Inferencia bayesiana aplicada a la detección de regímenes de salto en mercados con baja liquidez y datos escasos
La inferencia bayesiana ofrece un marco coherente para identificar regímenes de salto cuando los datos son escasos o cuando la liquidez del mercado distorsiona las señales estadísticas convencionales. Este artículo examina cómo los métodos de Monte Carlo secuencial y los filtros de partículas permiten actualizar las estimaciones de salto en tiempo real, y qué condiciones deben cumplirse para que esas estimaciones sean fiables desde un punto de vista estadístico.
En mercados con baja liquidez, la señal estadística de un salto latente se confunde con el ruido de microestructura. La inferencia bayesiana ofrece un camino sistemático para separar ambos fenómenos sin imponer supuestos que los datos no pueden verificar.
Por qué los métodos frecuentistas fallan en mercados ilíquidos
Los estimadores frecuentistas clásicos de parámetros de salto asumen implícitamente que el proceso generador de datos es estacionario y que la muestra disponible es suficientemente larga para que las propiedades asintóticas de los estimadores sean relevantes. En mercados con baja liquidez, ambas condiciones suelen violarse simultáneamente. La escasez de transacciones genera periodos prolongados sin nueva información de precio, lo que introduce autocorrelación artificial en los retornos calculados y sesga hacia abajo las estimaciones de variación discontinua. Los métodos de máxima verosimilitud, aplicados sin correcciones específicas, tienden a subidentificar los componentes de salto precisamente en los mercados donde esos componentes son más relevantes para el análisis de riesgo. El marco bayesiano responde a este problema de forma directa: en lugar de depender exclusivamente de la muestra disponible, incorpora información previa sobre los parámetros del modelo que puede derivarse de mercados comparables o de la teoría económica, reduciendo la varianza de las estimaciones sin introducir sesgo adicional cuando la distribución a priori está bien especificada.
Filtros de partículas y estimación secuencial de saltos
Los filtros de partículas, también conocidos como métodos de Monte Carlo secuencial, permiten estimar la distribución posterior de los parámetros de salto de forma recursiva, actualizando las estimaciones cada vez que se incorpora una nueva observación al conjunto de datos. Esta propiedad los convierte en herramientas especialmente adecuadas para el análisis de mercados donde los saltos pueden ocurrir en cualquier momento y donde el analista necesita mantener una estimación actualizada del estado del proceso sin esperar a disponer de una muestra completa. La implementación práctica de un filtro de partículas para la detección de saltos requiere especificar tres elementos: la distribución a priori sobre los parámetros del modelo, la función de verosimilitud que relaciona los datos observados con el estado latente del proceso, y el mecanismo de remuestreo que evita la degeneración de la nube de partículas a lo largo del tiempo. Cada uno de estos elementos introduce supuestos que deben ser evaluados con cuidado, ya que errores en la especificación de la función de verosimilitud pueden generar estimaciones de salto sistemáticamente incorrectas incluso cuando el algoritmo converge numéricamente.
Especificación de la distribución a priori en ausencia de datos históricos abundantes
La elección de la distribución a priori es el punto más delicado de cualquier análisis bayesiano aplicado a la detección de saltos. Una distribución a priori demasiado informativa puede dominar la evidencia muestral y producir estimaciones que reflejan más las creencias del analista que los datos del mercado. Una distribución a priori demasiado difusa, por otro lado, ofrece pocas ventajas sobre los métodos frecuentistas en muestras pequeñas y puede generar problemas numéricos en la estimación. La práctica habitual en la literatura especializada consiste en utilizar distribuciones a priori débilmente informativas que restringen los parámetros a regiones plausibles desde un punto de vista económico, sin concentrar la masa de probabilidad en valores específicos. Para la intensidad de los saltos, una distribución gamma con parámetros calibrados sobre la evidencia agregada de mercados comparables proporciona un punto de partida razonable. Para la magnitud de los saltos, una mezcla de normales centrada en cero con varianza moderada permite capturar tanto saltos positivos como negativos sin imponer simetría de forma estricta.
Identificación de regímenes de salto mediante modelos de cambio de Markov
Un enfoque alternativo al modelo de Poisson con intensidad estocástica consiste en especificar un modelo de cambio de régimen de Markov en el que el proceso de retorno alterna entre un estado de baja actividad de salto y un estado de alta actividad de salto. La probabilidad de transición entre regímenes es un parámetro del modelo que puede estimarse junto con los demás parámetros mediante el algoritmo de Baum-Welch o sus extensiones bayesianas. Este marco tiene la ventaja de ser interpretable de forma directa: el analista puede calcular en cada momento la probabilidad de que el mercado se encuentre en el régimen de alta actividad de salto, lo que proporciona una señal de alerta estadísticamente fundamentada. La principal limitación es que el número de regímenes debe especificarse de antemano, y los criterios de información habituales no siempre ofrecen una guía clara cuando los regímenes están parcialmente solapados en el espacio de observaciones. La validación cruzada temporal y la comparación de modelos mediante factores de Bayes constituyen herramientas más robustas para este problema de selección de modelo.
Evaluación empírica y límites del enfoque bayesiano en detección de saltos
La evaluación de un modelo bayesiano de detección de saltos no puede limitarse a verificar que el algoritmo de estimación ha convergido. Es necesario examinar si las distribuciones posteriores obtenidas son coherentes con la evidencia externa disponible, si las predicciones fuera de muestra del modelo son estadísticamente superiores a las de modelos alternativos, y si los saltos identificados coinciden temporalmente con eventos económicos documentados que justifiquen una discontinuidad en el proceso de precios. Los estudios empíricos disponibles en la literatura sugieren que los modelos bayesianos con filtros de partículas tienden a identificar un mayor número de saltos que los métodos frecuentistas en mercados con baja liquidez, pero que una fracción significativa de esos saltos adicionales puede atribuirse a efectos de microestructura no correctamente filtrados. La comparación sistemática de las estimaciones obtenidas con distintas especificaciones de la distribución a priori, lo que la literatura denomina análisis de sensibilidad a la prior, es una práctica indispensable antes de extraer conclusiones sobre la estructura de riesgo de un mercado concreto.
