16. Economía basada en agentes
16.1. Doyne Farmer
16.2. Agent-Based Models
16.3. Heterogeneidad
16.4. Emergencia macroeconómica desde agentes microeconómicos
PARTE IV. GENEALOGÍA INTELECTUAL
16. Economía basada en agentes
Introducción: del sistema adaptativo al modelo computacional
El capítulo anterior introdujo la economía de la complejidad de W. Brian Arthur y la tradición de Santa Fe. Su aportación fundamental fue desplazar parte del foco desde:
“¿cuál es el equilibrio?”
hacia:
“¿cómo emerge un patrón económico cuando agentes heterogéneos interactúan, aprenden y modifican el entorno?”
Pero esa pregunta plantea inmediatamente otra dificultad:
¿cómo modelamos una economía si no queremos asumir desde el principio un agente representativo, una única regla de comportamiento o un equilibrio ya conocido?
Una de las respuestas más importantes es la economía basada en agentes, o Agent-Based Economics.
En un Agent-Based Model —ABM— no empezamos necesariamente buscando una solución agregada cerrada. Construimos una población de agentes, especificamos sus estados, decisiones y relaciones, dejamos que interactúen y estudiamos qué patrones macroeconómicos aparecen.
En forma extremadamente simplificada:
Agentes microeconómicos
→ decisiones
→ interacciones
→ mercados y redes
→ resultados agregados.
Pero el proceso no termina ahí:
resultados agregados
→ precios/información/balances
→ nuevas decisiones microeconómicas.
Por tanto:
micro genera macro y macro vuelve a modificar micro.
Ésta es una de las razones por las que los ABM encajan especialmente bien en RMS.
Su utilidad potencial aparece cuando son importantes:
- heterogeneidad;
- redes;
- balance sheets;
- aprendizaje;
- interacción local;
- reglas adaptativas;
- no linealidad;
- cascadas;
- transición.
J. Doyne Farmer se ha convertido en una de las figuras más relevantes de esta evolución. Actualmente dirige el programa de Complexity Economics de INET Oxford y su investigación económica incluye precisamente agent-based modelling, inestabilidad financiera y progreso tecnológico.
Farmer y Duncan Foley defendieron ya en 2009 que la economía necesitaba desarrollar más seriamente la modelización basada en agentes. Desde entonces, el campo ha evolucionado desde modelos fundamentalmente cualitativos hacia modelos cuantitativos calibrados con datos y, más recientemente, capaces de producir predicciones fuera de muestra.
Pero RMS debe introducir desde el principio una cautela importante:
un ABM no es automáticamente superior a un modelo de equilibrio por ser más complejo o más realista.
Farmer y John Geanakoplos han defendido precisamente una posición no dogmática: existen situaciones donde los modelos de equilibrio son muy útiles y otras donde sus limitaciones justifican métodos alternativos; la cuestión debe resolverse empíricamente.
Ésa será también la posición de RMS:
método según mecanismo, no método según escuela.
16.1. Doyne Farmer
16.1.1. Un recorrido intelectual poco convencional
Doyne Farmer procede originalmente de:
- física;
- teoría de sistemas dinámicos;
- caos;
- predicción de series temporales.
Posteriormente aplicó esas herramientas a:
- mercados financieros;
- economía;
- tecnología.
Ese recorrido explica parte de su aproximación.
El punto de partida no es:
“¿qué solución analítica elegante podemos obtener?”
sino con frecuencia:
“¿qué estructura mínima necesitamos para reproducir cuantitativamente el comportamiento observado?”
Su programa actual en Oxford se concentra, entre otros campos, en agent-based modelling, inestabilidad financiera y progreso tecnológico.
16.1.2. Farmer no rechaza el equilibrio en bloque
Ésta es una precisión importante.
Farmer y Geanakoplos reconocen explícitamente las virtudes de la teoría del equilibrio y sostienen que el debate no debe convertirse en una confrontación ideológica; el problema es identificar en qué contextos las hipótesis de equilibrio proporcionan buenas predicciones y en cuáles se necesitan aproximaciones diferentes.
RMS adopta exactamente esta postura.
Por tanto:
Equilibrium Models ≠ wrong.
Y:
ABM ≠ universal solution.
La pregunta es:
¿qué representación captura mejor el mecanismo relevante?
16.1.3. El problema que Farmer intenta resolver
Una parte importante de la macroeconomía necesita representar simultáneamente:
- muchos hogares;
- empresas;
- bancos;
- mercados;
- contratos.
Estos agentes pueden diferir en:
- renta;
- riqueza;
- deuda;
- productividad;
- expectativas.
Además:
interactúan.
Eso hace difícil resumir todo el sistema mediante:
un agente representativo.
Farmer propone utilizar computación para representar directamente:
esa diversidad.
16.1.4. De la economía analítica a la economía computacional
Podemos distinguir conceptualmente:
Modelo analítico
Buscamos:
solución matemática.
Modelo computacional
Especificamos:
reglas
y observamos:
dinámica simulada.
Esto no significa que el modelo computacional carezca de teoría.
Necesita:
- ecuaciones;
- parámetros;
- reglas;
- restricciones.
La diferencia reside en que no exige siempre una:
solución cerrada.
16.1.5. Farmer-Foley 2009
Farmer y Foley argumentaron que los ABM ofrecían una vía para estudiar economías formadas por muchos agentes diferentes y sus interacciones, especialmente en problemas donde los modelos tradicionales presentaban dificultades para representar crisis y dinámicas fuera de equilibrio.
Ésa fue todavía una defensa programática.
Lo importante es:
qué ocurrió después.
16.1.6. De ABM cualitativo a ABM cuantitativo
Una crítica histórica importante a los primeros ABM era:
podían producir comportamientos interesantes, pero ¿podían medir y predecir economías reales?
El campo ha intentado responder desarrollando:
- calibración;
- estimación;
- datos microeconómicos;
- validación fuera de muestra.
