Gisegivaaabni
Variables macroeconómicas analizadas bajo promediado bayesiano
Selección de modelos

Promediado bayesiano de modelos y la selección de predictores macroeconómicos en series de rendimientos financieros

Autor Equipo Gisegivaaabni 3 de noviembre de 2026
01

El error de seleccionar un único predictor antes de mirar la evidencia completa

El procedimiento habitual era elegir un predictor macroeconómico con respaldo teórico, estimarlo contra los rendimientos y reportar si el coeficiente resultaba estadísticamente significativo. Funciona bien cuando existe un solo candidato plausible y la teoría es suficientemente precisa para descartarlo todo lo demás antes de abrir el conjunto de datos. En la práctica, los estudios de predictibilidad de rendimientos trabajan con docenas de predictores candidatos: ratios de valoración, variables de tipos de interés, indicadores de actividad económica, medidas de sentimiento. Elegir uno antes de estimar los demás no elimina la incertidumbre sobre cuál es el correcto; simplemente la ignora. El resultado es que el modelo final hereda la incertidumbre de la selección sin reflejarla en sus intervalos de confianza ni en sus errores estándar. El promediado bayesiano de modelos aborda exactamente ese problema al mantener todos los modelos candidatos activos durante la inferencia, ponderados por la evidencia que los datos aportan a favor de cada uno.

1

Incertidumbre de modelo frente a incertidumbre de parámetro

Cuando se selecciona un único modelo y se estima sobre los datos disponibles, los intervalos creíbles resultantes reflejan únicamente la incertidumbre sobre los parámetros de ese modelo específico. Pero existe una fuente adicional de incertidumbre que ese procedimiento ignora completamente: la incertidumbre sobre si el modelo elegido es el correcto. En series financieras, donde la señal predictiva es débil relativa al ruido, esta segunda fuente puede ser cuantitativamente mayor que la primera. El promediado bayesiano de modelos integra ambas fuentes de incertidumbre de forma natural, produciendo distribuciones predictivas más anchas y, en consecuencia, más honestas sobre lo que los datos realmente soportan.

2

Probabilidades posteriores de inclusión como medida de evidencia por predictor

Una de las salidas más informativas del promediado bayesiano de modelos es la probabilidad posterior de inclusión de cada predictor: la probabilidad, actualizada por los datos, de que esa variable forme parte del modelo generador verdadero. Un predictor con probabilidad de inclusión del ochenta por ciento aporta evidencia sustancialmente distinta a uno con probabilidad del treinta por ciento, aunque ambos sean estadísticamente significativos en sus respectivas regresiones univariadas. Esta distinción es analíticamente valiosa porque permite ordenar los predictores por solidez de evidencia en lugar de por magnitud del estadístico t, que depende fuertemente del tamaño muestral y de la especificación del modelo.

3

El prior sobre el espacio de modelos y su influencia en las probabilidades de inclusión

El promediado bayesiano de modelos requiere especificar un prior no solo sobre los parámetros de cada modelo, sino también sobre el espacio de modelos en su conjunto. El prior más común asigna igual probabilidad a priori a cada modelo posible, lo que implica que cada predictor tiene probabilidad de inclusión a priori del cincuenta por ciento. Este prior puede ser inadecuado cuando existen razones teóricas fuertes para pensar que modelos parsimoniosos son más probables que modelos saturados, que es precisamente la situación en predictibilidad financiera. Priors sobre el espacio de modelos que penalizan la complejidad producen probabilidades de inclusión más conservadoras y, en general, más calibradas con la evidencia empírica disponible en muestras de tamaño habitual.

02

Síntesis entre evidencia empírica y estructura teórica en la selección de predictores

La antítesis del enfoque puramente empírico es el modelo teórico rígido que selecciona sus predictores sin mirar los datos. Ninguno de los dos extremos produce conclusiones fiables en el estudio de la predictibilidad de rendimientos. El promediado bayesiano ofrece una síntesis: permite que los datos informen sobre qué predictores merecen peso en la inferencia, pero encuadra ese aprendizaje dentro de un marco probabilístico que hace explícitas las hipótesis previas. La síntesis resultante no es un término medio tibio entre dos posiciones; es un procedimiento coherente que trata la selección de modelo como un problema de inferencia en lugar de como una decisión preanalítica que se toma antes de abrir los datos. Las conclusiones sobre predictibilidad que emergen de este enfoque son típicamente más modestas que las de los estudios de selección rígida, pero también son más resistentes a la crítica metodológica y más informativas sobre el estado real de la evidencia disponible.

1

Predictores macroeconómicos con mayor frecuencia de inclusión en la literatura

Los estudios que aplican promediado bayesiano de modelos a series de rendimientos de renta variable reportan con relativa consistencia que ciertos predictores macroeconómicos obtienen probabilidades de inclusión superiores al resto: el ratio dividendo-precio, la tasa de interés a corto plazo y algunas medidas de pendiente de la curva de tipos. Esto no equivale a afirmar que esos predictores son definitivamente informativos; significa que, en las muestras estudiadas y bajo las especificaciones de prior empleadas, los datos favorecen modelos que los incluyen frente a modelos que no los incluyen. La distinción entre esas dos afirmaciones no es semántica; tiene consecuencias directas para la interpretación de los resultados y para la solidez de cualquier conclusión sobre predictibilidad.

2

Estabilidad temporal de las probabilidades de inclusión como prueba de robustez

Una prueba de robustez que con frecuencia se omite en los estudios de promediado bayesiano es analizar si las probabilidades de inclusión de los predictores son estables cuando se desplaza la ventana de estimación a lo largo del tiempo. Un predictor cuya probabilidad de inclusión varía ampliamente entre distintos subperíodos de la muestra proporciona evidencia débil e inestable, independientemente de su valor promedio sobre la muestra completa. Esta inestabilidad es informativa en sí misma: sugiere que la relación entre ese predictor y los rendimientos es contingente a las condiciones específicas del período analizado, lo que limita cualquier interpretación estructural de la señal detectada.

3

Capacidad predictiva fuera de muestra del modelo promediado frente al mejor modelo único

La comparación más exigente para el promediado bayesiano de modelos no es su ajuste dentro de muestra, sino su capacidad predictiva en un período de validación genuinamente fuera de muestra. En la mayoría de los estudios disponibles, el modelo promediado supera al mejor modelo único seleccionado dentro de muestra en términos de error cuadrático medio predictivo, aunque el margen de mejora es típicamente modesto. Este resultado es coherente con la teoría de la decisión bayesiana: promediar sobre la incertidumbre de modelo produce predictores más calibrados porque no sobreajusta al modelo que resultó ser el mejor en datos históricos. La mejora predictiva, cuando existe, es más pronunciada en períodos de alta incertidumbre macroeconómica, que es precisamente cuando la selección de modelo resulta más difícil.

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.