es la suma ponderada por la medida de probabilidad de Gibbs [108]: ¹ O=
P
S

La expresi¶n anterior nos dice que el promedio, que usualmente se calcula como promedio temporal, o es igual al promedio sobre muchos sistemas similares que poseen distintos estados, pesados por una ~ frecuencia relativa: e¡¯EfSg . Esta equivalencia es posible en virtud de que el sistema es, en estas circunstancias, erg¶dico. Un observable relevante es la polarizaci¶n media del sistema, es decir el o o valor medio de la suma de los estados si : ~ M fSg =
X
i=1

P

~ OfSge¡¯EfSg
S ~ e¡¯EfSg

~

(1.11)

si

(1.12)

Ahora podemos estudiar la consistencia entre la din¶mica microsc¶pica, determinada por a o la ecuaci¶n 1.8 y las propiedades macr¶scopicas en equilibrio. Sea ½I (t) la probabilidad de que el o o sistema est¶ en el estado I en el instante t. Utilizando la ecuaci¶n de Kolmogorov para °ujos de e o probabilidades podemos determinar la evoluci¶n de esta probabilidad: o
6

O sea una cantidad que puede medir mediante observaciones experimentales.

4.1. Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³

93

½I (t + 1) =

X
J

W (I=J)½J (t)

(1.13)

donde W (I=J) es la probabilidad de transici¶n del estado J al estado I. Por las propiedades de o conservaci¶n de la probabilidad, sumando sobre todas las instancias y transiciones posibles tenemos: o
X
I

½I = 1

y

entonces:

X
I

W (I=J) = 1

(1.14)

½I (t + 1) = =

X
J

W (I=J)½J (t) =

J6 =I

X

J6 =I

W (I=J)½J (t) + 1 ¡

³

X

W (I=J)½J (t) + W (I=I)½I (t) =
X

(1.15) (1.16)

W (J=I) ½I (t)

J6 =I

´

¯nalmente llegamos a la ecuaci¶n maestra: o ½I (t + 1) = ½I (t) +
Xh

J6 =I

W (I=J)½J (t) ¡ W (J=I)½I (t)

i

(1.17)

Por su propia naturaleza en el estado estacionario desaparece la dependencia temporal entonces: ½I (t) = ½I (t + 1) = F (I) y ½J (t) = ½J (t + 1) = F (J), y adem¶s debe cumplirse lo que suele a denominase como la \condici¶n de balance detallado": o W (I=J)F (J) = W (J=I)F (I) (1.18)

Esta condici¶n no es m¶s que una conservaci¶n del °ujo de probabilidad de los estados en o a o el r¶gimen estacionario. e Se puede mostrar que la din¶mica microsc¶pica de Glauber (ecuaci¶n 1.8) es consistente con a o o esta condici¶n y con la medida (macrosc¶pica) de Gibbs. Para ello, consideremos una din¶mica o o a sincr¶nica y una escala temporal en la que la actualizaci¶n del sistema en el agregado est¶ dada por o o a la modi¯caci¶n de un s¶lo componente del sistema. Esto signi¯ca que dos estados macrosc¶picos o o o di¯eren unicamente del estado de un s¶lo elemento i. A los ¯nes pr¶cticos esto ser¶ como de¯nir una o a ³a unidad de tiempo tal que la separaci¶n entre dos estados macrosc¶picos luego de la actualizaci¶n o o o del sistema sea la alteraci¶n de ese unico elemento i. La probabilidad de que el sistema est¶ en la o ¶ e con¯guraci¶n J con el elemento i en el estado si pase al estado I con el elemento i en el estado o ¡si es P (si )=N y aquella que corresponde a pasar del estado ¡si al si es P (¡si )=N , por lo tanto, usando 1.8: W (I=J) P (¡si ) e¡¯hi si = = ¯h s = e¡2¯hi si W (J=I) P (si ) e i i entonces: con lo cual: F (I) = ½I / e¡¯E(I) (1.21) W (I=J)e¡¯E(J) = W (J=I)e¡¯E(I) (1.19) (1.20)

esto signi¯ca que a partir de la din¶mica microsc¶pica 1.8 de Glauber se llegar a la probabilidad a o de los estados del sistema dada por Gibbs. Cuando la din¶mica estoc¶stica de la red converge a un estado estacionario el sistema ha a a alcanzado un m¶ ³nimo en un \paisaje de energ¶ o \paisaje de la funci¶n costo" (entendido como ³a" o una magnitud que cuanti¯ca el grado de acoplamiento o a¯nidad entre todos los elementos del

94

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

sistema). Si el nivel de ruido no es muy intenso (T ¡! 0), el sistema puede entramparse en estados sub¶ptimos que corresponden a m¶ o ³nimos locales del paisaje. Dada la complejidad del sistema que se mani¯esta en la enorme cantidad de con¯guraciones posibles, no siempre se puede asegurar que el sistema pueda siempre alcanzar un m¶ ³nimo global, ya que, por lo general, el paisaje de energ¶ ³a es sumamente \rugoso". En el lenguaje de las redes neuronales amorfas los m¶ltiples m¶ u ³nimos corresponden a las que se denominan como memorias asociativas, que son direccionables (a cada m¶ ³nimo correspondiente) por su contenido [98].

4.1.3

Estados frustrados y multiplicidad de atractores

Cuando los elementos de la matriz Mij son tanto positivos como negativos, se multiplican los m¶ ³nimos de la funci¶n de energ¶ haciendo que el paisaje sea m¶s intrincado o rugoso. Esto da o ³a, a lugar a un incremento de la complejidad del sistema, la cual se pone de mani¯esto por medio de una combinaci¶n de estabilidad (existencia de atractores estables) y diversidad (multiplicaci¶n de o o los estados estacionarios sub¶ptimos). T¶cnicamente tiene lugar lo que se denomina como \fruso e traci¶n", t¶rmino utilizado para describir la existencia de con°ictos mutuos entre los elementos del o e sistema. En esas condiciones, no es posible que se satisfagan simult¶neamente todas las interaa cciones. Para entender el fen¶meno de frustraci¶n analicemos el siguiente ejemplo en el que para o o simpli¯car suponemos que Mij = §1 8ij. Para ¯jar ideas, consideremos un subsistema de cuatro componentes fs1 ; s2 ; s3 ; s4 g que interactuan entre s¶ En la ¯gura 1.1 se muestran 3 situaciones posibles. En el caso (a) los elementos ³. de la matriz de conectividad son todos positivos, y por lo tanto la energ¶ del subsistema adquiere ³a su m¶ ³nimo global s¶ s1 = s2 = s3 = s4 = §1, por otro lado, en el caso (b) no es posible encontrar ³ un m¶ ³nimo global ya que s¶ se hace m¶ ³ ³nima la contribuci¶n a la energ¶ entre los elementos 1 y 2 o ³a se aumenta la correspondiente entre 1 y 3 ¶ 2 y 4, y viceversa. Mostramos en la siguiente tabla o los valores de la \energ¶ del subsistema para todos los 24 = 16 estados posibles, es decir que se ³a" calcula: Esubsistema =
4 XX i=1
j=1 j6 =i

Mij (= §1)si sj (a) -4 0 0 0 0 0 4 0 0 4 0 0 0 0 0 -4 (c) -2 2 2 2 -2 -2 2 -2 -2 2 -2 -2 2 2 2 -2

(1.22)

s1 + + + + + + + + ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡

s2 + + + + ¡ ¡ ¡ ¡ + + + + ¡ ¡ ¡ ¡

s3 + + ¡ ¡ + + ¡ ¡ + + ¡ ¡ + + ¡ ¡

s4 + ¡ + ¡ + ¡ + ¡ + ¡ + ¡ + ¡ + ¡

Se observa en la tabla que, si bien no es posible alcanzar estados de m¶ ³nima energ¶ (» ¡4), ³a existen m¶ltiples estados de baja energ¶ » ¡2. La frustraci¶n en un sistema produce una diversidad u ³a o

4.1. Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³

95

Figura 1.1: Dos situaciones posibles para un subsistema compuesto por 4 elementos. Por simplicidad suponemos que Mij puede valer unicamente +1 o ¡1. En el caso (a) se cumple que ¶ M12 = M13 = M24 = M34 = +1, en (b), M13 = M24 = M34 = +1 y M12 = ¡1 de estados fundamentales. Antes de que surgiera la teor¶ de los \vidrios de spin" se consideraban ³a sistema extendidos con pocos estados fundamentales que pod¶ ser considerados como equivalentes ³an a trav¶s de transformaciones de simetr¶ Como modelo protot¶ e ³a. ³pico de sistema complejo, los vidrios de spin nos muestran que en general sistemas con componentes en interacci¶n poseen una diversidad o tal que la simple agregaci¶n sin considerar la complementariedad dada por la localidad dar¶ lugar o ³a a err¶neas conclusiones. En la teor¶ de las redes neuronales la existencia de estados frustrados o ³a permite multiplicar el n¶mero de atractores de la din¶mica posibilitando almacenar un mayor u a n¶mero de memorias asociativas. Trabajos realizados [141] han demostrado que los m¶ u ³nimos de estados frustrados se organizan ultram¶tricamente, es decir que poseen un organizaci¶n jer¶rquica. e o a El concepto de frustraci¶n y de la idea de que muchos sistemas no pueden alcanzar estados o o ¶ptimos globales nos sugieren analog¶ con hechos estilizados en sistemas econ¶micos. Ya hemos ³as o comentado en cap¶ ³tulos anteriores que muchas veces la coordinaci¶n de los planes de los agentes es o un objetivo dif¶ de alcanzar, ya sea por la existencia de complementariedades estrat¶gicas o por ³cil e la inaccesibilidad a nivel local a un conjunto de informaci¶n completa que permita operar en ¶l con o e mayor certidumbre. La frustraci¶n pues juega un papel preponderante, y por lo tanto resulta de o utilidad en el estudio de la econom¶ desde esta visi¶n constructiva. ³a o Transiciones de fase: Orden - Desorden El tipo de sistema desordenado como el que venimos describiendo puede ser, seg¶n las condiciones, u tanto erg¶dico como no erg¶dico. Ya hemos comentado (v¶ase la secci¶n 2.4.3 del cap¶ o o e o ³tulo 2) que un sistema es erg¶dico s¶ transcurrido un tiempo in¯nito, el sistema visita todos los estados posibles o ³ y por lo tanto la evoluci¶n no depende de las condiciones iniciales. La naturaleza escapa a esta o ceguera a trav¶s de lo que se denominan como transiciones de fase que suponen la aparici¶n de e o rupturas de simetr¶a en las que se quiebra la ergodicidad. Este este proceso da lugar a la aparici¶n ³ o de comportamientos emergentes que alteran la con¯guraci¶n del sistema y reducen los grados de o libertad efectivos del sistema. Para simpli¯car los c¶lculos supongamos que la matriz de conectividad posee s¶lo elementos a o positivos (Mij ¸ 0 8 1 · i · N; 1 · j · N ); entonces todos los pares de elementos conectados entre s¶ con interacci¶n (Mij 60) contribuyen a bajar la \energ¶ siempre que se encuentren alineados ³ o = ³a" entre s¶ (cuando se encuentran en el mismo estado: si = sj ). El alineamiento microsc¶pico que ³ o tiene lugar entre pares favorece al ordenamiento global del sistema, que se pone de mani¯esto a trav¶s de la polarizaci¶n (M ) (macrosc¶pica). e o o Si el sistema fuera erg¶dico la polarizaci¶n agregada ser¶ nula ya que, dado un estado o o ³a agregado, existe el estado opuesto, que tiene polarizaci¶n agregada de signo opuesto a este con los o estados de cada componente permutado por su valor opuesto. Este nuevo macro-estado tiene igual probabilidad de existir pues la energ¶ del estado agregado opuesto tiene el mismo valor que el primer ³a estado considerado. Notemos que todo sistema erg¶dico posee una simetr¶ intr¶ o ³a ³nseca. Cuando

96

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Mij ¸ 0 hay dos estados fundamentales (de m¶ ³nima energ¶ en que todos los componentes del ³a) sistema est¶n en el mismo estado +1 ¶ ¡1. Partiendo de condiciones iniciales al azar, la in°uencia a o mutua entre elementos dada por la ecuaci¶n 1.2 da lugar a un descenso gradual por gradiente de o energ¶ haciendo que el sistema alcance el atractor que conduce al estado fundamental. Esto es ³a v¶lido para un sistema que se encuentra en ausencia de ruido, entonces cabe preguntarse, cu¶l es a a la cantidad de \ruido t¶rmico" admitido como para mantener al sistema en estas condiciones? Es e razonable suponer que existe un valor de temperatura (cr¶ ³tica), que controla el nivel de ruido, a partir de la cual el sistema pasa de ser erg¶dico a no serlo, teniendo lugar una \transici¶n de fase". o o Para entender cuantitativamente estos conceptos realizaremos un estudio del sistema utilizando lo que suele llamarse como una aproximaci¶n de campo medio y que consiste en reemplazar las o interacciones locales entre elementos por una interacci¶n promediada. o Aproximaci¶n de campo medio o
f Supongamos que la interacci¶n entre elementos es una constante por lo cual: Mij = M =N 8 1 · o i · N; 1 · j · N . Si adicionalmente suponemos que la componente externa del campo local en 1.1 es nula (he = 0) entonces este adquiere la forma: i

hi (t + 1) =

N X

Mij sj (t)

j6 =i

¡!

~ ~ donde M fSg es la polarizaci¶n total del sistema mientras que mfSg es la magnetizaci¶n por o o ~ ~ componente (mfSg = M fSg=N ). Con estas aproximaciones la \energ¶ se simpli¯ca y da: ³a" ~ EfSg = ¡
f f M X M 1 f ~ ~ si sj ¡! ¡ M 2 fSg ´ ¡ N M m2 fSg 2N i;j 2n 2
i6 =j

f M f ¹ ~ ~ h= M fSg ´ M mfSg N

(1.23)

(1.24)

Entonces la probabilidad que prescribe la din¶mica de Glauber (ecuaci¶n 1.8) en un ba~o t¶rmico a o n e es: (1.25) e ~ e ~ e¯ MmfSg + e¡¯ MmfSg Reemplazando esta probabilidad en la ecuaci¶n maestra y calculando el valor medio de la polaro izaci¶n Glauber [77] demostr¶ que vale la ecuaci¶n din¶mica: o o o a
³ ´ d < m > (t) f = ¡ < m > (t) + tanh ¯ M < m > (t) dt _ cuya soluci¶n en el estado estacionario (< m > = 0) es: o

P (si ) =

e e¯ MmfSgsi
~

¡

(1.26)

f Para analizar su comportamiento conviene llamar: x = ¯ M m¤ entonces:

f < m¤ >= tanh (¯ M < m¤ > )

(ecuaci¶n de Curie - Weiss) o

(1.27)

1

f Entonces, gr¶¯camente podemos ver en la ¯gura 1.2 que seg¶n ¯ M sea menor o mayor que la a u unidad habr¶ un s¶lo punto de equilibrio o 3 puntos de equilibrios (2 estables con polarizaci¶n a o o no nula y uno inestable de polarizaci¶n nula) respectivamente. Esto signi¯ca que existe un valor o cr¶ ³tico de ¯ = ¯c en la que se produce una transici¶n de fase del desorden erg¶dico con polarizaci¶n o o o nula al orden de¯nido por una polarizaci¶n no nula de valor macrosc¶pico. o o Estudiemos el comportamiento del sistema cerca del valor cr¶ ³tico del par¶metro de control, a es decir cuando ¯ ¼ ¯c . En estas condiciones es posible escribir la ecuaci¶n 1.28 como: o

f ¯M

x = tanh (x)

(1.28)

4.1. Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³

97

Figura 1.2: Seg¶n cada caso, la intersecci¶n entre la rectas y la funci¶n tanh (x) representa los u o o estados estacionarios del sistema cuando se ha realizado la aproximaci¶n de campo medio. o

entonces, aproximando por un polinomio de Taylor tanh (x) ¼ x ¡ 1 x3 , tenemos: 3 ¯c 1 x ¼ x ¡ x3 ¯ 3 =) x ¼ 3(1 ¡
h

¯c 1 x = tanh (x) con ¯c = f ¯ M

(1.29)

Esto signi¯ca que la polarizaci¶n normalizada sigue una ley potencial con el par¶metro de control. o a Investigaciones de los ultimos a~os han mostrado que todo sistema extendido cuyos par¶metros lo ¶ n a acercan a una regi¶n donde tiene lugar una transici¶n de fase posee observables que se comportan o o con leyes de potencia similares a la obtenida. En particular, un observable importante es la funci¶n o de correlaci¶n: o F (~) =< m(~)m(0) > ¡ < m(~) >< m(0) > r r r (1.31)

¯c i1=2 ) ¯

(1.30)

que mide el grado de correlaci¶n espacial entre elementos que se encuentran a una distancia j~j. o r Utilizando la transformada de Fourier de F (~) se puede llegar a demostrar que [108]: r F (~) = r
r e¡j~j=» j~j r

(1.32)

donde » es la \longitud de correlaci¶n" que es un indicador caracter¶ o ³stico de la \memoria" espacial del sistema desordenado. Cerca del punto cr¶ ³tico ¯ = ¯c la longitud de correlaci¶n va como: o »»j ¯c ¡! 1 ¡ 1j¡º ¯ ¯ ! ¯c (1.33)

entonces, la funci¶n de correlaci¶n va como jrj¡1 cerca del punto cr¶ o o ³tico. Esta ley de potencias indica que no existe una longitud o magnitud caracter¶ ³stica que de¯na el tama~o del sistema n (ver secci¶n 5.3 del pr¶ximo). Para completar este an¶lisis, estudiemos el comportamiento de la o o a polarizaci¶n normalizada lejos del punto cr¶ o ³tico ¯c . Cuando ¯ ¡! 1 =) x À 0, entonces tomando estos l¶ ³mites en la tangente hiperb¶lica llegamos a: o ¯c x ¼ 1 ¡ 2e¡2x + ¢ ¢ ¢ ¯ y a orden cero xo = ¯=¯c , entonces: ¯c ' 1 ¡ 2e¡2¯=¯c ¯ (1.35) (1.34)

98

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Corroborando que lejos de la regi¶n cr¶ o ³tica el comportamiento de la polarizaci¶n es expoo nencial y no potencial como ocurre con el caso opuesto. En este caso la funci¶n de correlaci¶n o o decae exponencialmente con una longitud de correlaci¶n ¯nita m¶s all¶ de la cual los componentes o a a del sistema no esta mutuamente in°uenciados

4.1.4

Aplicaciones en sistemas econ¶micos y sociales: Marco gen¶rico o e

Si bien la aplicaci¶n de esta metodolog¶ en el estudio de los fen¶menos sociales se encuentra a¶n o ³a o u en una etapa incipiente puede ser util para entender la evoluci¶n de sistemas con poblaciones het¶ o erog¶neas en interacci¶n. En esta secci¶n se presenta un marco gen¶rico para discutir aplicaciones e o o e de la mec¶nica estad¶ a ³stica al estudio de comportamientos sociales. Los modelos inspirados en este esquema se basan en entornos en los cuales cada agente del sistema enfrenta una decisi¶n binaria. o En muchos contextos sociales es posible encontrar esta situaci¶n. Resulta evidente que estas deo cisiones dependen del contexto socio-econ¶mico que contiene a cada agente conformado por una o amplia red de relaciones sociales que pueden ser pensadas como locales; adem¶s es posible cona siderar a alguna forma de in°uencia externa ya que puede cuanti¯carse a trav¶s de un \campo e externo" (v¶ase la ecuaci¶n 1.1). e o Un marco general de estudio Supongamos que el sistema estudiamos a continuaci¶n tiene un total de N agentes (o familias) cada o ~ uno de los cuales opta por tomar la decisi¶n si 2 f¡1; 1g, siendo S el vector de decisiones, y sea o s~ el vector de las decisiones tomadas por todos los agentes menos el agente i. La heterogeneidad ¡i surge de 3 aspectos fundamentales: ~ (i) Cada agente di¯ere del resto por sus atributos personales Xi . (ii) Poseen diferentes expectativas sobre el comportamiento agregado; es decir que pueden formular creencias a cerca de lo que hacen los dem¶s agentes. Entonces cada agente puede tener a asociada una expectativa dada por la medida de probabilidad (subjetiva) ¹e (s~ ). i ¡i (iii) Cada agente experimenta perturbaciones aleatorias: ²(si ). La elecci¶n individual surge de resolver un problema de maximizaci¶n de utilidad: o o

max
si 2 f¡1; 1g Para simpli¯car podemos suponer:

~ i ¡i V (si ; Xi ; ¹e (s~ ); ²(si ))

(1.36)

² Aditividad, es decir que la funci¶n de utilidad se descompone en una utilidad \privada", una o \social" y una componente estoc¶stica: a ~ i ¡i ~ ~ i ¡i V (si ; Xi ; ¹e (s~ ); ²(si )) = Up (si ; Xi ) + Us (si ; Xi ; ¹e (S~ )) + ²(si ) (1.37)

² La utilidad social y la densidad de probabilidades para ²(si ) son dadas. La utilidad social Us (en el sentido de que depende de las acciones de los dem¶s agentes) se formaliza suponiendo a que los agentes tratan de conformar o acoplarse con el comportamiento de los otros agentes: ~ i ¡i Us (si ; Xi ; ¹e (S~ )) = ¡Ei
N h X M (X ) ~i j
j=1 j6 =i

2

(si ¡ sj )2

i

(1.38)

4.1. Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³

99

donde Ei es el valor esperado de la discrepancia entre las decisiones propias y las ajenas, pesadas por una matriz que da cuenta del marco social en que se encuentra el agente (puede suponerse que cuanti¯ca la comunicaci¶n interpersonal). o Por otro lado se puede suponer que la probabilidad de shocks es log¶stica7 : ³ P ²(¡1) ¡ ²(1) · z =
³ ´

1
~ 1 + e¡¯(Xi )z

(1.39)

² Ya que las elecciones son binarias, la utilidad \privada" puede simpli¯carse de forma tal que: ~ ~ ~ u(1; Xi ) = h(Xi ) + k(Xi ) ~ ~ ~ u(¡1; Xi ) = ¡h(Xi ) + k(Xi ) Entonces, como s2 = 1 tenemos: i ~ i ¡i Us (si ; Xi ; ¹e (S~ )) =
N X
j=1 j6 =i

(1.40) (1.41)

~ Mj (Xi )(si Ei [sj ] ¡ 1)

(1.42)

~ La probabilidad de elegir una opci¶n si condicionada por los atributos individuales Xi y las expeco tativas subjetivas ser¶: a ~ ~ ~ P si =Xi ; ¹e (S~ ) = P V (si ; Xi ; ¹e (s~ ); ²(si )) > V ( ¡ si ; Xi ; ¹e (s~ ); ²(¡si )) ¡i i i ¡i i ¡i reemplazando 1.37, 1.38, 1.39, 1.41 y 1.42, se llega la probabilidad de Gibbs: e¯(Xi )z
~ ~ e¯(Xi )z + e¡¯(Xi )z ~ n X
j=1 j6 =i

³

´

³

´

(1.43)

P (²(¡si ) ¡ ²(si ) < 2z) =

donde

~ z = si h(Xi ) +

~ Mj (Xi )si Ei (sj ) (1.44)

~ Entonces la probabilidad agregada de que el sistema se encuentre en un estado S es:
³ ´
N Y

~ ~ P S=fXi g1·i·N ; f¹e (s~ )g1·i·N = i ¡i »

i=1

~ P (si =Xi ; ¹e (s~ )) » i ¡i ~ Mj (Xi )si Ei (sj )
´i

(1.45) (1.46)

exp

h

~ ¯(Xi )

N ³X i=1

~ h(Xi )si +

N X
j=1 j6 =i

que es nuevamente la medida de probabilidad de Gibbs. Aplicaciones estilizadas en la econom¶ ³a El primer antecedente que puede recogerse en la literatura econ¶mica donde se implementan moo delos basados en estas ideas fue un trabajo de Follmer [70] quien introdujo esta estructura de modelizaci¶n en el contexto de los modelos de equilibrio general, usando el marco de referencia o introducido por Hildenbrand [100]. Los resultados que se alcanzan con estos modelos tienen mucha relaci¶n con aquellos obtenidos por Mc. Faden y Manski [?] al formular lo teor¶ de la elecci¶n o ³a o discreta. En este contexto, es posible estudiar el comportamiento interdependiente de las ¯rmas
7 En [7] se realiza un estudio de la relaci¶n que existe entre la funci¶n de distribuci¶n log¶ o o o ³stica y la interpretaci¶n o de t¶rminos aleatorios en problemas de decisi¶n discreta. e o

100

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

cuando, por ejemplo, debe tomar decisiones de inversi¶n o aumentar o disminuir la cantidad de o empleados de planta (empleo de carrera), o cuando se estudia la entrada o salida de las ¯rmas a un determinado sector. Tambi¶n se puede estudiar el comportamiento de los agentes consumidores e que deben tomar decisiones binarias. En econom¶ modelos con interacciones locales similares el que hemos descripto han sido ³a tambi¶n utilizados para explicar los patrones de difusi¶n y lock-in de innovaciones tecnol¶gicas a e o o trav¶s de las modelizaci¶n de procesos de adopci¶n de nuevas tecnolog¶ como resultado de la e o o ³as interacci¶n entre ¯rmas vecinas vinculadas entre s¶ [14]. En Benabou y Durlauf [?] se enfatiza la o ³ importancia del caracter end¶geno en la formaci¶n de barrios, debido a la interdependencia entre las o o acciones de los agentes que act¶an en el sistema, dando lugar a correlaciones tanto espaciales como u intertemporales. Es posible en el contexto visto estudiar los procesos de integraci¶n, segregaci¶n y o o estrati¯caci¶n social. o En el marco de la macroeconom¶ es posible aplicar esta metodolog¶ considerando modelos ³a ³a como los formulados por Neftci [149] quien clasi¯c¶ a los estados de las econom¶ en dos reg¶ o ³as ³menes seg¶n el nivel de empleo est¶ creciendo o no, o por Hamilton [88] con los auges y las recesiones y foru e mul¶ un modelo usando cadenas markovianas. Estos procesos estoc¶sticos dan lugar a movimientos o a brownianos que resultan ser una aproximaci¶n de primer orden ya que no se tienen en cuenta los o efectos de la externalidad din¶mica que produce el comportamiento interdependiente local. Kurz a [?] tambi¶n propuso un modelo con 2 tipos de ¯rmas, (i) aquellas que tienen acceso al cr¶dito, (ii) e e las que tienen el cr¶dito racionado. En el contexto descripto podr¶ ser posible estudiar un modelo e ³a similar con interdependencias, de manera tal de que aquellas ¯rmas del tipo (i) se transformen en tipo (ii) si por efecto de la externalidad cuando est¶ vinculada con otras ¯rmas del tipo (ii). Todos a estos modelo se sostienen en un criterio de elecci¶n binaria, raz¶n por la cual es posible aplicar este o o marco de referencia. Autores como Lux [131], Kirman [116], Antoniewicz [?] y Brock [39, 37] han desarrollado modelos para explicar el comportamiento de los mercados ¯nancieros, la crisis y ataques especulativos y la aparici¶n de profecias autocumplidoras, suponiendo que los agentes econ¶micos se o o clasi¯can en dos tipos diferentes: \fundamentalistas" y \chartistas" (o seguidores de tendencias). Campbell, Grossman y Wang [?] desarrollaron un modelo con expectativas racionales en el que conviven dos tipos de agente, aquellos que poseen una aversi¶n al riesgo constante (CARA) y los o que poseen una aversi¶n al riesgo estoc¶stica, bien podr¶ emplearse el formalismo de los vidrios o a ³a de spin a este tipo de modelos. Tambi¶n es posible adaptar ciertos modelos con informaci¶n asim¶trica como el formulado e o e por Hellwig [?] que estudia la interdependencia que existe entre la calidad de las se~ales que los n agentes reciben y los cambios abruptos causados por el grado de correlaci¶n de la informaci¶n entre o o agentes y no en los cambios de su contenido. En este modelo los agentes reciben una se~al sobre los n rendimientos futuros de un activo, hay dos tipos de agentes, los informados (1) que pagan por una menor volatilidad de la se~al y los agentes no informados (2) que poseen una volatilidad esperada n ¾2 > ¾1 , pero no pagan por la informaci¶n que reciben. El modelo estudia el rol cualitativo de la o estructura de correlaci¶n de las se~ales. o n H. Peyton Young [?] formul¶ un modelo en el que los agentes se ubicaban en un grafo o que representa la red social. En cada per¶ ³odo de tiempo se selecciona al azar a un agente y este adopta uno de dos comportamientos posibles, dependiendo de (i) la evoluci¶n de los premios, (ii) o la proporcion de agentes vecinos que han adoptado determinado comportamiento. En este ultimo ¶ modelo, los agentes juegan un juego de coordinaci¶n sim¶trico con cada uno de los dem¶s agentes o e a de su vecindad. El juego de coordinaci¶n es: o

A

B

A 3; 3 0; 0 B 0; 0 2; 2

4.1. Estudio de las interacciones locales y analog¶ con la mec¶nica estad¶stica ³as a ³

101

El autor analiza qu¶ patrones de comportamiento emergen y cu¶nto tiempo tarda el sistema e a de alcanzar un estado estacionario. El modelo exhibe un estado de equilibrio en el que todos los agentes juegan A o todos juegan B (equilibrio homog¶neo), sin embargo existen tambi¶n m¶ltiples e e u equilibrios alternativos en los cuales hay subgrupos de agentes que coordinan sus acciones jugando A mientras otros juegan B. El autor trabaja con una funci¶n que de¯ne como \potencial del juego" o similar a la energ¶ usada en los vidrios de spin (ecuaci¶n 1.9). ³a o Formaci¶n de grupos y normas de conducta o
Glaesser, Sacerdote y Scheinkman [76] construyeron un interesante modelo con interacciones locales para explicar la proliferaci¶n o de cr¶ ³menes en las ciudades. Los individuos se suponen localizados en un espacio unidimensional. Cada agente puede elegir (al azar) una de tres tipos de preferencias con referencia a la decisi¶n de cometer (si = 1) o no un cr¶ o ³men (si = ¡1). La preferencia 1 supone que el agente siempre que tenga la oportunidad comenter¶ un crimen, la 2 supone que el agente cometer¶ el crimen si a a el vecino m¶s cercano de la izquiera lo comete y la 3 considera que nunca cometer¶ el crimen. Sea Uj (si ; si¡1 ) la utilidad del a a agente i que utiliza la preferencia tipo j. El modelo supone el siguiente ordenamiento:

U1 (1; 1) > U1 (¡1; 1) U2 (1; 1) > U2 (¡1; 1) U3 (¡1; 1) > U3 (1; 1)

U1 (1; ¡1) > U1 (¡1; ¡1)

(1.47) (1.48) (1.49)

U2 (¡1; ¡1) > U2 (1; ¡1)

U3 (¡1; ¡1) > U3 (1; ¡1)

Es decir que cuando el agente comete siempre el crimen su utilidad U1 es mayor si su vecino tambi¶n lo comete, e cuando el agente utiliza la preferencia U2 el agente cometer¶ el crimen s¶lo si su vecino tambi¶n lo hace y en el caso de usar a o e la preferencia U3 el agente preferir¶ la situaci¶n en la que el vecino tampoco comete cr¶ a o ³menes. La distribuci¶n de tipos de o preferencia es independiente e id¶nticamente distribuida para todos los agentes. e Cada agente est¶ en contacto con la vecindad formada por el agente a su izquierda, es decir: a ~ Mj (Xi ) =

½

~ M(Xi ) s¶ j = i ¡ 1 ³ 0 s¶ j 6i ¡ 1 ³ =

(1.50)

Por otro lado a cada agente se le puede asociar una \variable latente" Ái 2 fÁl ; Ám ; Áh g que da cuenta de una caracter¶ ³stica personal que in°uencia a la utilidad individual en virtud de que el agentes pertenece a una \clase social" determinada: baja (l), media (m), o alta (h). Esta variable latente act¶a como un campo externo siendo: u h(Ál ) > 0 h(Ám ) = 0 h(Áh ) < 0 M(Ál ) = 0 M(Ám ) > 0 M(Áh ) = 0

(1.51) (1.52) (1.53)

Es decir que si el individuo pertenece una clase social \humilde", dado que h > 0 tendr¶ la tendencia a cometer el crimen a independientemente de su vecindad (ya que M = 0), s¶ es de clase \media" no tendr¶ ninguna tendencia impl¶ ³ a ³cita pero tomar¶ a decisiones en conformidad con la de su vecino pues M > 0; ¯nalmente, si el agente pertenece a la clase \alta" no evaluar¶ la a conducta de su vecino pero tendr¶ la tendencia de no cometer cr¶ a ³menes pues h < 0. Con esta estructura para el modelo de interacciones entre agentes, los autores demuestran que la probabilidad de que ~ el sistema se encuentre en un estado global S es: ~ P (S=fÁ1 ; ¢ ¢ ¢ ; ÁN g) »

exp

Si bien los modelos unidimensionales m¶s simples no tienen transiciones de fase, dada la estructura aleatoria de las a preferencias y de la matriz de interacciones entre los agentes, el modelo tendr¶ diferentes comportamientos seg¶n el par¶metro a u a de control ¯. Para valores altos del mismo es posible encontrar \clusters" o grupos de agentes que act¶an en forma coherente u mientras que para valores peque~os de ¯ los agentes toman decisiones enteramente al azar y por lo tanto no se producen estados n agregados con valores medios signi¯cativos. El modelo podr¶ generalizarse considerando que la interacci¶n mutua tiene un caracter intertemporal, entonces las ³a o decisiones pasadas pueden in°uenciar a las decisiones presentes. La probabilidad agregado ser¶ en este caso: ³a ~ P (St ) » exp
N ³X ¡ i=1

N hX ¡ i=1

¯ h(Ái )si + M(Ái )si si¡1

¢i

(1.54)

h st¡¿ ; ¢ ¢ ¢ ; st¡1 ; st¡¿ ; ¢ ¢ ¢ ; st¡1 ; Át¡¿ ; ¢ ¢ ¢ ; Át¡1 st i i¡1 i¡1 i i i i

El estudio de modelos con m¶ltiples agentes que act¶an con interacci¶n estrat¶gica como los u u o e que venimos describiendo conforman un ¶rea de investigaciones que se encuentra en sus inicios, sin a embargo es de esperar que den lugar a nuevos e interensantes resultados. No obstante, cabe destacar que este tipo de modelos presentan algunas limitaciones. Primeramente las elecciones tomadas por los agentes son binarias, es decir que quedan omitidas las variables de decisi¶n cont¶ o ³nuas.