La revisión de Farmer y colaboradores sobre el estado de los ABM en economía y finanzas señala precisamente esta evolución y documenta aplicaciones en mercados, organización industrial, trabajo, macroeconomía, desarrollo, política y economía ambiental.
16.1.7. Data-driven ABM
Aquí aparece un cambio particularmente importante.
Podemos construir poblaciones sintéticas con:
- hogares;
- riqueza;
- ingresos;
- consumo.
Y empresas con:
- empleo;
- balances;
- producción.
Después calibramos:
el modelo a datos reales.
La diferencia respecto a los primeros modelos estilizados es grande.
16.1.8. Predicción macroeconómica
Farmer y colaboradores han desarrollado recientemente ABM macroeconómicos cuantitativos calibrados para los 38 países de la OCDE y evaluados mediante predicciones fuera de muestra. En ese trabajo, el modelo incorpora hogares heterogéneos en renta, riqueza y consumo, además de mercados de vivienda y crédito, y los autores reportan mejores resultados de forecasting que determinados benchmarks comparados.
Esto es metodológicamente importante.
El criterio deja de ser exclusivamente:
“¿genera stylized facts interesantes?”
y pasa a incluir:
“¿predice datos que no utilizamos para construirlo?”
16.1.9. Farmer 2025: ABM cuantitativo
La agenda reciente de Farmer presenta los ABM cuantitativos como una alternativa prometedora para macroeconomía, precisamente porque la mayor disponibilidad de microdatos y potencia computacional permite avanzar desde modelos conceptuales hacia modelos calibrados y testeables.
Para RMS esta evolución es esencial.
Porque si RMS quiere ser:
contrastable
necesita pasar de:
mapas sistémicos
a:
modelos medibles.
16.1.10. Política económica real
La relevancia de los ABM empieza además a salir del ámbito puramente académico.
En 2026, INET Oxford está trabajando con el gobierno británico en una evaluación macroeconómica del Séptimo Presupuesto de Carbono utilizando un modelo macroeconómico basado en agentes; el proyecto modela crecimiento, empleo, inflación y desigualdad en escenarios de descarbonización.
Esto no demuestra que ABM haya sustituido a los modelos convencionales.
Sí demuestra algo más limitado pero importante:
la metodología está entrando en aplicaciones reales de política económica.
Proposición RMS-ABM1
La contribución de Farmer consiste en impulsar la transición desde una economía de complejidad principalmente conceptual hacia modelos computacionales cuantitativos en los que heterogeneidad, interacción y adaptación puedan calibrarse y contrastarse con datos reales.
16.2. Agent-Based Models
16.2.1. Definición
Definiremos un ABM económico como:
un modelo computacional compuesto por una población de agentes con estados y reglas de decisión explícitos que interactúan dentro de mercados, instituciones o redes, generando dinámicas agregadas a partir de esas interacciones.
Podemos representarlo:
ABM = {Agentes, Estados, Reglas, Interacciones, Entorno}.
16.2.2. Agentes
Pueden ser:
- hogares;
- empresas;
- bancos;
- gobiernos;
- inversores.
Cada agente posee:
state vector.
Por ejemplo:
Household_i = {income, wealth, debt, employment, expectations}.
16.2.3. Reglas
Cada agente necesita una regla:
Actionᵢ,t = f(Stateᵢ,t, Informationᵢ,t, Expectationsᵢ,t).
La regla puede proceder de:
- optimización;
- heurística;
- evidencia empírica;
- aprendizaje.
Un ABM no implica necesariamente:
agentes irracionales.
Puede incorporar agentes:
optimizadores.
16.2.4. Interacción
Los agentes pueden interactuar mediante:
- mercados;
- contratos;
- redes.
Entonces:
Action_i
afecta:
State_j.
16.2.5. Entorno
El modelo puede contener:
- instituciones;
- impuestos;
- tipos;
- tecnología;
- regulación.
Entonces política económica puede representarse modificando:
parte del entorno o reglas.
16.2.6. Tiempo
Los ABM suelen evolucionar en:
pasos discretos.
En cada periodo:
- agentes observan;
- deciden;
- interactúan;
- mercados procesan;
- estados se actualizan.
16.2.7. Esquema mínimo
Podemos formalizar:
Sᵢ,t
estado del agente i.
Decisión:
aᵢ,t = πᵢ(Sᵢ,t,Iᵢ,t).
Interacción:
Mₜ = G({aᵢ,t}, Networkₜ).
Actualización:
Sᵢ,t+1 = Fᵢ(Sᵢ,t,aᵢ,t,Mₜ).
Y macro:
Yₜ = H({Sᵢ,t}).
El resultado agregado:
emerge
de los estados micro.
16.2.8. Bottom-up
Ésta es la característica fundamental:
micro → macro.
No necesitamos imponer directamente:
una ecuación agregada de consumo.
Podemos calcular:
Cₜ = Σ Cᵢ,t.
16.2.9. Pero también top-down
Una vez generado:
inflaciónₜ, desempleoₜ, precioₜ,
esas variables afectan:
decisiones individuales.
Entonces:
macro → micro.
Tenemos:
micro ↔ macro.
16.2.10. Esto encaja con RMS
Recordemos:
System → Incentives → Behavior → Equilibrium/Pattern → Outcomes → Feedback → System.
ABM permite simular:
esa circularidad.
16.2.11. No exige necesariamente equilibrio instantáneo
Mercados pueden:
- no vaciarse;
- acumular inventarios;
- tener desempleo.
Entonces:
disequilibrium states
pueden formar parte de:
la trayectoria.
16.2.12. Stocks explícitos
Cada agente puede mantener:
- deuda;
- inventarios;
- capital.
Entonces el ABM encaja especialmente bien con:
capítulo 3.
16.2.13. Balances
Ejemplo:
Empresa i:
Assetsᵢ − Debtᵢ = Equityᵢ.
Un shock puede:
reducir equity.
Eso cambia:
financiación futura.
