💰 quantitative finance

BASTION: A Bayesian Framework for Trend and Seasonality Decomposition

Este artículo presenta BASTION, un marco bayesiano flexible que identifica de manera única y descompone robustamente las series temporales en componentes de tendencia y múltiples estacionalidades, al tiempo que maneja eficazmente cambios abruptos, valores atípicos y volatilidad variante en el tiempo, ofreciendo una cuantificación de la incertidumbre superior en comparación con los métodos existentes.

Autores originales: Jason B. Cho, David S. Matteson

Publicado 2026-01-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jason B. Cho, David S. Matteson

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás escuchando una pieza musical compleja. Tiene una línea de bajo constante (la tendencia), una melodía que se repite cada pocas compases (la estacionalidad) y, a veces, chirridos repentinos de un violín o un golpe de tambor que no encajan con el ritmo (valores atípicos y ruido).

Durante mucho tiempo, los estadísticos han intentado separar estos sonidos para entender mejor la canción. Pero las herramientas existentes suelen tener dificultades: pueden suavizar demasiado los chirridos repentinos, confundirse cuando la melodía cambia de velocidad o no ser capaces de decir qué tan seguros están de su suposición.

Los autores de este artículo, Jason B. Cho y David S. Matteson, presentan una nueva herramienta llamada BASTION (BAyesian Adaptive Seasonality and Trend DecompositION - Descomposición de Estacionalidad y Tendencia Bayesiana Adaptativa). Piensa en BASTION como un ingeniero de audio altamente inteligente y flexible que puede separar la música en sus partes más puras con una precisión increíble.

Así es como funciona BASTION, utilizando analogías sencillas:

1. El "Filtro Inteligente" (Contracción Global-Local)

Imagina que estás intentando limpiar una ventana embarrada.

Los métodos antiguos son como usar un cepillo gigante y rígido. Si frotas con demasiada fuerza, borras la hermosa imagen detrás del cristal (la señal real). Si frotas demasiado suavemente, la suciedad permanece (el ruido).
BASTION utiliza un "filtro inteligente". Tiene un ajuste global que mantiene toda la ventana limpia, pero también tiene sensores locales. Si detecta una mancha repentina y aguda (un cambio brusco en la tendencia), sabe que debe frotar más fuerte justo ahí sin arruinar el resto de la imagen. Si ve una pequeña mota de polvo (ruido), la ignora suavemente. Esto le permite mantener las curvas suaves de la canción mientras captura cambios repentinos y dramáticos.

2. El "Detective Matemático" (Resolviendo el Rompecabezas de la Identidad)

Cuando intentas separar la línea de bajo de la melodía, a veces se ven tan similares que no puedes distinguir cuál es cuál. En matemáticas, esto se llama un problema de "identificabilidad".

Los autores actuaron como detectives. Escribieron reglas estrictas (prueces matemáticas) para asegurar que la "línea de bajo" (tendencia) y la "melodía" (estacionalidad) sean verdaderamente únicas y no se superpongan de una manera que confunda a la computadora.
Descubrieron que si tienes múltiples melodías tocando a diferentes velocidades (múltiples estacionalidades), necesitas una combinación especial de reglas para mantenerlas distintas. BASTION es el primero en demostrar formalmente cómo establecer estas reglas para que la respuesta sea siempre única.

3. La "Red de Seguridad" (Cuantificación de la Incertidumbre)

La mayoría de las herramientas antiguas te dan un solo número y dicen: "Esta es la tendencia". No te dicen si están adivinando o si están seguros.

BASTION es diferente. Te da un rango de confianza. Es como un pronóstico del tiempo que no solo dice "Lloverá", sino que dice "Lloverá, y estamos 95% seguros de que será entre 1 y 2 pulgadas". Esto ayuda a los usuarios a saber exactamente cuánta confianza pueden depositar en los resultados.

4. Manejo de los "Comodines" (Valores Atípicos y Volatilidad)

Los datos del mundo real son desordenados. A veces un sensor se rompe o ocurre un evento raro (como una pandemia que provoca la caída del tráfico aéreo).

Valores atípicos: BASTION tiene un "detector de valores atípicos" especial. En lugar de intentar forzar un dato extraño para que encaje en el patrón, lo reconoce como un "comodín" y lo deja de lado, para que no arruine el resto del análisis.
Ruido cambiante: A veces el ruido de fondo se vuelve más fuerte o más débil con el tiempo (como una radio que tiene más estática durante una tormenta). BASTION puede detectar estos niveles cambiantes de "estática" (volatilidad) y ajustar su audición en consecuencia, mientras que otras herramientas asumen que la estática es siempre la misma.

