A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

Este artículo presenta el modelo B-DARMA-DARCH, un enfoque bayesiano que integra componentes ARCH en series temporales Dirichlet para predecir con mayor precisión las participaciones de tarifas de Airbnb en diferentes monedas, capturando eficazmente la volatilidad agrupada que los modelos estándar no logran representar.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una receta de cocina para predecir el futuro, pero en lugar de ingredientes como harina y huevos, los ingredientes son dinero en diferentes monedas (dólares, euros, pesos, etc.) que la gente usa para pagar sus viajes en Airbnb.

Aquí tienes la explicación sencilla, usando analogías de la vida diaria:

🌍 El Problema: El "Bowl" de Monedas que Baila

Imagina que Airbnb es un gran restaurante donde los clientes pagan con monedas de todo el mundo. El problema es que el restaurante necesita saber cuánto dinero tendrá en Dólares Americanos (USD) al final del día para sus cuentas.

Para hacerlo, no solo necesitan saber cuántos viajes se vendieron, sino qué mezcla de monedas se usó.

• Un día, el 80% paga en Dólares y el 20% en Euros.
• Al día siguiente, por una crisis o una noticia, el 50% paga en Dólares y el 50% en Pesos Mexicanos.

Esta mezcla (llamada "datos composicionales") es como un bowl de sopa donde todos los ingredientes suman siempre el 100%. Si sube un ingrediente, otro tiene que bajar. Predecir esto es difícil porque la "sopa" cambia de sabor repentinamente, especialmente cuando hay crisis (como la pandemia).

🧠 La Solución Vieja vs. La Nueva (B-DARCH)

Los expertos usaban dos tipos de "gafas" para mirar estos datos:

1. Las Gafas Normales (Modelos antiguos): Decían: "La mezcla cambia un poco, pero la inquietud (la volatilidad) es siempre la misma". Imagina que intentas predecir el clima asumiendo que la temperatura siempre cambia de la misma manera suave. Si llega una tormenta de repente, estas gafas se rompen y fallan.
2. Las Gafas con "Sentido Común" (El nuevo modelo B-DARCH): Los autores crearon un nuevo modelo que entiende que la inquietud también cambia.

La Analogía del Coche y el Terreno

Imagina que conducir un coche es predecir las monedas:

• El modelo viejo asume que el coche siempre va por una carretera lisa. Si de repente el coche entra en un camino lleno de baches (una crisis), el modelo sigue diciendo "todo va suave" y el conductor (la predicción) se sorprende cuando el coche salta.
• El nuevo modelo (B-DARCH) tiene un sistema de suspensión inteligente. Cuando detecta que el camino se pone lleno de baches (alta volatilidad), ajusta automáticamente la suspensión para absorber los golpes. No solo predice a dónde va el coche, sino que también predice qué tan brusco será el viaje.

🔑 ¿Qué hace especial a este nuevo modelo?

El modelo se llama B-DARCH. Su magia está en dos partes:

1. Respeta las reglas del juego: A diferencia de otros modelos que transforman los datos y a veces olvidan que la suma debe ser siempre 100%, este modelo vive dentro de las reglas (el "símplex"). Es como un chef que sabe que si pone más sal, debe quitar un poco de agua para que la sopa no se desborde.
2. Detecta los "Baches" (Volatilidad): Tiene un sensor especial que dice: "¡Oye! Hace un momento hubo un shock (como el inicio de la pandemia). Ahora el mercado está nervioso y las monedas van a saltar más. Vamos a ajustar nuestra predicción para esperar esos saltos".

📊 ¿Funcionó? (La Prueba de Fuego)

Los autores probaron su modelo de dos formas:

1. En el laboratorio (Simulaciones): Crearon escenarios falsos donde a veces los datos estaban "sucios" (errores) o el clima cambiaba de repente.
   • Resultado: El modelo nuevo fue el que menos se equivocó y sus predicciones fueron las más estables. Los modelos viejos se quedaron atascados con errores que no desaparecían.
2. En la vida real (Datos de Airbnb): Usaron datos reales de 2017 a 2020, incluyendo el caos de 2020.
   • Resultado: El modelo nuevo fue el ganador en todas las regiones. Predijo mejor no solo el valor, sino también cuánto podría equivocarse (sus intervalos de confianza fueron más precisos).

💡 La Lección Principal

La conclusión es simple: Cuando el ruido (la incertidumbre) se mueve, tu modelo debe moverse con él.