Entonces:
stock micro → conducta micro → resultado macro.
16.2.14. Redes explícitas
También puede modelarse:
quién compra a quién.
Entonces podemos introducir:
Network_ij.
Esto conecta:
capítulo 11.
16.2.15. Aprendizaje
Las reglas π pueden:
cambiar.
πᵢ,t+1 = Learn(πᵢ,t,performance).
Así:
behavior evolves.
16.2.16. Policy experiments
Una gran ventaja computacional:
podemos ejecutar:
escenario A
y:
escenario B.
Pero debemos recordar:
esto produce:
contrafactual del modelo.
No automáticamente:
contrafactual real.
Proposición RMS-ABM2
Un ABM permite representar explícitamente agentes, estados, reglas, redes y procesos de actualización, haciendo posible estudiar dinámicas micro-macro sin imponer necesariamente un agente representativo ni equilibrio instantáneo.
16.3. Heterogeneidad
La heterogeneidad es probablemente la principal razón económica para utilizar un ABM.
Pero debemos evitar:
heterogeneidad por realismo decorativo.
Sólo debe incorporarse si:
importa para el mecanismo.
16.3.1. Heterogeneidad de hogares
Los hogares difieren en:
- renta;
- riqueza;
- deuda;
- edad.
Supongamos:
subida de tipos.
Hogar A:
ahorrador.
Hogar B:
hipoteca variable elevada.
Mismo shock.
Efecto:
opuesto.
16.3.2. Agregación puede ocultar
Si observamos sólo:
deuda media,
puede parecer moderada.
Pero si una minoría posee:
deuda extrema,
el shock puede:
afectarla fuertemente.
Entonces:
distribution matters.
16.3.3. Heterogeneidad empresarial
Empresas difieren en:
- productividad;
- tamaño;
- balance;
- tecnología.
Por tanto:
política monetaria
no afecta igual:
a todas.
16.3.4. Gabaix: heterogeneidad de tamaño
Gabaix proporciona un argumento muy importante.
Cuando la distribución de tamaño empresarial tiene:
colas pesadas,
shocks idiosincráticos de firmas gigantes pueden tener:
consecuencias macroeconómicas.
Entonces:
heterogeneity + concentration → granular macro.
16.3.5. Acemoglu: heterogeneidad de posición
Pero tamaño:
no es todo.
Una empresa pequeña puede ser:
central en la red.
Entonces:
Gabaix:
heterogeneidad de tamaño.
Acemoglu:
heterogeneidad de posición.
RMS necesita ambas.
16.3.6. Heterogeneidad de balance
Minsky, Shin y Brunnermeier muestran otra dimensión.
Intermediarios con:
balances diferentes
responden de forma distinta.
Cuando los agentes altamente apalancados empiezan a:
vender,
pueden afectar:
precios para todos.
Entonces:
heterogeneity → interaction → systemic effect.
16.3.7. Heterogeneidad de expectativas
Arthur:
diferentes heurísticas.
Sargent:
diferentes procesos de aprendizaje.
Angeletos:
información privada/higher-order beliefs.
Entonces:
belief distribution
puede ser macroeconómicamente relevante.
16.3.8. Stantcheva
Las percepciones ciudadanas también difieren.
Por tanto:
una misma política puede ser interpretada:
de formas distintas.
Si queremos modelar:
economía política,
la heterogeneidad cognitiva puede importar.
16.3.9. Heterogeneidad de capacidades
Las empresas no sólo tienen:
recursos diferentes.
Saben hacer:
cosas diferentes.
Entonces:
C_i ≠ C_j.
Esto conecta ABM directamente con:
Capability Space RMS.
16.3.10. Heterogeneidad dimensional
Podemos distinguir:
Estado
riqueza, deuda.
Estructura
posición en red.
Conducta
reglas.
Capacidad
qué puede hacer.
Creencia
qué espera.
Cada tipo de heterogeneidad produce:
mecanismos diferentes.
16.3.11. Cuándo importa
Podemos formular un criterio.
La heterogeneidad es especialmente relevante cuando existe:
No linealidad
E[f(x)] ≠ f(E[x]).
Si f es no lineal:
el promedio puede engañar.
16.3.12. Ejemplo
Supongamos riesgo de default:
0 si deuda < 100.
1 si deuda > 100.
Dos empresas:
deuda = 50 y 150.
Deuda media:
Pero:
una está en default.
La empresa representativa:
no captura:
la distribución.
16.3.13. Heterogeneidad + interacción
Todavía más importante:
si agentes diferentes interactúan,
la distribución cambia:
la propia dinámica.
Entonces:
ABM resulta especialmente útil.
Proposición RMS-ABM3
La heterogeneidad debe modelarse explícitamente cuando distribuciones de estados, capacidades, posiciones o creencias interactúan con no linealidades de forma que el promedio agregado deja de representar adecuadamente el comportamiento del sistema.
16.4. Emergencia macroeconómica desde agentes microeconómicos
Llegamos al núcleo conceptual del capítulo.
¿Cómo puede surgir:
un fenómeno macro
de:
decisiones microeconómicas?
16.4.1. Agregación simple
Algunos resultados son:
simple suma.
Consumo agregado = Σ consumo individual.
Aquí no existe:
emergencia en sentido fuerte.
16.4.2. Interacción
Pero cuando:
decisión de i afecta a j,
el agregado puede tener:
propiedades nuevas.
Tenemos:
interaction effects.
16.4.3. Schelling
Ejemplo clásico:
preferencias individuales relativamente moderadas
pueden producir:
segregación agregada elevada.
El patrón macro:
no estaba en:
ningún agente individual.
16.4.4. Arthur
En El Farol:
agentes intentan anticipar:
qué harán otros.
El sistema puede autoorganizarse alrededor de patrones agregados sin que exista:
coordinador central.
16.4.5. Mercado laboral
Podemos imaginar:
Empresas ↓ contratación porque esperan:
demanda baja.
