Gisegivaaabni
Regímenes de mercado

Predictibilidad condicional según regímenes de volatilidad: lo que el modelo promedio oculta sobre la dinámica de los mercados

Cuando la predictibilidad depende del estado del mercado y no del período de estimación completo

Equipo Gisegivaaabni 25 de octubre de 2026

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.

El modelo promedio mezcla regímenes distintos y llama ruido a lo que es señal

El enfoque más habitual en los estudios de predictibilidad estima un único modelo sobre toda la muestra disponible, como si las relaciones estadísticas entre predictores y rendimientos fueran constantes a lo largo del tiempo. Esa homogeneidad implícita es una hipótesis muy restrictiva. Cuando un período de alta volatilidad coexiste en la misma muestra con un período de calma prolongada, los coeficientes estimados reflejan un promedio ponderado de dos dinámicas distintas. El resultado no describe bien ninguna de las dos. La analogía precisa es la de un termómetro que reporta la temperatura media de una habitación dividida por una pared: el número es calculable, pero no informa sobre el confort en ninguna de las dos mitades. Los métodos de cambio de régimen bayesianos permiten separar esas dos historias antes de evaluar si existe señal predictiva en cada una.

Modelos de Markov con cambio de régimen bajo el marco bayesiano

Los modelos de Markov con cambio de régimen especifican que el sistema puede encontrarse en uno de varios estados latentes, cada uno con sus propios parámetros de media y varianza. La transición entre estados sigue una cadena de Markov cuyas probabilidades también se estiman a partir de los datos. Bajo el marco bayesiano, se asignan distribuciones a priori tanto a los parámetros de cada régimen como a las probabilidades de transición, y la inferencia produce distribuciones posteriores sobre todos ellos simultáneamente. Esto es cualitativamente distinto a estimar el modelo por máxima verosimilitud y luego tratar los regímenes identificados como si fueran datos observados. La incertidumbre sobre qué régimen estaba activo en cada período se propaga correctamente a través de toda la inferencia, produciendo conclusiones más honestas sobre la solidez de la señal detectada en cada estado del mercado.

Qué revela la predictibilidad condicional sobre la hipótesis de eficiencia de mercado

Encontrar predictibilidad en regímenes de alta volatilidad y no encontrarla en períodos de baja volatilidad no es una anomalía que deba descartarse; es una observación sustantiva con interpretaciones teóricas plausibles. Durante episodios de estrés de mercado, los mecanismos de formación de precios pueden diferir estructuralmente de los que operan en condiciones normales. La prima por riesgo varía, la participación de distintos tipos de agentes cambia y la velocidad de incorporación de información al precio puede reducirse. En ese contexto, la predictibilidad condicional es compatible con versiones refinadas de la hipótesis de eficiencia, que no requieren que los mercados sean igualmente eficientes en todos los estados posibles. El debate entre predictibilidad y eficiencia se vuelve más matizado y, precisamente por eso, más interesante desde el punto de vista analítico.

Limitaciones del enfoque y riesgos de sobreajuste en la identificación de regímenes

La flexibilidad de los modelos de cambio de régimen es también su principal vulnerabilidad metodológica. Con suficientes regímenes, casi cualquier serie temporal puede ajustarse razonablemente bien dentro de muestra, sin que eso implique capacidad predictiva real fuera de ella. La selección del número de regímenes mediante el factor de Bayes ayuda a disciplinar esta elección, pero no la elimina como fuente de incertidumbre. Además, las probabilidades de transición estimadas en una muestra histórica pueden no ser estables en períodos futuros, especialmente si el contexto macroeconómico cambia de forma estructural. La recomendación metodológica que emerge de este análisis es evaluar siempre la predictibilidad condicional identificada en un período de validación genuinamente fuera de muestra, donde los regímenes no fueron observados durante la estimación. Solo esa prueba distingue señal real de ajuste retrospectivo.

Horizonte temporal y persistencia de los regímenes como factores clave del análisis

La duración esperada de cada régimen, que se deriva directamente de las probabilidades de transición estimadas, es un parámetro analítico crucial que con frecuencia se omite en la presentación de resultados. Un régimen de alta volatilidad con una duración esperada de pocas semanas tiene implicaciones muy distintas a uno que típicamente persiste durante varios trimestres. En el primer caso, la ventana para observar y verificar la señal predictiva es estrecha y los costes de error de clasificación son altos. En el segundo, el régimen identificado tiene suficiente persistencia para ser analíticamente informativo. Los intervalos creíbles sobre las probabilidades de transición, obtenidos directamente de la distribución posterior bayesiana, permiten cuantificar esta incertidumbre de forma rigurosa, en lugar de tratar las estimaciones puntuales como si fueran parámetros conocidos.

Este sitio utiliza cookies propias y analíticas para mejorar su funcionamiento. Conforme al RGPD, necesitamos tu consentimiento para activar las cookies no esenciales. Puedes aceptarlas o rechazarlas en cualquier momento.