Hybrid Hidden Markov Model for Modeling Equity Excess Growth Rate Dynamics: A Discrete-State Approach with Jump-Diffusion

Este artículo propone un modelo híbrido de Markov oculto que combina estados de mercado discretos definidos por cuantiles Laplace con un mecanismo de saltos de Poisson para generar series temporales financieras sintéticas que superan a los modelos existentes al preservar simultáneamente distribuciones de colas pesadas, agrupación de volatilidad y estructuras temporales realistas.

Lo esencial

Imagina que el mercado de valores es como el clima. A veces hace un sol radiante (precios subiendo), a veces llueve un poco (mercado estable), y a veces hay huracanes devastadores (caídas bruscas).

Los bancos y los inversores necesitan predecir el futuro para no perder dinero. Pero el futuro es incierto. Para prepararse, crean "climas artificiales" (datos sintéticos) en sus computadoras para ver qué pasaría si ocurre una tormenta perfecta. El problema es que los modelos actuales son como meteorólogos que solo saben predecir un día soleado o una lluvia suave; no saben simular bien los huracanes ni cómo estos duran días enteros.

Este paper presenta una nueva herramienta, un "Modelo Híbrido de Markov con Saltos", que es como un meteorólogo experto con un traje de superhéroe. Aquí te explico cómo funciona con analogías sencillas:

1. El Problema: Los Modelos Antiguos son como "Máquinas de Gominolas"

Antes, los modelos intentaban imitar el mercado de dos formas, pero fallaban en algo importante:

• Modelos de "Volatilidad" (GARCH): Son buenos para predecir que "si hoy hubo una tormenta, mañana probablemente lloverá también" (esto se llama agrupamiento de volatilidad). Pero fallan estrepitosamente al predecir qué tan fuerte será la tormenta. A veces inventan tormentas que no existen o no capturan la intensidad real de los huracanes.
• Modelos de "Estados Ocultos" (HMM estándar): Son como un semáforo que cambia de verde a rojo. Son muy buenos para describir el color del cielo (la distribución de precios), pero tienen un defecto fatal: el semáforo cambia demasiado rápido. Si el mercado entra en pánico (estado rojo), este modelo lo hace salir en un segundo. En la vida real, cuando hay pánico, el mercado se queda en pánico por semanas.

2. La Solución: El "Modelo Híbrido" con un "Reloj de Pánico"

Los autores (de la Universidad de Cornell) crearon una mezcla inteligente que combina lo mejor de ambos mundos. Imagina que el mercado tiene dos modos de funcionar:

• Modo Normal (El Reloj de Arena): La mayoría del tiempo, el mercado se mueve de forma predecible, cambiando de estados (de "tranquilo" a "nervioso") de manera natural.
• Modo de Pánico (El Reloj de Pánico): Aquí está la magia. El modelo tiene un mecanismo especial (un "reloj Poisson") que, de vez en cuando, detecta que algo grande va a pasar. Cuando esto ocurre, fuerza al mercado a quedarse en el estado de "huracán" o "pánico" durante un tiempo realista (por ejemplo, 100 días seguidos) antes de permitir que vuelva a la calma.

La analogía del "Reloj de Pánico":
Imagina que estás en una fiesta. Normalmente, la gente cambia de conversación cada 5 minutos (modelo normal). Pero si de repente alguien grita "¡Fuego!", todos se quedan paralizados y gritando durante 10 minutos antes de volver a la normalidad. Los modelos antiguos hacían que la gente gritara solo 1 segundo y luego volviera a bailar. Este nuevo modelo entiende que, una vez que empieza el pánico, se queda pegado ahí hasta que la situación se calma.

3. ¿Cómo lo aprenden? (Sin "Adivinar")

La mayoría de los modelos de inteligencia artificial necesitan "entrenarse" miles de veces, adivinando y corrigiendo errores (como un niño aprendiendo a andar en bicicleta cayéndose mucho).

Este modelo es diferente. Es como un contador de votos directo:

1. Mira los datos reales de los últimos 10 años.
2. Divide los precios en "cajas" (estados) basándose en qué tan extremos son.
3. Cuenta simplemente cuántas veces el mercado pasó de una caja a otra.
4. ¡Listo! No necesita adivinar ni entrenar. Es rápido, transparente y no se confunde al empezar.