Trabajadores ↓ consumo porque:
temen desempleo.
Entonces:
expectativas micro → demanda macro ↓ → validación micro.
Tenemos:
emergencia + feedback.
16.4.6. Crisis financiera
Banco A:
vende activos.
Precio:
baja.
Banco B:
pierde equity.
B vende.
Entonces:
micro risk management → macro fire sale.
Cada banco puede estar intentando:
reducir riesgo.
El sistema:
lo aumenta.
16.4.7. Minsky-Shin-Brunnermeier
Éste es precisamente uno de los lugares donde ABM puede complementar modelos macro-financieros.
Los mecanismos ya están bien identificados:
- leverage;
- balance;
- precios;
- crédito.
El ABM permite:
heterogeneizar agentes y redes.
16.4.8. Supply chain
Empresa A pierde:
proveedor.
Reduce producción.
Cliente B recibe menos input.
Reduce producción.
Entonces:
local shock → cascade → macro output loss.
16.4.9. Acemoglu
La teoría de redes permite formalizar:
propagación.
ABM puede añadir:
- adaptación;
- cambio de proveedor;
- inventarios.
Entonces ambas metodologías son:
complementarias.
16.4.10. No toda emergencia exige ABM
Ésta es una precaución fundamental.
Si podemos resolver:
el mismo mecanismo
con:
modelo analítico simple,
éste puede ser preferible.
ABM debe aportar:
valor adicional identificable.
16.4.11. Emergencia fuerte y débil
Podemos distinguir:
Emergencia débil
macro = agregación compleja pero comprensible analíticamente.
Emergencia computacional
el patrón surge de muchas interacciones y es difícil derivarlo cerradamente, aunque podemos reproducirlo mediante simulación.
RMS no necesita entrar en debates filosóficos sobre emergencia fuerte.
La categoría útil es:
emergencia operacional.
16.4.12. Micro-macro feedback
La estructura completa es:
Micro_t
→ interactions
→ Macro_t
→ incentives/information
→ Micro_t+1.
Este bucle puede continuar indefinidamente.
16.4.13. Macro como entorno endógeno
Así:
el entorno que observa el agente no es:
completamente externo.
Ha sido producido:
en parte por agentes anteriores.
Esto conecta directamente con Arthur.
16.4.14. Macro puede cristalizar en estructura
Un patrón agregado puede además producir:
instituciones o stocks.
Ejemplo:
cluster empresarial emerge.
Después genera:
- infraestructura;
- regulación;
- talento.
Entonces:
emergent macro → structural persistence.
16.4.15. Emergencia y path dependence
Tenemos:
interaction → pattern → stock accumulation → path dependence.
Ésta es una conexión muy importante entre:
capítulos 3, 4, 7, 15 y 16.
Proposición RMS-ABM4
Un resultado macroeconómico puede emerger de interacciones microeconómicas cuando las decisiones individuales alteran el entorno de otros agentes y generan feedbacks que no pueden reducirse a una suma independiente de comportamientos.
16.5. Agent-based models y racionalidad
Existe una confusión frecuente:
ABM = agentes irracionales.
No.
Un ABM puede contener:
- optimización;
- bounded rationality;
- aprendizaje.
16.5.1. Agente optimizador
Puede resolver:
max U
dadas restricciones.
16.5.2. Heurística
Puede usar:
si precio cae 10 %, vender.
16.5.3. Learning agent
Puede actualizar:
regla.
16.5.4. Mezcla
Diferentes agentes pueden tener:
reglas distintas.
Esto permite:
behavioral heterogeneity.
16.5.5. Riesgo metodológico
Pero si el modelador elige reglas arbitrariamente:
puede producir:
casi cualquier patrón.
Por tanto:
behavioral realism requires evidence.
16.6. ¿De dónde deben salir las reglas de comportamiento?
Ésta es una pregunta central.
Podemos utilizar:
Teoría económica
optimización.
Microdatos
comportamiento observado.
Experimentos
estimación de reglas.
Machine learning
calibración/predicción.
Literatura conductual
heurísticas documentadas.
Pero nunca:
regla inventada únicamente porque genera el macroresultado deseado.
16.7. Calibración
Una vez especificado el modelo:
necesitamos parámetros.
Podemos:
- calibrar;
- estimar.
Los ABM recientes utilizan cada vez más:
métodos estadísticos avanzados.
El trabajo de Farmer y colaboradores sobre forecasting, por ejemplo, utiliza inferencia bayesiana aproximada para calibrar una plataforma macroeconómica basada en agentes para países de la OCDE.
16.8. Validation ladder
RMS debería exigir distintos niveles de validación.
Nivel 1 — Micro
¿los agentes se comportan realistamente?
Nivel 2 — Meso
¿las redes/empresas se parecen a las reales?
Nivel 3 — Macro
¿produce:
PIB, inflación, desempleo
plausibles?
Nivel 4 — Dynamics
¿reproduce:
transiciones/ciclos?
Nivel 5 — Out-of-sample
¿predice:
datos no utilizados?
Este último nivel es especialmente importante.
16.9. Stylized facts no bastan
Muchos modelos pueden reproducir:
- fat tails;
- ciclos.
Eso no demuestra:
causalidad correcta.
RMS debe exigir:
multiple validation targets.
16.10. Identificación y equifinalidad
Recordemos Bertalanffy:
diferentes estructuras pueden producir:
resultado similar.
En ABM esto genera:
equifinality problem.
Dos parametrizaciones:
θ₁ y θ₂
pueden producir:
mismo macro patrón.
Entonces:
fit macro ≠ unique mechanism.
16.11. Sensitivity analysis
Debemos variar:
parámetros.
Si conclusión cambia con:
pequeña perturbación,
el resultado es:
frágil.
16.12. Robustness
Hansen-Sargent ofrecen aquí una conexión metodológica.
Si existe incertidumbre sobre:
modelo,
podemos analizar:
resultados bajo especificaciones alternativas.