¢ ´

(1.55)

102

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Por otro lado es muy poco lo que se conoce sobre modelos del tipo de los vidrios de spin con n estados discretos. Tambi¶n las interacciones estrat¶gicas incorporan no convexidades complicadas e e imposibilitando el uso de las herramientos usuales de la optimizaci¶n matem¶tica. o a En la siguiente secci¶n se muestra un modelo que utiliza algunas de estas ideas. El modo elo estudia la coordinaci¶n de decisiones tomadas por los agentes cuando existe interdependencia o estrat¶gica y los agentes puede operar mediante un mecanismo de coordinaci¶n global que es aprene o dido por cada agente durante la evoluci¶n del sistema y un mecanismo de contagio local que permite o internalizar el efecto de lo que los dem¶s agentes est¶n haciendo. a a

4.2

Mecanismos globales y locales de coordinaci¶n o

Muchas veces, bajo ciertas condiciones, los efectos de imitaci¶n y contagio pueden propagar y amo pli¯car los impactos de perturbaciones ex¶genas que tienen lugar en los sistemas econ¶micos. Esto o o parece particularmente relevante en sistemas ¯nancieros, en instancias como las crisis cambiarias o las corridas bancarias, en las que pareciera que tiene lugar una l¶gica circular que se retroalio menta positivamente: las percepciones de fragilidad generan conductas que pueden ampli¯car las expectativas o propagar las crisis. En t¶rminos m¶s generales, los procesos din¶micos que se desencadenan frente a una avalane a a cha de acciones generadas por efectos de contagio pueden resultar en un orden macrosc¶pico que o tiene lugar en un sistema descentralizado compuesto por m¶ltiples agentes interactuando entre s¶ u ³. La decisiones individuales se coordinan pues, pudiendo dar lugar al contagio masivo. Por lo general los agentes que componen un sistema econ¶mico tiene acceso a dos niveles o distintos de informaci¶n, uno de car¶cter global, que involucra el conocimiento -a veces parcial o a de caracter¶ ³sticas agregadas del sistema en el que est¶n operando; y otro de car¶cter local, que da a a cuenta del comportamiento de lo que algunos otros agentes \cercanos" a ellos est¶n haciendo. En a la presente secci¶n, se analiza la relaci¶n entre estos dos niveles de acceso a la informaci¶n. o o o El modelo del \bar attendance" propuesto por W. Brian Arthur [12, 13] permite ilustrar algunas de las caracter¶ ³sticas que venimos comentando. En el modelo, un n¶mero grande agentes u deben decidir, en cada per¶ ³odo de tiempo, si asistir o no a un bar. La capacidad f¶ ³sica del bar es ¯ja e inferior a la poblaci¶n total de agentes. Los potenciales asistentes comparten la percepci¶n o o de que si la asistencia excede cierto valor (dado por la capacidad de bar) la congesti¶n produce o una obvia desutilidad. Igualmente, suponemos que hay una disminuci¶n de la satisfacci¶n de los o o asistentes si el total de ellos no supera una cierta asistencia m¶ ³nima. En el modelo original, los agentes deciden individualmente, bas¶ndose unicamente en la informaci¶n global de que disponen, a ¶ o consistente con el n¶mero de asistentes en per¶ u ³odos anteriores. A trav¶s de un proceso inductivo e de razonamiento tratan de predecir el n¶mero de clientes que visitar¶n el bar al d¶ siguiente. Se u a ³a veri¯ca que el sistema se auto-organiza de manera tal que la asistencia °uct¶a levemente alrededor u del umbral superior admitido por la capacidad f¶ ³sica del bar. Este estado estacionario se alcanza gracias a que los agentes del sistema ¯jan estrategias puras diferentes. La diversidad es responsable de la estabilizaci¶n del sistema. Se tienen m¶ltiples estados de equilibrio (estados degenerados) que o u dan lugar al mismo resultado macrosc¶pico. o El modelo puede ser modi¯cado permitiendo que cada agente pueda tomar decisiones a partir de conocer en promedio las acciones que realizan otros agentes que pertenecen a una vencidad de cada uno. Considerando esta variante es posible analizar el comportamiento de un sistema en donde tanto las acciones agregadas como los efectos de contagio pueden in°uir sobre las elecciones individuales. Esta versi¶n del modelo de Arthur puede ser considerada como una representaci¶n o o esquem¶tica de una gran cantidad de problemas econ¶micos en los que tiene lugar una suerte de a o \econom¶ de aglomeraci¶n" en donde los efectos de congesti¶n son uno de los determinantes de ³a o o la din¶mica. El incentivo que tiene un agente a tomar determinada acci¶n depende del n¶mero a o u total de agentes que est¶n tomando esa acci¶n. En el caso de los sistemas bancarios resulta claro a o que un nivel de dep¶sitos bajo torna fr¶gil al sistema, mientras que un nivel de asistencia a la o a

4.2. Mecanismos globales y locales de coordinaci¶n o

103

ventanilla de dep¶sitos alto obliga a que los clientes paguen un costo de oportunidad por el tiempo o perdido 8 . Los p¶nicos y las corridas en los sistemas ¯nancieros pueden interpetarse de dos maneras a [44, 54, 59, 83]: (i) Como eventos basados en la difusi¶n de informaci¶n acerca del estado fundamental de la o o econom¶ que induce a los agentes a revisar las creencias acerca del estado del sistema ³a, (llamaremos a este caso: eventos basados en informaci¶n) [59]. o (ii) O como un fen¶meno de coordinaci¶n pura en un sistema de m¶ltiples equilibrios potenciales, o o u cuando una perturbaci¶n ex¶gena motiva a los agentes a cambiar el estado en el cual ellos o o coordinan sus expectativas. Ambas explicaciones no tienen por qu¶ ser mutuamente excluyentes. Podr¶ ocurrir que e ³a cierta noticia macroecon¶mica, que afecta el estado \fundamental" de la econom¶ altere el reno ³a dimiento esperado de los activos, e induzca una respuesta que dispare un proceso retroalimentado derivando en un p¶nico. En este caso, el p¶nico no es simplemente generado por una \mancha a a solar" ya que la crisis es disparada por un cambio en los par¶metros que de¯nen el retorno de los a activos. Los modelos que se describen a continuaci¶n, si bien excesivamente esquem¶ticos pueden o a re°ejar algunos elementos de esos episodios de crisis.

4.2.1

Coordinaci¶n guiada por la informaci¶n global o o

Descripci¶n del Modelo o El modelo implementado resulta ser una modi¯caci¶n de \bar attendance model" de W. Brian o Arthur [12, 13] donde se supone que un n¶mero grande Nag de agentes debe decidir en cada u per¶ ³odo de tiempo si asistir o no a un bar 9 . Como ya comentamos la capacidad f¶ ³sica del bar es menor que la poblaci¶n total de agentes. S¶ en un momento dado la cantidad de asistentes supera o ³ un cierto umbral S1 Nag (con 0 < S1 < 1 una proporci¶n sobre el total) los asistentes tendr¶n una o a desutilidad debido a la congesti¶n. En forma an¶loga, si la cantidad de asistentes es inferior otro o a valor umbral So Nag (con 0 < So < S1 < 1) los asistentes tambi¶n sufrir¶n una desutilidad debido e a a que el bar est¶ vac¶ a ³o.. El proceso de adaptaci¶n se basa en las asistencias pasadas; los agentes comparten el cono junto de informaci¶n global a trav¶s de la observaci¶n de la utilidad obtenida durante un cierto intero e o valo de tiempo. El aprendizaje se modela por medio de un algoritmo gen¶tico (ver la secci¶n 3.5.1). e o El protocolo de aprendizaje act¶a favoreciendo a aquellas estrategias que se desempe~aron de la u n mejor manera durante un n¶mero Nd de per¶ u ³odos de tiempo. Cada agente tiene asignada una poblaci¶n de Np estrategias o planes para la subsecuente \semana" de Nd \d¶ o ³as". Cada estrategia se codi¯ca en un \plan " o \genoma" que especi¯ca con cada bit, si asistir¶ o no al bar cada \d¶ a ³a" de la \semana". Toda la poblaci¶n de estrategias de todos los agentes se selecciona inicialmente al o azar y, a medida que el sistema evoluciona, se actualiza por medio de los operadores gen¶ticos de e selecci¶n, cruza y mutaci¶n, gracias a los cuales las estrategias menos exitosas son progresivamente o o descartadas. Los pasos formales del algoritmo son los siguientes: (1) Cada uno de los Nag agentes posee Np planes o estrategias de asistencia al bar. Cada una de estas estrategias consiste en una cadena de bits de longitud Nd . El \bit" del agente k y de la p¡¶sima estrategia p #t , para el \d¶ t puede tomar el valor +1 ¶ ¡1 seg¶n el agente elija e ³a" o u k ir al bar o no ese \d¶ ³a".
En esta met¶fora, el umbral superior corresponde a una restricci¶n f¶ a o ³sica sobre los servicios que proveen el sistema en cierto instante. En el ejercicio que discutiremos, el nivel agregado de \dep¶sitos" diario sirve como indicador del o deseo de los agentes de depositar en el sistema bancario. 9 El trabajo de Arthur fue desarrollado en el Instituto de Santa Fe en Nuevo M¶xico, por eso se re¯ere al famoso e bar \El Farol" situado en el centro de la ciudad.
8

104

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Np (1 · p · Np )

8 > > > > > > > > < > > > > > > > > : |

+1 ¡ 1 ¡ 1 + 1 ¡ 1 ¢ ¢ ¢ ¡ 1 ¡ 1 + 1 ¡ 1 + 1 ¡1 + 1 ¡ 1 + 1 ¡ 1 ¢ ¢ ¢ ¡ 1 + 1 ¡ 1 ¡ 1 + 1 . . . . . . . . . . . . p #t ¢ ¢ ¢ + 1 ¡ 1 + 1 ¡ 1 +1 ¡ 1 + 1 ¡ 1 ¢ ¢ ¢ k ¡1 ¡ 1 + 1 ¡ 1 + 1 ¢ ¢ ¢ ¡ 1 ¡ 1 + 1 + 1 ¡ 1
Nd (1·t·Nd )

{z

}

El \bit" p #t 2 f¡1; 1g del agente k para el predictor p, en la ubicaci¶n (o d¶ t puede valer o ³a) k +1 ¶ ¡1, y su signi¯cado es: o
p

#t k

(

+1 ¡1

si el agente k al haber elegido el predictor p asiste el d¶ t ³a si el agente k al haber elegido el predictor p no asiste el d¶ t ³a

(2.56)

(2) Cada agente elije una estrategia vigente durante los Nd d¶ posteriores a la actualizaci¶n, ³as o con la que efectiviza sus acciones (ir o no al bar). En cada instante de tiempo el bar registra el nivel (diario) de asistencia. Sea v la estrategia vigente de cada agente. La fracci¶n Dt de o agentes que asisten al bar en el t¡¶simo d¶ es: e ³a
Nag 1 X v t µ( #k ) Nag k=1

Dt =

(2.57)

donde v #t es la elecci¶n realizada por el agente k, en d¶ t, utilizando el predictor vigente v o ³a k y µ(x) es la funci¶n de Heaviside o funci¶n escal¶n: o o o
(

µ(x) =

1 0

si x > 0 si x · 0

(2.58)

(3) Cada agente contabiliza la utilidad de cada \d¶ comparando la asistencia Dt con las dos ³a" cotas So y S1 . Los agentes que han tomado la decisi¶n correcta tienen una contribuci¶n o o p p positiva a su utilidad \semanal" Uk (t + 1) = Uk + (1 + C) independientemente que hayan ido o no al bar. En cada per¶ ³odo de tiempo, los agentes que han errado la predicci¶n de o la asistencia total deben soportar un costo de oportunidad que baja el nivel de utilidad p p \semanal": Uk (t + 1) = Uk + (1 ¡ C) (o sea que no concurrieron cuando So · Dt · S1 , ¶ lo o hicieron cuando Dt estuvo fuera de las dos cotas). La utilidad de contabiliza cada \d¶ de ³a" los Nd \d¶ ³as" de la \semana". (4) Finalizada la \semana", cada agente ha contabilizado la \performance" de todas sus estrategias con lo cual es posible compararlas entre s¶ y ordenarlas por aptitud para que el algoritmo ³ gen¶tico act¶e atrav¶s de los operadores de selecci¶n, cruza y mutaci¶n de las estrategias m¶s e u e o o a aptas. Para acelerar el proceso de aprendizaje hemos utilizado el mecanismo de selecci¶n o elitista: el 50 % de las estrategias m¶s aptas sobreviven la siguiente generaci¶n y el otro 50 a o % es reemplazado por las estrategias que se obtienen de cruzar y mutar al primer 50 %. La probabilidad de mutaci¶n es baja (pmut » 0:001). o (5) La estrategia m¶s apta del ordenamiento es seleccionada para ser la vigente en la \semana" a siguiente, y todo este procedimiento se itera la cantidad de generaciones que se desee.

4.2. Mecanismos globales y locales de coordinaci¶n o Auto-organizaci¶n del sistema o

105

El efecto del procesamiento de la informaci¶n global o agregado que los agentes conocen a partir de o la realizaci¶n de sus acciones da lugar a estados asint¶ticos coordinados en los cuales los agentes se o o auto-organizan asistiendo de manera tal de saturar \diariamente" la m¶xima capacidad f¶ a ³sica que posee el bar. En consecuencia, la asistencia se ubica alrededor de la proporci¶n superior S1 (v¶ase o e la ¯gura 2.3). Este resultado no se ve afectado por un cambio de los par¶metros de la funci¶n de a o utilidad (C) 10 .

Figura 2.3: Dos Simulaciones sin incorporar el mecanismo de contagio local, con 256 agentes, pmut = 0:005, So = 0:2, S1 = 0:8, Nd = 10 y Np = 20. En el primer caso el sistema converge a un estado de auto-organizaci¶n ¶ptima mientras que en el gr¶¯co de abajo la auto-organizaci¶n o o a o resultante es claramente sub¶ptima. o La ¯gura 2.3 (b) muestra que el sistema puede entramparse con¯guraciones sub¶ptimas en o las que, en algunos instantes de tiempo particulares, no se efectivizan asistencias al bar. Esto se debe a que en alguna etapa temprana de la evoluci¶n y por razones puramente azarosas la cantidad o de agentes que asisten en un determinado \d¶ result¶ muy bajo, en consecuencia esta conducta ³a" o se internalizada haciendo que ninguno de los agentes asista ese d¶ en las sucesivas semanas. En ³a esta situaci¶n, el sistema queda entrampado en un estado del que s¶lo se puede salir si ocurre la o o improbable coincidencia de que un n¶mero sufcientemente grande de agentes modi¯que sus estrateu gias de manera tal de concurrir simult¶neamente ese d¶ particular. Este tipo de \mutaci¶n global" a ³a o es improbable y por lo tanto el sistema permanecer¶ inde¯nidamente en ese estado sub¶ptimo, a o como lo muestra la ¯gura 2.3 (b). El estado asint¶tico que alcanza el sistema, en estos casos, o depende de las condiciones iniciales (azarosas) que se utilicen para iniciar el proceso de aprendizaje y evoluci¶n. En termodin¶mica estad¶ o a ³stica esta situaci¶n suele denominarse como la con¯naci¶n o o por barreras entr¶picas donde la vida media en la que el sistema queda entrampado depende y es a o su vez determinado por el nivel de °uctuaciones que se introducen a trav¶s de la probabilidad de e mutaci¶n (pmut ). La aparici¶n de estos estados sub¶ptimos son tambi¶n ejemplos de dependencia o o o e del sendero en el proceso de auto-organizaci¶n (v¶ase la secci¶n 2.6.5 del cap¶ o e o ³tulo 2). El sistema alcanza una situaci¶n que es din¶micamente estable ya que en todo momento o a todos los agentes exploran nuevas estrategias que corresponden a mutaciones al azar de las estrategias vigentes. Por otra parte el sistema alcanza un r¶gimen estacionario debido necesariamente e
10

El posible obtener el mismo resultado haciendo que C = C(Dt ) > 0 en forma arbitaria en el intervalo (So ; S1 ).

106

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

a que es diverso: Ning¶n agente puede en cada instante de tiempo concurrir todas las veces que u desear¶ ya que de ese modo contribuir¶ a que el sistema exceda el l¶ ³a ³a ³mite superior S1 . Esto trae como consecuencia el establecimiento de una \ecolog¶ de estrategias mediante las cuales no s¶lo ³a" o distintos agentes concurren en instantes de tiempo diferentes, sino que algunos agentes pueden concurrir m¶s veces que otros a lo largo de los Nd d¶ a ³as. Debemos puntualizar que el algoritmo computacional opera con estrategias puras. Si consideramos la posibilidad de operar con estrategias mixtas es posible demostrar que existe una unica ¶ probabilidad de concurrir que da lugar al equilibrio estacionario y por lo tanto es posible representar al modelo por medio de un unico agente representativo; en la secci¶n 4.2.6 de este cap¶ ¶ o ³tulo se realiza esta demostraci¶n. Ya que deseamos estudiar los efectos conjuntos de la coordinaci¶n global o o (que venimos analizando hasta ahora) con el contagio local que luego incorporaremos suponer que los agentes juegan estrategias puras es una hip¶tesis razonable. o Cuando el nivel de concurrencia alcanza el valor m¶ximo aceptable, el sistema visita la a vecindad de un equilibrio de Nash. Ning¶n agente puede cambiar su estrategia unilateralmente u para incrementar su utilidad sin perturbar la utilidad de todos los dem¶s (incluido ¶l mismo). Por a e otro lado, hay una multiplicidad de equilibrios, o en otros t¶rminos, el equilibrio que se alcanza es e m¶ltiplemente degenerado ya que dos con¯guraciones cualesquiera en las cuales un cliente del bar u intercambie su posici¶n con otro que no est¶ concurriendo, son equivalentes. Se puede comprobar o e que la concurrencia de los agentes a lo largo de la \semana" sigue una distribuci¶n binomial. En o el estado estacionario el promedio temporal de la fracci¶n de agentes que concurren al bar, S1 es o la misma que la probabilidad de que un dado agente asista. La probabilidad de alcanzar un nivel de concurrencias acumulado durante la \semana" As es: P (As ) =
Ã

Nd As S (1 ¡ S1 )Nd ¡As As 1

!

(2.59)

4.2.2

Coordinaci¶n con el mecanismo local de contagio o

Para incluir el mecanismo local de \contagio" cada \d¶ se ofrece a los agentes la posibilidad de ³a" decidir entre una de dos opciones: (i) continuar con el plan individual de asistencias o (ii) imitar la estrategia usada por sus vecinos m¶s cercanos. Para ello, al ¯nalizar cada per¶ a ³odo de tiempo, cada agente determina si los agentes que pertenecen a su vecindad han actuado mejor o peor que ¶l en t¶rminos de la comparaci¶n de sus utilidades. Operativamente, se puede ubicar a los agentes e e o en una grilla cuadrada con condiciones de contorno peri¶dicas 11 . El agente rotulado por el ¶ o ³ndice k, por ejemplo, puede ocupar en esta grilla la ¯la i y columna j donde: i = INT p
³ q q ´ k + 1 j = k MOD Nag k = Nag ¢ (i ¡ 1) + j Nag

(2.60)

Cada agente computa la utilidad diaria que obtiene de utilizar su propia estrategia y la compara con la que hubiera tenido de haber imitado a sus vecinos cercanos. En condiciones m¶s a realistas es razonable suponer que la obtenci¶n de esta informaci¶n no es enteramente determin¶ o o ³stica por lo cual el agente estima primeramente el promedio de lo que ha hecho su vecindad computando el campo local percibido por ¶l. Sea el agente k, su campo local en t es: e hij =
´ 1³ a(i; j + 1) + a(i; j ¡ 1) + a(i + 1; j) + a(i ¡ 1; j) 4

(2.61)

donde a(i; j) 2 f¡1; 1g es la acci¶n realizada por el agente (i; j) en tiempo t. Conocido el campo loo cal hk ´ hij se puede determinar la acci¶n que el agente tomar¶ de optar por seguir a su vecindad. o ³a Este procedimiento es semejante al que se realiza en las simulaciones de medios ferromagn¶ticos con e
11

Los bordes est¶n conectados entre s¶ Topol¶gicamente esta estructura es equivalente a un toroide. a ³. o

4.2. Mecanismos globales y locales de coordinaci¶n o

107

el modelo de Ising (v¶ase la secci¶n 4.1 del cap¶ e o ³tulo 4). En este caso la acci¶n de asistir o no correso ponde esquematicamente a las dos orientaciones de un dominio magn¶tico en la direcci¶n indicada e o por el campo medio o en la direcci¶n opuesta. Este proceso no es enteramente determin¶ o ³stico pues siempre se debe suponer que existe alguna indeterminaci¶n producida por la agitaci¶n t¶rmica 12 . o o e En el modelo esta agitaci¶n representa la °uctuaci¶n o varianza en el c¶lculo del campo medio o o a local. Debido a este car¶cter estoc¶stico, la actualizaci¶n del estado de cada agente, como funci¶n a a o o del campo local percibido, puede seguir una evoluci¶n consistente con la din¶mica de Glauber en o a medios desordenados 13 : 1 (2.62) 1 + e¨2¯hij Si la utilidad obtenida por seguir al campo local es estrictamente mayor que la que prescribe la estrategia vigente aprendida a partir de los resultados globales para el mismo instante de tiempo, el agente optar¶ por imitar a sus vecinos utilizando en el siguiente d¶ la acci¶n que le sugiri¶ su a ³a o o vecindad a trav¶s de ese campo local usando la ecuaci¶n probabil¶ e o ³stica 2.62. En caso contrario el agente mantendr¶ su estrategia individual usando el siguiente \bit" de¯nido en su estrategia a vigente (depurada en paralelo por el algoritmo gen¶tico). e P (acci¶n = §1) = o Auto-organizaci¶n con ambos mecanismos o Cuando se incorpora al modelo el mecanismo local de coordinaci¶n que posibilita simular una o din¶mica de contagio se advierte que ambos procesos se refuerzan. En las ¯guras 2.4 y 2.5 se observa a la auto-organizaci¶n que tiene lugar en el sistema cuando ambos mecanismos de coordinaci¶n o o conviven; en el primer caso la temperatura es nula mientras que en el otro, se la ¯j¶ en un valor de o T = 0:1. En condiciones estacionarias, cuando T = 0:1, aproximadamente un 15 % de los agentes basan sus decisiones en la imitaci¶n de sus vecinos. Lo que es destacable es que ambas estrategias o son complementarias entre s¶ por un lado el mecanismo de b¶squeda del equilibrio asint¶tico es m¶s ³: u o a e¯ciente cuando conviven ambos mecanismos de coordinaci¶n ya que, en este caso, el sistema no se o entrampa en estados sub¶ptimos como los observados en la ¯gura 2.3(b)14 . Esto es posible gracias o la las \°uctuaciones t¶rmicas" que permiten eludir las barreras entr¶picas antes mencionadas. El e o sistema explora aleatoriamente una regi¶n m¶s amplia de su espacio de con¯guraciones obteniendo o a un estado m¶s favorable a expensas de un nivel mayor de °uctuaci¶n. Por el otro, se puede advertir a o
Digamos el estado de confusi¶n dada la dispersi¶n de la informaci¶n sobre el sistema. o o o Para suponer que la actualizaci¶n de los componentes que interact¶an en un sistema como el descripto est¶n o u a inmersos en un fondo de ruido la propuesta de Glauber es dotar a este modelo con una din¶mica estoc¶stica que a a corresponder¶ al caso en el que tal sistema se encuentra en contacto con un ba~o t¶rmico a una dada temperatura ³a n e T . La probabilidad P (si ) de que el elemento i tome el valor si 2 f¡1; +1g se determina seg¶n: u
13 12

e¯hi si + e¡¯hi Si el sistema se encuentra en ausencia de ruido (T = 0 ¶ similarmente su inversa ¯ ! 1), las probabilidades de o transici¶n seg¶ n la din¶mica de Glauber son: o u a P (si ) = e¯hi 1. Si el campo local hi 60 entonces si (t + ±t) = sign(hi ) con probabilidad 1. = 2. Si hi = 0 entonces si (t + ±t) = §1 con probabilidad
1 2.

En este caso, los m¶ ³nimos locales de la funci¶n de Lyapunov del sistema (la \energ¶ o ³a") son atractores de la din¶mica. a En particular la con¯guraci¶n de menor \energ¶ tiene lugar cuando el sistema queda totalmente polarizado: si = o ³a" +18i o si = ¡18i. La polarizaci¶n del sistema es un fen¶meno cooperativo y comporta una ruptura de la ergodicidad o o (v¶ase la secci¶n 4.1 de este cap¶ e o ³tulo). Se produce cuando la energ¶ entendida como una funci¶n de Lyapunov, se ³a, o reduce mon¶tonamente con la reorientaci¶n de cada componente del sistema. Aqu¶ se entiende a la energ¶ como o o ³ ³a un indicador del grado de a¯nidad de las acciones tomadas por los agentes. Un m¶ ³nimo de energ¶ corresponde a la ³a mayor a¯nidad entre las acciones realzadas. 14 Esta conclusi¶n se obtuvo a partir de la realizaci¶n de numerosos experimentos computacionales en los que se o o utilizaron distintas semillas en el generador de n¶ meros aleatorios utilizados para formular distintas condiciones u iniciales.

