Broken Symmetry of Stock Returns -- a Modified Jones-Faddy Skew t-Distribution

El artículo propone que la asimetría en los rendimientos bursátiles surge de la ruptura de simetría en la volatilidad estocástica de las ganancias y pérdidas, y demuestra que una distribución t sesgada modificada de Jones-Faddy puede modelar eficazmente esta dinámica y sus colas utilizando datos diarios del S&P 500.

Lo esencial

Imagina que el mercado de valores es como un océano gigante. La mayoría de los días, las olas (los precios de las acciones) suben y bajan de manera predecible, como si siguieran una corriente suave. Los economistas y físicos han intentado durante décadas crear un "mapa" matemático perfecto para predecir estas olas.

El mapa más famoso y sencillo se llama la Distribución t de Student. Imagina que este mapa dibuja una montaña perfecta y simétrica: si hay una ola que sube 1 metro, hay una probabilidad idéntica de que haya una ola que baje 1 metro. Es un mundo equilibrado, donde las ganancias y las pérdidas son espejos exactos.

El Problema: El Mapa no coincide con la Realidad

Los autores de este artículo, un equipo de físicos de la Universidad de Cincinnati, miraron los datos reales del mercado (el índice S&P500 entre 1980 y 2025) y se dieron cuenta de que el mapa perfecto tenía un error grave:

1. El océano no es simétrico: En la vida real, cuando el mercado cae (las pérdidas), lo hace de forma más violenta y con olas más grandes que cuando sube. Es como si, en el lado de las pérdidas, el océano tuviera "olas monstruo" más frecuentes.
2. El mercado tiende a subir: A pesar de esas caídas violentas, el mercado, en promedio, tiene una tendencia a subir (una ganancia positiva).
3. Más días buenos que malos: Hay más días de ganancias que de pérdidas.

El modelo antiguo (la montaña simétrica) no podía explicar por qué el mercado tiene "más días de subida" pero también "caídas más aterradoras".

La Solución: Un Nuevo Mapa "Roto" (Simetría Rota)

Los autores proponen una idea fascinante: la volatilidad (la fuerza de las olas) tiene dos personalidades diferentes.

Imagina que la fuerza que mueve el mercado es un motor.

• Cuando el mercado sube, el motor funciona con un tipo de combustible que hace que las olas sean suaves y constantes.
• Cuando el mercado baja, el motor cambia a un combustible diferente que hace que las olas sean más erráticas y peligrosas.

En física, a esto se le llama "ruptura de simetría". Ellos dicen que no podemos usar la misma fórmula para las ganancias y para las pérdidas.

La Nueva Herramienta: La "Distribución Jones-Faddy Modificada"

Para crear un mapa que funcione, usaron una fórmula matemática nueva y un poco compleja llamada Distribución t de Jones-Faddy modificada.

• La analogía de la montaña: Imagina que en lugar de una montaña simétrica, tienes una montaña donde el lado izquierdo (las pérdidas) es una pendiente muy empinada y larga, mientras que el lado derecho (las ganancias) es una colina más suave y ancha. Además, el centro de la montaña está desplazado ligeramente hacia la derecha (hacia la ganancia).
• ¿Por qué es útil? Esta nueva fórmula es capaz de capturar esa "asimetría" de forma orgánica. No es simplemente pegar dos mitades diferentes (como intentarían hacer otros modelos); es una sola fórmula que entiende que el mercado se comporta de manera distinta cuando gana y cuando pierde.

¿Qué descubrieron al probarlo?

1. Funciona muy bien: Al aplicar esta nueva fórmula a los datos del S&P500, el mapa encajó perfectamente. Capturó la tendencia al alza, la cantidad de días buenos y, lo más importante, la naturaleza "peligrosa" de las caídas extremas (las colas de la distribución).
2. El misterio de la física: Aunque la fórmula funciona increíblemente bien para predecir el comportamiento del mercado, los autores admiten algo curioso: aún no saben cómo derivar esta fórmula desde las leyes fundamentales de la física (ecuaciones diferenciales estocásticas). Es como tener un coche que funciona a la perfección, pero aún no hemos descubierto exactamente cómo funciona el motor por dentro. Saben qué hace, pero no cómo lo hace desde cero.