Esto es especialmente importante en ABM:
porque la estructura puede ser compleja.
16.13. Ensembles
En lugar de confiar en:
un único modelo,
podemos estudiar:
conjunto de modelos plausibles.
Entonces:
Policy performance = distribución.
Esto aproxima RMS a:
robust decision-making.
16.14. Forecasting como prueba fuerte
Una ventaja de realizar:
predicción fuera de muestra
es que reduce la posibilidad de:
explicar retrospectivamente cualquier resultado.
Por eso la evolución reciente hacia ABM cuantitativos de forecasting resulta tan importante. Farmer y colaboradores argumentan que algunos modelos recientes han pasado de reproducir stylized facts a competir con modelos estándar en forecasting.
16.15. ABM y política
Los ABM son particularmente atractivos para:
policy simulation.
Podemos modificar:
- impuestos;
- tipos;
- restricciones.
Y observar:
respuestas heterogéneas.
16.15.1. Distributional effects
Una política puede aumentar:
PIB
pero afectar:
hogares diferentes.
Un agente representativo:
puede ocultarlo.
16.15.2. Indirect effects
Una política afecta:
empresa A.
A modifica:
empleo.
Empleo modifica:
consumo.
Tenemos:
second-order effects.
16.15.3. Adaptation
Agentes cambian:
comportamiento.
Entonces:
policy effect
no es:
mechanical.
16.15.4. Policy design
Podemos comparar:
A, B, C.
Pero:
el ABM genera políticas óptimas respecto a su propio modelo, no necesariamente respecto al mundo real.
Esta cautela debe quedar siempre presente.
16.16. ABM, climate transition y políticas reales
La transición climática es un buen ejemplo porque exige simultáneamente:
- hogares heterogéneos;
- empresas;
- inversión;
- tecnología;
- energía;
- financiación.
El trabajo de INET Oxford para el Séptimo Presupuesto de Carbono británico utiliza precisamente un macro-ABM para evaluar impactos sobre crecimiento, empleo, inflación y desigualdad en escenarios de descarbonización.
Para RMS este tipo de aplicación es especialmente relevante porque:
transición = problema multisectorial + heterogéneo + dinámico.
16.17. ABM y shocks de oferta
Los ABM permiten además incorporar:
redes productivas detalladas.
Ejemplo:
shock energético.
No afecta:
a todas las empresas igual.
Depende de:
intensidad energética.
Las empresas reducen:
producción.
Eso afecta:
clientes.
Tenemos:
network cascade.
16.18. ABM y cuellos de botella
Puede representarse:
capacidad máxima de cada input.
Entonces:
B_i
limita:
producción individual.
Y observamos:
qué bottleneck se vuelve:
sistémico.
Esto conecta directamente con capítulo 9.
16.19. ABM y resiliencia
Podemos simular:
fallo de nodo.
Después observar:
- sustitución;
- recuperación.
Así:
resilience becomes measurable.
16.20. ABM y transición
También podemos estudiar:
tecnología A vs B.
Agentes:
adoptan.
Aprenden.
Precios cambian.
Infraestructura crece.
Puede emerger:
tipping dynamics.
Esto conecta con Arthur.
16.21. ABM y instituciones
Las reglas institucionales pueden representarse explícitamente.
Ejemplo:
quiebra.
Empresa con:
equity < 0
sale.
Pero distintas reglas de insolvencia:
modifican:
la dinámica.
Entonces:
institutional architecture becomes computationally testable.
16.22. ABM y finanzas
Éste es uno de los usos más prometedores.
Cada banco puede tener:
- balance;
- capital;
- conexiones.
Un shock:
afecta algunos.
Ventas:
mueven precios.
Eso afecta:
otros.
Tenemos:
endogenous systemic risk.
El interés reciente de bancos centrales y policy institutions por ABM financiero está ligado precisamente a su capacidad para representar interacciones heterogéneas y efectos prudenciales. INET Oxford destacaba en 2026 que avances metodológicos recientes han aumentado su relevancia para política prudencial.
16.23. Minsky dentro de un ABM
Minsky aporta:
mecanismo.
ABM puede representar:
muchos agentes con:
- hedge;
- speculative;
- Ponzi finance.
Entonces podemos observar:
cómo cambia la distribución.
Macro fragility emerge.
16.24. Shin y leverage heterogeneous
Distintos bancos tienen:
diferente leverage.
Shock igual.
Los más apalancados:
venden primero.
Esto mueve:
precio.
Así:
heterogeneity creates amplification.
16.25. Geanakoplos
También podemos introducir:
margins/haircuts.
Cuando cambian:
agentes deben:
ajustar posiciones.
Entonces leverage cycle puede:
emerge desde microbalances.
16.26. ABM y Gabaix
Si algunas empresas son:
muy grandes,
podemos introducir distribución real de tamaños.
Entonces shocks granulares:
emergen naturalmente.
El ABM no necesita asumir:
empresas idénticas.
16.27. ABM y Acemoglu
Si además incorporamos:
network position,
podemos distinguir:
large node
de:
central node.
Esto permite una representación más rica de:
systemic importance.
16.28. ABM y Garicano
Podemos incluso representar:
organización interna.
Pero debemos evitar:
complejidad innecesaria.
Si jerarquía interna no importa para pregunta:
no incluirla.
16.29. Principio RMS de resolución suficiente
Podemos definir:
Model Resolution Principle = representar cada nivel de detalle sólo cuando su heterogeneidad o interacción modifica materialmente el resultado de interés.
Ejemplo:
si necesitamos PIB:
quizá no necesitamos:
cada consumidor.
Pero si analizamos:
impago hipotecario,
sí necesitamos:
distribución de deuda.
16.30. Escala computacional
El avance tecnológico permite simular:
millones de agentes.
Pero:
más agentes ≠ mejor modelo.
La resolución sólo aporta valor si:
mejora:
- mecanismo;
- datos;
- predicción.