108

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Figura 2.4: Proceso de auto-organizaci¶n con ambos mecanismos de coordinaci¶n cuando la temo o peratura es T = 0. El resto de los par¶metros son similares a los de la ¯gura anterior. Se muestra a tambi¶n la evoluci¶n que tiene lugar durante una \crisis ex¶gena". La duraci¶n de la \crisis" es 20 e o o o \semanas". que las °uctuaciones introducidas por el contagio local son compensadas por una elaboraci¶n algo o diferente de la informaci¶n global. o Cuando la temperatura del sistema es muy grande (¯ ¡! 0) el nivel de ruido es muy alto, impidiendo el aprendizaje e imposibilitando que el sistema se auto-organize. Transiciones entre reg¶ ³menes La relevancia de combinar ambos mecanismos de coordinaci¶n se pone de mani¯esto cuando simo ulamos una perturbaci¶n ex¶gena que altera s¶bitamente las condiciones del entorno. Una \crisis o o u ex¶gena" puede ser inducida incrementando el valor del umbral inferior So a un valor mayor, moo tivando a que los agentes revisen sus decisiones. La \crisis" se termina haciendo que el valor de So retorne a un valor original luego de ciertos per¶ ³odos de tiempo. Una vez desencadenada esta \crisis ex¶gena" el comportamiento de los agentes presenta dos o caracter¶ ³sticas fundamentales. Al iniciarse la misma los agentes que imitaban a sus vecinos dejan de hacerlo y optan por usar sus estrategias individuales a¶n cuando estas no conduzcan a la decisi¶n u o correcta. Este proceso tiene lugar durante un lapso de tiempo del orden de 4 a 5 \semanas" (v¶ase e la ¯gura 2.5). La duraci¶n de este proceso inicial depende necesariamente de la temperatura y del o tama~o del sistema 15 . A medida que se prolonga la situaci¶n aparecen agentes que aprenden n o adecuadamente a no concurrir al bar. Una cantidad cr¶ ³tica de ellos induce a los restantes a que se vuelquen masivamente a imitarlos. Se genera una cascada de contagios que da lugar a la ausencia masiva de agentes (¯guras 2.4, 2.5 y 2.6). Vemos en la ¯gura 2.4 que cuando la temperatura es nula, la transici¶n se produce en forma o pr¶cticamente instant¶nea. No obstante, cuando T = 0:1 y dada la cantidad limitada de agentes, a a puede observarse en la ¯gura 2.5 que al comenzar la \crisis" tiene lugar un per¶ ³odo de revisi¶n o de creencias en el que la alternativa del contagio es desechada, para luego, en forma abrupta ser
En el l¶ ³mite de un n¶ mero in¯nito de agentes o cuando la temperatura es nula, la transici¶n es instant¶nea. Esto u o a es debido a que esta transici¶n es semejante y obedece a los mismos mecanismos que la transici¶n de fase de un o o ferromagneto a muy baja temperatura tal como se la modela por medio de un modelo de Ising (v¶ase la secci¶n 4.1 e o de este cap¶ ³tulo y la ¯gura 2.4).
15

4.2. Mecanismos globales y locales de coordinaci¶n o

109

Figura 2.5: Se muestra la auto-organizaci¶n con ambos mecanismos de coordinaci¶n cuando la o o temperatura es T = 0:1. El resto de los par¶metros son similares a los de la ¯gura anterior. Se a muestra tambi¶n la evoluci¶n que tiene lugar durante una \crisis ex¶gena". e o o reconsiderada, siendo la responsable de producir el efecto domin¶ que induce a un comportamiento o de \manada". Es interesante notar (¯gura 2.6) que en ausencia de contagio la transici¶n denominamos como o \crisis" simplemente no ocurre. Ante el cambio abrupto que produce el arribo de la informaci¶n, los o agentes se adaptan gradualmente pues la adaptaci¶n, que se traduce en la abstenci¶n a concurrir, o o est¶ s¶lo gobernada por la probabilidad de mutaci¶n del algoritmo gen¶tico, que para el caso de la a o o e ¯gura es de pmut = 0:005. La \crisis" puede (ex¶genamente) terminarse retornando So al valor que ten¶ antes de la o ³a misma. Si su duraci¶n es breve el sistema no pierde memoria de las estrategias que eran exitosas por o lo cual los agentes recuperan casi inmediatamente el estado anterior a la \crisis". Si en cambio la crisis dura un lapso m¶s prolongado, un nuevo tipo de equilibrio emerge en el cual todos los agentes a progresivamente aprenden estrategias que implican no asistir al local. En ese caso, aun cuando se restituya el valor del umbral So a su valor anterior, las nuevas estrategias vigentes depuradas durante la extensa crisis, har¶n que sea imposible lograr que los agentes aprendan un plan de concurrencias a que restituya la situaci¶n anterior en la que los agentes saturaban al sistema. El \colapso" de la o concurrencia, es decir el equilibrio aut¶rquico, tiene lugar, en condiciones param¶tricas usuales, con a e ambos mecanismos de coordinaci¶n y es debido a que el sistema ha quedado entrampado en una o \barrera entr¶pica" de la que solamente se puede escapar permitiendo altos niveles de °uctuaci¶n, o o ¯jando una alta \temperatura".

4.2.3

Una aplicaci¶n a las corridas bancarias o

Es posible considerar el an¶lisis hecho hasta aqu¶ para entender lo que sucede en forma cualitativa a ³ durante una corrida bancaria, en cuanto al comportamiento de los agentes se re¯ere. A pesar de lo esquem¶tico del modelo presentado, este posee algunas similitudes con los hechos estilizados a que se ponen de mani¯esto durante las crisis ¯nancieras y las corridas bancarias. En este ultimo ¶ caso, la concurrencia al bar puede ser interpretada como la acumulaci¶n de dep¶sitos por parte o o de las entidades bancarias y las estrategias de cada agente pueden jugar el rol de sus planes de ahorro formulados para aplicarse durante Nd per¶ ³odos de tiempo. El an¶logo del valor del umbral a

110

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Figura 2.6: Auto-organizaci¶n que tiene lugar cuando el procesamiento de informaci¶n local es o o descartado. Mostramos tambi¶n la evoluci¶n durante una \crisis ex¶gena". Todos los par¶metros e o o a son equivalentes a los de las ¯guras anteriores inferior So es un nivel de con¯anza cr¶ ³tico por debajo del cual los agentes consideran que no es prudente con¯ar en el sistema de intermediaci¶n bancario. El estado estable coordinado con o altos niveles de asistencia podr¶ corresponder a la situaci¶n en la cual los clientes depositan ³an o regularmente sus ahorros. El origen de la crisis puede ser atribuida al arribo de informaci¶n o ex¶gena que siembra dudas acerca de la solidez del sistema ¯nanciero instaurando la creencia de o que por razones fundamentales el sistema se ha tornado fr¶gil. a En las ¯guras 2.7 (a) y (b) se puede observar la evoluci¶n de la fracci¶n de dep¶sitos (cuentas o o o corrientes, plazos ¯jos y cajas de ahorro en pesos y d¶lares) como funci¶n del tiempo durante la o o severa crisis bancaria ocurrida en la Argentina luego de la devaluaci¶n mexicana a ¯nes del a~o o n 1994. Los gr¶¯cos cubren el per¶ a ³odo que comprende noviembre de 1994 y octubre de 1995. Se superpone en cada una de las ¯guras los resultados normalizados que surgen del modelo. Sus par¶metros libres han sido calibrados como se describe en la explicaci¶n de la ¯gura. a o La escala vertical ha sido normalizada de manera tal que el nivel superior corresponde al volumen de dep¶sitos que hab¶ al comienzo de la crisis bancaria y el nivel inferior a la cantidad de o ³a fondos que los bancos pose¶ e d¶ que el gobierno estableci¶ el sistema de garant¶ de dep¶sitos. ³an ³a o ³a o Cada d¶ de la serie de tiempo es equivalente a un per¶ ³a ³odo de tiempo del modelo. La escala vertical se ha normalizado de manera tal que tenga un valor igual a 1 cuando se inicia la crisis el 20 de diciembre de 1994 (devaluaci¶n mexicana) y 0 el d¶ que el Banco Central de la Rep¶blica Argentina o ³a u establece la garant¶ de dep¶sitos bancarios. Cada d¶ de la serie temperal real se asimil¶ a cada ³a o ³a o \d¶ de actualizaci¶n del modelo computacional ³a" o Los distintos reg¶ ³menes transicionales que se mani¯estan, es decir la primer etapa de retiros graduales, el \p¶nico" y la recuperaci¶n de la crisis puede identi¯carse en la ¯gura con claridad. Las a o series que muestran las simulaciones describen muy bien los primeros instantes de la crisis, pero no su recuperaci¶n. La evidencia emp¶ o ³rica indica que la entrada a una crisis es abrupta pero la salida es gradual, ya que los agentes suelen ser aversos al riesgo y \reaprenden cautelosamente" el nuevo estado fundamental del sistema. En el modelo computacional la recuperaci¶n, luego de la crisis, o es abrupta debido a que los agentes no llegaron a \perder memoria" de las estrategias anteriores. Resulta interesante que, para obtener una recuperaci¶n gradual luego de la crisis, suposiciones o adicionales deben hacerse que posibiliten reproducir esta circunstancia. Una alternativa razonable es sortear nuevas estrategias iniciales (y tomadas aleatoriamente) para que el algoritmo gen¶tico e inicie nuevamente la tarea adaptativa pero sobre un entorno que ha cambiado. Esto podr¶ describir ³a la implantaci¶n de \nuevas reglas de decisi¶n" que act¶an en el sistema y el consenso de todos los o o u agentes de que tal cambio implica explorar un espacio nuevo de alternativas no visitado durante la evoluci¶n estacionaria del sistema. Este sorteo, que conduce a un nuevo conjunto de reglas, puede o por ejemplo suponerse disparado por un umbral dado por la cantidad de agentes que determinan su decisi¶n sobre la base del procesamiento de informaci¶n local (por ejemplo el 50%). Otra o o alternativa, complementaria a la primera, es suponer que algunos agentes (por ejemplo el 40 %)

4.2. Mecanismos globales y locales de coordinaci¶n o

111

son aversos al riesgo y por lo tanto evaden la posibilidad del contagio cuando la acci¶n que este o prescribe es la de efectuar sus dep¶sitos en el sistema pero, por otro lado estos mismos agentes o admiten el contagio cuando se trate de una decisi¶n que implique la retenci¶n de sus fondos. En o o el primer caso (a) no se realiza ninguna hip¶tesis adicional. En el segundo gr¶¯co (b) se supuso lo o a que acabamos de explicar.

Figura 2.7: Evoluci¶n del nivel de dep¶sitos normalizado. El sistema est¶ compuesto por 256 o o a agentes, cada agente tiene 20 \predictores", la probabilidad de mutaci¶n del algoritmo gen¶tico o e es de 0.005, la \temperatura" de 0.001, la crisis es desatada en t = 30 (20 de diciembre de 1994) y ¯naliza en t = 120. Se superpone la serie del nivel total diario de dep¶sitos durante la crisis o bancaria argentina de 1995. En el gr¶¯co (b) si la proporci¶n de contagiados supera el 50 % se a o sortea nuevamente la poblaci¶n de \predictores" y se inhibe a un 60 % de los agentes a depositar o bajo la acci¶n del contagio. o

4.2.4

Auto-organizaci¶n sin par¶metros ex¶genos o a o

El modelo que acabamos de describir contiene dos par¶metros ex¶genos que gu¶ al proceso de a o ³an auto-organizaci¶n, y se representan por las dos cotas admitidas por la concurrencia. Estas deo terminan la brecha dentro de la cual los agentes tienen utilidades positivas. La cota superior es debida a la congesti¶n y evita que el sistema colapse en un esquema coordinado excesivamente o degenerado y por lo tanto trivial que corresponde a todos los agentes efectuando la misma acci¶n o todos los per¶ ³odos de tiempo. La cota inferior por su parte marca el l¶ ³mite por debajo del cual tiene lugar el equilibrio aut¶rquico en el que los agentes prescinden del sistema. Si bien este modelo a da cuenta satisfactoriamente de los mecanismos de coordinaci¶n que est¶n condicionados por amo a bos par¶metros, nada se agrega acerca de los procesos de coordinaci¶n que puedan tener lugar al a o comienzo de la evoluci¶n dando origen a ese tipo de par¶metros y determinando un valor particular o a de los mismos. En la presente secci¶n presentamos una modi¯caci¶n del modelo anterior para tener o o en cuenta este otro tipo de coordinaci¶n. o Un mecanismo de auto-organizaci¶n de la naturaleza que nos ocupa trae impl¶ o ³cito una din¶mica con dos escalas de tiempo caracter¶ a ³siticas. Una breve, que est¶ asociada a los mecaa nismos de adaptaci¶n propios de cada agente. La otra, m¶s prolongada (lenta) asociada con la o a determinaci¶n del comportamiento asint¶tico de la din¶mica colectiva. La din¶mica relacionada a o o a a esta constante de tiempo est¶ guiada por valores agregados que act¶an como referencia sobre el proa u ceso de auto-organizaci¶n. El modelo que hasta aqu¶ hemos considerado corresponde a una suerte o ³ de \aproximaci¶n adiab¶tica" en la que cada agente o grupo de agentes adapta frecuentemente o a sus estrategias a indicadores colectivos o valores agregados \fundamentales" que var¶ mucho m¶s ³an a lentamente y surgen a su vez del conjunto de las acciones de todos los agentes.

112

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Analizamos a continuaci¶n una situaci¶n en la que la fracci¶n S1 es dependiente del tiempo. o o o Sus posibles valores se determinan a partir de concurrencias previas y se basan en las expectativas que tengo el \due~o" del \Bar". n El caso que deseamos analizar ahora tambi¶n se trata de evaluar la concurrencia de parroe quianos a un local pero con la exigencia adicional que el valor de S1 quede enteramente determinado de manera autoconsistente siguiendo una evoluci¶n que dependa de la concurrencia de clientes al o local. Esta situaci¶n se la puede relacionar con un \bar" que ajusta el n¶mero de localidades. Cada o u \semana" el due~o debe ¯jar una cantidad disponible de ubicaciones y toma esa decisi¶n utilizando n o la informaci¶n de las concurrencias pasadas. Este tipo de esquemas de coordinaci¶n puede sin o o di¯cultad asimilarse a un contexto econ¶mico. o La primera pregunta que cabe hacerse es, si partiendo de condiciones iniciales al azar, el sistema se auto-organiza en torno a valores medios estables. Para que esto ocurra, los clientes deber¶ llegar a compartir la creencia de que no es conveniente que se supere una fracci¶n f de ³an o asistentes (esta fracci¶n es inicialmente desconocida por todos) y, a su vez, el due~o del local debe o n llegar a tener un grado razonable de certidumbre acerca del n¶mero de sillas que debe \alquilar" u para poner a disposici¶n del p¶blico. o u El siguiente problema a estudiar se relaciona con la estabilidad de los estados estacionarios auto-organizados que se pueden alcanzar. Al due~o de este nuevo bar puede surgirle accidentaln mente la oportunidad de ofrecer un nuevo espect¶culo atractivo o, todo lo contrario, puede padecer a la imprevista cancelaci¶n de alg¶n artista. Las comodidades que ponga a disposici¶n del p¶blico o u o u deben surgir tanto de sus propias expectativas acerca de la potencial asistencia, como de la concurrencia efectivamente veri¯cada anteriormente cuando se present¶ el espect¶culo por vez primera. o a La clientela por su parte modi¯ca sus planes de concurrencia teniendo en cuenta estos hechos. En este nuevo problema no se impone una creencia generalizada est¶tica sino que se supone a que la misma se determina auto-consistentemente por el comportamiento de toda la asistencia a lo largo de la evoluci¶n. El sistema puede modelizarse como en la secci¶n 4.2.1. El unico par¶metro o o ¶ a que gobierna la auto-organizaci¶n es el que corresponde en este caso a la nivel m¶ximo de asistencia o a soportada por los clientes. Entonces, se calcula la cantidad plazas puestas a disposici¶n de Nag o personas que con¯guran el p¶blico potencial para la t¡¶sima semana. Suponemos que su valor est¶ u e a determinado como una media pesada entre la disponibilidad de sitios S(t ¡ 1) y la concurrencia media Dav (t ¡ 1), ambos, registrados durante la \semana" anterior: S(t) = ¸S(t ¡ 1) + (1 ¡ ¸) Dav (t) Nag (2.63)

En esta ecuaci¶n 2.63 las unidades de t est¶n expresadas en \semanas" de Nd d¶ o a ³as. El par¶metro a ¸(0 · ¸) · 1 es arbitrario y tan s¶lo sirve para abarcar comportamientos con mayor o menor o \memoria" de lo acontecido en pasadas \semanas". Si se toma ¸ = 1, el valor de S(t) se torna independiente del tiempo, y se cae en la situaci¶n analizada en las secciones anteriores en que o su valor es ex¶geno e independiente de la din¶mica del sistema. El otro extremo corresponde a o a considerar ¸ = 0. En este caso el sistema se auto-organiza exclusivamente en base a valores de S(t) generados end¶genamente. La arquitectura con que posee este modelo es similar al de la o secci¶n anterior, el programa de concurrencias de cada agente se supone igualmente codi¯cado en o un \genoma". Para controlar la frecuencia con que los agentes adaptan sus estrategias supondremos que cada \d¶ una dada fracci¶n ª de la poblaci¶n, seleccionada al azar, actualiza su programa ³a" o o de concurrencia para los subsiguientes Nd d¶ Es decir que ª es la probabilidad de que un agente ³as. sea seleccionado para actualizar sus estrategias, por lo tanto 1=ª mide una suerte de tiempo medio de adaptaci¶n. Podemos introducir un \par¶metro de adiabaticidad" A = Nd ª. S¶ A ' 1 todo el o a ³ sistema actualiza sus estrategias durante el recorrido de los Nd \dias" de la semana. Un r¶gimen e de adaptaci¶n r¶pida corresponde a A > 1. o a La primera pregunta que nos podemos formular es si la auto-organizaci¶n que emerja ser¶ o a robusta. Este proceso es debido a una din¶mica en la cual los aciertos o errores de los agentes a

4.2. Mecanismos globales y locales de coordinaci¶n o

113

se traducen en bene¯cios o costos que dependen del tiempo que utilizan en explorar la din¶mica a alrededor del valor de referencia S1 (t). Si el valor absoluto del costo pagado por excederse es menor que el premio por explorar y acertar, el proceso dar¶ lugar a concurrencias medias que a tiendan a valores altos. A continuaci¶n mostramos el resultado de diversas simulaciones. Para o presentar situaciones no consideradas anteriormente, nos limitamos a mostrar resultados obtenidos con valores peque~os de ¸. n Un ejemplo de auto-organizaci¶n se muestra en las ¯guras 2.8 and 2.9. La diferencia entre o ambos experimentos es el valor de ª. El valor inicial de S1 (0) es el mismo en ambos casos y se ¯j¶ en un valor muy peque~o. La estrategia de concurrencia inicial es determinada al azar con una o n media de 0.5 . La adaptaci¶n inicial produce la caida de la asistencia que corresponde a la reacci¶n o o agregada de los agentes dado el peque~o valor de S1 (t). Cuando ª = 0:02 (¶ A = :2) la reacci¶n n o o inicial est¶ ausente. La auto-consistencia se alcanza aproximadamente cuando t ' 10 semanas en a ambos casos. El efecto del contagio se muestra en los gr¶¯cos inferiores que reproducen las mismas a caracter¶ ³sticas cualitativas mostrardas en la secci¶n anterior. o

Figura 2.8: Evoluci¶n con auto-consistencia, siguiendo la ecuaci¶n ?? con 400 agentes, pmut = :005;S1 (t = o o 0) = :1 y ¸ = 0:3. El premio por haber tomado la decisi¶n correcta es 10 veces mayor que el costo por o la equivocaci¶n. Cada d¶ el 20% de los agentes actualiza sus estrategias. Se produce una crisis ex¶gena o ³a o en el d¶ 400 (t = 40). El primer gr¶¯co (a) corresponde al caso sin contagio; el (b) con contagio; c) es el ³a a n¶ umero de agentes actuando de acuerdo con el campo local. N¶tese la recuperaci¶n gradual que opera, en u o o comparaci¶n con el modelo presentado en las secciones precedentes. A la derecha se amplican los primeros o per¶ ³odos de tiempo del proceso de auto-organizaci¶n. El efecto del contagio incrementa el ruido y produce o la caida abrupta de la concurrencia cuando S1 (0). Una segunda pregunta que podemos formularnos concierne a la estabilidad del estado asint¶tico que se alcanza frente a perturbaciones ex¶genas (al estilo de las crisis que se produc¶ en o o ³an la secci¶n anterior). Un \shock" ex¶geno negativo podr¶ corresponder a un \accidente" que fuerza o o ³a al bar a mantener por cierto tiempo sus puertas cerradas luego del cual reabre. Esta situaci¶n o se simula cambiando (ex¶genamente) el valor de S1 y manteni¶ndolo bajo durante cierto intervalo o e de tiempo m¶s all¶ del cual se admite su evoluci¶n de acuerdo a la ecuaci¶n 2.63 que motiva la a a o o evoluci¶n auto-consistente. Esto se muestra en las ¯guras entre t = 40 y t = 60. o El contagio juega el mismo rol que en el estudio de las corridas bancarias, otorgandole al sistema la posibilidad de que tenga lugar un crecimiento abrupto durante la transici¶n entre los o

114

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

dos reg¶ ³menes. Con valores altos de ª se pueden visualizar claramente las etapas de \latencia" y \p¶nico" subsecuente. Un resultado addicional interesante es que el per¶ a ³odo de recuperaci¶n o es gradual sin necesidad de incorporar suposiciones adicionales como debi¶ hacerse en la secci¶n o o anterior. La interpretaci¶n es, sin embargo, la misma: la recuperaci¶n gradual de la con¯anza de o o la capacidad de desempe~o del bar. La velocidad de recuperaci¶n est¶ gobernada por raz¶n entre n o a o el costo y el premio obtenido por error o acertar la decisi¶n y por la magnitud de la °uctuaci¶n. o o Cabe destacar tambi¶n, que cuando la adaptaci¶n es lenta, la transici¶n al estado de p¶nico es m¶s e o o a a abrupta. Lo que ocurre es que una nivel m¶s bajo de ª refuerza el efecto del contagio puesto que a en este caso el contagio es la unica posibilidad de adaptar la concurrencia en el corto plazo. ¶

Figura 2.9: Los par¶metros y las condiciones son las mismas que en la ¯gura precedente. La fracci¶n de a o agentes que actualizan sus estrategias cada per¶ ³odo de tiempo es, en este caso, 2 %. N¶tece que la crisis no o se percibe si el contagio es excluido excepto por un incremento en las °uctuaciones. En este caso, el contagio (gr¶¯co inferior) produce una brusca transici¶n. a o Un simple aproximaci¶n para entender la concurrencia asint¶tica es suponer que todos los o o agentes act¶an en forma aleatoria y deciden en forma independiente con una probabilidad que u depende del conciente: R = C+ =C¡ entre el costo por excederse y el bene¯cio de asistir cuando el nivel agregado es menor que el de referencia. Dada la probabilidad P (D) de una concurrencia D, la capacidad evoluciona seg¶n: u S1 (t + 1) = ¸S1 (t) + (1 ¡ ¸)P (D) Cuya soluci¶n es: o S1 (t) ' P (D) + e¡t=¿ (S1 (0) ¡ P (D)) (2.65) (2.64)

donde ¿ = ln(1=¸) mide el tiempo de relajaci¶n necesario para alcanzar un nivel de concurrencia o S1 = P (D). El efecto de los cambio en ¸ y el cociente R se muestran en la ¯gura 2.10 en la que se representa el valor asint¶tico de la capacidad: S1 como funci¶n de R y ¸ para una dado valor o o inicial S1 (0). El efecto de un incremento sobre el valor de ¸ es equivalente a considerar un v¶ ³nculo externo que fuerza al sistema a mantener la concurrencia inicial S1 (0) a pesar del valor de R.

4.2. Mecanismos globales y locales de coordinaci¶n o

115

Para peque~os valores de ¸, P (D) es similar a una funci¶n sigmoide en ln(R), teniendo un cambio n o abrupto cerca de R = 1. Adem¶s, en ese l¶ a ³mite, la funci¶n es independiente de la condici¶n inicial o o S1 (0) y el equilibrio s¶lo depende de R. El efecto del contagio produce un transici¶n m¶s abrupto o o a entre una concurrencia plena y una despreciable, poniendo de mani¯esto que el efecto de manada puede dar lugar a abruptos cambios de r¶gimen. e

Figura 2.10: Se gra¯ca S1 (el valor asint¶tico de la cota superior) como funci¶n del log (R) y ¸ sin o o (izquierda) y con (derecha) contagio. N¶tece el cambio de r¶gimen abrupto en R = 1. o e

4.2.5

Comentarios adicionales

El sistema que hemos considerado posee dos reg¶ ³menes estacionarios. Uno corresponde a estados en el que los agentes contribuyen a auto-sustentar la coordinaci¶n; el otro es, en cambio, el \equilibrio o aut¶rquico" en el cual cada agente se aisla y desiste de concurrir al \bar". Las reglas de adaptaci¶n a o y aprendizaje son capaces de describir la evoluci¶n del sistema en cualquiera de las dos situaciones o y tambi¶n la transici¶n entre ambos estados cuando se produce una se~al externa de alarma. No e o n es necesario efectuar suposiciones particulares sobre la conducta de los agentes antes o despu¶s e al momento en que se desencadena la crisis. Las reglas para la adaptaci¶n y el procesamiento o de la informaci¶n son las mismas antes y durante la crisis. Si bien el modelo posee dos tiempos o caracter¶ ³sticos (el \d¶ y la \semana") los procesos adaptativos dan lugar a reg¶ ³a" ³menes intermedios en los que ninguna de estos tiempos caracter¶ ³sticos prevalece. El estudio de la \crisis" permite por otra parte efectuar un an¶lisis de la e¯cacia y duraci¶n a o de los recursos de adaptaci¶n y aprendizaje de los agentes del sistema. Este punto es de particular o relevancia ya que en los estados estacionarios de equilibrio no se puede estudiar el transiente que ocurre cuando el sistema se auto-organiza. La crisis, teniendo sus propios tiempos de evoluci¶n, o somete al sistema a est¶ ³mulos brevemente espaciados que deben ser absorbidos y a los que los agentes se ven obligados a adaptarse. El an¶lisis de la \salida" de la crisis bancaria argentina a sugiere la utilidad de incorporar procesos de aprendizaje en m¶s de una escala de tiempo, y parece a indicar la importancia de las \memorias" de acontecimientos previos, que in°uyen en la respuesta ante impulsos.

116

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

4.2.6

El modelo de \El Farol" con estrategias mixtas

Sean los N = Nag y llamemos a m = S1 Nag el n¶mero de agentes que ocupan el bar bajo condiciones u m satisfactorias. El n¶mero de equilibrios de Nash con estrategias puras es CN o sea el n¶mero posible u u de formas de tomar m agentes de entre los N . Analicemos ahora el equilibrio con estrategias mixtas. Supongamos que ir al bar si el n¶mero de asistentes es menor que m o no ir si es mayor dan u el mismo premio ®.

Proposici¶n: Existe una unica estrategia mixta de equilibrio si todos los agentes eligen con la o ¶ misma probabilidad.
cumplirse una \condici¶n de indiferencia": o ®¢
m¡1 X i=0

Demostraci¶n: Sea p la probabilidad de asistir y (1 ¡ p) la de no asistir, en el equilibrio debe o
i CN¡1 pi (1 ¡ p)N¡1¡i = ® ¢ N¡1 X i=m i CN¡1 pi (1 ¡ p)N¡1¡i

(2.66)

Si sumamos ambos miembros obtenemos el agregado sobre todas las posibilidades, entonces la suma de uno:
N¡1 X i=0 i CN ¡1 pi (1 ¡ p)N¡1¡i = 1

(2.67)

Entonces, por 2.66 y 2.67, debe cumplirse:
m¡1 X i CN¡1 pi (1 ¡ p)N¡1¡i =

Llamemos a

(i) Se veri¯ca que: lim S(N; m; p) = 1 (2.69)

Pm¡1
i=0

i CN¡1 pi (1 ¡

i=0 N¡1¡i p)

1 2

(2.68)

= S(N; m; p) = 1 , y estudiemos su comportamiento: 2

p!0

en efecto, desarrollando la sumatoria tenemos: (N ¡ 1)!pm¡1 (1 ¡ p)N¡m (N ¡ m)!(m ¡ 1)!

