News Press Service
Banco de la República
Proponemos un modelo de supervisión de algoritmos de «caja negra» utilizados en aplicaciones de alto riesgo, como préstamos, pruebas médicas o contratación. En nuestro modelo, el regulador tiene limitaciones en cuanto a la información que puede obtener sobre un modelo de caja negra implementado por un agente con preferencias desalineadas.
El regulador se enfrenta a dos opciones: primero, permitir o no el uso de algoritmos complejos; y segundo, determinar qué propiedades clave de los algoritmos regular.
Demostramos que limitar a los agentes a algoritmos lo suficientemente simples como para ser totalmente transparentes resulta ineficiente siempre que la desalineación sea limitada y los algoritmos complejos tengan un rendimiento significativamente superior al de los simples.
Permitir algoritmos complejos puede mejorar el bienestar, pero las ventajas dependen de cómo los regule el regulador. Una regulación centrada en el comportamiento promedio general de los algoritmos, por ejemplo, mediante herramientas explicativas estándar, suele ser ineficiente.
Una regulación específica que se centre en la fuente de la desalineación de incentivos, como el exceso de falsos positivos o las disparidades raciales, puede ofrecer soluciones subóptimas.
Respaldamos empíricamente nuestros hallazgos teóricos mediante una aplicación en préstamos al consumo, donde demostramos que los modelos complejos regulados con herramientas de explicación contextualizadas superan a los modelos simples y totalmente transparentes.
Esta ventaja de los modelos complejos representa una mejora de Pareto en todas nuestras aplicaciones empíricas, preferida tanto por el prestamista como por el regulador financiero.
Acerca del expositor
La investigación de Scott Nelson se centra en los mercados de crédito al consumo, en particular en cómo la regulación interactúa con las asimetrías de información y la estructura del mercado, y cómo los consumidores toman decisiones sobre préstamos, desapalancamiento e impago.
Su investigación utiliza una variedad de fuentes de datos que incluyen informes crediticios, datos de cuentas de tarjetas de crédito, encuestas, documentos judiciales y datos de empleo junto con modelos de comportamiento del consumidor y de la empresa para comprender los impulsores de los resultados del mercado crediticio.
Su investigación sobre el mercado de tarjetas de crédito de EE. UU. fue galardonada con el premio AQR Top Finance Graduate Award en 2018.
Antes de unirse a Booth, Nelson pasó un año postdoctoral en la Oficina de Protección Financiera del Consumidor (CFPB) y la Universidad de Princeton; también ha sido investigador asociado en la Oficina de Empoderamiento Financiero de la Ciudad de Boston, becario visitante de posgrado en el Banco de la Reserva Federal de Boston y becario de investigación de posgrado de la Fundación Nacional de Ciencias.
Nelson obtuvo un doctorado en economía del Instituto Tecnológico de Massachusetts (MIT).
Antes de sus estudios en el MIT, Nelson trabajó como asistente de investigación en el Banco de la Reserva Federal de Nueva York y en Innovations for Poverty Action, donde fue miembro de la Iniciativa de Finanzas para los Hogares de EE. UU. Se licenció con honores (summa cum laude) en economía y matemáticas por el Yale College.
