Modelo práctico de regímenes de volatilidad

#01

Diseñar un modelo de regímenes sin perderse en la complejidad

Tres etiquetas simples —baja, media y alta volatilidad— suelen explicar mejor tu experiencia real de mercado que muchos decimales de un indicador aislado. Cuando intentas usar esa idea de forma más estructurada, aparece el concepto de modelo de clasificación de regímenes de volatilidad: una herramienta que mira datos pasados y decide en qué tipo de entorno te encuentras hoy. En teoría suena limpio; en la práctica, los detalles importan muchísimo. En este primer bloque vas a ver cómo pasar de la intuición a un diseño inicial mínimamente ordenado, qué decisiones tienes que tomar sí o sí y qué concesiones haces cada vez que simplificas. El objetivo no es que acabes con una fórmula perfecta, sino que sepas exactamente qué hace tu modelo cuando lo dejas trabajar sobre datos históricos y qué consecuencias podría tener eso para cualquier revisión táctica que comentes después con un profesional.

Definir qué problema quieres resolver

El punto de partida es decidir qué quieres que tu modelo responda. No es lo mismo preguntarle si el entorno es inusualmente tenso respecto a los últimos meses que pedirle que detecte el inicio de una crisis profunda. Cuanto más abierta sea la pregunta, más tentador será ir añadiendo variables y reglas hasta que el modelo se vuelva opaco. Una forma prudente de empezar es limitarse a distinguir entre tres regímenes amplios: fases relativamente tranquilas, fases intermedias y fases claramente tensas, definidos siempre en relación con un activo o índice de referencia. Históricamente, esta forma de agrupar periodos ha permitido describir mejor la experiencia de los inversores que una sola cifra media, aunque también introduce el riesgo de encajar a la fuerza episodios atípicos que no se parecen a nada del pasado.

Elegir variables sin caer en la acumulación

Una vez que tienes claro qué pregunta hace tu modelo, toca decidir qué observa para responder. Aquí entran en juego medidas como la volatilidad realizada sobre distintas ventanas, la amplitud de los rangos diarios o semanales y, en ocasiones, variables adicionales relacionadas con volumen o diferenciales de crédito. Cada elección tiene implicaciones: usar solo datos de precios simplifica mucho el cálculo pero puede dejar fuera señales tempranas que otras variables captan mejor; incorporar demasiados indicadores aumenta el riesgo de sobreajuste. Mirar series históricas largas, que incluyan tanto fases tranquilas como episodios de estrés, ayuda a ver qué combinaciones de variables parecen capturar cambios de régimen de forma estable y cuáles solo funcionan en una década concreta.

Escoger la mecánica de clasificación

El corazón del modelo es el mecanismo que convierte observaciones en etiquetas. Puedes optar por reglas deterministas basadas en umbrales sobre la volatilidad realizada, por modelos de cambio de régimen o por clasificadores estadísticos más flexibles. Cada enfoque trae consigo supuestos diferentes sobre cómo evoluciona el mercado y sobre la velocidad con la que pueden cambiar los regímenes. En el caso de reglas de umbral, la interpretación es sencilla pero la sensibilidad a la elección de niveles concretos es alta; en modelos de cambio de régimen, la transición suele ser más suave pero el ajuste requiere más cuidado y más datos. La decisión práctica pasa por aceptar qué tipo de error prefieres: cambios de régimen demasiado frecuentes o demasiado lentos.

Aceptar que los errores son parte del diseño

Ningún diseño está completo sin una reflexión sobre los errores que vas a considerar aceptables. En clasificación se habla de falsos positivos y falsos negativos: periodos etiquetados como tensos cuando no lo eran tanto y fases realmente complicadas que el modelo sigue tratando como normales. Históricamente, muchos enfoques han pecado de reaccionar tarde en los episodios de tensión aguda, porque estaban calibrados para no cambiar de opinión con cada sobresalto. Ser explícito sobre qué errores consideras más graves te ayuda a elegir parámetros con más cabeza y a no llevarte sorpresas cuando revises cómo habría actuado el modelo en crisis pasadas. El objetivo no es eliminar los fallos, algo imposible, sino conocer su perfil y decidir si encaja con tu tolerancia al riesgo.