16.31. Digital twin económico
Una aspiración futura podría ser:
economic digital twin.
Una representación computacional actualizable de:
- hogares;
- empresas;
- redes;
- bancos.
Pero RMS debe tratar esto como:
horizonte metodológico, no capacidad ya alcanzada.
16.32. Riesgo de falsa precisión
Un modelo con:
10 millones de agentes
puede dar:
resultado = 1,723 %.
Pero si reglas son:
inciertas,
esa precisión es:
ilusoria.
Por tanto:
computational detail ≠ epistemic certainty.
16.33. Farmer y prediction
La experiencia previa de Farmer en sistemas dinámicos y predicción ayuda a explicar su énfasis en:
forecasting.
En RMS esto es especialmente valioso.
Una teoría debe intentar:
anticipar.
No sólo:
explicar pasado.
16.34. ABM y falsabilidad
Podemos exigir:
predicciones condicionales.
Si:
shock X,
modelo predice:
distribución Y.
Después:
comparamos.
Si falla sistemáticamente:
modelo debe revisarse.
16.35. Backtesting de política
Podemos además usar:
episodios históricos.
Simular política conocida.
Comparar:
trayectoria.
Pero cuidado:
calibrar con episodio
y luego “predecirlo”
no es:
out-of-sample.
16.36. Validación cruzada entre métodos
Una idea RMS importante:
si:
ABM
y:
modelo estructural diferente
predicen:
resultado semejante,
nuestra confianza puede aumentar.
No porque:
el consenso garantice verdad,
sino porque:
resultado no depende tanto de una única arquitectura.
16.37. Model pluralism
Podemos definir:
pluralismo de modelos = utilizar representaciones diferentes para estudiar el mismo mecanismo y evaluar qué conclusiones sobreviven a cambios razonables de especificación.
Esto conecta:
Hansen-Sargent.
16.38. ABM versus System Dynamics
La distinción con capítulo 14 debe quedar clara.
System Dynamics
Representa generalmente:
stocks agregados y feedbacks.
ABM
Representa:
agentes individuales y sus interacciones.
16.38.1. Ejemplo deuda
System Dynamics:
Debt stock → interest → debt.
ABM:
cada hogar tiene:
D_i.
Unos:
default.
Otros:
no.
La distribución modifica:
macroresultado.
16.38.2. Cuándo usar SD
Cuando:
distribución individual
no importa.
16.38.3. Cuándo usar ABM
Cuando:
heterogeneidad/interacción
son esenciales.
16.39. ABM versus DSGE
También debemos precisar esta comparación.
DSGE
Generalmente enfatiza:
- optimización;
- expectativas;
- equilibrio.
ABM
permite más fácilmente:
- heurísticas;
- redes;
- desequilibrio;
- heterogeneidad rica.
Pero macroeconomía moderna DSGE/HANK ya incorpora también:
heterogeneidad.
Por tanto:
ABM no tiene monopolio sobre heterogeneidad.
16.40. HANK como comparación importante
Los modelos HANK permiten estudiar:
heterogeneous agents
manteniendo:
optimización y equilibrio.
Esto impide una falsa dicotomía:
representative agent vs ABM.
Existe un continuo metodológico.
16.41. Ventaja específica del ABM
La ventaja aparece especialmente cuando necesitamos simultáneamente:
heterogeneidad + redes + reglas adaptativas + desequilibrio.
Eso es más difícil de representar analíticamente.
16.42. Farmer-Geanakoplos: complementariedad metodológica
La postura más sólida vuelve a ser:
modelos de equilibrio y ABM deben competir y complementarse empíricamente.
Farmer y Geanakoplos defendían precisamente que el debate debía resolverse por capacidad explicativa y predictiva, no por dogma metodológico.
16.43. ABM y econometría
ABM no sustituye:
econometría.
La necesita.
Para:
- estimar parámetros;
- validar.
16.44. Simulación ≠ identificación causal
Un ABM puede demostrar:
“este mecanismo puede producir este resultado”.
Eso es:
possibility result.
Pero no demuestra necesariamente:
“este mecanismo produjo realmente el resultado histórico”.
Para eso necesitamos:
identificación.
16.45. Tres niveles de afirmación
RMS debería distinguir:
Nivel A — Posibilidad
el mecanismo puede generar resultado.
Nivel B — Plausibilidad
parámetros reales permiten resultado.
Nivel C — Identificación
evidencia respalda que fue mecanismo causal relevante.
Esta clasificación será muy útil.
16.46. ABM como laboratorio virtual
Por tanto:
un ABM es mejor entendido como:
laboratorio computacional.
Permite:
- experimentar;
- generar hipótesis.
Pero los resultados deben volver:
al mundo real.
16.47. Qué aporta Farmer a RMS
Podemos sintetizarlo.
1. Computación
modelar sistemas difíciles de resolver analíticamente.
2. Heterogeneidad
distribuciones reales.
3. Redes
interacciones explícitas.
4. Desequilibrio
trayectorias fuera de clearing instantáneo.
5. Predicción
test fuera de muestra.
6. Política
experimentos contrafactuales.
16.48. Qué añade RMS a la economía basada en agentes
RMS aporta una arquitectura previa para decidir:
qué debe contener el ABM.
Recursos
¿qué poseen agentes?
Mecanismos
¿cómo deciden?
Estructura
¿quién interactúa?
Capacidades
¿qué pueden hacer?
Bottlenecks
¿qué restringe?
Resilience
¿qué pasa bajo shock?
16.49. RMS-informed ABM
Podemos definir una metodología futura:
RMS-informed Agent-Based Model = ABM cuya elección de agentes, estados, redes y reglas deriva explícitamente de un diagnóstico RMS previo.
Esto evita:
crear simulaciones con cientos de reglas sin:
estructura conceptual.
16.50. Arquitectura de un RMS-ABM
Podemos representar:
Agente i
A_i = {R_i,K_i,C_i,Balance_i,Expectations_i}.