S(N; m; p)

=

(1 ¡ p)N¡1 + (N ¡ 1)p(1 ¡ p)N¡2 + ¢ ¢ ¢ +

! 1 + 0 + ¢¢¢ + 0 (ii) Por otro lado: S(N; m; 1) = 0 (iv) La funci¶n S(N; m; p) es decreciente. o

m¡1 X X @S m¡1 i i = iCN¡1 pi¡1 (1 ¡ p)n¡1¡i ¡ (N ¡ 1 ¡ i)Cn¡1 pi (1 ¡ p)n¡2¡i = @p i=1 i=0

=

m¡1 X i=1

i¡1 CN¡2 pi¡1 (1 ¡ p)N¡1¡i ¡

= (N ¡ 1)

h m¡2 X
j=0

m¡1 X i=o

i (N ¡ 1)CN ¡2 (1 ¡ p)N¡2¡i = m¡1 X i CN¡2 pi (1 ¡ p)N¡2¡I =

j CN ¡2 pj (1 ¡ p)N¡2¡j ¡

¡(N ¡

i=0 m¡1 1)CN¡2 pm¡1 (1

i

¡ p)N¡m¡1 < 0

4.2. Mecanismos globales y locales de coordinaci¶n o entonces, como S(N; m; p) es continua y decreciente en (0; 1], la ecuaci¶n: o

117

1 (2.70) 2 por el teorema del valor medio debe haber una unica soluci¶n, es decir que existe un unico p ¶ o ¶ consistente con la \condici¶n de indiferencia". Suponiendo que todos los agentes actuan de la o misma manera habr¶ un s¶lo equilibrio dado por p a o S(N; m; p) =

118

Cap¶ ³tulo 4. Sistemas con agentes en interacci¶n: comportamientos emergentes o

Cap¶ ³tulo 5

Sistemas distribuidos y series temporales
Como se coment¶ en el cap¶ o ³tulo 2, los sistemas distribuidos o extendidos con agentes multiples est¶n a formados por un conjunto de aut¶matas acoplados capaces de procesar informaci¶n en paralelo. o o La forma m¶s general de representar esta din¶mica de procesamiento es mediante las llamadas a a redes booleanas o los aut¶matas celulares [194]. Estos son operadores l¶gicos elementales 1 que se o o encuentran ubicados en una red de nodos o sitios. La entradas de cada nodo dependen de los estados de los nodos vecinos. Las celdas pueden actualizar su estado de manera sincr¶nica o asincr¶nica. o o El procesamiento en paralelo de la informaci¶n supone pues, un alto grado de no-linealidad, que o puede dar lugar a comportamientos emergentes. Un ejemplo particularmente relevante es el modelo N K [114] propuesto por Stuart Kau®man 2 y utilizado para estudiar algunos procesos de autoorganizaci¶n en biolog¶ evolutiva, en evoluci¶n bi¶tica y prebi¶tica as¶ como en el estudio de los o ³a o o o ³ procesos de cambio tecnol¶gico [?]. Los nodos o celdas de un aut¶mata celular se interpretan de o o acuerdo al fen¶meno que se pretende describir. o

5.1

Aut¶matas Celulares y Mapas Acoplados o

Un aut¶mata celular [194] consiste en un arreglo discreto de nodos o celdas i situados en un espacio o d-dimensional, que operan con una regla de actualizaci¶n local Á de¯nida sobre una vecindad local o de \radio" r. El tiempo se toma como una variable discreta. En cada instante el estado de cada celda est¶ descripto por un car¶cter que toma valores de un alfabeto A de k s¶ a a ³mbolos, convencionalmente numerados por f0; : : : ; k ¡ 1g. El estado de la celda ubicada en el sitio i, en el instante t se denotan i¡r i+r i i por ¾t , y la funci¶n de actualizaci¶n se escribe como: ¾t+1 = Á(¾t ; : : : ; ¾t ). Pueden usarse o o condiciones de contorno peri¶dicas, abiertas o barreras absorbentes para poder describir sistemas o abiertos o disipativos. Cuando el espacio de estados no est¶ acotado por el alfabeto A y cada a aut¶mata admite un dominio de estados continuos, el sistema recibe el nombre de mapa acoplado. o El estado §t de un aut¶mata celular en el momento t es una con¯guraci¶n de todo el arreglo, es o o decir, §t 2 AN , donde N es el n¶mero total de nodos del aut¶mata celular. u o El tipo de sistemas que se desee modelar puede imponer la necesidad de incorporar alg¶n u tipo de principio de conservaci¶n local, como la materia, cantidad de movimiento, impulso anguo lar, carga, contenido de informaci¶n, recursos, etc. Todo principio de conservaci¶n local puede o o ser expresado en t¶rminos de una ecuaci¶n din¶mica. Las ecuaciones en diferencias sobre una red e o a discreta pueden ser trabajadas e implementarse usando aut¶matas celulares con reglas de actualo izaci¶n apropiadas. Una clase importante de ecuaciones diferenciales no lineales que corresponde a o interacciones locales superpuestas a fen¶menos de transporte son las de reacci¶n-difusi¶n. Es posio o o
1 2

Como por ejemplo las compuertas l¶gicas AND, OR, XOR, NOR, o los operadores matem¶ticos usuales. o a N se re¯ere al n¶mero de nodos, y K al n¶mero de entradas por nodo. u u

119

120

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

ble representar una ecuaci¶n de difusi¶n por medio de un aut¶mata celular probabil¶ o o o ³stico. En el ap¶ndice 5.1.2 mostramos c¶mo se representa la ecuaci¶n de difusi¶n en t¶rminos de un aut¶mata e o o o e o celular. Cabe recalcar la importancia de este ejemplo ya que la ecuaci¶n de difusi¶n simple da o o lugar al movimiento Browniano estandar (basado en la distribuci¶n gaussiana). En la secci¶n 5.3 o o estudiaremos el comportamiento estad¶ ³stico de algunos mercados cambiarios suponiendo que su evoluci¶n sigue un proceso estoc¶stico an¶malo. Una hip¶tesis que puede hacerse es que a trav¶s de o a o o e alg¶n tipo de aut¶mata celular ser¶ posible representar el proceso de intercambio que tiene lugar en u o a esos mercados. Por razones que se detallan m¶s adelante, es posible que los sistemas criticamente a auto-organizados puedan contribuir a esta representaci¶n (ver la secci¶n 5.2 y 5.3.5). o o Se han utilizado aut¶matas celulares en numerosas aplicaciones; un modelo famoso es el o \Juego de la Vida" de Conway implementado en 1970. Cada agente puede estar en uno de dos estados posibles: estar \vivo" o \muerto" y cambiar de estado de acuerdo a los estados de sus 8 vecinos (el arreglo consiste en un reticulado bidimensional). Un agente \vivo" permanece vivo si tiene 2 ¶ 3 vecinos vivos, si no se muere por \aislamiento" o por \congesti¶n". Un agente \muerto" o o se transforma en vivo s¶lamente si hay exactamente 4 vecinos vivos. Este famoso aut¶mata celular o o produce una enorme cantidad de patrones de evoluci¶n diferentes dependiendo de la con¯guraci¶n o o inicial, tales como ciclos estables, movimientos en ciertas direcciones, la posibilidad de generar nuevas estructuras organizadas, comportamientos ca¶ticos. Se ha podido demostrar que la din¶mica o a del \juego de la vida" puede representar el funcionamiento de una computadora universal (v¶ase e la secci¶n 3.4.2). Trabajos recientes han demostrado que los c¶mulos de actividad o \clusters" o u de este aut¶mata celular poseen una distribuci¶n potencial. Los aut¶matas celulares son tambi¶n o o o e muy usados para modelar la din¶mica de °uidos as¶ como para estudiar las propiedades magn¶ticas a ³ e y las transiciones de fase de muchos sistemas f¶ ³sicos (Modelo de Ising y \Spin Glasses" [5]). En otras ¶reas de aplicaci¶n han sido utiles para explicar el comportamiento del tr¶¯co urbano de a o ¶ a autom¶biles, la propagaci¶n de incendios forestales y de epidemias, la difusi¶n de informaci¶n y el o o o o lock-in de tecnolog¶ ³as. La teor¶ de la \percolaci¶n" [183] es tambi¶n particularmente interesante. Esta teor¶ de ³a o e ³a ocupa de estudiar las propiedades geom¶tricas de las redes celulares desordenadas. Supongamos e que se dispone de un reticulado bidimensional y que los sitios del mismo se ocupan con una probabilidad p o permanecen vac¶ con probabilidad (1 ¡ p). Las probabilidades pueden depender ³os de la vecindad. Entonces en el reticulado se formar¶n \clusters" o \islotes" de sitios ocupados a vecinos entre s¶ Existe una probabilidad cr¶ ³. ³tica pc para la cual se formar¶ un \cluster" de tama~o a n in¯nito. Esto signi¯ca que, en esa probabilidad cr¶ ³tica, una red de tama~o ¯nito tiene sus extremos n interconectados independientemente de su tama~o. En estas circunstancias se dice que la red ha n \percolado". Podemos interpretar al fen¶meno de percolaci¶n como un comportamiento emergente o o auto-organizado del sistema. Los modelos basados en la teor¶ de la percolaci¶n son muy usados ³a o para entender los fen¶menos de propagaci¶n, como por ejemplo en la simulaci¶n de incendios foreso o o tales o epidemias [176], la difusi¶n de tecnolog¶ la propagaci¶n de se~ales en un mercado [184], o ³as, o n etc. Otros casos interesantes basados en el paradigma de los aut¶matas celulares son los modelos o de criticalidad autoorganizada (o \modelo de la pila de arena") [20, 48, 21, 22]. Debido a su relevancia, veremos con m¶s detalle este tipo de modelos en la secci¶n 5.2 de este cap¶ a o ³tulo. Para ¯nalizar esta introducci¶n, es importante destacar que Wolfram [195] intent¶ realizar o o una clasi¯caci¶n de los aut¶matas celulares, sin embargo muchos de ellos dan lugar a patrones o o tan complejos que no es posible deducir propiedades anal¶ ³ticas. La desventaja principal de los aut¶matas celulares es que debido a la diversidad de conexiones entre agentes la estructura resulo tante es muy di¯cil de estudiar y analizar. Los aut¶matas celulares suelen estudiarse a trav¶s de o e las simulaciones computacionales.

5.1. Aut¶matas Celulares y Mapas Acoplados o

121

5.1.1

Modelos econ¶micos que utilizan aut¶matas celulares o o

Los modelos con agentes m¶ltiples en interacci¶n han comenzado a ser utilizados a partir de la u o d¶cada del '90 en virtud del incremento de la capacidad operacional de las computadoras que e permiten manejar gran cantidad de informaci¶n. En [42, 22, 27, 61, 62] se detallan ejemplos de o la aplicaci¶n de aut¶matas celulares para describir entornos econ¶micos. Autores como Sakoda o o o [167] o Schelling [173] han trabajado suponiendo que los estados de los agentes son ¯jos, pero introducen la din¶mica del aut¶mata celular a trav¶s de los movimientos de los mismos. Otros como a o e Axelrod [15, 17] y Nowak & May [139, 140] ponen a los agentes en posiciones ¯jas y permiten que ellos modi¯quen sus estados internos. Existen tambi¶n modelos en los que los agentes est¶n tanto e a posibilitados de moverse como de modi¯car sus estados internos [?, 62]. Un ejemplo particularmente importante es el llamado sugarscape construido por Joshua Epstein y Robert Axtell en 1996 [62]. En este modelo, los agentes se distribuyen en una grilla bidimensional. Cada sitio contiene una cantidad determinada de \azucar" (o unidad de recurso), los agentes est¶n dotados con diferentes a capacidades de detectar este recurso en sus vecindades y diferentes tasas de asimilaci¶n metab¶lica. o o Bas¶ndose en reglas ¯jas para los movimientos sobre la grilla, los agentes pueden migrar como una a respuesta a las oportunidades de conseguir m¶s azucar. Para estudiar los patrones de consumo en el a sistema, los autores tambi¶n agregan un segundo bien de consumo que llaman \spice" (o especias). e Se implementan reglas que permiten diferenciar a los agentes seg¶n sus tasas metab¶licas y reglas u o que favorecen los con°ictos intergrupales. Tomadas en conjunto, estas reglas permiten simular una variedad de fen¶menos socioecon¶micos. o o Sakoda [167] tambi¶n ha estudiado un aut¶mata celular donde las celdas pueden estar tanto e o vacias como ocupadas por agentes de dos tipos diferentes. Estos agentes se diferencian por sus actitudes frente a los dem¶s. Los agentes tienen la posibilidad de realizar peque~os pasos (al azar) hacia a n posiciones vacias donde las actitudes de los vecinos lo favorecen. Este autor considera diferentes combinaciones de actitudes e intenta explicar la raz¶n por la cual los grupos se mezclan o segregan o siguiendo ciertos patrones. Schelling [173] estudia un modelo donde dos tipos de jugadores \viven" en un espacio unidimensional. Los agentes de cada tipo pre¯eren vivir en una vecindad compuesta por agentes de su mismo tipo. Cada agente tiene aleatoriamente la oportunidad de moverse hacia un sector m¶s conveniente. El autor estudia condiciones de distribuci¶n iniciales diferentes y exa o plica por qu¶ aparece la segregaci¶n a trav¶s de un comportamiento individual \desorganizado", e o e sin necesidad de un \ordenador colectivo". Ambos autores suponen que los estados de los agentes permanecen ¯jos, en consecuencia la din¶mica viene dada por las \traves¶ a ³as" realizadas por los agentes a trav¶s de la \topolog¶ espacial" del modelo. e ³a Axelrod [15, 17] y Nowak y May [139, 140] analizaron modelos de aut¶matas celulares en o los que todos los nodos del sistema son ocupados por agentes dotados con distintas estrategias. Los agentes juegan sincr¶nicamente un \torneo" contra todos sus vecinos utilizando las reglas del o dilema del prisionero. Luego los jugadores copian las estrategias m¶s exitosas de sus vecinos. Este a proceso da lugar a la aparici¶n de patrones de estrategias diferentes que se propagan espacialmente. o Un aut¶mata celular en que tanto los agentes pueden cambiar de estado como de posici¶n o o fue propuesto por Hegselmann [?] y por Epstein [62]. En el primer caso se estudia un modelo donde los premios de jugar al dilema del prisionero dependen de la \clase de riesgo" de los oponentes. Los jugadores no pueden cambiar su \clase de riesgo", pero pueden elegir la estrategia y a veces la ubicaci¶n. El autor encontr¶ la convergencia a grupos o \clusters" de agentes que cooperan y a su o o vez pertenecen a las misma \clase de riesgo".

5.1.2

Ejemplo: simulaci¶n de un proceso de difusi¶n con un aut¶mata celular o o o

La difusi¶n es la manifestaci¶n a nivel macrosc¶pico que resulta de un proceso de paseo al azar (o o o o random walk) que tiene lugar en el nivel microsc¶pico (movimiento Browniano). o Es posible describir y explicar la representaci¶n macrosc¶scopica de una ecuaci¶n de dio o o fusi¶n por medio de un aut¶mata celular distribuido. Estudiemos la evoluci¶n microsc¶pica de o o o o

122

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

una \probabilidad" de ocupaci¶n de un sitio en una red uni-dimensional discreta, donde cada sitio o distribuye su probabilidad sobre sus vecinos m¶s cercanos en el instante siguiente. Esta din¶mica a a local puede describirse: 1 [P (xi¡1 ; tj¡1 ) + P (xi+1 ; tj¡1 )] (1.1) 2 Si restamos por P (xi ; tj¡1 ) en ambos lados, podemos construir la siguiente ecuaci¶n de diferencias. o P (xi ; tj ) = 1 [(P (xi+1 ; tj¡1 ) ¡ P (xi ; tj¡1 )) ¡ (P (xi ; tj¡1 ) ¡ P (xi¡1 ; tj¡1 )] 2
· ¸

P (xi ; tj ) ¡ P (xi ; tj¡1 ) =

(1.2)

Considerando a ¢x = xi+1 ¡ xi y ¢t = ti ¡ ti¡1 entonces: 1 ¢ ¢P ¢P = ¢t 2 ¢x ¢x

(1.3)

que en el l¶ ³mite ¢ ! @ da lugar a la ecuaci¶n de difusi¶n en una dimensi¶n, es decir: o o o @P @ 2P =D 2 @t @x (1.4)

donde la constante de difusi¶n D tiene unidades de Longitud2 tiempo¡1 y contiene al factor 1 en su o 2 de¯nici¶n. La soluci¶n anal¶ o o ³tica de esta ecuaci¶n de difusi¶n considerando que en t = 0 se cumple o o x = 0 es: P (x; t) = p 1 2 e¡x =Dt 4¼Dt (1.5)

que es la distribuci¶n de probabilidades de un movimiento Browniano simple. o La ecuaci¶n 1.4 es un caso particular de la ecuaci¶n general de difusi¶n: o o o @u(~ ; t) x ~ ~ x = r ¢ [k ru(~ ; t)] + F (~ ; t) x (1.6) @t Esta ecuaci¶n permite considerar un proceso de difusi¶n anisotr¶pico y no homog¶neo en o o o e un n¶mero arbitrario de dimensiones, dependiendo de la estructura de k = k(x! ; t). El t¶rmino F u e permite considerar la presencia de fuentes y sumideros de aquel elemento que difunde. Si k es constante, la ecuaci¶n resultante es lineal y se puede resolver con los m¶todos de la o e Transformada de Fourier o Laplace. Los procesos de difusi¶n an¶malos son casos en los que k no es o o constante y el sistema produce estados no homog¶neos que no puedan resolverse usando el principio e de superposici¶n, debido a la no linealidad inherente. Para tratar este tipo de procesos se deber¶ o ³a sondear en las caracter¶ ³sticas microsc¶picas del proceso difusivo. Los sistemas auto-organizados o cr¶ ³ticamente, que veremos a continuaci¶n, corresponden a estos casos. o

5.2

Criticalidad Auto-organizada y Ruido 1=f

Un hecho que se observa empiricamente en muchas series temporales econ¶micas es que su espectro o 3 decae lentamente a cero. Algunas series con estas propiedades son las correspondientes de potencia a los rendimientos de activos (v¶ase la secci¶n 5.3), el m¶dulo de rendimientos de activos ¯nancieros, e o o o \commodities" [186], as¶ como algunas series ligadas aindicadores macroecon¶micos como PBI, ³ o tasa de desempleo, producci¶n industrial per c¶pita[150, 84]. Este fen¶meno de persistencia en o a o bajas frecuencias es conocido como \ruido 1=f " y se presenta tambi¶n en una gran diversidad de e fen¶menos tales como la tasa de extinci¶n de especies en la evoluci¶n biol¶gica, el crecimiento o o o o
3 El espectro de potencia de una serie temporal se de¯ne simplemente como el cuadrado del modulo de su transformada de Fourier. Este resulta tambi¶n igual a la transformada de su funci¶n de autocorrelaci¶n. e o o

5.2. Criticalidad Auto-organizada y Ruido 1=f

123

de ciudades, la distribuci¶n de intensidad de terremotos, las °uctuaciones de intensidad luminosa o de quasares, el °ujo de tr¶nsito en autopistas, °uctuaciones en la altura de los r¶ a ³os. El espectro asociado a estas series temporales decae muy lentamente desde las bajas frecuencias siguiento una ley del tipo 1=f ® con ® del orden o levemente mayor que 1. En el l¶ ³mite en que ® = 2 se tiene un paseo al azar gaussiano y corresponde a distribuciones con varianza ¯nita. El \ruido 1=f " signi¯ca que existe una importante contribuci¶n de las bajas frecuencias en la descripci¶n del fen¶meno. o o o Las series naturales con estas caracter¶ ³sticas se presentan en sistemas \abiertos" esto es, en los que existe un continuo aporte exterior de materia, energ¶ o informaci¶n. Un mercado puede ³a o tambi¶n ser considerado como un sistema abierto en el que los aportes externos m¶s signi¯cativos e a son los recursos y la informaci¶n. No resultar¶ entonces sorprendente que la serie temporal de o ³a los precios re°eje el comportamiento de cualquier otro sistema de esta naturaleza y presente las persistencias se~aladas arriba. n Bachelier [66] ha arguido que las °uctuaciones en un mercado en que los agentes predicen el precio en la pr¶xima transacci¶n basados solamente en el precio presente, s¶lo pueden ser debidas o o o a la llegada de nueva informaci¶n. La serie temporal de los precios representar¶ un paseo al azar. o ³a Este argumento tolera un paralelismo f¶ ³sico: el precio de un bien en un mercado puede asemejarse con la posici¶n de una part¶ o ³cula (a lo largo de una dimensi¶n) en el seno de un medio viscoso, que o recibe bombardeos moleculares hacia uno u otro lado debido a la agitaci¶n t¶rmica. Las colisiones o e moleculares vendr¶ a representar las sucesivas ¶rdenes de compra o venta que hacen °uctuar el ³an o precio del activo. Para seguir con esta analog¶ conviene distinguir tres escalas (jerarqu¶ ³a, ³as) de tiempo que corresponden respectivamente a otros tantos fen¶menos f¶ o ³sicos. 1) Lapsos muy breves: Corresponde a una escala de tiempos menores o del orden del tiempo que dura cada colisi¶n. En la analog¶ econ¶mica, estos lapsos re°ejar¶ los que transcurren o ³a o ³an en la concertaci¶n de cada transacci¶n. o o 2) Lapsos intermedios: corresponden al tiempo durante el cual la velocidad de la part¶ ³cula relaja exponencialmente merced al amortiguamiento viscoso. El modelo din¶mico describe este a proceso mediante la ecuaci¶n de Langevin que expresa la ley de Newton como dv = ¡°v+L(t) o dt donde v representa la velocidad de la partcula, ° es la atenuaci¶n en el medio visocoso o y L(t) representa a las colisiones (instant¶neas). En la analog¶ econ¶mica estos lapsos a ³a o corresponder¶ al tiempo que tarda en difundirse y utilizarse la informaci¶n asociada a ³an o cada transacci¶n (por ejemplo: el precio pactado). o 3) Lapsos prolongados: abarcan una gran cantidad de procesos de relajamiento y dan lugar a una serie temporal que corresponde a un paseo al azar. El proceso f¶ ³sico asociado a esta escala de tiempo es el de la difusi¶n y puede describirse por la ecuaci¶n de Fokker - Planck u otras o o ecuaciones de difusi¶n m¶s sencillas como la ecuaci¶n de balance de Chapman - Kolmogorov. o a o En el an¶logo econ¶mico este proceso se asocia con la marcha de serie temporal del precio a o indicativo a lo largo de una o m¶s \ruedas" de mercado. Tanto en el proceso f¶ a ³sico como en el econ¶mico el paseo al azar puede presentarse superpuesto a tendencias o °uctuaciones o sistem¶ticas, determin¶ a ³sticas o no, de m¶s largo plazo. a Las operaciones de un mercado s¶lo pueden representarse por medio de esta met¶fora o a din¶mica si se supone que todas las transacciones se realizan de manera secuencial y que, adem¶s, a a la operaci¶n que se realiza en un dado momento est¶ \causalmente vinculada" con las anteriores, o a dicho ¶sto en el sentido que toda la informaci¶n producida por la anterior est¶ disponible para e o a la subsiguiente. Si se acepta esta met¶fora se est¶ suponiendo que el mercado deber¶ estar rea a ³a presentado por un unico par de agentes (un comprador y un vendedor), que realiza las sucesivas ¶ transacciones siguiendo los dictados de informaci¶n que les llega al azar (en este sentido el mercado o posee pocos \grados de libertad").

124

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

Las operaciones en un mercado, analizadas con una \resoluci¶n" temporal elevada (es decir, o en lapsos su¯cientemente breves) no cumplen con esas premisas. Dicho de otra manera, no se puede ignorar la \micro-organizaci¶n" del mercado. Dos agentes actuando en un mercado dado pueden o no saber con precisi¶n qu¶ otras transacciones se est¶n realizando en ese mismo momento y es o e a dable suponer que estos agentes pacten precios utilizando s¶lo la informaci¶n de las transacciones o o de que tienen informaci¶n, realizadas quiz¶ algunos minutos antes. El mercado debe pues supoo a nerse \extendido", o sea que en su seno pueden existir transacciones que no esten \causalmente vinculadas" entre s¶ en el sentido dado arriba a estos t¶rminos. Esta circunstancia permitir¶ for³ e ³a mular una met¶fora din¶mica algo m¶s compleja denominada como \criticalidad auto-organizada" a a a que atribuye el \ruido 1=f " precisamente a la condici¶n de poseer una \extensi¶n espacial" y un o o esquema de \vecindades" que permite restringir el v¶ ³nculo causal entre transacciones sucesivas. Si se supone, consistentemente con la jerarqu¶ de procesos sugerida m¶s arriba, que las ³a a escalas de tiempo propias de la deriva son mucho mayores que dos cotizaciones consecutivas (separadas por un intervalo ¢t), ¶sta puede suponerse cancelada si en lugar de la serie de tiempos de los e precios se toma la de las variaciones r¢t (t) = [p(t)¡p(t¡¢t)]=p(t¡¢t) = ¢p(t)=p(t). La ocurrencia de ruido 1=f en la serie r(t) signi¯ca que esa cancelaci¶n no es completa. Cuando esto ocurre las o series pueden ser consideradas como una generalizaci¶n del paseo al azar gaussiano. Corresponden o entonces a las distribuciones llamadas como \estables" que en general poseen un decaimiento m¶s a lento que el gaussiano presentando \colas" potenciales, con varianzas y otros momentos de m¶s alto a orden que son divergentes (v¶ase la secci¶n 5.3). Este tipo de paseos al azar no gaussianos tienen e o an¶logos din¶micos en procesos difusivos llamados \an¶malos" [35] que dan lugar a coe¯cientes de a a o difusi¶n inusualmente elevados que caracterizan a series con derivas persistentes. o Las distribuciones estables (la gaussiana es el caso particular de varianza ¯nita) poseen una invariancia en la escala de tiempos.4 : P¢t=n¿ (r) = n¡1=¯ P¢t=¿ (n¡(1=¯) r) (2.7)

La ecuaci¶n 2.7 signi¯ca que la probabilidad que se produzca una variaci¶n r en un intervalo o o de tiempo prolongado ¢t = n¿ est¶ directamente relacionada con la probabilidad de ocurrencia de a una variaci¶n n¡(1=¯) r en un intervalo m¶s reducido ¢t = ¿ . Esta propiedad hace posible reducir la o a estad¶ ca del comportamiento de una variable en diversas escalas temporales a una unica escala ³sti ¶ de referencia mediante el empleo de factores de escala adecuados. Esta misma invariancia aparece en series temporales de precios (S&P500) [133] y en el an¶lisis de ciertos procesos de crecimiento a de empresas [182]. En a~os recientes se ha elaborado un modelo de criticalidad auto-organizada que provee n una imagen de la din¶mica que subyace a los esquemas difusivos an¶malos. Se trata de un modelo a o de sistema abierto y \extendido". El mismo posee gran cantidad de componentes interactuantes y tiene una dimensi¶n que puede ser considerada \espacial" que nos permite de¯nir vecindades en las o que se mani¯estan in°uencias (o interacciones) mutuas entre las partes del tipo de las estudiadas en este cap¶ ³tulo. El modelo da lugar a la aparici¶n de ruido 1=f a partir de la superposici¶n o o de eventos con distintas vidas medias. En lugar de colisiones individuales la imagen es la de \avalanchas", que pueden ocurrir en distintas partes del sistema y mediante las cuales se disipa la \energ¶ acumulada. Las avalanchas afectan a una fracci¶n de los componentes y se disparan ³a" o por perturbaciones externas espor¶dicas. Surge del modelo que dichas avalanchas pueden afectar a a fracciones m¶s grandes o m¶s peque~as del sistema dependiendo del estado de los sucesivos a a n elementos que se ven alcanzados por la misma. Poseen en consecuencia distintas vidas medias que se distribuyen seg¶n una densidad de probabilidades que involucra { con una correspondiente baja u
En general una se~ al X(t) posee una invariancia de escala si X o su integral o su derivada es autoaf¶ o sea n ³n que X(t) es estad¶ ³sticamente id¶ntica a una transformaci¶n por contracci¶n temporal seguida por un cambio de su e o o intensidad. En ese caso existe un exponente ® tal que para todo h > 0, X(t) es estad¶ ³sticamente id¶ntica a h¡® X(ht). e Si t es una variable discreta, X(t) es asint¶ticamente escalable si existe una funci¶n L(h) tal que h¡® L¡1 (h)X(ht) o o tiende a un l¶ ³mite cuando h ! 1 [132].
4

5.2. Criticalidad Auto-organizada y Ruido 1=f

125

probabilidad{ vidas arbitrariamente largas. De este modo a¶n cuando el efecto de cada proceso u individual pueda dar lugar a un relajamiento exponencial ¶ste tiene lugar con diversas vidas medias e y su acci¶n concurrente puede dar lugar a los decaimientos m¶s lentos que se observan en la realidad. o a Es posible examinar con mayor detalle la met¶fora din¶mica de los sistemas que exhiben a a criticalidad auto-organizada. Dado que el sistema que se considera es abierto y extendido, los aportes externos se traducen en perturbaciones locales sobre cualquiera de las unidades. El modelo supone que la respuesta de cada unidad no es una funci¶n lineal del est¶mulo sino que se trata o ³ de un fen¶meno \todo o nada" (\stick-slip" o adherencia - deslizamiento): si la perturbaci¶n es o o su¯cientemente d¶bil la unidad afectada absorbe integramente dicha perturbaci¶n incrementando e o tan solo localmente la \energ¶ (o tensi¶n interna) acumulada por esa perturbaci¶n local, pero ³a" o o sin que suceda nada m¶s. Si, en cambio, la perturbaci¶n supera un umbral la unidad disipa la a o \energ¶ o tensi¶n" acumulada provocando perturbaciones sobre las dem¶s unidades vecinas a esta, ³a o a con las que interact¶a. Ellas a su vez pueden, siguiendo la misma ley, perturbar a otras dando u as¶ lugar a una \avalancha" cuya duraci¶n y dimensiones espaciales dependen del estado de las ³ o sucesivas unidades afectadas pudiendo inclusive alcanzar a cubrir todo el sistema. Con hip¶tesis o muy generales acerca del mecanismo de las mutuas perturbaciones resulta que la respuesta global del sistema a los est¶ ³mulos recibidos del exterior es auto-organizarse din¶micamente en un estado a cr¶ ³tico, permitiendo avalanchas cuya distribuci¶n obedece a una ley de potencias con lo que no o se puede atribuir a las mismas ni dimensiones espaciales ni temporales caracter¶ ³sticas5 . En el marco de este modelo las grandes \cat¶strofes" no requieren ninguna hip¶tesis especial referida a a o perturbaciones externas singulares, sino que se las puede suponer originadas a partir del mismo mecanismo que eventos menores. El modelo se formaliza mediante un aut¶mata celular que representa una idealizaci¶n de o o una \pila de arena". Los aportes externos son \granos de arena" que dan lugar a avalanchas como se muestra en la ¯gura 2.1. La pendiente de la pila de arena en la i-¶sima ubicaci¶n se representa e o por una variable discreta zi y se supone que cada sitio est¶ dispuesto en una grilla regular en la a cada uno posee nvec. primeros vecinos con los que interact¶a. En el caso en que la adici¶n de un u o nuevo grano mantenga el valor de zi por debajo del valor cr¶ ³tico z ¤ nada sucede. En el caso que la adici¶n de un nuevo grano haga que zi > z ¤ se inicia una avalancha en la que el valor de los o respectivos zj se alteran seg¶n [20]: u zi (t + 1) = zi (t) ¡ nvec. (2.8) (2.9)

zj2vec. (t + 1) = zj2vec. (t) + 1

La actualizaci¶n de todos los valores de zi en todos los sitios de la red se realiza de manera o 6 . La simulaci¶n num¶rica de estos sistemas da lugar a funciones de distribuci¶n de sincr¶nica o o e o la magnitud de los tama~os de las avalanchas y la duraci¶n las mismas que obedecen leyes de n o potencias, permitiendo dar descripciones satisfactorias de muchos de los fen¶menos mencionados al o 7 . El exponente de las mencionadas leyes depende s¶lo de propiedades estructurales del comienzo o sistema tales como del n¶mero de vecinos (la dimensionalidad de la grilla que ocupan los elementos u del sistema), del grado de violaci¶n de la conservaci¶n de los \granos de arena" en el momento o o de la descarga, pero no de caracter¶ ³sticas del sistema tales como el tipo de interacci¶n que existe o
5 Se puede decir que una funci¶n posee una magnitud caracter¶ o ³stica en alguna de sus variables, digamos x cuando la funci¶n es proporcional a e¡x=» siendo » la valor caracter¶ o ³stico de la variable x, m¶s all¶ del cual la funci¶n se a a o despreciable. En general » surge a partir de la estructura de la funci¶n de correlaci¶n espacial de los componentes o o del sistema. Contrariamente, dicha funci¶n no posee un valor caracter¶ o ³stico en una de sus variables x cuando es proporcional a x¡´ . Este tipo de ley de potencias hace que la funci¶n sea libre de escalas bien de¯nidas sobre esa o variable x, por lo cual tiene lugar cierto grado de autosimilaridad. 6 La evoluci¶n descripta por la ecuaci¶n corresponde a al caso en que z ¤ = nvec. . Versiones \no conservativas" o o analizan la posibilidad que zj2vec. (t + 1) < zj2vec. (t) + 1. 7 El ¶xito m¶s signi¯cativo de esta teor¶ ha sido la descripci¶n de la ley de Gutemberg { Richter que da la e a ³a o distribuci¶n emp¶ o ³rica de sismos seg¶n la energ¶ liberada en cada uno [20]. u ³a