#02

Poner a prueba el modelo con datos históricos

Cien líneas de código pueden generar un gráfico precioso y, aun así, contar una historia engañosa sobre cómo se habría comportado tu modelo en el pasado. El segundo bloque de este artículo se centra en la evaluación: cómo someter tu clasificador de regímenes de volatilidad a pruebas mínimamente serias antes de dejar que influya en decisiones tácticas. Aquí entran en juego conceptos como periodos de entrenamiento y prueba, análisis de sensibilidad y, sobre todo, una mirada honesta a los episodios donde el modelo lo habría hecho francamente mal. En lugar de buscar un conjunto de métricas que te haga sentir cómodo, se trata de construir una imagen completa de sus fortalezas y debilidades.

Separar claramente ajuste y prueba

El primer paso para evaluar tu modelo es separar el tiempo en al menos dos bloques: uno para ajustarlo y otro para comprobar cómo se comporta con datos que no ha visto. Este esquema básico, usado desde hace décadas en análisis cuantitativo, evita parte de la tentación de ir retocando parámetros hasta que el modelo parece acertar siempre sobre el pasado. Aun así, incluso una evaluación bien separada en el tiempo puede engañar si la muestra de datos es demasiado corta o si el periodo de prueba no contiene episodios de estrés relevantes. Por eso conviene comprobar explícitamente cómo habría etiquetado el modelo fases históricas conocidas por su volatilidad extrema y compararlo con su comportamiento en años más tranquilos.

Probar la sensibilidad a los parámetros

Además de mirar si el modelo acierta o falla en cada punto del tiempo, resulta útil analizar cómo de estable es su comportamiento frente a cambios pequeños en los parámetros. Si una ligera variación en la ventana de cálculo o en un umbral altera por completo la secuencia de regímenes, probablemente estás ante un diseño demasiado frágil para usarlo como referencia en conversaciones tácticas. Un análisis de sensibilidad sencillo, que pruebe varias combinaciones razonables de parámetros, suele revelar rápidamente qué partes del modelo son robustas y cuáles dependen de elecciones casi arbitrarias. La implicación es clara: cuanto más sensible sea el modelo a detalles menores, menos peso conviene darle en la práctica.

Revisar con lupa las crisis históricas

Ninguna evaluación está completa sin una mirada específica a los episodios extremos. A lo largo de la historia reciente ha habido periodos donde la volatilidad se disparó en cuestión de días, seguidos a veces por recuperaciones igual de rápidas. Preguntarse cómo habría reaccionado el modelo en esos momentos concretos ayuda a identificar retrasos en el reconocimiento de un nuevo régimen o cambios de etiqueta demasiado frecuentes que habrían generado señales difíciles de seguir. Al revisar esos episodios, es importante resistir la tentación de recalibrar el modelo exclusivamente para que encaje mejor con un caso dramático, porque eso puede deteriorar su comportamiento en entornos más habituales.

Conectar métricas con decisiones reales

Por último, conviene recordar que el propósito de un modelo de regímenes no es ganar un concurso abstracto de precisión, sino aportar información útil para conversaciones reales sobre riesgo. Una evaluación honesta incluye indicadores cuantitativos de acierto, pero también preguntas cualitativas: ¿las transiciones entre regímenes son comprensibles para alguien que no diseñó el modelo?, ¿las señales llegan con un retraso razonable o siempre demasiado tarde?, ¿el patrón de errores es aceptable para la forma en que se tomarán decisiones tácticas? Al responder a estas cuestiones, el modelo deja de ser una caja negra y se convierte en una herramienta cuyo comportamiento puedes explicar y cuestionar, incluso cuando sus resultados no coinciden con tus intuiciones iniciales.