Estructura
Network_ij + Institutions.
Mecanismos
Decision Rules.
Dinámica
Learning + Selection.
Output
Macro O_t.
Entonces:
{A_i}t + Network_t + Institutions_t
→ interactions
→ O_t
→ feedback
→ {A_i}{t+1}.
16.51. ABM de capacidades
Una aplicación particularmente novedosa para RMS sería modelar:
capability accumulation.
Empresa i:
posee:
C_i,t.
Puede aprender:
C_j
si:
- proximity alta;
- financiación;
- talento.
Entonces:
P(C_j acquisition) = f(distance, finance, learning).
Así podríamos simular:
evolución del Capability Space.
16.52. ABM de transición industrial
Empresas deciden:
adoptar tecnología B.
Depende de:
- costes;
- expectativas;
- infraestructura;
- red.
Entonces:
adopción individual
genera:
learning-by-doing.
Eso reduce costes.
Tenemos:
Arthur mechanism computationally represented.
16.53. ABM de supply chain resilience
Cada empresa posee:
proveedores.
Shock elimina:
nodo.
Empresas buscan:
alternativas.
Podemos medir:
- output loss;
- recovery time.
Esto permite calcular:
resiliencia emergente.
16.54. ABM de política industrial
Podríamos comparar:
Política A
subsidio uniforme.
Política B
apoyo a bottleneck.
Política C
financiación de scale-up.
Observar:
qué capacidades emergen.
Pero los resultados dependerían completamente de:
reglas y calibración.
16.55. Experimentation-selection dentro del ABM
La lógica:
Variation → Selection → Scaling
puede modelarse explícitamente.
Esto conecta:
- Alchian;
- Nelson-Winter;
- Arthur;
- Rodrik.
16.56. ABM y meta-capacidad
Incluso podríamos medir:
adaptive learning rate.
Agentes que aprenden más rápido:
reconfiguran.
Entonces:
meta-capacity becomes endogenous.
16.57. Limitaciones de los ABM
Para que el capítulo sea equilibrado debemos reconocerlas claramente.
1. Complejidad
muchos parámetros.
2. Validación
difícil identificar reglas correctas.
3. Equifinalidad
múltiples modelos generan mismo resultado.
4. Computación
coste elevado.
5. Transparencia
puede ser difícil comprender por qué ocurre un resultado.
16.58. Black-box risk
Cuanto más complejo:
ABM,
mayor riesgo:
simulation black box.
RMS debería exigir:
mechanism decomposition.
16.59. Explainable ABM
Podemos introducir:
Explainable ABM = modelo cuya dinámica agregada puede descomponerse en contribuciones identificables de agentes, redes y mecanismos.
Ésta podría ser una exigencia metodológica importante.
16.60. Ablation tests
Una técnica útil:
eliminar:
mecanismo M.
Volver a simular.
Si:
resultado desaparece,
M es:
candidato causal.
Esto se parece:
contrafactual estructural.
16.61. Mechanism importance
Podemos calcular conceptualmente:
MI(M_i) = Δ model outcome when M_i removed.
Esto podría ayudar:
a identificar:
feedbacks dominantes.
16.62. ABM y falsabilidad RMS
Antes de simular deberíamos declarar:
predicciones.
No modificar reglas después:
para acertar pasado
sin penalización.
Necesitamos:
holdout data.
16.63. RMS ABM Protocol
Propongo diez pasos.
1. Definir pregunta
¿Qué fenómeno necesitamos explicar?
2. Justificar ABM
¿Por qué un modelo más simple no basta?
3. Definir agentes
¿Qué heterogeneidad importa?
4. Definir estados
¿Qué stocks poseen?
5. Definir reglas
¿Qué mecanismo económico las justifica?
6. Definir red
¿quién interactúa?
7. Calibrar
¿Qué datos determinan parámetros?
8. Validar
¿reproduce micro, meso y macro?
9. Out-of-sample
¿predice?
10. Robustez
¿la conclusión sobrevive a especificaciones alternativas?
Éste será el:
RMS-ABM Protocol.
16.64. Proposiciones RMS derivadas de la economía basada en agentes
RMS-ABM1 — Bottom-up
Algunos fenómenos macroeconómicos se comprenden mejor representando explícitamente cómo decisiones microeconómicas heterogéneas interactúan y se agregan.
RMS-ABM2 — Heterogeneidad
La heterogeneidad es causalmente relevante cuando distribuciones de estados o comportamientos interactúan con no linealidades o redes.
RMS-ABM3 — Micro-macro
Los resultados agregados modifican posteriormente las decisiones individuales, generando feedback bidireccional entre niveles.
RMS-ABM4 — Redes
La propagación macroeconómica depende no sólo de características de agentes, sino de quién interactúa con quién.
RMS-ABM5 — Desequilibrio
Determinados procesos requieren estudiar trayectorias de ajuste y no únicamente estados de equilibrio.
RMS-ABM6 — Aprendizaje
Las reglas de comportamiento pueden evolucionar endógenamente mediante experiencia y selección.
RMS-ABM7 — Predicción
La capacidad de reproducir stylized facts no basta; los ABM cuantitativos deben ser evaluados mediante datos no utilizados en su construcción.
RMS-ABM8 — Identificación
La simulación demuestra que un mecanismo puede generar un resultado, pero no demuestra por sí sola que ese mecanismo causó el resultado observado.
RMS-ABM9 — Parsimonia
Un ABM sólo está justificado cuando la heterogeneidad, interacción o adaptación que incorpora mejora materialmente la explicación respecto a alternativas más simples.
RMS-ABM10 — Pluralismo
ABM, equilibrio, redes, System Dynamics y econometría deben considerarse herramientas complementarias cuya utilidad depende del mecanismo estudiado.
