Una persona busca un sitio donde cenar y encuentra una calle donde hay dos restaurantes. Los dos tienen buena pinta pero están vacíos porque todavía es un poco pronto. Aleatoriamente, dicha persona decide entrar en el restaurante A. Al momento llega una pareja también con intenciones de cenar. Cualquiera de los dos restaurantes les parece un buen lugar pero, al ver que el restaurante A tiene una persona, deciden entrar, basándose en que si en un restaurante hay gente y otro está vacío, el primero debe ser mejor. Las siguientes personas que busquen un sitio para cenar probablemente lleguen a la misma conclusión. Como consecuencia, el restaurante A estará lleno mientras el B seguirá vacío, aunque en principio cualquiera de los dos son igualmente buenos.

Esta situación está a la orden del día. ¿Cuántos de nosotros acudimos a un determinado médico, peluquería o taller sólo porque nos lo recomienda un amigo que ya ha estado aunque conozcamos también otros que parecen igual de buenos? Está claro que la información de la que disponemos es útil pero en ocasiones nos influye en gran medida las decisiones que tomaron antes otras personas.

Esto mismo ocurre en los mercados financieros. Cada agente recibe información privada (señales) acerca de cómo debería actuar. Además conoce también las decisiones que han tomado sus predecesores, aunque desconoce las señales que recibieron. Usando estos conocimientos, cada agente toma su propia decisión.

Pero este desconocimiento de las señales que recibieron los anteriores puede hacernos a veces ignorar nuestras propias señales y adoptar las mismas decisiones que adoptaron otros anteriormente. Este efecto en economía se conoce como efecto rebaño o efecto herding. Muchos consideran este fenómeno como una de las principales causas del inicio de momentos de histeria colectiva o pánico (bubbles/crashes) que han ocurrido a lo largo de la historia.

Definición

Decimos que existe efecto herding en los mercados financieros cuando un grupo de inversores ignora su propia información y actúa únicamente siguiendo las decisiones de otros inversores.

Existen estudios que tratan este efecto como un fenómeno intradiario. Intuitivamente tiene sentido. Es más probable que los inversores imiten a otros antes que interpretar la información que reciben cuando tienen poco tiempo para tomar decisiones de inversión. En los últimos años se ha estudiado este efecto basándose en el modelo de cascadas de información.

Según este modelo, los inversores reciben una señal imperfecta acerca del valor futuro de un activo (V) que les indica que el precio subirá (S) o bajará (B).

Los inversores conocen su propia señal, pero desconocen cuál es la señal recibida por los demás, aunque sí que pueden observar sus acciones.  La decisión de inversión se toma de forma secuencial, de modo que las decisiones de los participantes precedentes son cruciales a la hora de tomar la decisión propia. El esquema sería el siguiente:

El primer inversor (I#1) que ha de tomar la decisión observa su propia señal y actúa en consecuencia. El segundo inversor (I#2) contará con dos tipos de información: la señal que él mismo ha recibido y la mostrada por I#1 con su decisión. Si I#1 compró y la información recibida por I#2 es S, el segundo inversor comprará.  Si las señales son contradictorias, se deduce que la probabilidad de beneficio es 0,5. En este caso I#2 tomará la decisión de invertir o no invertir por puro azar al encontrarse en la más incierta de las situaciones posibles.

Supongamos que los dos primeros inversores han invertido. Cuando el tercero (I#3) tenga que tomar su decisión inferirá que la señal de I#1 era una S, y que aunque la de I#2 podría ser tanto S como B es más probable que la señal fuera también positiva. Por tanto, I#3 invertirá incluso si su señal es B. El siguiente inversor (I#4) no obtendrá ninguna información adicional de la decisión tomada por éste último, ya que no está basada en su propia información, sino en la de los primeros inversores. Estará en la misma tesitura que el tercero y, por tanto, invertirá independientemente de cuál sea la señal recibida. Lo mismo ocurrirá para todos y cada uno de los siguientes inversores. Ha dado comienzo una cascada de compra. Una cascada en sentido contrario daría comienzo de la misma forma si tanto el primer inversor en tomar la decisión como el segundo decidieran no invertir.

Si se da este fenómeno y los inversores comienzan a obviar sus creencias a favor de las observadas en las acciones de los demás, esperaremos encontrar secuencias más largas de compras o ventas a lo largo de la sesión de lo que cabría esperar si no existieran estas cascadas de información y cada inversor siguiera su propia información.

¿Cómo se mide este fenómeno cuantitativamente?

Lo más recomendable es usar datos intradiarios de operaciones.

El primer paso es buscar el sentido de las transacciones, para saber si han sido iniciadas por el comprador o el vendedor. Dos de los métodos más utilizados proporcionan resultados similares:

• Tick-test: Una transacción se clasifica como iniciada por el comprador (up-tick) si el precio al que se establece es superior al de la transacción anterior. Lo contrario para considerarla como iniciada por el vendedor (down-tick). Si el precio no cambia se distingue un tercer grupo (cero-tick).
• Algoritmo de Lee y Ready: Usando los precios bid y ask precedentes, clasifica las transacciones como iniciadas por el comprador (up-tick) si ocurren a un precio por encima del punto medio del spread, o iniciadas por el vendedor (down-tick) si se realizan por debajo. Si es al mismo, se consideran transacciones cero-tick.

Denominamos secuencia al conjunto de transacciones sucesivas pertenecientes a un mismo tipo.

Sea x(i,j,t) un tipo de secuencia i (alza, baja, cero) del activo j en la fecha t.

Siendo,

          r_i: número de secuencias del tipo i (alza, baja o cero).

          n: número total de transacciones realizadas en el activo j en el día t.

          1/2: parámetro de ajuste por discontinuidad.

          p_i: probabilidad de encontrar una secuencia de tipo i (a priori p_i=1/3 )

x(i,j,t) se distribuye asintóticamente como una normal con media cero y varianza:

De esta forma, queda definido uno de los estadísticos más utilizados para medir la intensidad de herding (Patterson y Sharma (2006)):

Si los inversores imitan, el número real de secuencias iniciadas será inferior al esperado, y por tanto los valores del estadístico deberían ser negativos y significativos. Cuanto más negativos, mayor será la probabilidad de que exista herding.