• Si el mercado está tranquilo, los modelos viejos funcionan bien.
• Pero cuando hay crisis, guerras o pandemias, el "ruido" se vuelve salvaje. El modelo B-DARCH es como un conductor experto que sabe que en días de lluvia (crisis) debe conducir más despacio y con más cuidado, ajustando sus predicciones a la realidad del terreno, en lugar de seguir conduciendo como si fuera un día de sol perfecto.

En resumen, este paper nos da una herramienta matemática más inteligente para predecir el dinero en un mundo donde nada es estático, ayudando a empresas como Airbnb a no perder dinero por sorpresas inesperadas.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares" (Un modelo Bayesiano de Heterocedasticidad Condicional Auto-Regresiva de Dirichlet para la previsión de cuotas de divisas), traducido y adaptado al español.

---

1. Planteamiento del Problema

El artículo aborda un desafío crítico en las finanzas de plataformas de mercado (específicamente Airbnb): la previsión de los ingresos consolidados en dólares estadounidenses (USD). Dado que los viajeros pagan en más de 100 monedas diferentes, la plataforma debe predecir no solo el volumen total de reservas, sino también la composición diaria de las cuotas de pago por moneda.

• Naturaleza de los datos: Las proporciones de las monedas constituyen datos composicionales (vector de datos no negativos que suman uno), lo que implica que residen en un simplex. Esto viola las suposiciones de normalidad y varianza constante de los modelos de series temporales tradicionales.
• Complejidad dinámica: La mezcla de monedas no es estática; muestra estacionalidad, dependencia temporal y, crucialmente, volatilidad heterocedástica (la varianza de las proporciones cambia con el tiempo, a menudo agrupándose en "clusters" o estallidos durante eventos disruptivos como la pandemia de COVID-19).
• Limitaciones de los enfoques existentes:
  • Los modelos transformados a Gaussianos (usando log-ratios) pueden generar predicciones inválidas (fuera del simplex) tras la transformación inversa si las suposiciones de normalidad se violan.
  • Los modelos Dirichlet estándar (como B-DARMA) suelen asumir una precisión (inversa de la varianza) fija o determinista, lo que les impide adaptarse a cambios bruscos en la volatilidad o a la agrupación de la misma.

2. Metodología Propuesta: El Modelo B-DARCH

Los autores proponen un nuevo modelo llamado B-DARCH (Bayesian Dirichlet Auto-Regressive Moving Average con Dirichlet Auto-Regressive Conditional Heteroskedasticity). Este modelo integra tres componentes clave:

A. Estructura de Datos en el Simplex

El modelo asume que las observaciones $y_t$ siguen una distribución Dirichlet condicionada a un vector de medias $\mu_t$ y un parámetro de precisión $\phi_t$:
$$y_t | \mu_t, \phi_t \sim \text{Dirichlet}(\phi_t, \mu_t)$$
Esto garantiza que las predicciones siempre sean válidas (no negativas y sumen uno).

B. Dinámica de la Media (Escala ALR)

Para modelar la media $\mu_t$, se utiliza la transformación Log-Ratio Aditiva (ALR) para reducir la dimensionalidad y mapear el simplex a un espacio euclidiano ($\mathbb{R}^{J-1}$). La media transformada $\eta_t = \text{alr}(\mu_t)$ sigue una estructura VARMA (Vector Auto-Regressive Moving Average) impulsada por observaciones:
$$\eta_t = \sum A_p (\text{alr}(y_{t-p}) - X_{t-p}\beta) + \sum B_q (\text{alr}(y_{t-q}) - \eta_{t-q}) + X_t\beta$$
Esto captura la dependencia temporal y la estacionalidad en la composición media.

C. Dinámica de la Precisión (Componente DARCH)

La innovación principal es modelar el parámetro de precisión $\phi_t$ (que controla la dispersión/volatilidad) mediante un proceso DARCH (análogo a GARCH en series financieras), en lugar de mantenerlo fijo o determinista.
$$\log(\phi_t) = \sum \alpha_l (\log(\phi_{t-l}) - z'_{t-l}\gamma) + \sum \tau_k (\text{alr}(y_{t-k}) - \eta_{t-k})'(\text{alr}(y_{t-k}) - \eta_{t-k}) + z'_t\gamma$$

• Mecanismo: La precisión actual depende de la precisión pasada y de los errores de predicción recientes (innovaciones).
• Beneficio: Esto permite que el modelo capture la agrupación de la volatilidad (volatility clustering) y se adapte dinámicamente a choques repentinos (como la pandemia), aumentando la incertidumbre cuando los datos son más dispersos y reduciéndola cuando se normalizan.