Cómo lo probaron

Los autores no solo hablaron de la teoría; pusieron a prueba a BASTION:

El Laboratorio de Simulación: Crearon datos de series temporales falsos con "ingredientes secretos" conocidos (como saltos repentinos, ruido extraño y múltiples patrones repetitivos). BASTION encontró los ingredientes ocultos con mayor precisión que otras herramientas populares (como TBATS, MSTL y STR).
Pruebas del Mundo Real:
- Tráfico Aéreo: Analizaron datos de aerolíneas de EE. UU. Cuando la pandemia llegó en 2020, el tráfico cayó bruscamente. BASTION identificó correctamente esto como un cambio repentino y agudo en la tendencia, mientras que otras herramientas intentaron suavizarlo como un declive lento.
- Demanda de Electricidad: Analizaron el uso de energía en Nueva York. BASTION no solo separó los patrones diarios y anuales, sino que también descubrió que el "ruido" en los datos se vuelve más volátil (impredecible) en el verano y el invierno, proporcionando información adicional para los gestores de energía.

La Conclusión

BASTION es un nuevo marco flexible que descompone los datos de series temporales en sus partes de tendencia y estacionalidad. Es mejor manejando cambios repentinos, ignorando valores atípicos extraños y lidiando con niveles de ruido cambiantes que los métodos anteriores. Crucialmente, te dice qué tan seguro está de sus respuestas. Los autores han puesto esta herramienta a disposición de los demás como un paquete de software gratuito para su uso.

Resumen Técnico: BASTION – Un Marco Bayesiano para la Descomposición de Tendencia y Estacionalidad

Planteamiento del Problema
La descomposición de series temporales es una herramienta analítica fundamental utilizada para aislar los componentes de tendencia, estacionalidad y residuo a partir de datos univariantes. Aunque se aplica ampliamente en economía, ciencias climáticas y epidemiología, los métodos de descomposición existentes suelen tratar el problema como un paso de preprocesamiento en lugar de una tarea de inferencia estadística rigurosa. Los enfoques actuales, como STL, MSTL, STR y TBATS, enfrentan varias limitaciones: tienen dificultades para acomodar patrones estacionales múltiples simultáneamente, carecen de una cuantificación de la incertidumbre fundamentada para los componentes individuales, son sensibles a cambios abruptos en las tendencias y, por lo general, no modelan explícitamente el ruido heterocedástico o los valores atípicos. Además, la literatura suele carecer de condiciones formales bajo las cuales los componentes de tendencia y estacionalidad son identificables de manera única, particularmente cuando existen múltiples estacionalidades.

Metodología
Los autores proponen BASTION (Bayesian Adaptive Seasonality and Trend DecompositON), un marco bayesiano flexible que redefine la descomposición de series temporales como un problema de regresión no paramétrica penalizada.

Formulación de Regresión Penalizada: La descomposición se modela como una ecuación aditiva $y_t = T_t + \sum S_{i,t} + R_t$ . Los autores establecen que, sin restricciones estructurales, este problema de alta dimensionalidad no es identificable. Formalizan las condiciones de identificabilidad imponiendo operadores lineales (por ejemplo, segunda diferencia para la tendencia, recurrencia estacional o diferenciación para la estacionalidad) y analizando el rango de la matriz de bloques resultante. Demuestran que la identificabilidad única requiere que los núcleos de estos operadores sean subespacios linealmente independientes. Para resolver la no-identificabilidad en entornos de estacionalidad múltiple, proponen el uso de múltiples operadores de regularización (por ejemplo, combinando la segunda diferencia y la diferenciación estacional) para reducir la intersección de los espacios nulos.
Marco Bayesiano con Contracción Global-Local: BASTION plantea la regresión penalizada en un modelo bayesiano utilizando prior de contracción global-local (específicamente el prior de herradura o horseshoe). Esto permite:
- Suavizado Adaptativo: Un parámetro global controla la contracción general, mientras que parámetros locales variantes en el tiempo relajan selectivamente la contracción para capturar cambios abruptos en tendencias y estacionalidad sin sobre-suavizar.
- Modelado Explícito de Valores Atípicos: Un componente de valores atípicos ( $\zeta_t$ ) se modela mediante un prior horseshoe+, que induce una contracción agresiva para la mayoría de las observaciones mientras permite grandes desviaciones en puntos temporales aislados.
- Manejo de Heterocedasticidad: El término del residuo incorpora un modelo de volatilidad estocástica (SV), permitiendo que la varianza del error evolucione en el tiempo, abordando el problema común de la volatilidad cambiante en datos del mundo real.
Inferencia: Debido a la alta dimensionalidad de las variables de estado, los autores emplean una estrategia de muestreo de Gibbs. Este enfoque utiliza actualizaciones conjugadas para la mayoría de los parámetros y algoritmos específicos (como el algoritmo All Without a Loop para la volatilidad estocástica y esquemas de Gibbs de expansión de parámetros para los priors de herradura) para asegurar un escalamiento lineal con la longitud de la serie temporal, haciendo que sea computacionalmente viable para grandes conjuntos de datos.