126

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

Figura 2.1: Modelo esquem¶tico de una \pila de arena unidimensional". Cada \sitio" de la pila a corresponde a una celda sobre el eje horizontal y cada cuadradito representa un \grano" de arena. En esta ejemplo esquem¶tico, la pila tiene una barrera absorbente a la derecha. Se representa el a agregado de un grano en la segunda columna y se supone que as¶ se excede el valor critico. Las ³ sucesivas ¯guras a la derecha muestran el progreso de la \avalancha" que se genera de ese modo.. entre vecinos (v¶ase la secci¶n 5.3.5). Notese que a medida que el sistema es forzado por los aportes e o externos, su evoluci¶n temporal presenta un importante quiebre de la ergodicidad: Cualesquiera sea o la condici¶n inicial que se elija, el sistema termina visitando un subespacio muy reducido de todo o el espacio de las fases. Ese subespacio corresponde a aquellos estados que satisfacen la condici¶n o que todos los sitios de la red poseen la \pendiente" cr¶ ³tica. Diversos autores que han aplicado estos conceptos en la econom¶ argumentan que las in³a variancias de escala de las series temporales econ¶micas y el ruido 1=f son una evidencia que los o mercados se auto-organizan cr¶ ³ticamente mediante una din¶mica de avalanchas (o, digamos \casa cadas informacionales"). Se han realizado an¶lisis de mercados estilizados y reales. Los modelos a han sido construidos suponiendo que los agentes est¶n distribuidos \espacialmente" de manera rea gular y cada uno comercia s¶lo con sus \vecinos" [48, 21, 22]. De estos estudios surge que peque~as o n perturbaciones independientes no se cancelan mutuamente sino que pueden dar lugar a movimientos globales del mercado. Los autores encuentran que estas oscilaciones se amortiguan con el aumento de las dimensiones (esto es, el n¶mero de agentes) del \mercado" dando lugar a un r¶gimen de u e estricta criticalidad auto-organizada en el l¶ ³mite de mercados in¯nitos con in¯nitos agentes. Las °uctuaciones pueden ser interpretadas como \ciclos econ¶micos" cortos. o Un an¶lisis de datos emp¶ a ³ricos se realiz¶ utilizando [125] el ¶ o ³ndice Dow Jones. Estos estudios no son tan concluyentes, pues advierten que grandes °uctuaciones (e.g. la crisis de 1930) deben ser exclu¶ ³das de la estad¶ ³stica dando a entender que se trata de fen¶menos de una naturaleza diversa. o Luego presentaremos algunos an¶lisis aplicados a mercados cambiarios poniendo de maa ni¯esto la estabilidad de las distribuciones estad¶ ³sticas de los rendimientos. Para comparar con el modelo de criticalidad auto-organizada se debe enfrentar el problema de trasladar al contexto econ¶mico el concepto de \avalancha". Wentian Li [125] considera que la dimensi¶n \espacial" de o o la avalancha (que a su vez representar¶ el n¶mero de agentes afectados o la \energ¶ disipada" por ³a u ³a el sistema ante una perturbaci¶n local) es el valor de los rendimientos en cada momento. Se limita o en consecuencia a efectuar un an¶lisis estad¶ a ³stico, de la correspondiente serie temporal se obteniene

5.2. Criticalidad Auto-organizada y Ruido 1=f

127

una ley de potencias. Otro v¶ ³nculo entre la auto-organizaci¶n cr¶ o ³tica y las invariancias de escala es mediante la distribuci¶n de las vidas medias de las \avalanchas". Una alternativa al an¶lisis de Wentian Li o a ser¶ argÄir que la \duraci¶n" de un proceso de relajamiento debido a muchos deslizamientos es ³a u o el tiempo que tarda el precio en retomar su valor inicial. En el lenguaje de los paseos al azar esta es la probabilidad de retono al origen al cabo de un dado intervalo T . Para un paseo al azar que corresponde a lo que se denomina como vuelo de L¶vy esa probabilidad obedece una ley de e potencias (v¶ase la secci¶n 5.3.3) cuyo exponente corresponde al de la ecuaci¶n 2.7 : e o o PT (r = 0) = ¡(1=¯) » T ¡1=¯ 1=¯ ¼¯ T (2.10)

Esta ley de potencias indica que no existe una duraci¶n caracter¶ o ³stica y, tal como lo requiere el mecanismo de critricalidad auto-organizada, se ven involucradas todas las posibles escalas de tiempo. Los autores del modelo de criticalidad auto-organizada arguyen que la ley 2.10 necesariamente implica que la serie temporal debe presentar ruido 1=f . Para ello comienzan por postular que cada evento individual que \libera" una cantidad total A de \energ¶ en toda su vida presenta ³a" una funci¶n de autocorrelaci¶n que decrece exponencialmente c(t) = (A=T )e¡t=T . Si se supone o o que todos los eventos poseen la misma intensidad inicial, debe suceder que A » T con lo que S(f; A) = A=(1 + 4¼ 2 f 2 T 2 ) » T =(1 + 4¼ 2 f 2 T 2 ). El espectro de potencias de una serie producida por la superposici¶n independiente y concurrente de eventos de diversas vidas medias T (y distintas o intensidades A) debe expresarse como:
Z Z

S(f ) = »

Z 1=f

P (T )S(f; A)dT »

P (T )T dT 1 + 4¼f 2 T 2

(2.11) (2.12)

P (T )T dT » f 2¡1=¯

En la expresi¶n 2.12 el t¶rmino (1 + 4¼f 2 T 2 )¡1 que corresponde a la transformada de Fourier de un o e unico evento c(t) es tomado simplemente como un corte para altas frecuencias que permite rede¯nir ¶ el limite superior de la integral. Nos hemos limitado a mostrar que existe un v¶ ³nculo entre distribuciones estables y la criticalidad auto-organizada. Este an¶lisis en un contexto econ¶mico requiere un estudio m¶s profundo, a o a que excede el objetivo del presente trabajo. Lo mismo debe decirse acerca de la met¶fora de la a criticalidad auto-organizada para interpretar el ruido 1=f . Es obvio que est¶ lejos de las pretena siones de esta interpretaci¶n a¯rmar que todos los mercados est¶n auto-organizados cr¶ o a ³ticamente. Es por ejemplo interesante destacar que, a¶n mercados que pueden auto-organizarse cr¶ u ³ticamente (o equivalentemente dar lugar a distribuciones estables), pueden presentar reg¶ ³menes \patol¶gicos" en o los que dicha auto-organizaci¶n se \quiebra". Esto puede darse cuando las perturbaciones externas o no son ya m¶s espor¶dicas y peque~as sino que se tornan intensas y/o imprevisibles. En el lenguaje a a n de la criticalidad auto-organizada esta situaci¶n corresponde a multiplicar la frecuencia o aumentar o la amplitud de las perturbaciones externas. En este caso no es m¶s posible desagregar el proceso a en tres niveles jer¶rquicos de tiempos tal como se explica arriba y no puede hablarse ya m¶s de a a \paseo al azar". Como las perturbaciones externas son intensas y frecuentes la informaci¶n no se o llega a homogeneizar entre los agentes. Si el mercado es \extenso" puede, en estas circunstancias, segmentarse en subsistemas d¶bilmente vinculados y las distintas partes del mismo evolucionan ine dependientemente. Una situaci¶n de este tipo puede presentar en mercados en un r¶gimen de alta o e tasa de in°aci¶n. Distintas transacciones realizadas por dos agentes diferentes pueden no compartir o la misma informaci¶n acerca de la (muy r¶pida) variaci¶n del tipo de cambio. Mercados como ¶stos o a o e distan de estar auto-organizados cr¶ ³ticamente, y no presentan la propiedad de autosemejanza 2.7 dando lugar a un quiebre de la invariancia de escala (v¶ase la secci¶n 5.3.4). e o

128

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

La met¶fora de la auto-organizaci¶n cr¶ a o ³tica posee algunos elementos atractivos. Entre ¶stos e se puede anotar que es un modelo que re°eja carcter¶ ³sticas globales del sistema independiz¶ndose a de sus detalles tales como la frecuencia relativa de eventos peque~os y grandes o los mecanismos n microsc¶picos de interacci¶n en tanto ¶stos sean del tipo \todo o nada". El sistema adem¶s se o o e a auto-organiza din¶micamente. Esto signi¯ca que la propia evoluci¶n del sistema lo lleva a visitar a o una porci¶n muy espec¶ o ³¯ca y reducida de su espacio de fases sin que haya que imponer v¶ ³nculo alguno para evitar que la abandone. Esto sucede sin que medien par¶metros de control externos a que deban tomar valores particulares \sintoniz¶ndose" con la din¶mica del sistema para que tal a a organizaci¶n tenga efectivamente lugar. o En el costado negativo se debe mencionar que admitir plenamente este mecanismo de autoorganizaci¶n cr¶ o ³tica no s¶lo quita toda heterogeneidad en la poblaci¶n de agentes econ¶micos sino o o o que los limita a un comportamiento entermente determinista, ajustado a una ley estructural inmutable de la cual no pueden substraterse. Este hecho niega, por supuesto, toda plasticidad en la conducta de agentes tanto a nivel individual como social, descartando todo el efecto que la formaci¶n de expectativas puede producir en el mercado. Otro punto objetable es la negaci¶n de o o toda posibilidad en el cambio de sus reglas como resultado del aprendizaje derivado de pasadas experiencias.

5.3

Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

Introducci¶n o Hemos ya comentado que las propiedades din¶micas de largo alcance de muchos sistemas naturales a dependen de la evoluci¶n de gran n¶mero de subsistemas acoplados por interacciones locales entre o u ellos. Estos sistemas extensos suelen exhibir comportamientos libres de escala, lo que implica que tiene lugar la preservaci¶n de alg¶n tipo de simetr¶ a trav¶s de los variados ¶rdenes de magnitud o u ³a e o sobre los cuales estos sistemas evolucionan. Ya observamos que esta invariancia de escala se pone de mani¯esto cuando alg¶n observable sigue una ley potencial. Exploramos a continuaci¶n la u o posibilidad de que este tipo de comportamiento, libre de escala, tenga lugar tambi¶n en los sistemas e econ¶micos, especialmente cuando se trata de un sistema sometido a precisas reglas de interacci¶n o o 8. como ocurre con los mercados ¯nancieros Para ello, se estudian algunas propiedades estad¶ ³sticas de los mercados de divisas. Existen variados modelos de distribuciones de probabilidad que buscan describir el comportamiento estad¶ ³stico de la evoluci¶n de los precios de este tipo de mercados. Aqu¶ nos basaremos en el o ³ supuesto, de que dicha evoluci¶n est¶ gobernada por las denominadas distribuciones estables. Eso a tas distribuciones se ponen de mani¯esto cuando el proceso estoc¶stico involucrado es un \vuelo a de L¶vy". La utilizaci¶n de este modelo de distribuciones ser¶ justi¯cado a partir de los datos e o a emp¶ ³ricos. Estas distribuciones poseen algunas propiedades interesantes, como la autosimilaridad de la serie temporal que describe el fen¶meno. En t¶rminos f¶ o e ³sicos los procesos estoc¶sticos tienen su a origen en alg¶n tipo de proceso de difusi¶n. Los \vuelos de L¶vy" se corresponden con los procesos u o e denominados como de difusi¶n an¶mala. Los p¶rametros estad¶ o o a ³sticos que se obtienen del an¶lisis a de los mismos se relacionan con la \microestructura" de estos sistemas. En el presente trabajo se realiza un an¶lisis exploratorio dirigido a estudiar las propiedades estad¶ a ³sticas de diversos mercados cambiarios; entre ellos, el de la moneda argentina entre 1970 y 1991.
La teor¶ de los sistemas din¶micos sugiere que las °uctuaciones observadas en la econom¶ pueden ser estudiadas ³a a ³a con modelos de baja dimensionalidad (pocos grados de libertad). Sin embargo, a¶ n no existe un teorema general u por que cual un sistema complejo de muchos grados de libertad pueda reducirse a uno de unos pocos. Si bien los modelos no lineales pueden producir espectros de frecuencia que corresponden a se~ales no peri¶dicas, no son capaces n o de reproducir los espectros altamente correlacionados como los observados en los sistemas reales [21].
8

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

129

5.3.1

Mercados ¯nancieros y paseos al azar

Muchos de los an¶lisis de los mercados ¯nancieros se han basado en el supuesto, di¯cil de comprobar, a de que los mercados ¯nancieros son \e¯cientes". Se puede de¯nir a un mercado como \e¯ciente" cuando sus precios re°ejan de manera apropiada toda la informaci¶n disponible hasta el instante en o que este es determinado. Un mercado opera bajo condiciones de e¯ciencia cuando la informaci¶n se o descuenta en forma instant¶nea (v¶ase Fama, 1970 [66]). La hip¶tesis de e¯ciencia lleva impl¶ a e o ³cita la idea de que no es posible de¯nir reglas de transacci¶n que brinden ganancias esperadas no nulas. o Sin embargo, seg¶n el mercado que se analice, es m¶s o menos evidente que existir¶n fricciones que u a a nos llevan a concluir que estos no pueden ser considerados como estr¶ ³ctamente e¯cientes. Bajo la hip¶tesis de e¯ciencia la adquisici¶n de informaci¶n no brindar¶ a un operador del mercado ninguna o o o a ventaja comparativa. No obstante, en los mercados real el valor de la informaci¶n depende de su dispersi¶n y o o de la extensi¶n que estos mercados posean, por lo tanto la decisi¶n de qu¶ informaci¶n adquirir o o e o depender¶ pues, de la idea que cada agente tenga acerca de la e¯ciencia del mismo. El principal a impedimento que tiene este enfoque es que el grado de e¯ciencia de un mercado real resulta muy dif¶ por no decir imposible de determinar . Desde el punto de vista de Grossman y Stiglitz, 1980 ³cil, [86] la hip¶tesis de los mercados e¯cientes es una idealizaci¶n que es econ¶micamente irreal, sin o o o embargo, puede servir como una marco de referencia util para entender el comportamiento de los ¶ mismos. Una manera directa de conocer el grado de e¯ciencia de un mercado ser¶ a trav¶s de la ³a e observaci¶n minuciosa del proceso de decisiones individuales involucrado en la formaci¶n del precio o o frente a la llegada de nueva informaci¶n. Puede suponerse que los mercados deben su volatilidad o a la heterogeneidad de los mecanismos de decisi¶n que utilizan los agentes del mercado. De todos o modos, parece claro que los operadores ¯nancieros incorporan en sus decisiones la informaci¶n de o f¶cil acceso y procesamiento. Una de las conjeturas b¶sicas en buena parte de la literatura es que a a los precios responden al \principio fundamental" del que se apoya Bachelier (1900) para sugerir que los mercados ¯nancieros est¶n gobernados por procesos estoc¶sticos caracterizados por un paseo a a al azar (\random walk"). Toda la formulaci¶n de su teor¶ se sostiene sobre la idea de que los o ³a rendimientos est¶n normalmente distribuidos. a Para que el movimiento de los precios de un activo ¯nanciero siga un paseo al azar, las transacciones realizadas deber¶ ser consistentes con lo que se denomina un \fair game", en el ³an cual la ganancia esperada de un especulador deber¶ ser id¶nticamente nula. Un proceso v¶lido ³a e a para recrear la situaci¶n que tiene lugar en un \fair game", bas¶ndonos en el principio fundameno a tal de Bachelier, es una \martingala". Una \martingala" se de¯ne por el proceso estad¶ ³stico que gobierna al precio pt seg¶n el cual: E(pt+1 =It ) = pt , donde E(pt+1 =It ) es el valor esperado del u precio en t + 1 dada la informaci¶n disponible en t. Entonces, la \mejor" predicci¶n del precio de o o ma~ana, es simplemente el precio de hoy, donde el t¶rmino \mejor" se re¯ere a aquella predicci¶n n e o que minimiza el error cuadr¶tico medio de la predicci¶n. Una importante consecuencia de esto, es a o que los cambios en precios de los activos no est¶n correlacionados, lo cual implica que no es posible a realizar predicciones sobre la base de alg¶n predictor de los precios futuros basado en la secuencia u de los pasados. Si el rendimiento, de¯nido como rt+1 = pt+1 ¡ pt = pt+1 ¡ E(pt+1 =It ) es un \fair game", entonces debe cumplirse que E(rt+1 =It ) = 0 (en general se trabaja con el logaritmo del precio para que el c¶lculo de los rendimientos se haga en t¶rminos relativos). Esto signi¯ca que a e si un grupo de compradores (o vendedores) piensa que el precio es bajo (o alto) sus compras lo har¶n subir (o bajar). La expectativa del precio de ma~ana dado el de hoy es el precio de hoy. a n En este mundo, el unico cambio de precio posible es resultado del arribo de nueva informaci¶n ¶ o entonces, el cambio de precios per¶ ³odo a per¶ ³odo ser¶ aleatorio y estad¶ ³a ³sticamente independiente, de manera consistente con la llegada - aleatoria - de informaci¶n. En estas circunstancias es dable o suponer que los rendimientos de un per¶ ³odo son variables aleatorias independientes. Si se considera que no han tenido lugar, durante el per¶ ³odo de an¶lisis, cambios de r¶gimen que modi¯quen a e sustancialmente la estructura del mercado, se puede considerar adicionalmente que estas variables

130

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

aleatorias est¶n id¶nticamente distribuidas. Se tiene entonces: E(rt+1 =It ) = E(rt+1 ). Los modelos a e basados en la hip¶tesis de paseo al azar suponen adicionalmente, por razones operativas, que toda o la distribuci¶n es independiente de la informaci¶n disponible It y que ¶sta es adem¶s estacionaria. o o e a Entonces f (rt+1 =It ) = f (rt+1 ) con la misma funci¶n de distribuci¶n para todo t; lo cual no nos o o indica que la informaci¶n pasada no tiene valor. Como la distribuci¶n de los rendimientos se preo o supone estacionaria, los rendimientos pasados son la mejor fuente de informaci¶n para conocerla, o sin embargo, ¶stos no producen ninguna consecuencia sobre la futura evoluci¶n de los mismos. e o Se puede a¯rmar que la combinaci¶n de las propiedades que se originan a partir de la o suposici¶n de que la evoluci¶n de los mercados ¯nancieros es consistente con los paseos al azar y, o o por otro lado, el tratamiento de los ajustes basados en el an¶lisis de riesgo, ha dado importantes a resultados, especialmente en el estudio de la ¯jaci¶n de los precios de opciones ¯nancieras. Es por o esta raz¶n que se pone de mani¯esto la importancia de estudiar las propiedades de las funciones o de distribuci¶n que originan los rendimientos en estos mercados. Muchos modelos de formaci¶n de o o precios de activos de capital dependen del conocimiento estas distribuciones. En general, se suele suponer que el proceso estoc¶stico es un movimiento Browniano, por lo que est¶ guiado por una a a distribuci¶n normal 9 . En lo que sigue veremos que este tipo de distribuciones no se corresponde con o la que se mani¯esta en las observaciones de los datos, y que las distribuciones que gu¶ al proceso ³an generador de rendimientos se asemeja, en una variedad de casos, a una distribuci¶n denominada o como \L¶vy - Estable", que se relaciona con los procesos estoc¶sticos llamados \vuelos de L¶vy". e a e

5.3.2

Distribuciones estables y vuelos de L¶vy: Propiedades e

Caracterizaci¶n o Supongamos un proceso estoc¶stico caracterizado por un paseo al azar (\random walk"), unidia mensional, cuyo saltos son independientes e id¶nticamente distribuidos con una probabilidad p(x). e Una pregunta que puede formularse, es cu¶ndo la probabilidad Pn (x) de que el paseo haya arribado a a la posici¶n x luego de n pasos (x = x1 + ¢ ¢ ¢ + xn ) es la misma que la p(x) a menos de un factor o de escala?, en otras palabras, puede existir una p(x) que produzca un proceso estoc¶stico con una a trayectoria autosimilar?. La respuesta es a¯rmativa [120, 35]: si p(x) es una distribuci¶n normal o con media ¹ y varianza ¾, tambi¶n Pn (x) ser¶ normal con media ¹n = n¹ y varianza ¾n = n¾. Sin e a embargo, a principio de siglo, L¶vy, 1937 [124] demostr¶ que ¶ste es tan s¶lo un caso particular y e o e o que existen otras soluciones que admiten trayetorias auto-similares. La distribuci¶n de la suma de variables aleatorias independientes es la convoluci¶n de sus o o distribuciones: Pn (x) =
Z +1
¡1

Pn¡m (x ¡ x0 )Pm (x0 )dx0

0·m·n

(3.13)

Como la transformada de Fourier del producto de convoluci¶n es el producto de las transo formadas, la funci¶n caracter¶ o ³stica asociadas a Pn (x) satisface: Pn (k) = Pn¡m (k) ¢ Pm (k) con P (k) =
Z +1
¡1

eikx P (x)dx

(3.14)

Donde k es la variable conjugada asociada. L¶vy encuentra que la soluci¶n general de esta ecuaci¶n e o o 10 : tiene la forma
En su forma m¶s estricta, la hip¶tesis de paseo al azar supone que los rendimientos se distribuyen de manera a o independiente y est¶n identicamente distribuidos. Una versi¶n no tan restrictiva permite que la historia del proceso a o pueda in°uenciar sobre las estrategias de inversi¶n, pero descarta que sea posible utilizar e¯cientemente t¶cnicas o o e reglas de predicci¶n determin¶ o ³sticas (lineales o no lineales). Finalmente, la versi¶n menos restritiva supone que no es o posible utilizar t¶cnicas de predicci¶n lineales, como el an¶lisis de regresi¶n. e o a o 10 La expresi¶n m¶s general de la funci¶n caracter¶ o a o ³stica de una distribuci¶n L¶vy - Estable es: o e Pn (k) = ei¹k¡njkj
¯ (1+i®

9

sgn

(k)w(jkj;¯))

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

131

Pn (k) = e¡njkj

¯

(3.15)

Las distribuciones con este tipo funciones caracter¶ ³sticas se denominan distribuciones L¶vy Estables e y corresponde a un proceso estoc¶stico llamado como vuelo de L¶vy. a e Propiedades de los Vuelos de L¶vy e 1) Por de¯nici¶n, la funci¶n de distribuci¶n de probabilidades es o o o Pn (x) = 1 2¼
Z +1
¡1

e¡njkj e¡ikx dk

¯

(3.16)

2) Para toda funci¶n caracter¶ o ³stica, si se desarrolla la exponencial en series de potencias, se demuestra que el momento de orden q de la distribuci¶n vale: o
Z +1
¡1

p(k) = = )

eikx p(x)dx =

q=0

1 X (ik)q Z +1 xq p(x)dx =

Z +1 X q q q 1 i k x
¡1 q=0 1 X

q!

p(x)dx

q!

¡1

(iq)q < xq > q! q=0 j = 0; 1; 2; ¢ ¢ ¢

< xq >= (¡1)q

@ (q) p(k) jk=0 @kq

En el caso de las distribuciones estables, como Pn (k) = pn (k) y p(k = 0) = 1 entonces vale R +1 que < xq (n) >= n < xq > donde < xq >= ¡1 xq p(x)dx son los momentos de orden q de la distribuci¶n. Es por lo tanto posible calcular todos los momentos de la distribuci¶n de la o o suma de variables por medio de las derivadas sucesivas de la funci¶n caracter¶ o ³stica asociada a la distribuci¶n de una sola variable. o 3) Usando la desigualdad triangular, se demuestra que jp(k)j · p(k = 0) = 1: jp(k)j = j
Z +1
¡1

eikx p(x)dxj · =
Z +1
¡1

Z +1
¡1

jeikx jp(x)dx

p(x)dx = 1 ´ p(k = 0)

Tengamos en cuenta que estudiar p(k) para valores cercanos al origen es an¶logo a estudiar a la funci¶n de distribuci¶n para x ) 1. o o 4) La varianza, puede calcularse a partir de derivada segunda de p(k) en el origen, pero esta es ¯nita s¶lo si ¯ = 2 que corresponde a la distribuci¶n normal. Usando la propiedad 2) resulta o o evidente que cuando ¯ < 2 la varianza es in¯nita. Esto signi¯ca que los saltos del paseo al azar no poseen un tama~o caracter¶ n ³stico. Esta propiedad, denominada en la termodin¶mica a estad¶ ³stica como una invariancia de escala, es di¯cil de corroborar a partir de datos emp¶ ³ricos pues en la pr¶ctica las muestras son de tama~o ¯nito y siempre es posible encontrar un a n
p donde i = ¡1, y w(jkj; ¯) = tg (¼¯=2) si ¯ 61 , y w(jkj; ¯) = (¼=2)ln jkj ,si ¯ = 1. Se debe cumplir ¯ 2 (0; 2] = y ® 2 [¡1; 1]. El par¶metro ¯ es el exponente caracter¶ a ³stico de la distribuci¶n que se asocia a la forma de su cola; o cuando m¶s peque~o sea su valor, m¶s aguzada ser¶ la distribuci¶n. Los momentos de orden mayor que ¯ no existen. a n a a o El par¶metro ® mide el grado de asimetr¶ de la distribuci¶n, de manera tal que si es negativo la distribuci¶n se a ³a o o tuerce hacia la derecha, si es positivo, hacia la izquierda y si vale cero la distribuci¶n es sime trica respecto del valor o de la media ¹.

132

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales estimador de la varianza de la muestra. Usando series temporales ¯nitas, los momentos asociados se ven afectados principalmente por el centro de las distribuciones y no por sus colas con lo cual es dif¶ descartar alternativas. ³cil

5) Si una distribuci¶n es estable su \cola", o sea su comportamiento asint¶tico para jxj ! 1 ¶ o o o similarmente para jkj ¼ 0, tiene un comportamiento potencial. En efecto, el comportamiento asint¶tico de Pn (x) es: o

Pn (x) = 1 ¼ ¼jxj
Z +1
0

exp

¡1 Ã ! ¯ jvj¯ ¡n¢t

1 2¼

Z +1

e¡nj¢tkj e¡ikx dk = 1 cos(v)dv = ¼jxj

¯

¼¡

n¢t¯ ¼jxj¯+1

Z +1
0

jxj¯

Z +1 Ã
0

1 ¼

Z +1
0

e¡n¢t

¯ jkj¯

jvj¯ cos(v)dv = ¡

n¢t¯ lim ¼jxj¯+1 ²!0

n¢t¯ jvj¯ 1¡ jxj¯
Z +1
0

!

cos(kx)dk ¼ cos(v)dv ¼

e¡²v jvj¯ cos(v)dv =
µ

= ¡(1 + ¯) sin

¼¯ n¢t¯ 2 ¼·rtxj¯+1 e

donde ¢t representa la unidad de tiempo de los n pasa; la funci¶n gamma ¡(z) es: o

¡(z) =

Z +1
0

uz¡1 e¡u du,

con z > 0,

De la ecuaci¶n anterior surge por lo tanto que Pn (x) ¼ jxj¡(¯+1) para x ! 1 o Ejemplo

(k ! 0)

Un ejemplo de distribuci¶n estable es la distribuci¶n de Cauchy, que corresponde al caso ¯ = 1. o o Hemos visto esta distribuci¶n en relaci¶n con el espectro de potencia de eventos cuya funci¶n de o o o autocorrelaci¶n decae exponencialmente en el tiempo. En este caso la funci¶n caracter¶ o o ³stica es Pn (k)e¡njkj con lo que la densidad de probabilidad es: Pn (x) = 1 1 x ¼n 1 + ( n )2 (3.17)

Esta distribuci¶n no posee varianza ¯nita. Es f¶cil comprobar que posee una invariancia de escala o a Pn (x) = 1 x P1 ( ) n n (3.18)

El paseo al azar asociado cuyos saltos son una variable aleatoria cuya distribuci¶n es estable o y que no corresponde a la distribuci¶n normal se denomina \vuelo de L¶vy". La densidad de o e probabilidad del observable correspondiente posee una ley de potencias. El par¶metro de \scaling" a o exponente cr¶ ³tico (¯) corresponde a la \rugosidad" de la funci¶n. Cuando ¯ = 2 y corresponde o al caso Gaussiano. El espectro de potencia de estas series tambi¶n sigue una ley de potencias en el e 2 l¶ ³mite de muy bajas frecuencias (S(f ) / 1=f ´ con ´ = ¯ + 1). La dimensi¶n fractal de Hausdor® o 1 de la serie temporal correspondiente es: Df = 2 ¡ ¯ [132].