D. Inferencia Bayesiana

Se utiliza un marco bayesiano completo para estimar los parámetros y generar distribuciones predictivas. La inferencia se realiza mediante Muestreo de Hamiltoniano (HMC) en Stan, utilizando priores informativos para los coeficientes y estructuras de covarianza.

3. Contribuciones Clave

1. Modelado de Heterocedasticidad en el Simplex: Es el primer modelo que combina la distribución Dirichlet (para respetar las restricciones del simplex) con un mecanismo de volatilidad condicional dinámica (DARCH) en un marco bayesiano.
2. Robustez ante Choques: El componente DARCH permite que el modelo "absorba" choques estructurales y cambios de régimen temporal sin perder la coherencia de las predicciones composicionales.
3. Mejora en la Calibración de Incertidumbre: Al modelar la precisión dinámicamente, los intervalos creíbles se ajustan automáticamente al nivel de ruido actual, evitando la subestimación de la incertidumbre durante periodos volátiles.
4. Validación Rigurosa: El modelo se evalúa tanto mediante estudios de simulación (con datos sintéticos perturbados) como con datos reales de Airbnb, comparándose contra modelos estándar y alternativas de parámetros variables.

4. Resultados

A. Estudios de Simulación

Se comparó B-DARCH contra:

• B-DARMA (Dirichlet con precisión fija).
• B-tVARMA (Transformación a Gaussiana con varianza constante).
• B-TVP-tVARMA (Gaussiana con parámetros de media variables en el tiempo).

Hallazgos:

• B-DARCH obtuvo consistentemente el menor Error Cuadrático Medio (FRMSE) y el menor Error Absoluto Medio (FMAE) en todos los escenarios, incluyendo aquellos con observaciones mal reportadas y cambios de régimen temporales.
• Análisis de Residuos: B-DARCH mostró la menor persistencia en la autocorrelación parcial de los residuos al cuadrado estandarizados (PACF), indicando que capturó mejor la dinámica de la volatilidad en comparación con los otros modelos, que dejaron dependencia residual a mediano plazo.

B. Aplicación a Datos de Airbnb

Se aplicó el modelo a las cuotas de tarifas en 4 regiones geográficas (2017-2020).

• Rendimiento Agregado: B-DARCH superó a todos los competidores en las 4 regiones, logrando reducciones significativas en el error de previsión (hasta un 60% de mejora en FMAE en la Región 1 frente a B-DARMA).
• Adaptabilidad: El modelo capturó eficazmente los estallidos de volatilidad durante la pandemia de COVID-19, donde las proporciones de divisas fluctuaron drásticamente.
• Intervalos de Confianza: B-DARCH proporcionó una cobertura de intervalos creíbles (95%) mucho más cercana al nivel nominal en regiones con alta volatilidad, mientras que los modelos de varianza constante tendieron a subestimar la incertidumbre (subcobertura).
• Eficiencia Computacional: Aunque B-DARCH es más complejo que B-DARMA, fue computacionalmente más eficiente que el modelo de parámetros variables (TVP-tVARMA), que requirió tiempos de ejecución significativamente mayores.

5. Significado e Impacto

El artículo demuestra que, para series temporales composicionales con volatilidad cambiante, modelar la precisión (dispersión) como un proceso dinámico es superior a asumir una varianza constante o simplemente permitir que la media varíe.

• Para la Gestión Financiera: Proporciona a los equipos de tesorería herramientas más precisas para la previsión de ingresos en USD y la cobertura de riesgos (hedging), especialmente en entornos macroeconómicos inestables.
• Para la Ciencia de Datos: Ofrece un nuevo estándar para el modelado de datos composicionales, demostrando que la combinación de la estructura Dirichlet con mecanismos de volatilidad tipo GARCH es viable y superior en escenarios de heterocedasticidad.
• Recomendación Práctica: Los autores sugieren que, cuando los diagnósticos indican agrupación de la dispersión (volatilidad), el uso de B-DARCH es esencial. Si la volatilidad es tranquila, modelos más simples (como B-tVARMA) pueden ser suficientes, pero B-DARCH ofrece la mayor robustez y calibración en entornos reales complejos.

En resumen, B-DARCH llena un vacío metodológico al proporcionar un enfoque unificado, flexible y robusto para predecir proporciones en presencia de ruido no estacionario, mejorando tanto la precisión puntual como la cuantificación de la incertidumbre.