#03

Un ejemplo numérico paso a paso

Un ejemplo numérico, aunque sea sencillo, suele valer más que muchas definiciones abstractas. En este bloque se presenta un caso hipotético con datos simplificados para ilustrar cómo un modelo de tres regímenes de volatilidad podría influir en decisiones tácticas prudentes sobre una cartera diversificada. La idea no es proponer una receta, sino mostrar la cadena completa: desde el cálculo de la volatilidad realizada hasta la interpretación de las etiquetas y la discusión de posibles ajustes, siempre recordando que el comportamiento futuro del mercado puede ser muy distinto y que cualquier decisión relevante debería revisarse con asesoramiento profesional independiente.

Del indicador continuo a tres etiquetas claras

Imagina que calculas la volatilidad diaria anualizada de un índice amplio usando una ventana móvil de varios meses. A partir de la distribución histórica de esos valores, decides fijar dos umbrales: uno bajo, que separa los periodos más tranquilos, y otro alto, que identifica los entornos especialmente tensos. Todo lo que queda entre ambos se etiqueta como régimen intermedio. Con estas reglas sencillas, al recorrer los datos del pasado obtienes una secuencia de días clasificados en tres grupos. En fases prolongadas de calma, la mayoría de los días caen en el régimen bajo; durante episodios de crisis, la etiqueta alta domina; y en las transiciones aparecen bloques intermedios. Esta construcción ya permite comparar, por ejemplo, cómo se habría comportado una cartera moderada en cada uno de esos regímenes, sin entrar aún en ajustes tácticos concretos.

Conectar las etiquetas con decisiones tácticas

Sobre esa base, podrías definir, de manera hipotética, que en régimen de baja volatilidad mantendrías una exposición estándar a activos más sensibles a los ciclos, mientras que en régimen alto optarías por una postura más defensiva, reduciendo parcialmente esa exposición y aumentando el peso de activos considerados más estables. El régimen intermedio serviría como zona de transición, donde los cambios serían graduales y no automáticos. Al aplicar estas reglas simples sobre datos históricos, verías secuencias de decisiones hipotéticas: periodos largos sin cambios, fases donde el modelo propondría ajustes y episodios donde quizá habría reaccionado tarde. Este ejercicio no ofrece conclusiones definitivas, pero ayuda a visualizar cómo un clasificador de regímenes se traduciría, en la práctica, en conversaciones sobre ajustes de riesgo a lo largo del tiempo.

Qué te enseña y qué no te enseña el ejemplo

Al revisar el ejemplo numérico, aparecen limitaciones evidentes. La primera es que la elección de umbrales condiciona fuertemente la frecuencia con la que el modelo cambia de opinión; la segunda, que las reglas tácticas simplifican en exceso la complejidad real de una cartera; la tercera, que el análisis se basa por completo en datos pasados. Históricamente, se han visto periodos largos donde la volatilidad se mantuvo baja antes de un giro brusco, así como fases en las que las señales de tensión se dilataron en el tiempo sin desembocar en caídas profundas. Esto significa que incluso un modelo que parezca razonable en los datos históricos puede comportarse de forma decepcionante en el futuro. Por eso es tan importante tratar el ejemplo como una herramienta para pensar, no como un piloto automático.

Resultados hipotéticos y expectativas realistas

La principal lección del caso numérico es que cualquier regla basada en regímenes de volatilidad introduce un patrón de decisiones que puedes estudiar con antelación. Verás años en los que las señales habrían sido útiles y otros en los que habrían llevado a reducir riesgo justo antes de una recuperación. Esta mezcla de aciertos y fallos no es un defecto del ejemplo concreto, sino una característica general de cualquier enfoque que intente reaccionar a cambios en el entorno. La consecuencia práctica es que, si alguna vez decides usar modelos de este tipo como apoyo, conviene hacerlo con expectativas moderadas, combinándolos con otras fuentes de información y aceptando que los resultados pueden variar de forma significativa entre personas, periodos y carteras. El rendimiento pasado no garantiza resultados futuros.

