An `Inverse' Experimental Framework to Estimate Market Efficiency

1. El Problema

Las plataformas de mercados digitales procesan miles de millones de dólares anualmente, pero carecen de marcos de medición rigurosos para optimizar su gobernanza algorítmica en términos de eficiencia y equidad.

• La Limitación Fundamental: En los datos observables del mundo real (libros de órdenes con ofertas y demandas), los economistas no tienen acceso a las valores de reserva reales (la máxima disposición a pagar de los compradores o la mínima disposición a vender de los vendedores).
• La Consecuencia: Sin conocer estos valores ocultos, es imposible calcular la eficiencia asignativa (qué tan bien se asignan los recursos a quienes más los valoran) ni evaluar la equidad de los resultados del mercado basándose únicamente en los datos del libro de órdenes.
• El Vacío Teórico: En subastas de doble oferta continuas (bid-ask), no existe una teoría de comportamiento estratégico óptimo universalmente aceptada que permita inferir estos valores ocultos a partir de los datos observados, y los datos del libro de órdenes son altamente no estructurados, no estacionarios y no lineales.

2. Metodología: El Enfoque "Inverso"

Los autores proponen un marco innovador que "invierte" la lógica tradicional de la economía experimental:

• Enfoque Tradicional: Se inducen valores de reserva conocidos en un laboratorio $\rightarrow$ se observa el comportamiento del mercado $\rightarrow$ se evalúa si converge al Equilibrio Competitivo (CE).
• Enfoque Inverso (Propuesto): Se utiliza el comportamiento observado del mercado (ofertas, demandas y precios realizados) $\rightarrow$ para predecir las características del equilibrio subyacente (eficiencia asignativa y precios de equilibrio) sin conocer los valores de reserva.

Proceso Técnico:

1. Datos de Entrenamiento: Se utiliza un conjunto de datos experimental a gran escala (reproducción de Smith [1962] por Ikica et al.) donde los valores de reserva son conocidos. Esto sirve como "verdad fundamental" (ground truth) para entrenar los modelos.
2. Transformación de Datos (Representación de Cuantiles): Dado que los libros de órdenes son dinámicos y de tamaño variable, los autores transforman las ofertas y demandas crudas en vectores de deciles (cuantiles).
   • Se normalizan los datos utilizando el Rango Intercuartílico (IQR) para eliminar la dependencia de la escala de precios, permitiendo que los modelos generalicen a mercados con diferentes magnitudes monetarias.
   • Los deciles de las ofertas representan la "demanda realizada" y los de las demandas la "oferta realizada".
3. Modelos de Aprendizaje Automático: Se entrenan y comparan varios modelos para predecir dos objetivos principales:
   • Eficiencia Asignativa (AE): La proporción de ganancias de comercio reales respecto al máximo teórico.
   • Precio de Equilibrio Competitivo (CEP): El precio de mercado de equilibrio.
   • Modelos probados:
     • Hipótesis de Mercado Eficiente (EMH) y Corregida (CEMH): Baselines no paramétricos.
     • Regresión Lineal Robusta (OB-RLM): Utiliza cuantiles normalizados y precios realizados.
     • Gradient Boosting Trees (GBT): Modelos no lineales de ensamble (ej. XGBoost/CatBoost) capaces de capturar dinámicas complejas y transitorias.

3. Contribuciones Clave

• Inversión Metodológica: Es el primer enfoque que utiliza datos experimentales controlados para entrenar modelos destinados a inferir la eficiencia en datos observacionales del mundo real donde faltan los valores de reserva.
• Ingeniería de Características: Desarrollo de una representación basada en cuantiles normalizados que maneja la variabilidad del tamaño del mercado y la escala de precios, superando las limitaciones de las representaciones fijas de libros de órdenes financieras tradicionales.
• Predicción Temprana: Capacidad de estimar la eficiencia y el precio de equilibrio utilizando solo las ofertas y demandas iniciales, antes de que se realice ninguna transacción (un escenario donde la teoría económica tradicional falla).
• Aplicabilidad Práctica: El marco está diseñado para ser aplicable a mercados B2B, subastas de publicidad y plataformas de contratación, donde los valores de reserva son privados.

4. Resultados Principales

Los resultados se evaluaron utilizando el Error Porcentual Absoluto Mediano (Median-APE) en un conjunto de prueba separado:

• Predicción de Eficiencia Asignativa (AE):
  • Los modelos no lineales (GBT) superaron consistentemente a los modelos lineales y a los baselines, especialmente en las rondas iniciales y antes de que se observen precios realizados.
  • El GBT logró un error mediano (MAPE) de aproximadamente 10-13% en la primera ronda sin transacciones, mejorando a <7% a medida que se acumulan datos.
  • Los modelos lineales (OB-RLM) funcionaron bien una vez que hubo precios realizados, pero fallaron en las fases transitorias tempranas.
• Predicción del Precio de Equilibrio (CEP):
  • Antes de cualquier transacción: El modelo GBT fue el único capaz de predecir con precisión, superando a los modelos lineales (MAPE ~13.5% vs ~19.1% para OB-RLM).
  • Después de las transacciones: Los modelos lineales (OB-RLM) superaron a los no lineales una vez que hubo suficientes precios realizados, alcanzando errores inferiores al 5%.
• Análisis de Características:
  • Para la eficiencia, los modelos no lineales dieron mayor importancia a la configuración de retroalimentación (ej. "Caja Negra") y a los deciles extremos de las ofertas de los vendedores.
  • Para el precio, los deciles de las ofertas de los compradores (especialmente los altos) y las reglas de precios fueron determinantes.

5. Significado e Implicaciones

• Puente entre Teoría y Práctica: El marco demuestra que es posible extraer señales de eficiencia de datos de mercado complejos y ruidosos sin necesidad de suposiciones teóricas estrictas sobre el comportamiento racional de los agentes.
• Optimización de Plataformas: Proporciona a los operadores de mercados digitales (ej. exchanges de componentes electrónicos, plataformas de publicidad) herramientas para monitorear la "salud" del mercado en tiempo real, detectar ineficiencias o manipulaciones, y ajustar reglas de mercado dinámicamente.
• Validación de Hipótesis: Sugiere que la eficiencia de los mercados no depende únicamente de la racionalidad de los agentes, sino que la estructura institucional y los patrones observables en el libro de órdenes contienen suficiente información para inferir el bienestar del mercado.
• Futuro: El enfoque sienta las bases para la aplicación en datos no experimentales del mundo real, donde la validación directa es imposible, permitiendo una gobernanza algorítmica basada en evidencia para economías digitales complejas.

En resumen, el artículo presenta una solución computacional robusta a un problema económico clásico (la medición de la eficiencia sin valores ocultos), demostrando que el aprendizaje automático, entrenado en entornos controlados, puede inferir con precisión métricas de bienestar económico a partir de datos observables en tiempo real.