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

133

5.3.3

Distribuciones Estables en Mercados Cambiarios

Realizamos a continuaci¶n el estudio la evoluci¶n del tipo de cambio de la Libra Esterlina contra o o el D¶lar Americano. Se observa que su evoluci¶n puede ser descripto como un proceso estoc¶stico o o a caracterizado por un vuelo de L¶vy sim¶trico. Este estudio es considerado como un caso testigo e e para luego contrastarlo con los resultados obtenidos partiendo datos tomados del mercado cambiario argentino (Peso - D¶lar), que exhibe singulares caracter¶ o ³sticas que luego ser¶n explicadas. a La serie de datos est¶ formada por el tipo de cambio diario al cierre y corresponde al per¶ a ³odo comprendido entre el 1ro. de junio de 1973 y el 21 de mayo de 1987, conformando un total de 3511 datos. Se utiliza como variable descriptiva al rendimiento calculado para distintos intervalos de tiempo ¢t, es decir: r¢t (t) = p(t) ¡ p(t ¡ ¢t) p(t ¡ ¢t) (3.19)

donde p(t) es el valor del tipo de cambio al cierre en t . Para caracterizar cuantitativamente a los datos emp¶ ³ricos, se determina primeramente la probabilidad P (r¢t ) de los retornos para diferentes intervalos de tiempo (s¶lo gra¯camos 1, 2, 8 y 32 d¶ o ³as). Un estudio estad¶ ³stico m¶s minucioso a deber¶ usar datos en intervalos no superpuestos, pero debido a la escasez de dato emp¶ ³a ³rico esto no resulta posible. No obstante, se ha comprobado que no es posible advertir diferencias en los exponentes cr¶ ³ticos obtenidos con intervalos superpuestos o no. En la ¯gura 3.3 se muestra el gr¶¯co de P (r) utilizando los 4 valores distintos de ¢t . Se ha buscado que los ¢t elegidos est¶n a e aproximadamente equi-espaciados logar¶ ³tmicamente. Como se puede observar, las distribuciones son visiblemente sim¶tricas y sus colas obviamente se despliegan cada vez m¶s al crecer el intervalo e a ¢t. El exponente caracter¶ ³stico (¯) de la distribuci¶n estable se estim¶ a partir de la probabilidad o o de retorno al origen P (r¢t = 0) expresada como funci¶n de ¢t [133]. Esta probabilidad se puede o estimar num¶ricamente de la serie temporal eligiendo cada valor de ¢t y computando la frecuencia e con que el valor de r¢t cae dentro de un intervalo su¯cientemente peque~o alrededor de 0. Obtenida n esta probabilidad como funci¶n de ¢t se deduce la correspondiente ley de potencias. En efecto, si o se parte de la de¯nici¶n de la distribuci¶n estable: o o 1 +1 ¡n¢tjkj¯ ¡ikr Pn (r; ¢t) = e e dk 2¼ ¡1 Z 1 +1 ¡n¢tjkj¯ e cos(kr)dk = ¼ ¡1 y se realiza un cambio de variables (u = n¢tjkj¯ ), es f¶cil demostrar que: a 1 Pn (0; ¢t) = ¼
Z +1
¡1

Z

(3.20) (3.21)

e¡n¢tjkj dk =

¯

¡(1=¯) ¼¯(n¢t)1=¯

(3.22)

Esta ley de potencias permite calcular directamente el exponente caracter¶ ³stico de la distribuci¶n estable que mejor se adec¶a al proceso que generan los datos del mercado. Este valor se o u ve afectado solamente por la ¯nitud del conjunto de datos disponibles. En la ¯gura 3.4 mostramos P (r¢t = 0) como funci¶n de ¢t, en una escala log-log. Estos datos pueden ajustarse con una o recta cuya pendiente es - 0,604. Hasta los primeros 50 valores de ¢t el ajuste da un coe¯ciente de correlaci¶n de 0.988. Para intervalos mayores, y debido a lo reducido de la muestra se produce el o apartamiento de esta ley potencial. La pendiente que resulta corresponde con un comportamiento no gaussiano y por lo tanto la varianza de la distribuci¶n deber¶ ser te¶ricamente in¯nita. Como o ³a o hemos comentado anteriormente, desde el punto de vista muestral no es posible comprobar si la varianza de la distribuci¶n es in¯nita ya que la muestra es de tama~o ¯nito (3511 datos). En o n estos casos, los momentos asociados a la distribuci¶n se ven afectados por los valores que °uct¶an o u alrededor del centro de las distribuciones y no por sus colas.

134

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

Figura 3.2: Evoluci¶n de la variaci¶n relativa de la Libra Esterilina en relaci¶n al D¶lar Americano o o o o

Figura 3.3: P (r) para 4 valores de ¢t La raz¶n por la que se utiliz¶ la probabilidad de retorno al origen como base para calcular o o el exponente caracter¶ ³stico (¯) se debe a que si calculamos te¶ricamente esta probabilidad, como o funci¶n de ¢t obtenemos la ley de potencias que se muestra en la ¯gura 3.4. La ley de potencias o que se obtiene (ecuaci¶n 3.22) nos permite calcular el exponente cr¶ o ³tico de la distribuci¶n estable o que mejor se adecua al proceso que generan los datos del mercado. Otra forma de calcular este exponente es usando la propiedad 5) pero el conjunto de datos es insu¯ciente para estudiar el comportamiento de la distribuci¶n lejos del origen. o Una vez calculado el exponente (¯) se puede comprobar que las distintas distribuciones mostradas en la ¯gura 3.3 son similares a menos de un factor de escala 11 . Esto signi¯ca, como se dijo, que el proceso estoc¶stico subyacente es invariante frente a dilataciones de la escala temporal. a Para veri¯car esta propiedad, se expresan todas las distribuciones en t¶rminos de las variables e
Hemos visto que una se~al de ruido x(t) admite una invariancia de escala si x por s¶ misma o su integral o n ³ su derivada es auto-af¶ Esto signi¯ca que x(t) es estad¶ ³n. ³sticamente id¶ntica a una transformaci¶n por contracci¶n e o o temporal seguida de un cambio de intensidad. Entonces debe existir un exponente ® tal que para todo h > 0, x(t) es estad¶ ³sticamente id¶ntica a h¡® x(ht). En general, si t es una variable discreta, x(t) es asint¶ticamente escalable si e o existe una funci¶n L(h) tal que h¡® L¡1 (h)x(ht) tiende a un l¶ o ³mite cuando h ! 1.
11

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

135

Figura 3.4: P (r¢t = 0) como funci¶n de ¢t o

\escaladas" rs y Pn;s (rs ; ¢t) mediante la siguientes transformaciones: r (¢t)1=¯ Pn (r; ¢t) (¢t)¡1=¯

rs =

y

Pn;s (rs ; ¢t) =

(3.23)

En la ¯gura 3.5 se observa que, salvo eventos de gran amplitud (que son estad¶ ³sticamente improbables), las distribuciones re-escaladas quedan perfectamente superpuestas en una unica dis¶ tribuci¶n. Esto valida la tesis de la auto-similaridad temporal de la din¶mica de los mercados. o a Esta propiedad nos brinda la evidencia de que las °ucutaciones de este tipo de mercado no poseen ni amplitudes ni duraciones privilegiadas o caracter¶ ³sticas. Dicho en otras palabras, no existe un valor m¶s probable para el alejamiento del precio de sus valores medios ni tampoco es de esperar a que dichos alejamientos sucedan con una dada periodicidad o que sus excursiones de alejamiento de la media tengan una duraci¶n m¶s probable. Salvo las consideraciones generales de la critio a calidad auto-organizada, no existen hasta el momento hip¶tesis de trabajo razonables sobre las o razones \microsc¶picas" sobre las que se asienta esta propiedad de invariancia. Una posibilidad es o que se la pueda atribuir a la heterogeneidad de las expectativas de los agentes que intervienen en el mercado. Otra hip¶tesis que se ha explorado en la literatura es suponer que existe una cierta o probabilidad que agentes a¯nes coordinen sus acciones de manera de actuar conjuntamente dando lugar de esa manera a °uctuaciones de gran amplitud que son responsables de las \colas largas" de la distribuci¶n. o Para mostrarse que estos resultados son robustos se realizaron similares c¶lculos con otros a mercados cambiarios y burs¶tiles. En la Tabla No. 1 se muestran los exponentes cr¶ a ³ticos que hemos obtenido junto con algunos otros que se han publicado.

136

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

Figura 3.5: Ps (rs ) como funci¶n de rs para los ¢t usados o Mercado L.E. - D.A. Y.J. - D.A. D.C. - D.A. M.A. - D.A. F.S - D.A. L.E. - D.A. (1) Y.J. - D.A. (1) F.S. - D.A. (1) M.A. - D.A. (1) ORO - D.A. (1) Dow Jones S & P 500 (2) IBM (2) AMPCO (2) DAX (3) Per¶ ³odo - # Datos 6/73-5/87 - 3511 6/73-5/87 - 3511 6/73-5/87 - 3511 6/73-5/87 - 3511 6/73-5/87 - 3511 6/73 - 6/87 - 1174941 6/73 - 6/87 - 1477992 6/73 - 6/87 -1214901 6/73 - 6/87 -2409086 6/73 - 6/87 - 652194 1/00-6/93 - 25770 7/62-12/95 - 8431 7/62-12/95 - 8431 7/62-12/95 - 8431 11/86-9/92 - 1452 Exponente ¯ 0.60 §0:02 0.59 §0:02 0.59 §0:02 0.651 §0:03 0.60 §0:02 0.581 §0:004 0.591 §0:003 0.594 §0:004 0.591 §0:004 0.580 §0:004 0.583 §0:007 0.588 §? 0.561 §? 0.621 §? 0.54 §0:08 Coef. Correl. ½ 0.988 0.981 0.983 0.997 0.989 0.976 -

L.E.: Libra Esterlina, D.A.: D¶lar Americano, Y.J.: Yen japon¶s, o e D.C.: D¶lar canadiense, M.A.: Marco Alem¶n, F.S.: Franco suizo. o a DAX: ¶ ³ndice de 30 acciones del Mercado Burs¶til de Frankfurt. a (1) Tomado de MÄller et al, 1990 [146], datos intradiarios (\tick by tick"), se utiliza otra metodolog¶ para realizar u ³a el c¶lculo. a (2) Tomado de Lo, 1998 [126], se utiliza otra metodolog¶ para realizar el c¶lculo. ³a a (3) Tomado de Evertsz y Berkner, 1995 [65], se utiliza otra metodolog¶ para realizar el c¶lculo. ³a a

Tabla No. 1 5.3.4 Ruptura de la Invariancia de estala: El Mercado Cambiario Argentino

Cuando un mercado cambiario est¶ sesgado por un proceso in°acionario persistente, como ocurri¶ en a o nuestro pa¶ durante las d¶cadas del setenta al noventa, se produce all¶ una ruptura de la invariancia ³s e ³ de escala temporal, que, como hemos visto, caracteriza a un mercado con la caracter¶ ³stica de que evoluciona \establemente" y sobre el que no ha operado un persistente proceso de alta in°aci¶n. o Se utiliz¶ la serie temporal del tipo de cambio argentino (Peso - D¶lar), desde el 2 de agosto o o de 1971 al 30 de noviembre de 1992 (en la Tabla No. 2, se muestran las fechas correspondientes). Se

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

137

homogeneiz¶ la serie usando alternativamente el tipo de cambio paralelo, libre o ¯nanciero, seg¶n el o u per¶ ³odo, como se muestra en la Tabla No. 2. Por otro lado se eliminaron los datos correspondientes a los per¶ ³odos de tipo de cambio ¯jo. Con esta poda, la serie posee 3690 datos.

Paralelo Libre Financiero

2/8/71-30/12/75;4/1/82-9/10/87;(19/5/89-14/12/89) (7/1/76-17/6/81);15/10/87-18/5/89;15/12/89-30/11/92 18/6/81-23/12/81

Tabla No. 2

Figura 3.6: Evoluci¶n de la variaci¶n relativa de la moneda argentina en relaci¶n al ¶lar Americano o o o o (Observese la magnitud de los grandes eventos). La ¯gura 3.6 representa la evoluci¶n del rendimiento diario de la moneda argentina en o relaci¶n al d¶lar americano. En la ¯gura 3.7 se muestra la misma densidad de probabilidad mostrada o o en la ¯gura 3.3 para diversos valores de ¢t. Esta distribuci¶n no es sim¶trica ya que durante los o e largos per¶ ³odos de alta in°aci¶n un aumento en el tipo de cambio es mucho m¶s probable que o a ocurra una disminuci¶n en el mismo. Al igual que en el caso anterior las colas de las distribuciones o se abren al crecer el valor de ¢t . En la ¯gura 3.8 mostramos el cambio de la probabilidad de retorno al origen P (r = 0) como funci¶n de ¢t, en una escala log-log. Se observa que aqu¶ se produce un quiebre del comportamiento o ³ potencial como ocurr¶ en el caso anterior. Esta probabilidad tiene una tendencia lineal dada para ³a valores de ¢t entre 1 y 6 d¶ en que la pendiente resulta ser de - 0.455, y otra para valores mayores ³as, cuando la pendiente resulta ser de - 0.796. En ambos casos se obtiene un coe¯ciente de correlaci¶n o de 0.997. Un \vuelo de L¶vy" cuya pendiente es superior a 0.5 supone la existencia de importantes e persistencias sobre la tendencia de crecimiento de la serie temporal. En este caso, si la evoluci¶n o es creciente en el instante t hay una probabilidad signi¯cativa que lo siga siendo en un momento posterior t + ² y por lo tanto los espectros de Fourier son altamente correlacionados (ruido 1=f ). Lo contrario ocurre para el caso en que la pendiente resulte menor que 0.5. En estas circunstancias la ruptura de la invariancia de escala que se produce, determina dos tipos de comportamientos seg¶n u el tipo de intervalo de tiempo considerado en el an¶lisis de los datos. Quedan de¯nidas dos regiones a con dos escalas de tiempo diferentes, una para ¢t0 s menores a los 6 d¶ en el que la probabilidad ³as, de fuertes variaciones es muy baja y otra regi¶n en que la probabilidad de que haya rendimientos o nulos disminuye muy abruptamente.

138

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

Figura 3.7: P (r) como funci¶n de r para los ¢t usados o

Figura 3.8: P (r = 0) como funci¶n de ¢t o En las ¯guras 3.9 y 3.10 se gra¯can las distribuciones luego de realizado el \scaling", pero utilizando las dos pendientes seg¶n el ¢t que corresponda a cada caso. u Puesto que el escalado realizado es diferente en cada caso, la forma de las distribuciones escaleadas lo ser¶ tambi¶n seg¶n el exponente cr¶ a e u ³tico utilizado. Como se ha dicho, esto evidencia un comportamiento din¶mico diferente seg¶n el intervalo de tiempo sobre el cual se calcula el a u rendimiento.

5.3.5

Ruido 1=f y Criticalidad Auto-organizada

Los sistemas extendidos pueden presentarse en diversas \fases". Cada una de ellas corresponde a un ordenamiento interno particular entre los constituyentes del sistema. En sistemas termodin¶micos, a por ejemplo, se suelen identi¯car las fases l¶ ³quida, s¶lida y gaseosa o las fases ferromagn¶tica, suo e per°uida o superconductora, seg¶n qu¶ propiedades y sustancias se estudien. Se suele decir que un u e sistema se halla en un estado cr¶ ³tico cuando se encuentra cerca de una transici¶n de fase. Cuando o el sistema se aproxima a un punto cr¶ ³tico, cambia la distancia de correlaci¶n de sus componentes, o produci¶ndose ordenamientos parciales del sistema en porciones o \clusters" sin un tama~o carace n

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

139

Figura 3.9: Ps (rs ) como funci¶n de rs , primer caso o ter¶ ³stico. Desde el punto de vista espacial, el sistema posee en el punto cr¶ ³tico una invariancia de 12 . escala El comportamiento del sistema en las vecindades de un punto cr¶ ³tico no se ve afectado por los detalles locales de su estructura. Por esta raz¶n se han podido agrupar sistemas muy diversos o con comportamientos semejantes en amplias clases de universalidad. Cada una se diferencia por elementos muy fundamentales y gen¶ricos [110] del sistema, tales como el alcance de las interacciones e entre sus componentes, la dimensionalidad y grupo de simetr¶ de su estructura, etc.. ³a Los sistemas extensos pueden suponerse gobernados por un conjunto de par¶metros de cona trol. Cuando ¶stos toman determinados valores, el sistema puede ser llevado a un punto cr¶ e ³tico. En termodin¶mica, el p¶rametro de control por excelencia es la temperatura, y su valor cr¶ a a ³tico puede, por ejemplo, ser el valor en que una muestra de material se congela o se equilibran sus fases l¶ ³quida s¶lida y gaseosa. La cr¶ o ³ticalidad auto-organizados corresponde a una propiedad din¶mica a mediante la cual el sistema se ubica en un estado con todas las propiedades de invariancia de escala que se mencionaron arriba sin necesidad de la \sintonizar" ning¶n par¶metro de control u a (externo) en valores particulares. Para modelar un sistema cr¶ ³ticamente autoorganizado se emplea una estrategia constructiva como las empleadas en esta tesis, es decir, simulando su evoluci¶n meo diante una din¶mica de¯nida a partir de las interacciones entre sus componentes. Oportunamente a se~alamos que puede considerarse que todo observable asociado a la evoluci¶n de un sistema cuyo n o espectro obedezca una ley de potencias (semejante al ruido 1=f ) est¶ cr¶ a ³ticamente auto-organizado (secci¶n 5.2). De esta interpretaci¶n se deducir¶ que toda distribuci¶n estable de L¶vy revela que o o ³a o e la din¶mica del sistema se autoorganiza en una sucesi¶n de eventos (\avalanchas") sin duraciones a o o dimensiones caracter¶ ³sticas. En lo que sigue analizamos las °uctuaciones del precio de la cotizaci¶n del Franco Suizo o contra el D¶lar de EEUU tomada de una serie temporal \tick by tick", esto es, operaci¶n por o o operaci¶n en el mercado electr¶nico a lo largo de todo el tiempo de la rueda de operaciones y o o cubriendo el per¶ ³odo comprendido desde el 20 de mayo de 1985 y el 12 de abril de 1991. La serie conforma un total de 329.112 datos. Para encuadrar esta serie en el leguaje de las \avalanchas" se supone que cada °uctuaci¶n del precio: ¢p=p corresponde a la ocurrencia de un evento. o En la ¯gura 3.11 se representa la distribuci¶n de los tama~os de las \avalancha" del mercado o n computando la cantidad N de eventos de una magnitud r = ¢p=p como funci¶n de r. El gr¶¯co o a muestra una ley de potencias de pendiente 2:76 que se extiende por m¶s de dos d¶cadas en el eje a e
12

V¶ase la secci¶n 4.1 del cap¶ e o ³tulo 4.

140

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

Figura 3.10: Ps (rs ) como funci¶n de rs , segundo caso o horizontal. En la ¯gura 3.12 se gra¯ca el espectro de potencias (o sea, el m¶dulo al cuadrado de o los coe¯cientes de la Transformada R¶pida de Fourier - FFT) P (f ) de esta serie temporal. En este a caso el ruido 1=f ° posee un exponente ° = 1:66. Esta pendiente no corresponde al ruido gaussiano que es el que suelen considerarse en los modelos usuales de selecci¶n de portafolios de inversi¶n, ya o o que el caso gaussiano corresponde a una pendiente del espectro de potencias con un valor de 2.

Figura 3.11: Distribuci¶n de las variaciones relativas de los precios entre dos operaciones sucesivas. o

5.3.6

Algunos comentarios de esta secci¶n o

Existe una interdependencia muy estrecha entre la variabilidad del comportamiento de un sistema, y la °exibilidad con que se modi¯can las decisiones como producto de los procesos de aprendizaje que desarrollan los agentes en el mismo. En Haugen et al (1991) [89], a partir del an¶lisis emp¶ a ³rico, se sugiere que buena parte de los movimientos de precios en los mercados ¯nancieros no parecen asociarse con la observaci¶n de informaci¶n relevante sino con la existencia de creencias muchas o o

5.3. Estudios estad¶ ³sticos: ruido 1=f , Distribuciones Estables y \Vuelos de L¶vy" e

141

Figura 3.12: Transformada de Fourier de la serie temporal correspondiente al precio promedio por hora del mercado. veces inconsistentes con los datos \fundamentales" de la econom¶ y con la aparici¶n progresiva de ³a o conductas de imitaci¶n. Este punto de vista, basado en una met¶fora \ecol¶gica", es consistente o a o con la existencia de agentes heterog¶neos que conocen adecuadamente sus nichos pero no pueden e capturar el comportamiento del mercado en su totalidad. Cuanto mayor sea la extensi¶n de un o mercado, mejores ser¶n las condiciones sobre las cuales se desarrolla y ampl¶ esa diversidad de a ³a estrategias que, en t¶rminos termodin¶micos, a su vez, \termalizan" la evoluci¶n de sus precios, e a o atenuando la posibildad de que se produzcan grandes °uctuaciones. Esta diversidad se mani¯esta en las m¶ltiples escalas temporales con que operan los transactores de un mercado y en los diversos u mecanismos de formaci¶n de expectativas. o En los modelos de formaci¶n de precios de activos de capital convencionales (CAPM) toda o diferencia en los horizontes sobre los cuales los agentes optimizan, en las frecuencias de transacci¶n o o en los v¶ ³nculos se dejan de lado. Sin embargo, se ha visto aqu¶ que no hay escalas de tiempo ³ privilegiadas en estos mercados. Es algo as¶ como si hubiera una sucesi¶n incesante de estados ³ o din¶micos que producen un comportamiento emergente complejo que se pone de mani¯esto en la a invariancia de escala. En la secci¶n en la que se analiza el mercado de la Libra Esterlina contra el D¶lar Americano o o se mostraron valores de exponentes caracter¶ ³sticos calculados sobre otros mercados cambiarios y ¯nancieros y, en algunos casos, utilizando otras metodolog¶ para el c¶lculo de ¯ (v¶ase la Tabla ³as a e No.1). La similitud que existe entre los valores que se resumen en la tabla, por un lado nos sorprende y, por el otro, nos plantea la pregunta sobre el origen de esta regularidad emp¶ ³rica. Por lo general, cada mercado posee un arreglo institucional determinado, que lo diferencia de los dem¶s, ya sea por a las reglas de la operatoria o por la composici¶n de los agentes que en ellos operan. Sin embargo, en o t¶rminos estad¶ e ³sticos, la din¶mica que subyace es la misma, ya que si suponemos que la evoluci¶n a o puede ser descripta por un proceso estoc¶stico caracterizado por un vuelo de L¶vy, las propiedades a e de este paseo al azar son las mismas para todos los casos, y en diferentes instantes de tiempo, puesto que el exponente cr¶ ³tico, determinante del tipo de evoluci¶n, es el mismo en todos los casos. o Esta a¯rmaci¶n pareciera dar lugar a una suerte de \super-ley" que gobierna la din¶mica de los o a mercados independientemente de las caracter¶ ³sticas de cada caso particular. La posibilidad de que exista o no este tipo de \super-ley" es un tema que parece merecer una discusi¶n m¶s amplia en o a futuras investigaciones. De todos modos, la presencia de un proceso in°acionario persistente produce una anomal¶ ³a que se pone de mani¯esto a trav¶s de la ruptura de la invariancia de escala temporal. Esta diferencia e

142

Cap¶ ³tulo 5. Sistemas distribuidos y series temporales

en el comportamiento respecto de los mercados que funcionan en contextos estables nos sugiere que esa \super-ley", de existir, tiene validez limitada. En este sentido, m¶s que pensar en la posibilidad a de que exista una ley general que rige el funcionamiento de los mercados, ser¶ m¶s util suponer ³a a ¶ que los mercados son sistemas din¶micos que pueden agruparse en \clases de universalidad". Este a es un concepto que surge de la Termodin¶mica Estad¶ a ³stica y parte de la idea de que sistemas de muy distinta ¶ ³ndole poseen caracter¶ ³sticas similares cuando alcanzan un punto cr¶ ³tico cercano a una transici¶n de fase. La \hip¶tesis de universalidad" a¯rma que todos los fen¶menos cr¶ o o o ³ticos 13 , es decir, todos los procesos que transcurren cerca de una transici¶n de fase, pueden ser divididos o en \clases" diferenciadas por la dimensionalidad del sistema y por el grupo de simetr¶ de los ³a par¶metros de orden. En cada \clase de universalidad", las propiedades cr¶ a ³ticas de los sistemas que la componen, son id¶nticas o, al menos, son una funci¶n continua de unos pocos par¶metros e o a [110]. Si los mercados desarrollan su din¶mica cerca de un estado cr¶ a ³tico cabe preguntarse cu¶l es a el par¶metro de control que los lleva invariablemente a ese punto. Durante los ultimos a~os se ha a ¶ n barajado la hip¶tesis de que muchos sistema naturales se auto-organizan cerca de un punto cr¶ o ³tico sin mediar par¶metros de control que los conduzcan a ese estado. Esto signi¯ca que el estado a cr¶ ³tico es el unico atractor de la din¶mica. Vimos que este tipo de sistemas han sido bautizados ¶ a con el nombre de sistemas cr¶ ³ticamente auto-organizados. En [20, 21, 22] se muestra una aplicaci¶n o econ¶mica y en Dab¶s et al [55], se plantea la posibilidad de que los procesos in°acionarios esten o u auto-organizados criticamente). El ejemplo protot¶ ³pico de estos sistemas es la \pila de arena". Vimos que la presencia de un proceso in°acionario persistente produce la ruptura de la invariancia de escala temporal. La raz¶n por la que esto ocurre se sustenta sobre dos ideas b¶sicas: o a a) La heterogeneidad de los comportamientos de los agentes se ve reducida por el sesgo del proceso in°acionario. El proceso de alta in°aci¶n, al ser visto como un fen¶meno cr¶nico, o o o condiciona la independencia estad¶ ³stica que suele suponerse respecto del arribo de nueva informaci¶n. Los agentes act¶an sobre la base de sus expectativas y esta conducta se homogeiniza o u sobre todo el conjunto de agentes, sesgando el comportamiento global del mercado cambiario. b) Los comportamientos in°acionarios se modi¯can en forma epis¶dica. Los episodios de hipero in°aci¶n, si bien poco frecuentes, producen un cambio sustancial en el comportamiento de o los agentes del sistema. Adem¶s, se sabe que las grandes °uctuaciones generalmente vienen a seguidas de momentos de \calma". Esta evidencia parece soportar la hip¶tesis de la in°aci¶n o o como un proceso \escalonado", marcado por episodios de r¶pidos cambios en los compora tamientos.

En Termodin¶mica Estad¶ a ³stica, cuando un sistema se encuentra en un punto cr¶ ³tico posee °uctuaciones que tienen lugar en todas las escalas de magnitud, ya que la longitud de correlaci¶n se hace in¯nita y por lo tanto todas o las escalas contribuyen a determinar el valor de las funciones termodin¶micas. Por esta raz¶n, los fen¶menos cr¶ a o o ³ticos muestran una invariancia frente a cambios de la longitud de escala (Kadano®, 1976) [110].