Contribuciones Clave

Teoría de Identificabilidad Formal: El artículo proporciona las primeras condiciones formales para la identificabilidad única de los componentes de tendencia y estacionalidad bajo regresión penalizada, abordando específicamente las complejidades introducidas por las estacionalidades múltiples y las diferentes elecciones de operadores.
Marco Bayesiano Unificado: BASTION integra tendencia, estacionalidades múltiples, valores atípicos y volatilidad variante en el tiempo en un único modelo coherente, una capacidad que carecen métodos como MSTL o STR.
Robustez y Cuantificación de la Incertidumbre: Al aprovechar la contracción global-local y la volatilidad estocástica, el método ofrece estimaciones robustas contra valores atípicos y heterocedasticidad, proporcionando además intervalos de credibilidad posteriores calibrados para todos los componentes.
Implementación de Software: Los autores lanzan BASTION como un paquete de R de código abierto, facilitando su aplicación práctica e investigación posterior.

Resultos
Los autores evalúan BASTION frente a métodos establecidos (TBATS, MSTL, STR) utilizando tanto datos simulados como conjuntos de datos del mundo real.

Estudios de Simulación: A través de cuatro Procesos Generadores de Datos (DGP) que presentan discontinuidades de tendencia, estacionalidades múltiples, heterocedasticidad y valores atípicos, BASTION logró consistentemente el Error Cuadrático Medio (MSE) más bajo para la tendencia, la estacionalidad y los componentes de señal. Notablemente, en escenarios con ruido heterocedástico y valores atípicos (DGP 4), BASTION superó significativamente a sus competidores.
Cuantificación de la Incertidumbre: BASTION proporcionó intervalos de credibilidad del 95% bien calibrados, manteniendo la cobertura por encima del nivel nominal tanto para las señales combinadas como para los componentes individuales. En contraste, el método frecuentista STR presentó frecuentemente una sub-cobertura, particularmente para los componentes individuales.
Aplicaciones Empíricas:
- Tráfico Aéreo de EE. UU.: BASTION capturó con éxito la ruptura estructural aguda en el volumen de pasajeros durante la pandemia de COVID-19, mientras que MSTL y STR sobre-suavizaron la transición, y TBATS produjo estimaciones ruidosas.
- Demanda Eléctrica de Nueva York: El modelo descompuso con precisión los complejos patrones estacionales semanales y anuales y estimó explícitamente la volatilidad variante en el tiempo, revelando una mayor volatilidad durante los meses de verano e invierno, una característica que ningún otro modelo de descomposición en la comparación proporcionó.

Significancia y Reivindicaciones
El artículo afirma que BASTION representa un avance significativo al abordar el tratamiento "informal" de la identificabilidad en la literatura existente y al proporcionar un marco unificado que maneja dinámicas complejas (cambios abruptos, heterocedasticidad, valores atípicos) de forma simultánea. Los autores sostienen que BASTION ofrece descomposiciones más matizadas e interpretables con una cuantificación de la incertidumbre rigurosa, lo que lo hace particularmente adecuado para tareas de seguimiento como el pronóstico en entornos con rupturas estructurales. Concluyen que, si bien el método es robusto, el trabajo futuro podría explorar cómo estas descomposiciones mejoradas se traducen directamente al rendimiento del pronóstico y la incorporación de estructuras latentes adicionales como la detección de puntos de cambio bayesianos.