En resumen:

Este paper nos dice que el mercado de valores no es un sistema equilibrado y simétrico. Es un sistema donde las ganancias y las pérdidas tienen "reglas de juego" diferentes. Las pérdidas son más violentas y las ganancias son más constantes. La nueva fórmula propuesta es como un mapa de navegación actualizado que nos permite entender mejor los riesgos extremos y la tendencia general del mercado, ayudándonos a no ser sorprendidos por las "olas monstruo" que el viejo mapa ignoraba.

Resumen técnico

Resumen Técnico

1. Planteamiento del Problema

El artículo aborda una discrepancia fundamental entre los modelos financieros tradicionales y la realidad empírica de los rendimientos bursátiles (específicamente el índice S&P500 de 1980 a 2025).

• El Modelo Estándar: Los modelos basados en ecuaciones diferenciales estocásticas (SDE) con volatilidad estocástica (como el modelo de Cox-Ingersoll-Ross o modelos multiplicativos) tienden a generar distribuciones simétricas, como la distribución t de Student. En estos modelos, la probabilidad de ganancias y pérdidas es simétrica, y las "colas" (extremos de la distribución) siguen leyes de potencia idénticas para ambos lados.
• La Realidad Empírica: Los datos reales del S&P500 exhiben una ruptura de simetría clara:
  1. Media positiva: El mercado tiene una tendencia alcista a largo plazo.
  2. Sesgo negativo (Negative Skew): Existe una asimetría hacia la izquierda; las pérdidas extremas son más probables o severas que las ganancias extremas.
  3. Asimetría en las colas: Las colas de las pérdidas siguen una ley de potencia más lenta (colas más pesadas) que las de las ganancias.
  4. Frecuencia: Hay más puntos de datos de ganancias que de pérdidas.

El problema central es cómo modelar matemáticamente esta ruptura de simetría manteniendo un marco teórico robusto, idealmente derivado de principios físicos o estocásticos, sin recurrir simplemente a mezclas ad-hoc de distribuciones.

2. Metodología

Los autores proponen un enfoque que combina el marco de ecuaciones diferenciales estocásticas (SDE) con extensiones analíticas de distribuciones de probabilidad.

• Fundamento Teórico (SDE):

  • Parten de la ecuación para los rendimientos descontados: $dx_t = \sigma_t dW$.
  • Modelan la volatilidad $\sigma_t$ mediante una ecuación de reversión a la media para la varianza $v_t = \sigma_t^2$.
  • Utilizan un modelo multiplicativo para la volatilidad ($g(v_t) = \kappa v_t$), lo que conduce a una distribución Inversa Gamma para la varianza y, por ende, a una distribución t de Student para los rendimientos.
  • Hipótesis de Ruptura: Proponen que los parámetros que gobiernan la volatilidad estocástica ($\alpha$ y $\theta$) son diferentes para ganancias ($g$) y pérdidas ($l$).

• Desarrollo de Modelos:
  Los autores evalúan cuatro modelos para capturar esta asimetría:

  1. Distribución t de Student: El modelo base simétrico (referencia).
  2. Half Student-t (Medio t de Student): Una mezcla de dos distribuciones t de Student independientes (una para $x \geq 0$ y otra para $x \leq 0$) con parámetros distintos ($\alpha_g, \theta_g$ y $\alpha_l, \theta_l$). Aunque tiene base en SDE, no es una distribución "orgánica" única y falla al predecir la media positiva correcta.
  3. Distribución Jones-Faddy Modificada (mJF1): Una extensión sesgada de la distribución t de Student que introduce parámetros separados para las colas ($\alpha_g, \alpha_l$) y un parámetro de ubicación ($\mu$). Esta distribución permite que las leyes de potencia sean diferentes en $+\infty$ y $-\infty$.
  4. Distribución Jones-Faddy Modificada 2 (mJF2): Una generalización de mJF1 que permite también que los parámetros de reversión a la media ($\theta_g$ y $\theta_l$) sean diferentes.

• Análisis Estadístico:

  • Se utilizaron datos diarios del S&P500 (1980-2025).
  • Se aplicó un ajuste bayesiano para estimar los parámetros.
  • Se calcularon momentos estadísticos (media, varianza, moda) y coeficientes de sesgo de Pearson.
  • Se analizaron las colas mediante ajustes lineales en el Complemento de la Función de Distribución Acumulada (CCDF) para determinar los exponentes de las leyes de potencia.
  • Se realizaron pruebas estadísticas (U-test basado en estadísticos de orden) y se construyeron intervalos de confianza para detectar valores atípicos (como "Dragon Kings").