13

Cap¶ ³tulo 6

Conclusiones
Cuando una se~ orita visit¶ el estudio de Matisse dijo n o \Est¶ bien, pero los miembros de esta mujer son demasiado largos", a el artista respondi¶, \Madame, Usted est¶ equivocada. o a Esto no es una mujer, esto es una pintura". E. H. Gombrich

Gran parte del contenido que se desarroll¶ en esta tesis ha consistido en describir varios o experimentos computacionales basados en el enfoque constructivo utilizando \agentes arti¯ciales adaptativos". Estos experimentos exhiben patrones din¶micos que surgen de la acci¶n colectiva a o de sus componentes y no pueden ser entendidos en t¶rminos del comportamiento simple de cada e una de sus partes. Recordemos a continuaci¶n todos los t¶picos desplegados en la tesis. Luego de o o un cap¶ ³tulo introductorio en el que se mostraron los resultados m¶s relevantes de la teor¶ de los a ³a sistemas din¶micos complejos, se desarroll¶ un modelo muy simple en el que los agentes econ¶micos a o o formulan sus expectativas sobre el comportamiento futuro del sistema a trav¶s de dos mecanismos e posibles (uno de tipo \forward-looking" y el otro \backward-looking"). El modelo permit¶ la mi³a graci¶n din¶mica entre ambos mecanismos seg¶n la \performance" relativa de cada uno y el uso del o a u principio de m¶xima entrop¶ que fue descripto con cierto grado de detalle. Si bien el modelo ten¶ a ³a, ³a una estructura sumamente simple se logr¶ mostrar que para diferentes valores de los par¶metros o a pod¶ tener lugar todo tipo de comportamiento din¶mico, ya sea convergencia a equilibrios, ciclos ³a a l¶ ³mite, inestabilidades y hasta caos detemin¶ ³stico. El objetivo de este modelo era mostrar que cuando se incorpora heterogeneidad en los mecanismos de formaci¶n de expectativas, la evoluci¶n o o del mismo puede dejar de ser mon¶tono y simple a pesar de que las ecuaciones estructurales son o lineales. La complejidad que se deriva de estos resultados nos obliga a re°exionar sobre la importancia que tiene la forma en que se procesa la informaci¶n relevante en los mecanismos prospectivos o que necesariamente deben contener los modelos econ¶micos. o La simplicidad de este modelo, que posee muy pocos grados de libertad junto al hecho de que admita comportamientos extra~os nos permiti¶ considerar la relevancia de la teor¶ del caos n o ³a en modelos econ¶micos discretos de pocas variables end¶genas. Nuestra cr¶ o o ³tica a la construcci¶n o de modelos econ¶micos con caos determin¶ o ³stico, mostr¶ que en muchas ocasiones la aparici¶n de o o este tipo de din¶micas es tan s¶lo un artefacto del modelo que no tiene ning¶n correlato con la a o u din¶mica econ¶mica que se desea estudiar. a o Posteriormente, y sosteniendo la hip¶tesis de que el comportamiento de los agentes es por o lo general heterog¶neo y que la coordinaci¶n no debe presuponerse se introdujo al lector en el e o concepto de lo que denominamos como \Sistemas Econ¶micos Desordenados". Tomados a partir o de un an¶logo que surge en la f¶ a ³sica te¶rica de materia condensada, mostramos que estos sistemas o tienen, como consecuencia de la propia din¶mica, comportamientos emergentes que dan lugar a a la auto-organizaci¶n del sistema en su conjunto. Mostramos luego que, debido a las limitaciones o cognitivas que poseen los agentes econ¶micos que tratan de realizar proyecciones sobre el sistema en o el que ellos act¶an y por razones instrumentales, es posible realizar una representaci¶n algor¶ u o ³tmica de sus mecanismos de decisi¶n. Los algoritmos evolutivos de aprendizaje y las redes neuronales o 143

144

Cap¶ ³tulo 6. Conclusiones

resultan ser una representaci¶n simpli¯cada de los mecanismos de aprendizaje de los agentes. Por o esta raz¶n se los describi¶ en detalle. o o Hecho esto, se construy¶ un modelo computacional muy simple de intercambio descentralio zado en el que operan agentes arti¯ciales adaptativos que aprenden mediante algoritmos gen¶ticos. e El prop¶sito del modelo era entender los procesos de b¶squeda y relajaci¶n al equilibrio competio u o tivo sin realizar ning¶n tipo de supuesto sobre c¶mo deber¶ comportarse los agentes sino que se u o ³an permiti¶ que ¶stos puedan adaptarse e interactuar libremente sin imponer comportamientos preo e establecidos. Se mostr¶ que muchas veces, antes de alcanzar el equilibrio, el sistema pod¶ transitar o ³a por estados metaestables que larga duraci¶n, avalando la idea de que muchas veces es necesario o entender a los sistemas econ¶micos a partir de sus estados transicionales y no tanto en t¶rminos de o e sus estados de equilibrio. Una vez estudiada, desde m¶ltiples perspectivas, la representaci¶n del comportamiento de u o los agentes econ¶micos cuando intentan pronosticar la evoluci¶n del sistema en el que operan, fue o o necesario analizar la interacci¶n que tiene lugar entre ellos. La formulaci¶n de modelos internos o o de apredizaje no alcanza para entender la din¶mica de un sistema econ¶mico ya que muchas veces a o tienen lugar comportamientos relacionados con la propia interacci¶n, por ejemplo en los fen¶menos o o de contagio y los efecto de manada. Estas situaciones son particularmente relevantes en el estudio de estados transicionales y cambios de r¶gimen. A lo largo del cap¶ e ³tulo 4 se trataron estas cuestiones. En una primera instancia, utilizando algunos resultados que provienen de la f¶ ³sica de materia condensada, estudiamos la din¶nimca de un sistema en el que los agentes no tienen capacidad de a aprendizaje sino que est¶n sujetos a la in°uencia local de las decisiones tomadas por otros agentes a que pertenecen a su vecindad, y as¶ sucesivamente. Mostramos anal¶ ³ ³ticamente que, en este tipo de sistema, existen transiciones de fase que van del orden al desorden y viceversa, que existen estados de se denominan como frustrados, que multiplican la cantidad de atractores globales del sistema. Tambien se muestr¶ a que cuando los par¶metros tienen valores cr¶ o a ³ticos tales que el sistema se encuentra en las cercan¶ de una transici¶n de fase, sus indicadores macrosc¶picos observables se ³as o o comportan como leyes de potencias de tales par¶metros. a M¶s adelante, en el mismo cap¶ a ³tulo se mostr¶ construye un modelo que relaciona la intero acci¶n entre los mecanismos de difusi¶n de expectativas y los procesos de aprendizaje individual. o o El modelo nos permiti¶ entender la relaci¶n que existe entre los mecanismos globales y locales de o o coordinaci¶n de las decisiones tomadas por m¶ltiples agentes. El esquema utilizado se basa en un o u modelo desarrollado por Brain Arthur, denominado como \Bar Attendance Model". El modelo nos permiti¶ estudiar los procesos de coordinaci¶n en condiciones de heterogeneidad con agentes localio o zados espacialmente. El modelo construido es particularmente util para entender el funcionamiento ¶ de muchos mercados en los que tiene lugar una suerte de \econom¶ de aglomeraci¶n" en donde ³a o los efecto de congesti¶n son uno de los determinantes de la din¶mica (por ejemplo, en las corridas o a bancarias). El modelo integra el esquema de aprendizaje evolutivo utilizado en el cap¶ ³tulo 3 y los resultados que se obtuvieron al estudiar el proceso de interacci¶n local entre agentes, al comienzo o de este mismo cap¶ ³tulo 4. Para realizar un estudio comparativo, se analiz¶ el proceso de autoo organizaci¶n que tiene lugar con y sin interacciones locales. Primeramente se analiz¶ el modelo o o ¯jando el valor de los par¶metros ex¶genos relevantes y, posteriormente, se permiti¶ que alguno de a o o ellos pueda evolucionar como consecuencia de la propia din¶mica del sistema. a A lo largo del ultimo cap¶ ¶ ³tulo se estudian, en un contexto m¶s general, a los sistemas disa tribuidos. A modo de ejemplo, se mostr¶ c¶mo a partir de un aut¶mata celular es posible derivar o o o una ecuaci¶n macrosc¶pica de difusi¶n. Luego se realiz¶ una descripci¶n de los sistemas denoo o o o o minados como auto-organizados cr¶ ³ticamente. Vimos que estos sistema de¯nen series temporales que poseen un espectro de potencias que se denomina como ruido correlacionado 1=f . Esta es una propiedad esencial de muchas series temporales naturales y econ¶micas, como se muestra m¶s o a adelante. El proceso estoc¶stico que da lugar a este tipo de series lleva el nombre de vuelos de a L¶vy y las distribuciones de probabilidad inherentes son las distribuciones estables. La vinculaci¶n e o entre esta particular caracter¶ ³stica de muchas series temporales y los sistemas distribuidos no es

6.1. La mano invisible: De la perplejidad a la complejidad

145

arbitraria. Se trata de conocer a partir del estudio de series temporales ciertas caracter¶ ³sticas de la micro estructura de estos sistemas. Y, a su vez, procuramos entender qu¶ tipo de serie teme poral tiene lugar para determinada estructura de interacciones locales en sistema con agentes en interacci¶n. o Utilizando, a modo de ejemplo, el an¶lisis de series temporales tomadas de la evoluci¶n del a o tipo de cambio de varios pa¶ se analizaron estas propiedades. Se mostr¶ estas series que poseen ³ses o la propiedad de autosimilaridad y que muchos indicadores observables se comportan como leyes de potencias, tal como se demostr¶ que ocurre en los sistemas distribuidos cerca de una transici¶n de o o fase. Para completar el estudio, se analiz¶ la evoluci¶n del tipo de cambio de la moneda argentina o o mostrando que, debido a la deriva in°acionaria, tiene lugar una ruptura de la autosimilaridad o invariancia de escala. Este comportamiento an¶malo motiv¶ la formulaci¶n de varias conjeturas o o o que se enunciaron al ¯nal del cap¶ ³tulo. Hemos intentado mostrar de manera ordenada que la descripci¶n de algunos sistemas a o partir del enfoque constructivo puede ser una herramienta de estudio util y que es posible recrear ¶ algunos hechos estilizados que se ponen de mani¯esto en gran cantidad de sistema econ¶micos. o La ventaja fundamental de estos modelos, que se constituyen como un verdadero laboratorio de an¶lisis, radica en el hecho de que es posible estudiar sus comportamientos en condiciones tanto a normales como extremas. No permiten tambi¶n comprender mejor c¶mo acontecen los cambios e o de r¶gimen y estudiar sus estados transicionales. En general, los modelos de pocos grados de e libertad se conciben para estudiar una fase particular del sistema que se desea comprender. Con la utilizaci¶n de modelos constructivos es posible estudiar las transiciones entre distintas fases en las o que se encuentran tales sistemas. Por esta raz¶n, este tipo de esquema model¶ o ³stico est¶ llamado a a constituirse como una util¶ ³sima herramienta de apoyo de aquellos modelos que se estudian a trav¶s de experimentos de interacci¶n con seres humanos, lo que se ha denominado como econom¶ e o ³a experimental. Para completar el estudio, se intent¶, cuando fue posible, contrastar los resultados a los que o se llegaron con hechos estilizados obtenidos a partir del estudio de series temporales. Tal fue el caso del estudio de la crisis bancaria del Tequila y de los mercados cambiarios en general.

6.1

La mano invisible: De la perplejidad a la complejidad

Si nuestra intenci¶n fuese interpretar la llamada \mano invisible" de Adam Smith a la luz del o enfoque que brindan los sistemas complejos adaptativos, podemos a¯rmar que este viejo concepto hace referencia al \orden emergente", que surge de la operaci¶n causal de las interacciones en el siso tema de intercambios. Entonces resulta factible a¯rmar que la aparici¶n del orden espont¶neo y sus o a intentos por explicarlo son uno de los temas que la ciencia econ¶mica ha venido tratando desde sus o comienzos como disciplina de estudio sistem¶tica. Los economistas han comprendido muchas de las a propiedades que surgen del procesamiento distribuido en un sistema complejo. Se han hecho claras las limitaciones a las que est¶ sometido un plani¯cador centralizado cuando pretende coordinar los a planes y las acciones de quienes conforman el sistema. Haber entendido estas restricciones implica, de manera impl¶ ³cita, comprender las limitaciones epistemol¶gicas de las descripciones sujetas al o enfoque anal¶ ³tico o \top down". Sin embargo, es cierto tambi¶n que muchos economistas han sido e reacios a utilizar simulaciones computacionales con agentes m¶ltiples. La raz¶n fundamental de u o esta actitud se basa en el hecho de que los sistemas complejos se construyen desde componentes simples, tal vez demasiado simples desde la visi¶n de un economista ortodoxo. o La necesidad de desarrollar modelos a partir de elementos interactuantes simples se sustenta en el principio b¶sico de construcci¶n jer¶rquica de la complejidad. Lo que motiva a muchos a o a economistas a desautorizar este tipo de enfoque se debe en parte a lo arraigado que se encuentra el postulado de racionalidad, y a trav¶s de ¶ste, la agregaci¶n que supone la existencia de agentes e e o representativos. La cr¶ ³tica principal al concepto de complejidad jer¶rquica se sostiene en la sua posici¶n de que los agentes econ¶micos comprenden cabalmente los entornos en que operan. Los o o

146

Cap¶ ³tulo 6. Conclusiones

modelos basados en esta idea no pueden dar lugar a comportamientos emergentes o efectos de largo alcance a partir de interacciones descentralizadas y por lo tanto no puede haber posibilidad de que existan ajustes de mercado auto-reguladores y end¶genos u otras formas de retroalimentaci¶n gobo o ernadas por mecanismos de adaptaci¶n interna. Todav¶ no se ha formulado un modelo adecuado o ³a que muestre c¶mo funciona la tradicional \mano invisible" que, desde hace m¶s de 200 a~os, se o a n supone que opera. El enfoque presentado en esta tesis, si bien preliminar, muestra una l¶ ³nea de investigaci¶n que o podr¶ ayudar a entender algunas de estas cuestiones fundamentales de la organizaci¶n econ¶mica. a o o Tal vez este tipo de modelos no sean tan rigurosos como los modelos hipotetico - deductivos ni tengan la capacidad de ser contrastados con datos emp¶ ³ricos como ocurre con los modelos inductivos que provee la econometr¶ sin embargo tienen la virtud de guiar nuestra intuici¶n y permitir ³a, o incrementar la comprensi¶n de algunos hechos estilizados. o La teor¶ de la complejidad computacional ha mostrado que muchos sistemas no pueden ³a reducirse a una representaci¶n anal¶ o ³tica, sin embargo los economistas m¶s ortodoxos han supuesto a que los sistemas econ¶micos deben ser estudiados a trav¶s de la construcci¶n de sistemas din¶micos o e o a de muy pocos grados de libertad. No existe aun un teorema general por que cual un sistema complejo de muchos grados de libertad pueda reducirse a uno de unos pocos. Por otro lado, los avances que han tenido lugar en computaci¶n permiten hoy estudiar sistemas din¶micos de o a much¶ ³simos grados de libertad. La ciencia econ¶mica est¶ comenzando en estos a~os a explorar o a n esta metodolog¶ que abre una vasta gama de posibilidades. ³a

6.2

Complejidad espacial en los sistemas econ¶micos o

Uno de los problemas que enfrenta la modelizaci¶n bottom - up se relaciona con la estructura o topol¶gica de la red de decisiones e interacciones sobre la cual se desarrolla la din¶mica. Durante o a estos ultimos a~os han comenzado a explorarse las consecuencias que produce la estructura de ¶ n conectividad que vincula a los agentes sobre el comportamiento agregado 1 . El enfoque de los sistemas complejos y los modelos basados en agentes m¶ltiples, tal vez permitan ayudar a explorar u alguno de estos t¶picos. No obstante, debemos destacar que la estructura topol¶gica de un sistema o o de interacciones reales no posee una trama simple ya que es consecuencia de un complej¶ ³simo sistema de motivaciones intersubjetivas y adem¶s no tiene un car¶cter est¶tico, sino que evoluciona a a a permanentamente y se incrementa al producirse las innovaciones aplicadas a la tecnolog¶ de las ³a comunicaciones pues permite fortalecer nuevos v¶ ³nculos de interacci¶n entre todos los agentes 2 . o Hasta hoy, los modelos constructivos relacionan la localidad con una ubicaci¶n f¶ o ³sica bien de¯nida, sin embargo, es evidente que esta concepci¶n tiene validez limitada. Las estructuras de organizaci¶n o o que poneen de mani¯esto en los modelos de vidrios de spin poseen una organizaci¶n jer¶rquica deo a nominada como ¶rboles ultram¶tricos y parecieran servir tambi¶n para estudiar algunos sistemas a e e de origen econ¶mico. Otra consideraci¶n importante relacionada con la estructura espacial de la o o red de interacciones en la econom¶ se basa en la idea de localidad de las variables y par¶metros. ³a a Es dable suponer que un mercado descentralizado no admita la convergencia a un unico precio de ¶ equilibrio si se supone que el sistema soporta permanentes perturbaciones locales. Las elasticidades a los cambios de precio no son homog¶neas en el espacio. Es probable que el enfoque construce tivo provea de alguna intuici¶n para entender estos comportamientos no uniformes del sistema de o interacciones espacialmente extendido.
A partir de este tipo de problem¶tica relacionada con el comercio electr¶nico, las tecnolog¶ aplicadas a las a o ³as comunicaciones, el funcionamiento del sistema ¯nanciero globalizado, el comercio internacional, su relaci¶n con las o empresas multinacionales, el \dinero electr¶nico", etc., ha surgido una nueva sub-disciplina de la econom¶ la o ³a: econom¶ de redes o network economics; cabe destacar que durante el a~ o 1999, se ha creado una nueva revista ³a n internacional que lleva el nombre de Netnomics. 2 Algunos autores como Silvia London [128] sugieren que la evoluci¶n de la estructura topol¶gica de los sistemas o o se constituye como parte del conjunto de meta-reglas que evolucionan siguiendo constantes de tiempo distintas de aquellas caracter¶ ³sticas por la din¶mica \normal" del sistema. a
1

6.3. Complejidad temporal: escalas de tiempo y tiempos intr¶ ³nsecos

147

6.3

Complejidad temporal: escalas de tiempo y tiempos intr¶ ³nsecos
Si vas a tomar al tiempo en serio: No hay tiempo. Goethe (personaje) en El lobo estepario Hermann Hesse

El tratamiento que la ciencia econ¶mica ha hecho del tiempo ha sido hasta ahora bastante o limitado. El tiempo en tanto variable independiente que cuanti¯ca el ordenamiento de las acciones econ¶micas y vincula a las decisiones inter-temporales, deber¶ ser, en s¶ mismo, un tema de estudio o ³a ³ para la teor¶ econom¶ Los modelos econ¶micos usuales suelen suponer que el tiempo se sucede ³a ³a. o de manera secuencial y que los agentes econ¶micos trazan sus planes ¶ptimos a partir de °ujos o o temporales que siguen una forma consistente y sincronizada con los planes de otros agentes. Los procesos de optimizaci¶n y los modelos que suelen utilizarse no dependen de una unidad de tiempo o particular. En los mercados reales, los agentes econ¶micos no operan en todos los instantes de una o rueda de mercado y, en todos los modelos, el cort¶ ³simo plazo queda fuera del an¶lisis econ¶mico. a o Adem¶s, como se ha mostrado en el modelo de coordinaci¶n por mecanismos locales y globales a o (secciones 3.6 y 4.2), la adaptaci¶n y el aprendizaje involucran impl¶ o ³citamente constantes de tiempo y velocidades de ajuste distintas que las que corresponden al tiempo de¯nido por el reloj o el calendario. Es sabido que cuando existen °uctuaciones macroecon¶micas, los horizontes sobre los o cuales los agentes optimizan se modi¯can seg¶n los niveles y frecuencias de las °uctuaciones. Por u ejemplo, en un contexto de alta in°aci¶n la velocidad con que se revisan los planes se altera seg¶n su o u nivel y es posible que se produzca una transici¶n que parte de una estructura de toma de decisiones o racional (basada en el uso de la informaci¶n disponible) hacia el ajuste autom¶tico \adaptativo" o a [93]. La reducci¶n del horizonte temporal, debido a la existencia de perturbaciones, lleva impl¶ o ³cita adem¶s una limitaci¶n sobre la utilidad de la informaci¶n disponible del pasado. Durante estados a o o transicionales la memoria que se posee del comportamiento pasado del sistema pierde su utilidad (v¶ase la secci¶n 4.2.3 del cap¶ e o ³tulo 4.2) 3 . Entonces no queda claramente de¯nida una unidad de tiempo subjetiva que rija la toma de las decisiones. Algunos autores suponen que los mercados poseen un tiempo intr¶ ³nseco que poco tiene que ver con el tiempo cronol¶gico [146]. Ellos a¯rman que cuando un mercado est¶ \deprimido" o o a sea, cuando la frecuencia con que se realizan transacciones es baja, deber¶ contraerse la unidad ³a de tiempo para el tratamiento anal¶ ³tico, mientras que en el caso contrario, cuando el mercado es muy vol¶til, la unidad de tiempo deber¶ dilatarse. Estas teor¶ ampliar¶ la concepci¶n del a ³a ³as ³an o tiempo psicol¶gico de los agentes al \tiempo psicol¶gico del mercado". Una vez m¶s, y como o o a producto de la interacci¶n de los agentes, tiene lugar la aparici¶n de un comportamiento emergente o o que rige la din¶mica del agregado como un todo que surge de la auto-organizaci¶n de elementos a o correspondientes a una jerarqu¶ m¶s simple. Pensando a la econom¶ en su totalidad como la ³a a ³a superposici¶n de muchos mercados acoplados, la \unidad natural" de tiempo involucrada en la o din¶mica agregada tampoco tendr¶ una relaci¶n un¶ a a o ³voca con el tiempo propio de cada mercado particular. Podr¶ ³amos especular que el tiempo en los sistemas econ¶micos (y tal vez en todos o los sistemas naturales) tiene una naturaleza telesc¶pica o fractal en el sentido que es necesario o redi¯nirlo seg¶n el orden de magnitud sobre el cual se realiza el estudio. u Estas conjeturas altamente especulativas ponen en evidencia que el tiempo y su tratamiento como tema en s¶ mismo, no ha sido profundamente considerado en la teor¶ econ¶mica. Quedar¶ ³ ³a o a para el futuro abordar esta tem¶tica, por cierto apasionante y compleja. a

3 Seg¶ n una ley formulada por Allais [2] la gente olvida a la misma tasa con que descuenta el futuro. Esta ley da u lugar a la existencia de un tiempo propio diferente del tiempo cronol¶gico. o

148

Cap¶ ³tulo 6. Conclusiones

6.4

Comportamiento adaptativo, memoria y predicci¶n o
\Un deseo aqu¶ ³, una memoria de all¶. Recuerdo con todas mis vidas a por que olvido." Alejandra Pizarnik

La representaci¶n anal¶ o ³tica m¶s usual del comportamiento de los agentes econ¶micos se a o ha organizado entre dos extremos. Por un lado existen modelos de optimizaci¶n intertemporal o en horizontes in¯nitos (estoc¶sticos o no) en los cuales el mecanismo que formula expectativas es a \forward-looking", generalmente basado en expectativas racionales. En el otro extremo est¶n los a modelos adaptativos o \backward-looking" que utilizan agentes desprovistos de memoria de largo plazo cometen errores sistem¶ticos ya que son incapaces de construir modelos internos m¶s o menos a a so¯sticados del entorno que tratan de predecir. Entre estos dos esquemas de representaci¶n existe o una in¯nidad de posibilidades que parecen capaces de representar mejor los hechos. La teor¶ econ¶mica moderna ha tendido a encasillar los problemas de decisi¶n a partir de ³a o o 4 , la cual no requiere que los agentes posean memoria de eventos previos. Sin la met¶fora deductiva a embargo, es m¶s o menos evidente que toda predicci¶n se origina a partir del ordenamiento de la a o informaci¶n que se dispone de instantes anteriores. El conjunto de informaci¶n disponible en todo o o instante tiene un tama~o por dem¶s vasto. Tratar con esa enorme cantidad de informaci¶n obliga n a o a realizar muchos recortes y despreciar lo que se supone es in¶til ya que no se dispone de tiempo u ilimitado para decidir ni de una capacidad in¯nita de posibilidades de c¶mputo para obtener el o resultado de una decisi¶n. El recorte que se realice resulta una medida del conocimiento que se o tiene y a su vez del que no se tiene. Estas a¯rmaciones casi literarias no tendr¶ ning¶n sentido ³an u en un mundo perfectamente racional. El n¶cleo duro de la macroeconom¶ moderna se basa en la construcci¶n de modelos con u ³a o agentes representativos en los que las leyes de movimiento del sistema como un todo est¶n dadas a por la soluci¶n de algunos problemas de optimizaci¶n y en general se basan en la hip¶tesis de o o o expectativas racionales. Sin embargo, y debido al car¶cter cada vez m¶s so¯sticado de los modelos, a a los agentes racionales deber¶ concebirse como capaces de resolver problemas no computables y no ³an se especi¯can dentro de los modelos los costos derivados de esta capacidad de c¶mputo ilimitada ni o el tiempo necesario para alcanzar la soluci¶n. Adem¶s, muchos problemas pueden ser indecibibles o a lo cual implica que el comportamiento racional no siempre pueda ser predecible. No es cierto que se agrega complejidad construyendo modelos con agentes representativos que resuelven problemas cada vez m¶s so¯sticados. La complejidad es el resultado de la interacci¶n de muchos elementos a o simples. Agentes econ¶micos que interct¶an y operan con un men¶ de estrategias muy simples o u u pueden dar lugar a complej¶ ³simos patrones de comportamiento. Basta recordar que el \juego de la vida" exhibe patrones din¶micos que lo asemejan con una computadora unviersal capaz de emular a cualquier comportamiento por complicado que este sea. La econom¶ consiste en una enorme jerarqu¶ de problemas de decisi¶n. El enfoque cons³a ³a o tructivo de los modelos basados en agentes m¶ltiples y la utilizaci¶n de algoritmos de inteligencia u o arti¯cial distribuida concibe a la econom¶ como una red de procesadores en interacci¶n, cada uno ³a o de ellos dotados de una menor capacidad de procesamiento de la informaci¶n que el requerido por o un procesador centralizado que intenta resolver el problema de asignaci¶n global. Desde esta visi¶n, o o basada en din¶mica de poblaciones, la adaptaci¶n se mani¯esta en una asignaci¶n diferencial seg¶n a o o u el ¶xito de cada agente. En biolog¶ esto corresponde a la denominada e¯cacia reproductiva. e ³a La habilidad de reconocer patrones es un aspecto esencial de la inteligencia humana. Es esencial puesto que nos permite tratar con informaci¶n incompleta en la que no existe un unico o ¶ proceso de inferencia capaz de interpretarla. Puesto que el conocimiento que se puede obtener de los patrones utilizados en una inferencia es limitado, la con¯anza en esas inferencias es tambi¶n e limitado entonces nos vemops cont¶ ³nuamente obligados a actualizar nuestros patrones en forma inductiva.
4

V¶ase la secci¶n 3.6.1 del cap¶ e o ³tulo 3.6.

6.5. Hacia una epistemolog¶ de la complejidad: De las estructuras a los Procesos ³a

149

6.5

Hacia una epistemolog¶ de la complejidad: De las estructuras ³a a los Procesos
\Cada cosa es la celebraci¶n o de ninguna cosa que la sostiene." John Cage

Solemos pensar, esquem¶ticamente, en t¶rminos de un mundo de cosas separadas dispuestas a e en un espacio independiente. Damos por sentado que estas cosas independientes \se causan" entre s¶ \se in°uyen"rec¶ ³, ³procamente a medida que \se desplazan" por el espacio y atraviesan una serie de estados est¶ticos de cambio. La ciencia suele limitarse a descubrir \cosas" sustanciales, por a de¯nici¶n cuidadosamente divididas la una de la otra, lo cual \explica" el mundo real. El idealismo o las denomina ideas y el materialismo las llama part¶ ³culas elementales. Partimos de la hip¶tesis de o que nuestro mundo es una estructura formada por \ladrillos" s¶lidos de muchas formas y tama~os, o n totalmente independientes del observador; entendemos que cada concepto que representa uno de dichos ladrillos, su relaci¶n con los dem¶s o sus actividades excluye de¯nitivamente su opuesto o o a su negativo. Las formas de estos ladrillos son ¯jas, mutuamente excluyentes y, en consecuencia, inmutables. Presuponemos que los cambios tienen lugar cuando una \cosa" se convierte en \otra". El modo en que experimentamos y medimos el tiempo consiste en dividirlo en momentos computables, cada uno de los cuales est¶ separado aunque, de una manera abstracta, es id¶ntico a los a e dem¶s, por muy grandes o in¯nitamente peque~os que querramos hacerlos. a n Desde la perspectiva de la teor¶ de los sistemas complejos esta imagen es esquem¶tica y ³a a hasta grosera. Aunque acepta que, de la realidad m¶vil el pensamiento humano puede deducir o conceptos ¯jos que se re¯eren a las cosas y a sus estados y reconoce que pueden ser utiles, ver¶ daderamente no hay modo de reconstruir la movilidad de lo real mediante la adici¶n de conceptos o ¯jos. Por ende, el elemento m¶s importante, el unico que importa, siempre est¶ excluido de las ideas a ¶ a corrientes que la mayor¶ tiene, ideas en las que basamos nuestros mundos y mediante las cuales ³a intentamos aceptarlos. Toda conceptualizaci¶n est¶tica es, en ultima instancia, parcial. La teor¶ o a ¶ ³a de los sistemas complejos se ocupa de comprender una red sin costuras de movimiento y cambio ininterrumpidos, una red llena de ondulaciones, olas, vibraciones y \ondas estacionarias" transitorias. El observador es, en s¶ mismo, funci¶n y parte de dicha red. Nunca se detiene, jam¶s se vuelve ³ o a sobre s¶ misma y ninguno de sus modelos, de los que podemos tener instant¶neas conceptuales, es ³ a real en el sentido de permanente. Los objetos y los acontecimientos del mundo s¶lo son formas y fases que duran lo su¯ciente o bajo una forma general para que las consideremos unidades. Todo lo compuesto est¶ sometido al a cambio. Por pretender aferrarnos a los conceptos est¶ticos, nos cuesta capturar esta idea. Pero si a todo est¶ conectado con todo lo dem¶s, c¶mo se puede llegar a explicar algo? La explicaci¶n es a a o o mostrar c¶mo las cosas se relacionan con otras cosas. Las propiedades de una parte surgen de la o manera en que est¶n relacionadas con las propiedades de otras partes. No se puede esperar explicar a las propiedades de ninguna parte a menos que se acepten las explicaciones aproximadas. Las explicaciones aproximadas signi¯can que se est¶n tomando en cuenta algunas de las interconexiones a pero no todas. Los modelos que justi¯can esta tesis parten de pronunciados recortes de los atributos de los componentes que constituyen los sistemas que se quisieron estudiar. Se avanza incluyendo m¶s y m¶s atributos, pero nunca se tendr¶ el cuadro completo. Desde la perspectiva de los sistemas a a a complejos volvemos a con¯rmar que no hay ninguna verdad permanente y no hay verdad absoluta, en el sentido de una identidad entre la descripci¶n y la cosa descrita. o
\Lo que es real no se puede controlar Lo que no es real, se puede controlar. " Vladimir Nobokov

150

Cap¶ ³tulo 6. Conclusiones

Bibliograf¶ ³a
[1] Aguilar Aguado, L. (1990), Cognici¶n Compara, Alianza Psicolog¶ o ³a. [2] Maurice, Allais (1966), A restatement of the quantitiy theory of money, American Economic Review, december. [3] Alchian, A. A. (1950), Uncertainty, Evolution, and Economic Theory, The Journal of Political Economy, 3, june. [4] Al¶, M.(1998), Caos Deteminista, An¶lisis Econ¶mico y Posmodernismo Estret¶gico, Tesis, e a o e Escuela de Econom¶ y Negocios Internacionales, Universidad de Belgrano. ³a [5] Amit, D. J. (1989), Modeling Brain Function: The World of Attractor Neural Networks, Cambridge University Press, cap¶ ³tulo 3. [6] Anderson, P.W., Arrow, K.J & Pines D., The Economy as a Complex Evolving System, Addison Wesley Publ. Co. (1988). [7] Anderson, S. A., de Palma, A. y Thisse, J. (1992), Discrete Choice Theory of Product Di®erentiation, Cambridge, MA, MIT Press. [8] Andreoni, J. and Miller, J.H. (1993). Auctions with Arti¯cial Adaptive Agents Working Paper. [9] Arifovic, J. (1994), Genetic Algorithm Learning and the CobWeb Model, Journal of Economic Dynamics and Control, 18, 3-28. [10] Arthur, W. B.(1988) Self-Reinforcing Mechanisms in Economics en \The Economy as an Evolving Complex System", P.Anderson, K.Arrow and D.Pines (eds.), Addison-Wesley). [11] Arthur, W. B. (1989), Competing Technologies, Increasing Returns, and Lock-In by Historical Events, 97, Economic Journal, 642-665. [12] Arthur, W.B. (1992), On learning and Adaptation in the Economy, Working Paper SFI, 9207-038. [13] Arthur, W. B. (1994), Complexity in Economic Theory: Inductive Reasoning and Bounded Rationality, AEA Papers and Proceedings, 84, 2, Mayo 1994, 406-411. [14] Arthur, W. B. (1997), Incresing Returns and Path Dependence in the Economy, The Unversity of Michigan Press. [15] Axelrod, R. (1984), The evolution of cooperation, Basic Books, New York. [16] Axelrod, R. (1987). The Evolution of Strategies in the Iterated Prisoner's Dilema, en L.Davis, ed., \Genetic Algorithms and Simulated Annaling", Los Altos, California, Morgan Kaufmann. [17] Axelrod, R. (1998), The complexity of cooperation: Agent Based Models of Competition and Collaboration, Princeton Studies in Complexity, Princeton Univ. Press 151

152

BIBLIOGRAF¶ IA

[18] Azariadis, C. & Guesnerie (1986), Sunspots and Cycles, Review of Economic Studies, 53, 725-736. [19] Azariadis, C. (1993), Intertemporal Macroeconomics, Blackwell Publishers. [20] Bak, P., Tang, C. & Wiesenfeld, K., Self-Organized Criticality, Physical Review A, 38, 364-374, (1988). [21] Bak, P., Chen, K., Scheinkman, J.A. & Woodford, M. (1993), Aggregate °uctuations from independent sectoral shock: self-organized criticality in a model of production and inventory dynamics, Ricerche Economiche, 47, 3-30. [22] Bak, P., Paczuski, M. & Shubik M. (1996) Price Variations in a Stock Market with Many Agents, mimeo, Agosto de 1996. [23] Barucci, E., Landi, L. & Cherubini, U. (1996), Computational Methods in Finance: Option Pricing, IEEE Computational Science & Engineering. [24] Beltratti, A., Margarita, S. & Terna P. (1996) Neural Networks for Economic and Financial Modelling, International thomson Computer Press. [25] Benhabid J. (1992)(ed.), Cycles and Chaos in Economic Equilibrium, Princeton University Press. [26] Benhabid, J. & Nashimura, K. (1985), Competitive Equilibrium Cycles, Journal of Economic Theory, 35, 284-306. [27] Bhargava, S.C., Kumar, A. & Mukherjee, A. (1993), A Stochastic Cellular Automata Model of Innovation Di®usion, Technological Forecasting and Social Change, vol. 44(1), 87-97. [28] Binmore, K. (1987), Modeling Rational Players, Economics and Philosophy, 3, 179 - 214. [29] Blanchard, O. J. & Fisher, S. (1992), Lectures on Macroeconomics, Mit Press. [30] Blanchard, O. J & Summers, L.H. (1987), Hysteresis in Unemployment, European Economic Review, 31, 2, 288-295. [31] Boldrin, M & Montrucchio, L. (1986), On the Indeterminacy of Capital Accumulation Paths, Journal of Economic theory, 40, 26-39. [32] Boldrin, M. & Montrucchio, L. (1989), On the Di®erentiability of the Policy function, Working paper, UCLA. [33] Boldrin, M. & Scheinkman J. A. (1988), Learning by doing , International Trade and Growth: A Note en \The Economy as a Complex Evolving System"; Anderson, P.W., Arrow, K.J & Pines D., Addison Wesley Publ. Co. [34] Boldrin, M. & Woodford (1990), Equilibrium Models Displaying Endogenous Fluctuations and Chaos: A Survey, Journal of Monetary Economics, 25, 189-222. [35] Bouchaud, J-P. & Georges, A. (1990), Anomalous Di®usion in Disordered Media: Statistical Mechanims, Models and Physical Applications, Physics Reports, 195, Nros. 4 y 5, 127-293. [36] Bray, M. (1982), Learning, Estimation,and Stability of Rational Expectations, Journal of Economic Theory, 26, 318 - 339. [37] Brock, W. A. (1991), Understanding Time Series using Complex Systems Theory, University of Wisconsin, Department of Economics, mimeo.