#04

Errores habituales al usar estos modelos

Cinco errores bien conocidos explican por qué muchos modelos de regímenes de volatilidad que lucen impecables en una presentación resultan poco útiles cuando el mercado se sale del guion. En este último bloque se repasan algunas trampas habituales de diseño e interpretación y se ofrecen pistas para detectarlas a tiempo. La idea no es asustarte ni desanimarte, sino reforzar tu escepticismo saludable para que cualquier modelo que uses, o sobre el que converses con un profesional, se sostenga mejor ante las sorpresas que el mercado suele reservar.

Enamorarse de una sola crisis histórica

Uno de los fallos más comunes es calibrar el modelo casi exclusivamente sobre la última gran crisis o sobre el episodio que más impresiona al equipo que lo construye. Eso suele producir clasificadores que funcionan de forma llamativa en ese periodo concreto pero que pierden gran parte de su utilidad en entornos distintos. Para evitarlo, conviene usar muestras amplias que incluyan varias fases de tensión y calma, y resistir la tentación de ajustar cada parámetro hasta que el modelo reproduzca a la perfección un único caso dramático. Históricamente, los enfoques que sobreviven mejor a mercados cambiantes son los que aceptan una dosis razonable de error en cada crisis a cambio de mantener un comportamiento coherente en el resto del tiempo.

Olvidar costes, impuestos y fricciones reales

Otra trampa frecuente es ignorar los costes y las fricciones asociadas a los cambios tácticos que el modelo sugiere. Un clasificador puede generar una secuencia de señales impecable en papel, pero si esas señales implican ajustes muy frecuentes, los costes de transacción y los posibles efectos fiscales pueden erosionar buena parte del beneficio teórico. Al evaluar cualquier modelo de regímenes, tiene sentido incorporar, aunque sea de forma aproximada, estos elementos prácticos en los ejemplos históricos. De lo contrario, se corre el riesgo de sobrevalorar diseños que solo funcionan en un mundo sin costes ni restricciones, muy distinto del que encuentran las personas cuando intentan aplicar las ideas en la realidad.

Confundir descripción del entorno con predicción

También es habitual interpretar la salida del modelo como una predicción fuerte sobre lo que va a ocurrir, en lugar de verla como una descripción del entorno actual según ciertos criterios. Etiquetar un periodo como de alta volatilidad no significa que los precios vayan a caer necesariamente, del mismo modo que un entorno tranquilo no garantiza subidas constantes. Tratar las etiquetas como oráculos lleva a decisiones excesivamente confiadas y a decepciones posteriores cuando el mercado se comporta de forma distinta. Una postura más prudente es considerar el régimen como una pieza adicional de contexto que puede influir en conversaciones tácticas, pero que no sustituye al análisis más amplio ni al juicio profesional.

Olvidar que el mercado también evoluciona

Por último, muchos modelos fracasan en su objetivo porque nadie se ocupa de revisarlos con el tiempo. Las relaciones entre variables de mercado pueden cambiar, las fuentes de datos pueden sufrir modificaciones y la propia estructura de incentivos de los participantes evoluciona. Un clasificador de regímenes diseñado sobre datos antiguos puede dejar de captar bien los cambios relevantes si no se reevalúan periódicamente sus supuestos y parámetros. La experiencia acumulada muestra que los enfoques que mejor se adaptan no son necesariamente los más complejos, sino aquellos cuya lógica es lo bastante clara como para poder ser cuestionada y ajustada cuando aparecen señales de que el mundo ha cambiado.

Cómo construir y evaluar un modelo adaptable de regímenes de volatilidad para decisiones tácticas prudentes