Segun arXiv q-fin, un nuevo enfoque propone clasificar las fuentes de incertidumbre en modelos financieros mediante una estructura basada en mecanismos de representación. Esta aproximación distingue seis categorías de incertidumbre que operan en distintos niveles del proceso de toma de decisiones: la validez y disponibilidad de evidencia en el momento adecuado, la justificación de interpretaciones, la viabilidad de resultados y la elección de acciones bajo restricciones de costo y riesgo. Dado que estas fuentes surgen en puntos diversos del flujo de trabajo, no pueden ser reducidas a una sola medida de confianza en el resultado final. La propuesta introduce un marco que identifica cómo la incertidumbre se propaga, transforma o disminuye a través de los pasos ejecutivos del modelo, tratando a los procesos agentes como la capa donde esta variabilidad se manifiesta y puede ser gestionada.
El análisis desarrollado se apoya en una taxonomia mecanística, que examina cómo los métodos específicos construyen o validan representaciones de incertidumbre y fiabilidad. A través de esta estructura, se evalúa la aplicación de distintas técnicas en dominios financieros como la respuesta a preguntas, el análisis de declaraciones, la predicción y la toma de decisiones. Los estudios empíricos revisados indican que la mayoría de las investigaciones se centran en partes aisladas del flujo de trabajo, sin establecer conexiones sólidas entre la confiabilidad de la evidencia, el razonamiento intermedio y las decisiones finales. Esta brecha limita la capacidad de los modelos para ofrecer una evaluación holística de riesgos y alternativas viables.
Para el lector peruano, este marco ofrece una herramienta para entender cómo los sistemas de inteligencia artificial en finanzas no solo generan predicciones, sino que también deben gestionar la incertidumbre en cada etapa. En un contexto como el nuestro, donde el acceso a información financiera puede ser desigual y las decisiones de inversión afectan a familias, empresas y sectores, reconocer las fuentes de incertidumbre permite una evaluación más rigurosa. Por ejemplo, un inversor que evalúa una inversión en minería debe considerar no solo el rendimiento esperado, sino también la credibilidad de los datos históricos, la viabilidad de las proyecciones y los riesgos asociados a la ejecución. Este modelo proporciona una estructura para cuestionar no solo qué se dice, sino cómo se dice, cuándo y bajo qué condiciones. Así, el usuario final puede adoptar una postura más crítica y responsable frente a las recomendaciones automatizadas, especialmente en entornos donde la información es fragmentada o poco transparente.
La importancia de este enfoque radica en que, más allá de la precisión de las predicciones, se valora la capacidad de los modelos para comunicar y gestionar riesgos. En el entorno peruano, donde el crecimiento económico y la volatilidad de mercados son factores clave, comprender cómo la incertidumbre se gestiona en cada paso del proceso es esencial para tomar decisiones informadas y sostenibles.