BIBLIOGRAF¶ IA

153

[38] Brock, W. A., Hsieh, D. A. & LeBaron, B. (1993), Nonlinear Dynamics, Chaos, and Instability: Statistical Theory and Economic Evidence, The M.I.T. Press. [39] Brock, W. A. (1993) Pathways to Randomness in the Economy: Emergent Nonlinearity and Chaos in Economics and Finance, University of Wisconsin, Department of Economics, mimeo. [40] Brock, W. A. & Hommes, C. H. (1995), A Rational Route to Randomness, diciembre de 1995, documento de trabajo. [41] Broomhead, D. S. & King, G. (1986), Extracting Qualitative Dynamics From Experimental Data, Physica 20D, 217-236. [42] Bruun, C. (1996) A Model of Consumption Behavior using Cellular Automata Working Paper, Department of Economics, Politics and Public Administration, Aalborg University, Dinamarca. [43] Bullard, J. & Butler, A. (1993), Nonlinearity and Chaos in Economic Models: Implications for Policy Decisions, The Economic Journal, 103, 849-867. [44] Calomiris, C. & Mason, J. (1994), Contagion and bank Failures during the Great Depression: The june 1932 chicago banking Panic, NBER Working Paper, Nov. 1994, Nro. 4934. [45] Canarelli, P. (1995), Analysing the Past and Managing the Future Using Neural Networks, Futures, 273,325-338. [46] Cass, D. & Shell, K. (1983), Do Sunspot Matter?, Journal of Political Economy, 91, 193-227. [47] Casti, J. (1996), Existen l¶mites l¶gicos para el conocer?, Investigaci¶n y Ciencia, diciembre de ³ o o 1996. [48] Chen, K., Scheinkman, J., Bak P. & Woodford, M. (1992) Self-Organized Criticality and Fluctuations in Economics, Working Paper 92-04-018, Santa Fe Institute. [49] Chiappori, P. A. & Guesnerie,R. (1988), Self-Ful¯lling theories: The Sunspot Connection, mimeo, Ecole des Hautes Etudes en Sciences Sociales, Paris. [50] Clower, R & Leijonhufvud, A. (1975), The Coordination of Economic Activities: A Keynesian Perspective, American Economic Review, 65 (mayO), 182 - 188. [51] Conlisk, J. (1996), Why Bounded Rationality?, Journal of Economic Liturature, Vol. 34, Junio 1996, 669-700. [52] cooper, R. nad John, A. (1988), Coordinating coordination failures in Keynesian Models, quarterly Journal of Economics, Ago. 1988, Vol CIII, no. 3. [53] Crutch¯eld, Farmer & Huberman, B. (1982), Fluctuations and simple chaotic dynamics, Physics Reports, vol 92, 45-82. [54] D'Amato, L., Grubisic, E. & Powell, A. (1997), Contagion, Banks Fundamentals or Macroeconomic Shoch?: An empirical Analysis of the Argentine 1995 Banking Problems, mimeo. [55] Dab¶s, C., London, S. & Tohm¶ F. (1995), Est¶ la Econom¶a Argentina Cr¶ticamente Autooru e a ³ ³ ganizada?, Anales de la Asociaci¶n Argentina de Econom¶ Pol¶ o ³a ³tica, 1995. [56] Day, R. H. & Lin, T. Y. (1992), An Adaptive, Neocl¶sical Model of Growth Fluctuations, en a Macroeconomics: A Survey of Research Strategies, Vercelli, A. & Dimitri, N. (eds.), Oxford University Press.

154

BIBLIOGRAF¶ IA

[57] Day, R. H. (1994), Complex Economic Dynamics: An Introduction to dynamical Systems and Market Mechanisms, MIT Press. [58] DeLong B., Schleifer, A., Summers, L. & Waldmann, R. (1990), Noise trader risk in ¯nancial markets, Journal of Political Economy, 98, 703-738. [59] Diamond D. & Dybvig, P. (1983), Bank Runs, Deposit Insurance, and Liquidity, Journal of Political Economy, 91(3). [60] Dosi, G. & Kaniovski, Y. On \Badly Behaved" dynamics. Some applications of generalized urn schemes to technological and economic change J.Evol.Econ. 4(1994) 93-123. [61] Durlauf, S. (1989), Locally Interacting Systems, Coordination Failure and The Behavior of Aggregate Activity, Department of Economics, Stanford University, mimeo. [62] Epstein, J.M. & Axtell, R. (1996), Growing Arti¯cial Societies: Social Science from the Bottom Up, The Brookings Institution Press y The Mit Press. [63] Eubank, S. & Farmer, D. (1990), An Introduction to Chaos and Randomness, Lectures in Complex Systems, Santa Fe Institute Studies in the Sciences of Complexity, Vol. II. Ed. E. Jen, Addison-Wesley. [64] Evans, G. W. & Honkapohja, S. (1998), Learning Dynamics, documento de trabajo. [65] Evertsz C.J.G. & Berkner, K., (1995), Large Deviation and Self-similarity analysis of graphs: DAX Stock Prices, Chaos, Solitons & Fractals, Vol. 6, 121-130. [66] Fama, E.F. (1970), E±cient Capital Markets: A Review of theory and Empirical Work, Journal of Finance, vol. 25(2), 383-423. [67] Feigenbaum, M. J. (1978), Quantitative universality for a class of nonlinear transformations, J. Stat. Phys., 19, 25-52. [68] Feldman, J. (1959). An Analysis of Preditive Behavior in an Two-Choice Situation, WP, Carnegie Institute of Technology. [69] Fern¶ndez D¶ a ³az, A. (1994), La Econom¶ de la Complejidad: Econom¶ Din¶mica Ca¶tica, ³a ³a a o McGraw-Hill. [70] FÄmer, H. (1974), Random economies with many interacting agents, J. Math. Econ. 1, 51-62. o [71] Foster, J. (1989), Evolutionary Macroeconomics, Unwin-Hyman, Boston. [72] Franz, W. (1990), Hysteresis: An Overview, Empirical Economics, 15, 2, 109-125. [73] Friedman, D. (1991), Evolutionary Games in Economics, Econometrica 59, pp. 637- 666. [74] Frisch, R. (1933), Propagation Problems and Impulse Problems in Dynamic Economics, En Economic Essays in Honour of Gustav Cassel. London: Allen & Unwin. [75] Garey, M. R. & Johnson, D. S. (1979), Computers and Intractability: a guide to the NPcompleteness, Freeman, San Francisco. [76] Glaesser, E. L., Sacerdote, B. & Scheinkman, J. (1996), Crime and social Interactions, Quarterly Journal of Economics, 11, 507-48. [77] Glauber (1963), Time dependent statistics fo the Ising Model, Journal of Math. Phys., 4, 294.

BIBLIOGRAF¶ IA

155

[78] Guesnerie, R. (1992), An exploration of the Eduction Justi¯cation of the Rational Expectations Hypothesis, American Economic review, 82, 5, 1254-1278. [79] Goldberg, D.E. (1989). Genetic Algorthms in Search, Optimization, and Machine Learning, Addison Wesley Pub.Co. [80] Goodwin, R. M. (1951), The Non-Linear Accelerator and the Persistence of Business Cycles, Econometrica, 6, 12-36. [81] Goodwin, R. M. (1967), A Growth cycle, en Feinstein, C. H.(ed.): Socialism, Capitalism and Economic Growth, Essays Presented to Maurice Dobb. Cambridge University Press. [82] Goodwin, R, M. & Pacini, P. M. (1992) Non-Linear Economic Dynamics and Chaos: An Introduction, en Macroeconomics: A Survey of Research Strategies, Eds.: Vercelli, A. & Dimitri, N., Oxford University Press. [83] Gorton, G. (1988), Banking Panics and Business Cycles, Oxford Economic Papers, 40, 751781. [84] Granger, C.W.J. (1966), The Tipical Spectral Shape of an Economic Variable, Econometrica, 34(1). [85] Grandmont, J. M. (1985), On Endogenous Competitive Business cycles, Econometrica, 53, pp. 995-1046. [86] Grossman, S y Stiglitz, J. (1980), On the impossibility of Informationally E±cient Markets, American Economic Review, 70, 393-408. [87] Guckenheimer, J. & Holmes, P. (1986), Nonlinear Oscilations, Dynamical Systems, and Bifurcations of Vector Fields, Springer-Verlag. [88] Hamilton, J. D. (1989), A new approach to the economic analysis of nonstationary time series and business cycle, Econometrica, 57, 357-84. [89] Haugen, L., Talmor, E. & Torous, W. (1991), The e®ect of Volatility Changes on the Level of Stock Prices and Subsequent Expected Return, Journal of Finance, vol. 463, 985-1007. [90] Hayek (1945), The Use of Knoledge in Society American Economic Review, 35, 519-530. [91] Heiner, R. A. (1986), Uncertainty, Signal-Detection Experiments, and Modelling Behavior, Langlois, R. N. (ed.), Economics as Process: Essays in the New Institutional Economics, Cambridge University Press. [92] Heymann, D. (1994), Sobre la interpretaci¶de la cuenta corriente, Desarrollo Econ¶mico, 135, o o Vol. 34, Octubre - Diciembre de 1994. [93] Heymann, D. & Leijonhufvud (1995), High In°ation Clarendon Press, Oxford. [94] Heymann, D., Perazzo, R. & Schuschny, A. (1997), Din¶mica No lineal y Modelos de Agentes a M¶ltiples en Econom¶a, diploma de honor, Academia Nacional de Ciencias. u ³ [95] Heymann, D., Perazzo R.P.J., & Schuschny A. (1999), Price Setting in a Schematic Model of Inductive Learning, en Money, Markets and Methods, Essay in honour to Robert W. Clower, Howitt, P., de Antoni, E. & Leijonhufvud, A. (eds), Edward Elgar Pub. Co. [96] Heymann ,D., Perazzo, R.P.J. & Schuschny, A. Mercados de divisas, invariancia de escala y \vuelos de L¶vy", Anales de la XXXIII Reuni¶n Anual de la Asociaci¶n Argentina de Econom¶ e o o ³a Pol¶ ³tica, Mendoza, 11 al 13 de noviembre de 1998.

156

BIBLIOGRAF¶ IA

[97] Heymann y Sanguinetti (1998), Pseudo Equilibrios de expectativas: Algunos Ejemplos Macroecon¶micos, Anales de la Asociaci¶n Argentina de Econom¶ Pol¶ o o ³a ³tica, Mendoza. [98] Hertz, J., Krogh, A. & Palmer, R.G. Introduction to the Theory of Neural Computation Addison Wesley Publ. Co. (1991) [99] Hey, J. D. (1991) Coping with Dynamic Decision Making under Uncertainty, Handbook of Behavioral Economics, vol. 2b, Behavioral Decision Making, (eds. Frantz, R., Singh, H & Gerber, J.) JAI Press, London, pp. 295-307. [100] Hildenbrand, W. (1971), Random references and equilibrium analysis, J. Econ. Theory, 3, 414-29. [101] Hicks, J. R. (1950) A contribution to the Theory of the Trade Cycle, Oxford University Press. [102] Hirshleifer, J. (1987), Economic Behavior in Adversity, The University of Chicago Press, Chicago. [103] Hobson, A. (1971), Concepts in Statitical Mechanics, Gordon and Breach Science Publishers. [104] Holland, J.H.(1975). Adaptation in natural and arti¯cial systems. Ann Arbor: the University of Michigan Press. [105] Holland, J.H. & Miller, J.H. (1991). Arti¯cial Adaptive Agents in Economic Theory, American Economic Review, Papers and Proceedings, 81, 365-370. [106] Holland, J. H. (1996), Hidden Order: How Adaptation builds complexity, Helix Books. [107] Hogg, T., Huberman, B. A. & Youssefmir, M. (1995), The Instability of Markets, Documento de Trabajo, Junio 1995. [108] Huang, K. (1987), Statistical Mechanics, 2nd. ed., John Wiley & Sons, pag. 394. [109] Husband, P., Mill F. & Warrington (1991) Genetic Algorithms, Production Plan, Optimization and Scheduling, 80-84 [110] Kadano®f, L.P. (1976) Scaling, Universality and Operator Algebras, Phase Transitions and Critical Phenomena, 5A, Eds. Domb & Green, Academic Press. [111] Kaldor, N. (1940), A Model of the Trade Cycle, Economic Journal, 50, 78-92. [112] Kalecki, M. (1935), A Macroeconomic theory of Business Cycle, Econometrica, 3, 327-344. [113] Katzner, D. (1993) Some Notes on the Role of History and the De¯nition of Hystersis and Related Concepts in Economic Analysis, Journal of Post Keynesian Economics, 15, 3, 323-345. [114] Kau®man, S. A. (1993),The Origins of Order, Oxford University Press. [115] Kirchkamp, O. (1995), Evolution and Learning in Spatial Models, PhD Tesis. [116] Kirman, A. P. (1992), Whom or What does the Representative Individual Represent ?, Journal of Economic Perspectives, 6, 117-36. [117] Kirman, A.P. (1995), Learning in Oligopoly: Theory, simulation, and Experimental Evidence, Learning and Rationality in Economics, Eds. Kirman, A.P. & Salmon, Blackwell Pub.Co. [118] Kirman, A. (1997), The Economy as an evolving network, Journal of Evolutionary Economics, 7.

BIBLIOGRAF¶ IA

157

[119] Kirpatrick, S., Gelatt. C. D., Vecchi Jr., M. P. (1983),Optimization by Simulated Annealing, Science, Vol. 220, No. 4598, 671-680. [120] Klafter, J., Shlesinger, M. & Zumofen, G. (1996), Beyond Brownian Motion, Physics Today, Febrero 1996, 33-39. [121] Knight, F. Risk, Uncertainty and Pro¯t Boston: Houghton-Mi²in, 1921. [122] Lapedes, A. & Farber, R. (1987) Nonlinear Signal Processing Using Neural Network: Prediction and System Modelling LANL preprint LA-UR-87-2662. [123] Leijonhufvud, A. (1993), Towards a Not-Too-Rational Macroeconomics, Working Paper, Department of Economics, University of California, Los Angeles. [124] Lvy, P. (1937), Thorie de l'Addition des Variables Alatories, Gauthier-villars, Paris. [125] Li, W. (1991), Absence of 1=f Spectra in Dow Jones Daily Average, International Journal of bifurcation and chaos, 1, 3. [126] Lo, A.W. (1997), Fat Tails, Long Memory, and the Stock Market since the 1960's, Economic Notes by Banca Monte dei Paschi di Siena, Vol. 26, No. 2, 213-246. [127] London, S. (1996), Una Nota acerca de los Modelos Econ¶micos con Din¶micas Ca¶ticas, o a o Anales de la Asociaci¶n Argentina de Econom¶ Pol¶ o ³a ³tica, Salta, 1996. [128] London, S. (1999), Evoluci¶n Econ¶mica: un an¶lisis basado en el cambio institucional, Tesis o o a Doctoral. [129] Lucas, R. E., Sargent, T. J. (1981) Rational Expectations and Econometrics Practice, Allen & Unwin, Londres. [130] Lucas, R. E. (1986), Adaptive Behavior and Economic Theory, Journal of Business, Vol. 59, No. 4, pp. S401-S426 [131] Lux, T. and Marchesi, M. (1998) Scaling and Criticality in a Stochastic Multi-Agent Model of a Financial Market, mimeo. [132] Mandelbrot, B.B. (1982), The Fractal Geometry of Nature, Freeman Pub.Co. [133] Mantegna, R.N. & Staley, H.E. (1995), Scaling Behaviour in the Dynamics of an Economic Index, Nature, Vol. 376, No. 6, 46-49. [134] Mantel, R. (1974), On the Characterization of Aggregate Excess Demand, Journal of Economic Theory, 7, 3488-353. [135] Mantel, R. (1976), Homothetic Preferences in Community Excess Demand Functions, Journal of Economic Theory, 12, 197-201. [136] Martiarena-Mantel, A. (1993), Burbujas Cambiarias e Hiperin°aci¶n. Argentina 1988-1990, o Documento de Trabajo, Instituto Torcuato Di Tella. [137] Marengo, L. (1992), Structure, Competence and Learning in an Adaptive Model of the Firm, Papers on Economics & Evolution No. 9203, European Study Group for Evolutionary Economics. [138] Marks, R.E. (1992),Breeding hybrid strategies: optimal behavior for oligopolist, Journal of Evolutionary Economics, bf 2, 17-18.

158

BIBLIOGRAF¶ IA

[139] May, R. M. & Nowak, M. A. (1992), Evolutionary Games and Spacial Chaos, Nature, 359, 826-829. [140] May, R. M. & Nowak, M. A. (1993), The Spatial Dilemmas of Evolution, International Journal of Bifurcatin and Chaos, 3, 35-78. [141] Mezard, M., Parisi, G. & Virasoro, M. A. (1987) Spin Glass Theory and Beyond World Scienti¯c Lecture Notes in Physics Vol 9, World Scienti¯c, Singapore (1987) [142] Midgley, D.F., Marks, R.E. & Cooper, L.G. (1995), Breeding Competitive Strategies Working Papers, Marketing StudiesCenter, Anderson Graduate School of Managemente, Univ. of California. [143] Milgrom, P & Stokey, N. (1982), Information, Trade, and Common Knowledge, J. Econ. Theory, 26, 439-452. [144] Minsky, M. L. (1967), Computation: Finite and In¯nite Machines, Prentice-Hall, Englewood Cli®s, N. J. [145] Monod, J.(1993), El azar y la necesidad, Trad. cast. Tuskets, Buenos Aires, 5ta. Edici¶n. o [146] MÄller, U. Dacorogna, M., Dav¶, R., Pictet, O.. Olsen, R. & Ward, J, (1994), Fractals and u e Intrinsic Time - A Challenge to Econometricians, Proceedings de la XXXIX International Conference of the Applied Econometrics Association (AEA), Real Time Econometrics - Submonthly Time Series, oct. 1993. [147] Murray, J. D. (1993), Mathematical Biology, Second Edition, Biomathematics Texts, Volume 19, Springer-Verlag. [148] Muth, J.F. (1961), Rational Expectations and the theory of price movements, Econometrica, 29, 315-335. [149] Neftci, S. N. (1984), Are economic time series asymmetric over the business cycle?, J. Pol. Econ., 92, 307-328. [150] Nelson, C. & Plosser, C. (1982), Trends and Random Walks in Macroeconomic Time Series, Journal of Monetary Economics, 10, 129-162. [151] Nelson, R. & Winter (1982), An Evolutionary Theory of Economic Change, Harvard University Press. [152] Noble, A.(1990), Using Genetic Algrotithms in ¯nancial Services en, Proceedings of the Two Day International Conference on Forecasting & Optimization in Financial Services, october 3-4, London. [153] Nyarko, Y. (1995), Convergence in Economic Models with Bayesian Hierarchies of Beliefs, documento de trabajo. [154] Olivera, J. H. G. (1970), On Passive Money, Journal of Political Economy, 78, 805-814. [155] Olivera, J. H. G.(1995), The Unit of value Economic Notes by Monte di Paschi di Sierra, 24, 15-20. [156] Olivera, J.H.G. (1997), Realidad e Idealidad en la Ciencia Econ¶mica, Econom¶ Informa, o ³a M¶xico, 34-37. e [157] Packard, N. (1990), A Genetic learning algorithm for the Analysis of Complex Data, Complex Systems, vol. 4, 543-572.

BIBLIOGRAF¶ IA

159

[158] Palmer, R. (1989), Broken Ergodicity Lectures in the Sciences of Complexity, Stein, D. L. (ed.), Proceedings of the 1988 Complex Systems Summer School held June-July 1988, in Santa Fe, New Mexico, 275-300. [159] Paredis, J & Van Rij, T. (1992) Intelligent Modelling, Simulation and Scheduling of Discrete Production Processes, en Proceedings of the Computer Science and Operations Research, New Developments in their Interfases, Pergamon Press. [160] Perazzo, R.P.J., Reich, S., Schvarzer, J. & Virasoro, M.A., (1995): In°ation and Relaxation to equilibrium in a Complex Economic System, Chaos, Solitons and Fractals, Vol. 6, 455-470. [161] Perazzo, R.P.J. (1993), De Cerebros, Mentes y M¶quinas Fondo de Cultura Econ¶mica, a o Buenos Aires. [162] Piscitelli, L., Cross, R., Grinfeld, M. & Kamba, H. (1997), A test for strong hysteresis, Documento de Trabajo. [163] Pohjola, M. T. (1981), Stable, Cyclic and Chaotic Growth: The Dynamics of a Discrete-Time Version of Goodwin's Growth cycle Model, Zeitschrift fur Nationalokonomie, 41, 27-38. [164] Prigogine I, & Stengers, I. (1984), Order Out of Chaos: Man's New Dialogue with Nature. Heinemann, London. [165] Romer, P. M. (1992), Two Strategies for Economic Development: Using Ideas and Producing Ideas, Proceedings of the World Bank Annual Conference on Development Economics, 1992. [166] Rust,J., Miller, J.H. & Palmer, R. (1992). Behavior of Trading Automata in a computarized double Auction Market, The Double Auction Market, Eds. D. Friedman & J. Rust; SFI Studies in the Sciences of Complexity, Addison-Wesley. [167] Sakoda, J. M. (1971), The checkerboard Model of Social Interaction, Journal of Mathematical Sociology, 1, 119-132. [168] Samuelson, P. A. (1957), Intertemporal Price equilibrium: A Prologue to the Theory of Speculation, Weltwirschaftliches Archiv. 79, 181-219. [169] Samuelson, P.A. (1947), Foundations of Economic Analysis, cap. XI. [170] Sargent, T. (1987), Dynamic Macroeconomic Theory, Harvard University Press. [171] Sargent, T.J. (1993). Bounded Rationality in Macroeconomics, The Arne Ryde Memorial Lectures, Clarendon Press - Oxford. [172] Scheinkman, J. A. (1976), On Optimal Steady States of n-Sector Growth Models when Utility is Discounted, Journal of Economic theory, 12, 11-30. [173] Schelling, T. (1978) Micromotives and Macrobehavior, Fels Lectures on Public Policy Analysis, W. W. Norton & Company. [174] Schuschny A., Perazzo R.P.J. & Heymann, D.(1997),Learning and Contagion E®ects in a Schematic Model of Bank Runs Documento de trabajo (1997) y 2nd. International Conference on Computational Economics, Stanford University, Palo Alto, USA. [175] Schuschny, A. (1998), Sobre la relevancia de la Teor¶ del Caos en los modelos econ¶micos ³a o discretos Anales de la XXXIII Reuni¶n Anual de la Asociaci¶n Argentina de Econom¶ Pol¶ o o ³a ³tica, Mendoza, 11 al 13 de noviembre de 1998.

160

BIBLIOGRAF¶ IA

[176] Schuschny, A. (1998) El estudio del medio ambiente desde las teor¶ de la complejidad, ³as Cap¶ ³tulo 2, Sistemas Ambientales Complejos: herramientas de an¶lisis espacial Ed. Matteucci, a S. y Buzai, G. Editorial Eudeba. [177] Schuster, H. G. (1985), Deterministic Chaos, Springer-Verlag. [178] Sejnowski, T.J. & Rosenberg, C.R. (1987), Parallel Networks that Learn to Pronounce English Text, Complex Systems, 1, 145-168. [179] Simon, H. A. (1959), Theories of Decision-Making in Economics and Behavioral Science, American Economic Review, Vol. 49. [180] Solow, R. (1956), Contributions to the Theory of Economic Growth, Quarterly Journal of Economics, 70, 64-94. [181] Solow, R. (1990), Goodwin's Growth Cycle: Reminiscence and Rumination, en Nonlinear and Multisectorial Macrodynamics, Velupillai, K. (ed.), MacMillan. [182] Stanley, M., Amaral, L. Buldyred, S., Havlin, S. Leschorn, H., Maass, P., Salinger, M. & Stanley, H., (1996) Scaling Behavior in the Growth of Companies, Nature, Vol. 379, 804-806. [183] Stau®er, D. & Aharony, A. Introduction to Percolation Theory 2da. ed.,Taylor and Francis, Londres (1994) [184] Stau®er, D. (1998), Can Percolation Theory be Applied to the Stock market? Annalen der Physik, 1998. [185] Stein, D. L. (ed.) (1992), Spin glasses and biology, World Scienti¯c. [186] Taylor, S. (1986), Modelling Financial Time Series, John Wiley and Sons. [187] Tasauro, G. & Sejnowski, T.J. (1988), A Neural Network that Learns to Play Backgammon, Neural Information Processing Systems. [188] Turing, A.M. (1937), On Computable Numbers, with an Application to the Entscheidungsaproblem Proceedings of the London Mathematical Society, Vol XLII, 230-265. [189] Velupillai, K. (ed.)(1990), Nonlinear and Multisectorial Macroeconomics: Essays in Honour of Richard Goodwin, MacMillan. [190] Velupillai, K. (1994), Rationality and Learning in a Computable Setting: Part II: Computable Learning, UCLA, Center for Computable Economics, Working Paper No. 16. [191] Virasoro, M. A. (1991), On Studying the Brain as an Adaptive Disordered System en \Non Linear Phenomena in Fluids, Solids and other Complex Systems" ed. by Cordero, P. & Nachtergaele, B. North Holland, Amsterdam. [192] Weigend, A. S. & Gershenfeld, N. A. (eds.) (1994), Time Series Prediction: Forecasting the Future and Understanding the Past, Proceedings of the NATO Advanced Research Worshop on Comparative Time Series Analysis held in Santa Fe, New Mexico, May 14-17, 1992, AddisonWesley Publishing Co. Inc. [193] Werbos, P. & Titus, J. (1978), An Empirical Test of New Forecasting Methos Derived from a Theory of Intelligence: The Prediction of Con°ict in Latin America, IEEE Trans. Sys. Man. Cyber. SMC-8 (9), 657-666. [194] Wolfram, S. (1986), Theory and Applications of Cellular Automata, Worl Scienti¯c Publ. Co. Singapore,1986

BIBLIOGRAF¶ IA [195] Wolfram, S. Universality and Complexity in Cellular Automata, Physica 10 D, 1.

161

[196] Wolfram, S. (1986)Undecidability and Intractability in Physical Systems Phys.Rev.Lett. 54, (195), pp. 735 [197] Woodford, M. (1989), Imperfect Financial Intermediation and complex dynamics, en Barnett, W. A., Geweke, J. & Shell (eds.): Economic complexity: Chaos, Sunspots, bubbles, and Nonlinearity, 309-334, combridge University Press. [198] Woodford, M. (1992), Equilibrium Models of Endogeneous Fluctuations: An Introduction, en Macroeconomics: A Survey of Research Strategies, Eds.: Vercelli, A. & Dimitri, N., Oxford University Press.

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.