Predictibilidad condicional según regímenes de volatilidad: lo que el modelo promedio oculta sobre la dinámica de los mercados
Pensaba que un modelo de predictibilidad debía funcionar en cualquier condición de mercado para merecer ese nombre. Luego comprendí que esa exigencia refleja una confusión conceptual: la predictibilidad puede ser genuinamente condicional, presente en ciertos regímenes de volatilidad y ausente en otros, sin que eso implique que el modelo está sobreajustado. Este artículo examina cómo los métodos bayesianos para detectar cambios de régimen revelan una imagen más honesta de cuándo y por qué aparece señal predictiva en los datos financieros.
Promediado bayesiano de modelos y la selección de predictores macroeconómicos en series de rendimientos financieros
Pensaba que seleccionar el predictor macroeconómico más respaldado por la teoría y estimarlo era la forma correcta de evaluar la predictibilidad de rendimientos. Luego descubrí que esa selección previa al análisis introduce una fuente de incertidumbre que nunca aparece en los intervalos reportados. El promediado bayesiano de modelos trata la selección de predictores como un problema de inferencia más, no como una decisión que se toma antes de abrir los datos. Este artículo examina cómo funciona ese enfoque, qué revela sobre los predictores macroeconómicos más estudiados y por qué sus conclusiones sobre predictibilidad suelen ser más modestas, y más honestas, que las de los estudios de modelo único.
Intervalos creíbles frente a intervalos de confianza frecuentistas en el análisis de predictibilidad de rendimientos financieros
Pensaba que un intervalo de confianza del noventa y cinco por ciento describía la probabilidad de que el parámetro estuviera dentro de ese rango. La mayoría de los investigadores que los calculan piensan lo mismo, y la mayoría se equivocan. Este artículo examina la diferencia conceptual entre intervalos de confianza frecuentistas e intervalos creíbles bayesianos, por qué esa diferencia importa especialmente en el análisis de predictibilidad de rendimientos financieros, y qué tipo de preguntas responde honestamente cada uno de los dos enfoques.
Simulación Monte Carlo con cadenas de Markov en modelos de predictibilidad de rendimientos financieros y sus límites prácticos
El error más frecuente era tratar los resultados del muestreador como si fueran muestras independientes de la distribución posterior, sin verificar que la cadena había convergido realmente. Una cadena de Markov que no ha alcanzado su distribución estacionaria produce resúmenes estadísticos que parecen precisos pero describen la distribución inicial, no la distribución posterior que se quería aproximar. Este artículo examina cómo funciona la simulación por cadenas de Markov en la inferencia bayesiana sobre modelos de predictibilidad, qué diagnósticos de convergencia son informativos y dónde las limitaciones computacionales afectan la solidez de las conclusiones.
Predictibilidad de rendimientos a corto y largo plazo bajo el marco bayesiano y la asimetría estadística entre horizontes temporales
Pensaba que la predictibilidad de rendimientos era una propiedad del mercado, presente o ausente con independencia del horizonte de análisis. Luego comprendí que esa formulación ignora una asimetría estadística fundamental: los tests de predictibilidad a horizontes largos acumulan señal pero también acumulan solapamiento entre observaciones, y ese solapamiento infla los estadísticos de forma que los procedimientos frecuentistas estándar no corrigen adecuadamente. Este artículo examina cómo el marco bayesiano trata la predictibilidad a corto y largo plazo como preguntas distintas, qué revelan los datos cuando se formula correctamente cada una, y por qué las conclusiones difieren de las que producen los tests clásicos de horizonte extendido.
Priors informativos y lo que realmente dicen los datos sobre predictibilidad
Pensaba que elegir un prior no informativo era la opción neutra, la que dejaba hablar a los datos sin interferencias. Luego aprendí que no existe la neutralidad estadística: cada prior es una declaración, explícita o no, sobre lo que creemos antes de ver un solo dato. Este artículo examina cómo distintas especificaciones del prior cambian radicalmente las conclusiones sobre si los rendimientos financieros son predecibles, y por qué ese detalle metodológico importa más de lo que suele admitirse en los estudios publicados.
Factores de Bayes en la evaluación de modelos de rendimiento financiero y sus limitaciones prácticas
El error clásico era interpretar un factor de Bayes elevado como prueba definitiva de predictibilidad. Pero ese número resiste solo mientras el modelo alternativo sea el correcto adversario. Este análisis examina cómo construir comparaciones de modelos bayesianos que sean realmente informativas, qué significa evidencia débil frente a evidencia moderada, y por qué la elección del modelo nulo cambia todo el resultado sin que casi nadie lo mencione en sus conclusiones.