16.65. Autores y tradiciones relevantes
| Autor / tradición | Aportación |
|---|---|
| Doyne Farmer | macro-ABM cuantitativo, forecasting y complejidad económica |
| Duncan Foley | defensa temprana del ABM en economía |
| W. Brian Arthur | adaptación, heterogeneidad y patrones emergentes |
| John Holland | sistemas adaptativos y evolución de reglas |
| Leigh Tesfatsion | agent-based computational economics |
| Schelling | emergencia micro-macro |
| Alchian | selección bajo incertidumbre |
| Nelson-Winter | rutinas, búsqueda y evolución |
| Gabaix | heterogeneidad granular |
| Acemoglu et al. | redes y propagación |
| Minsky / Shin / Geanakoplos / Brunnermeier | mecanismos financieros que pueden representarse en poblaciones heterogéneas |
| Sargent / Hansen | aprendizaje e incertidumbre de modelo |
| Angeletos | heterogeneidad informativa y coordinación |
Farmer debe permanecer como protagonista.
Los demás ayudan a mostrar:
qué mecanismos económicos puede contener un ABM.
Conclusión: construir el macro desde el micro sin perder la estructura
La economía basada en agentes proporciona a RMS un puente metodológico especialmente importante.
Arthur había mostrado que una economía puede entenderse como:
un sistema adaptativo en formación.
Farmer plantea la siguiente pregunta:
¿podemos convertir esa visión en un modelo cuantitativo capaz de representar economías reales?
Los ABM intentan hacerlo construyendo el sistema desde:
los agentes hacia arriba.
Cada agente puede poseer:
- balance;
- recursos;
- capacidades;
- expectativas;
- reglas.
Los agentes interactúan mediante:
- mercados;
- redes;
- instituciones.
Y de esas interacciones emergen:
- empleo;
- inflación;
- producción;
- precios;
- crisis.
Por tanto:
Macroₜ = H(Microₜ, Networkₜ, Institutionsₜ).
Pero inmediatamente:
Macroₜ → Microₜ₊₁.
Esto permite estudiar de manera explícita:
causalidad circular entre niveles.
La heterogeneidad se convierte entonces en algo más que una mejora descriptiva.
Puede ser:
causal.
Gabaix muestra por qué una distribución desigual de tamaños empresariales puede permitir que shocks microeconómicos adquieran dimensión macro.
Acemoglu muestra por qué la posición dentro de una red puede ser tan importante como:
el tamaño.
Minsky, Shin, Geanakoplos y Brunnermeier muestran cómo heterogeneidad de balances puede interactuar con precios y leverage para producir:fragilidad agregada.
Arthur y Nelson-Winter permiten introducir:reglas que aprenden.
Y Hansen-Sargent recuerdan que los agentes pueden incluso tener incertidumbre sobre:el modelo del mundo.
De esta combinación emerge una estructura muy próxima al objetivo de RMS:
agentes heterogéneos
→ interacciones
→ patrones macro
→ feedback
→ aprendizaje/adaptación
→ nueva población de estados.
Pero existe un peligro evidente.
Cuanto más detallado sea el modelo:
más fácil puede resultar construir:
una historia compleja que reproduzca el pasado.
Por eso el desarrollo reciente de ABM cuantitativos es especialmente importante.
La revisión de Farmer y colaboradores describe la transición del campo hacia modelos calibrados y cuantitativos. El trabajo reciente de forecasting macroeconómico para los 38 países de la OCDE incorpora poblaciones heterogéneas y evalúa resultados fuera de muestra, señal de que la agenda intenta pasar de simulaciones ilustrativas hacia modelos realmente contrastables.
Y el uso en 2026 de un macro-ABM en colaboración con el gobierno británico para analizar el Séptimo Presupuesto de Carbono muestra que esta metodología empieza también a probarse en aplicaciones de política económica a gran escala.
Aun así, Farmer y Geanakoplos ofrecen probablemente la cautela metodológica más importante:
la cuestión no debe resolverse mediante dogma a favor o en contra del equilibrio, sino comparando empíricamente qué modelos explican y predicen mejor cada fenómeno.
Ésta debería ser también la posición de RMS.
RMS no necesita convertirse en: una teoría ABM.
Necesita utilizar ABM cuando: heterogeneidad + interacción + adaptación + redes formen parte esencial del mecanismo.
De este modo podemos establecer una división metodológica muy clara:
System Dynamics
→ cuando stocks y feedbacks agregados son suficientes.
Network Models
→ cuando importa especialmente la topología de dependencias.
Equilibrium/HANK/DSGE
→ cuando optimización, expectativas y consistencia intertemporal son centrales y la estructura puede representarse adecuadamente.
ABM
→ cuando necesitamos representar conjuntamente heterogeneidad, interacción, adaptación y estados fuera del equilibrio.
Y econometría:
para confrontar todos ellos con datos.
Quizá la aportación más importante del capítulo pueda formularse así:
La macroeconomía no necesita ser siempre impuesta desde arriba. En determinados problemas puede construirse desde abajo, dejando que las interacciones de agentes heterogéneos generen el resultado agregado.
Pero RMS añade inmediatamente:
ese resultado emergente sólo adquiere valor científico cuando podemos identificar los mecanismos que lo producen, calibrarlos con datos y someter sus predicciones a falsificación.
Así, la secuencia intelectual de esta parte queda cada vez más clara:
Bertalanffy
→ sistema y organización.
Forrester
→ stocks, flows y feedbacks.
Meadows
→ leverage points.
Arthur
→ agentes adaptativos y emergencia.
Farmer
→ simulación cuantitativa bottom-up de esa economía adaptativa.
Y de aquí surge naturalmente el siguiente paso de la genealogía.
Porque una vez disponemos de agentes heterogéneos y balances individuales, necesitamos comprender cómo un sistema aparentemente estable puede acumular:
fragilidad financiera interna.
Ese será el núcleo del:
17. Hyman Minsky y la inestabilidad financiera
donde la pregunta cambia a:
¿cómo puede la estabilidad modificar el comportamiento de los agentes hasta crear endógenamente las condiciones para la siguiente crisis?
