Predictibilidad de rendimientos a corto y largo plazo bajo el marco bayesiano y la asimetría estadística entre horizontes temporales
La predictibilidad de rendimientos no es la misma pregunta en un horizonte mensual que en uno plurianual. El marco bayesiano permite tratar cada horizonte con las herramientas estadísticas apropiadas y comparar la evidencia entre ellos de forma coherente, revelando una imagen más matizada que la que producen los tests clásicos de horizonte extendido.
Predictibilidad a corto plazo y comportamiento de la señal en horizontes de un mes a un trimestre
La predictibilidad a corto plazo evalúa si los rendimientos del período siguiente, típicamente un mes o un trimestre, pueden anticiparse a partir de información disponible en el momento de la predicción. En este horizonte, cada observación es independiente de la anterior bajo los supuestos estándar, lo que permite aplicar directamente el marco bayesiano de regresión sin correcciones adicionales por solapamiento. La señal detectada en este horizonte tiende a ser débil: los factores de Bayes obtenidos en muestras de tamaño habitual rara vez superan el umbral de evidencia moderada, y los intervalos creíbles sobre los coeficientes predictores son amplios en relación con sus medias posteriores. Esa debilidad de la señal no es un defecto del método; es una descripción honesta de la dificultad estadística del problema a esta escala temporal, donde el ruido domina sobre cualquier componente sistemático que los predictores macroeconómicos puedan captar.
Rendimientos solapados en horizontes medios y la inflación espuria de los estadísticos de predictibilidad
Al extender el horizonte de predicción a uno, dos o tres años, los rendimientos acumulados exhiben mayor variación sistemática que los rendimientos mensuales, lo que potencialmente amplifica la señal predictiva relativa al ruido de alta frecuencia. Sin embargo, los rendimientos acumulados en ventanas solapadas no son independientes entre sí: el rendimiento del período que va desde enero a diciembre comparte once meses de datos con el rendimiento del período que va desde febrero al enero siguiente. Esta dependencia en la variable dependiente infla artificialmente los estadísticos t frecuentistas y los tamaños muestrales aparentes, produciendo evidencia de predictibilidad que en parte refleja el solapamiento y no la señal económica real. El marco bayesiano no es inmune a este problema: si la verosimilitud se especifica ignorando la estructura de correlación inducida por el solapamiento, la distribución posterior hereda el sesgo del procedimiento frecuentista equivalente.
Modelización bayesiana de rendimientos a horizonte largo mediante acumulación de rendimientos de período base
La solución bayesiana al problema de los rendimientos solapados no consiste en ignorar el solapamiento ni en aplicar correcciones ad hoc a los errores estándar, sino en especificar explícitamente la estructura de covarianza de las observaciones dentro del modelo. Cuando los rendimientos a horizonte largo se modelan como sumas de rendimientos de período corto, es posible plantear el modelo en términos de los rendimientos no solapados de período base y derivar las implicaciones para cualquier horizonte de interés a través de las relaciones de acumulación. Este enfoque preserva la independencia de las observaciones de la verosimilitud, permite propagar correctamente la incertidumbre desde el horizonte base hasta los horizontes largos de interés y produce distribuciones predictivas posteriores coherentes entre horizontes. La complejidad computacional es mayor que la de los modelos de horizonte único, pero los diagnósticos de validación predictiva posterior son más informativos sobre la adecuación global del modelo especificado.
Reversión a la media en horizontes de varios años y su tratamiento dentro del marco bayesiano
Una propiedad teórica que distingue la discusión sobre predictibilidad a largo plazo es la reversión a la media en los precios: si los precios se alejan temporalmente de algún nivel de equilibrio, cabría esperar que los rendimientos futuros compensaran parcialmente esa desviación, lo que genera predictibilidad de signo negativo en los rendimientos acumulados a horizontes suficientemente largos. Los modelos bayesianos que incorporan este mecanismo mediante priors informados por la teoría económica producen distribuciones posteriores sobre los coeficientes de largo plazo muy distintas a las que emergen de priors difusos. La cuestión empírica es si las muestras disponibles, típicamente varias décadas de datos anuales o trimestrales, contienen suficiente información para distinguir una reversión a la media estadísticamente moderada de la ausencia completa de reversión. En la mayoría de los análisis disponibles, los factores de Bayes en este horizonte son más favorables a la predictibilidad que en el horizonte mensual, pero la incertidumbre sobre la magnitud del coeficiente permanece sustancial.
Coherencia de las distribuciones predictivas entre horizontes como criterio de validación del modelo bayesiano
La comparación de evidencia entre horizontes requiere un marco común que permita evaluar si la predictibilidad detectada a largo plazo es consistente con la señal observada a corto plazo o si requiere un mecanismo adicional para ser explicada. Un modelo que predice correctamente los rendimientos mensuales debería, si es internamente coherente, generar también distribuciones predictivas razonables para los rendimientos anuales acumulados. Cuando las distribuciones predictivas posteriores a distintos horizontes no son mutuamente consistentes bajo el mismo modelo, eso indica una mala especificación que los análisis de horizonte único no pueden detectar. Esta verificación de coherencia entre horizontes es analíticamente más exigente que reportar resultados para cada horizonte de forma independiente, pero produce una evaluación más completa de si existe una estructura de predictibilidad genuina en los datos o si los resultados en algún horizonte reflejan idiosincrasias de la muestra utilizada.
Fragilidad de la evidencia a largo plazo y los límites del tamaño muestral disponible en mercados financieros
Una limitación que afecta de forma especialmente pronunciada al análisis bayesiano de predictibilidad a largo plazo es la dependencia de los resultados respecto al período histórico disponible. Con datos que cubren pocas décadas, los horizontes de dos o tres años consumen una fracción sustancial de la muestra en validación fuera de muestra genuina, dejando un período de estimación que puede ser insuficiente para identificar con precisión los parámetros del modelo. Priors informativos derivados de períodos históricos diferentes al período de análisis pueden proporcionar estabilización adicional en estas situaciones, pero introducen una fuente de dependencia entre el prior y los datos que debe documentarse explícitamente. La conclusión que emerge de este análisis es que la evidencia sobre predictibilidad a horizontes largos es inherentemente más frágil que a horizontes cortos, no porque la señal sea necesariamente más débil, sino porque las herramientas estadísticas disponibles operan cerca de sus límites en ese régimen de tamaño muestral.