3. Contribuciones Clave

• Propuesta de un Modelo Orgánico Unificado: Introducen la distribución mJF1 como la candidata más sólida para describir los rendimientos del mercado. A diferencia de la "Half Student-t" (que es una mezcla mecánica), mJF1 es una distribución única y continua que captura la asimetría de manera natural.
• Explicación de la Media Positiva: Demuestran que el parámetro de ubicación ($\mu$) en mJF1 es crucial. No solo explica el mayor número de días de ganancias, sino que también compensa el peso de las colas negativas, permitiendo una media positiva realista.
• Caracterización de la Ruptura de Simetría: Identifican que la diferencia en el parámetro $\alpha$ (relacionado con la intensidad de la volatilidad) entre ganancias y pérdidas es el motor principal de la diferencia en los exponentes de las leyes de potencia. Específicamente, $\alpha_l < \alpha_g$ explica las colas más pesadas de las pérdidas.
• Validación Empírica Rigurosa: Proporcionan un análisis exhaustivo que incluye no solo el ajuste central, sino también el comportamiento asintótico de las colas y pruebas de bondad de ajuste para eventos extremos.

4. Resultados

• Ajuste de Parámetros (Tabla 1 y 2):
  • El modelo mJF1 logra un ajuste superior al S&P500 real en comparación con la distribución t de Student estándar y la "Half Student-t".
  • Media ($m_1$): El modelo t de Student predice una media de 0. La "Half Student-t" predice una media negativa (contraria a la evidencia). mJF1 predice una media positiva ($4.06 \times 10^{-5}$), muy cercana al valor empírico ($4.38 \times 10^{-5}$).
  • Sesgo ($\zeta_1, \zeta_2$): mJF1 captura el sesgo negativo empírico con mayor precisión que los otros modelos.
  • Exponentes de Cola: Los exponentes de las leyes de potencia para las pérdidas (-2.90) y ganancias (-3.12) en mJF1 coinciden estrechamente con los datos reales (-2.91 y -3.14 respectivamente).
• Comparación mJF1 vs. mJF2:
  • La introducción de un segundo parámetro de volatilidad media ($\theta_l \neq \theta_g$) en mJF2 no mejora significativamente el ajuste ni la capacidad predictiva en comparación con mJF1 (que asume $\theta_g = \theta_l = \theta$).
  • Esto sugiere que la asimetría principal proviene de la diferencia en los parámetros de forma ($\alpha$) y no necesariamente de la diferencia en la reversión a la media ($\theta$).
• Análisis de Colas: Las pruebas de U-test y los intervalos de confianza muestran que mJF1 describe adecuadamente las colas de la distribución, sin una cantidad anómala de valores atípicos fuera del modelo, a diferencia de lo que ocurriría con un modelo simétrico.

5. Significado e Implicaciones

• Avance Teórico: El trabajo ofrece una herramienta matemática superior para la gestión de riesgos y la valoración de derivados, ya que los modelos simétricos subestiman sistemáticamente la probabilidad de crisis (colas pesadas de pérdidas).
• Interpretación Física: Sugiere que la volatilidad del mercado no es un proceso uniforme; el mecanismo que genera volatilidad durante las caídas es cualitativamente diferente (más "ruidoso" o con parámetros distintos) al de las subidas.
• Limitaciones y Futuro: Aunque mJF1 es empíricamente excelente, los autores reconocen que aún no existe una derivación estricta desde "primeros principios" de las ecuaciones diferenciales estocásticas que lleve directamente a la forma de mJF1 (a diferencia de la distribución t estándar). El trabajo futuro se dirige a encontrar esa derivación teórica y aplicar el modelo a otros índices (NASDAQ, Russell) y a rendimientos acumulados.

En conclusión, el artículo establece que la distribución t de Jones-Faddy modificada (mJF1) es la representación más precisa y parsimoniosa de los rendimientos diarios del S&P500, logrando reconciliar la media positiva, el sesgo negativo y la asimetría en las leyes de potencia de las colas en un solo marco distributivo.