4. El Resultado: Un Clima Artificial Realista

Cuando probaron este modelo con datos reales de la bolsa de EE. UU. (SPY):

• Distribución: Logró imitar la forma de las tormentas (los precios extremos) con una precisión del 97%.
• Tiempo: Logró imitar la duración de las tormentas (la volatilidad persistente) mucho mejor que los modelos antiguos, aunque no perfecto (alrededor del 24% de las veces simula una tormenta larga).
• Equilibrio: Es el único modelo que no falla estrepitosamente en ninguna de las dos cosas. Los otros modelos eran buenos en una cosa y terribles en la otra. Este es el "equilibrio perfecto".

5. Escalabilidad: De un Árbol a un Bosque

Lo más genial es que no tuvieron que construir un modelo diferente para cada una de las 424 acciones que probaron.

• Crearon el modelo para el mercado general (el "SPY", que es como el clima promedio de todo el país).
• Luego, usaron una fórmula simple (como un filtro de agua) para aplicar ese clima general a cada árbol individual (cada acción específica).
• Esto les permitió generar escenarios para todo un portafolio de cientos de acciones de una sola vez, manteniendo las relaciones entre ellas.

En Resumen

Este paper nos dice: "Para simular el mercado financiero, no necesitas un modelo perfecto en todo, necesitas uno que no tenga agujeros gigantes".

Su modelo es como un sistema de alerta de desastres que entiende que, cuando viene el mal tiempo, se queda con nosotros hasta que pasa. Esto permite a los bancos y gestores de riesgo probar sus carteras contra escenarios de crisis mucho más realistas y peligrosos, ayudándoles a estar mejor preparados para el futuro.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Hybrid Hidden Markov Model for Modeling Equity Excess Growth Rate Dynamics: A Discrete-State Approach with Jump-Diffusion" (Modelo de Markov Oculto Híbrido para la Dinámica de la Tasa de Crecimiento Excesiva de Acciones: Un Enfoque de Estado Discreto con Difusión con Saltos).

1. Planteamiento del Problema

La generación de series temporales financieras sintéticas que preserven fielmente las propiedades estadísticas de los datos de mercado reales es un desafío central en la investigación de calidad de datos y finanzas cuantitativas. Estas series son esenciales para la prueba de estrés, la validación de modelos de riesgo y el diseño de escenarios.

El problema radica en que las metodologías existentes fallan al intentar reproducir simultáneamente los tres hechos estilizados fundamentales de los datos empíricos de acciones:

1. Distribuciones de colas pesadas (leptocúrticas): Los rendimientos tienen más extremos de lo que predice una distribución normal.
2. Autocorrelación lineal despreciable: Los rendimientos brutos muestran poca o ninguna predictibilidad lineal.
3. Agrupamiento de volatilidad persistente: La magnitud de los cambios de precio tiende a agruparse en el tiempo (grandes cambios seguidos de grandes cambios), un fenómeno conocido como efecto ARCH.

Los modelos actuales presentan limitaciones específicas:

• Modelos GARCH: Capturan bien el agrupamiento de volatilidad pero fallan en la fidelidad distribucional (colas pesadas) y no representan regímenes de mercado discretos.
• Modelos de Difusión con Saltos: Mejoran el comportamiento de las colas pero carecen de mecanismos para la persistencia de la volatilidad después de un salto.
• Modelos Generativos Profundos (GANs, RNNs): Aprenden distribuciones complejas pero luchan para reproducir estructuras de dependencia temporal como el agrupamiento de volatilidad.
• Modelos HMM Estándar: Pueden capturar la leptocurtosis, pero fallan en generar regímenes de alta volatilidad persistentes, reversionando demasiado rápido tras eventos extremos.

2. Metodología Propuesta

Los autores proponen un Marco Híbrido de Markov Oculto (HMM) que combina la discretización de estados con un mecanismo de duración de saltos impulsado por Poisson.

A. Discretización de Estados y Estimación

• Definición de Estados: En lugar de estimar parámetros iterativamente, los autores discretizan las tasas de crecimiento excesivo continuas en estados de mercado basados en cuantiles definidos por una distribución Laplace.
• Estimación Directa: Se evita el algoritmo Baum-Welch (Expectation-Maximization) por completo. Los parámetros de transición se estiman mediante conteo frecuentista directo de las transiciones entre regímenes observados. Esto elimina la sensibilidad a los valores iniciales y reduce la carga computacional.
• Distribución de Emisión: Dentro de cada estado, las observaciones siguen una distribución Student-t (con $\nu=5$ grados de libertad) para capturar adecuadamente la leptocurtosis observada.

B. Mecanismo de Difusión con Saltos (Jump-Duration)

Para abordar la falta de persistencia en los regímenes de alta volatilidad de los HMM estándar, se introduce un mecanismo de "reloj de Poisson":

• Con una probabilidad $\epsilon$, se activa un evento de salto.
• Cuando ocurre un salto, el estado del sistema se fuerza a permanecer en los estados de cola (extremos positivos o negativos) durante una duración $K$, donde $K$ sigue una distribución de Poisson con media $\lambda$.
• Esto obliga al modelo a "dormir" en estados de alta volatilidad durante periodos realistas, imitando la persistencia observada en los datos reales.
• Se introduce un sesgo ($p_{neg}$) para favorecer estados de cola negativa, replicando la asimetría ganancia/pérdida.

C. Extensión Multi-Activo

Para escalar el modelo a un universo de 424 activos, se utiliza un Modelo de Índice Único (Single-Index Model - SIM).

• Se genera una única ruta sintética para el índice de mercado (SPY) usando el HMM híbrido.
• Las rutas de los activos individuales se reconstruyen mediante una proyección lineal: $G_{i,t} = \alpha_i + \beta_i G_{SPY,t} + \eta_{i,t}$, preservando la estructura de correlación transversal sin necesidad de estimar un HMM multivariado de alta dimensión.

3. Contribuciones Clave

1. Marco Híbrido Escalable: Un enfoque que logra un equilibrio óptimo entre fidelidad distribucional y estructura temporal, superando las limitaciones de los HMM puros y los modelos GARCH.
2. Estimación sin EM: La eliminación del algoritmo Baum-Welch mediante el conteo directo de transiciones en estados cuantiles hace que el modelo sea computacionalmente trivial, escalable y libre de problemas de convergencia local.
3. Mecanismo de Duración de Saltos: Una solución estructural simple (dos hiperparámetros: $\epsilon$ y $\lambda$) que corrige la falla principal de los HMM estándar (reversión rápida de la volatilidad) sin sacrificar la fidelidad de la distribución marginal.
4. Pipeline de Generación Sintética: Una implementación completa que genera 1,000 rutas sintéticas para un universo de 424 activos, manteniendo la estructura de correlación y los hechos estilizados.

4. Resultados Empíricos

El modelo se evaluó utilizando datos diarios del SPY (2014-2024 para entrenamiento, 2025 para prueba fuera de muestra) y comparado con baselines como GARCH(1,1), HMM estándar, HSMM, GRU y modelos i.i.d.

• Fidelidad Distribucional:

  • El modelo híbrido (HMM-WJ) logró tasas de aprobación de pruebas Kolmogorov-Smirnov (KS) del 97.6% (in-sample) y 94.4% (out-of-sample), y Anderson-Darling (AD) del 91.3% (in-sample) y 95.1% (out-of-sample).
  • Superó significativamente a GARCH (5.5% KS in-sample) y a la red neuronal GRU (0.6% KS), que fallaron en capturar la distribución de colas pesadas.
  • La distancia de Wasserstein-1 y la distancia de Hellinger confirmaron una alta fidelidad en la forma de la distribución, incluso fuera de la muestra.

• Fidelidad Temporal (Agrupamiento de Volatilidad):

  • El HMM estándar sin saltos (HMM-NJ) falló en reproducir el agrupamiento de volatilidad (ACF-MAE similar al ruido blanco).
  • El modelo híbrido redujo el error absoluto medio de la autocorrelación (ACF-MAE) a 0.052, acercándose a los modelos GARCH (0.031) y GRU (0.036), pero sin sacrificar la distribución.
  • Aproximadamente el 24% de las rutas simuladas contenían episodios de salto, lo cual fue suficiente para desplazar el perfil de autocorrelación del conjunto hacia el empírico.

• Análisis de Compensaciones (Trade-offs):

  • Ningún modelo dominó en todas las métricas. GARCH tuvo la mejor fidelidad temporal pero la peor distribuciónal. El HMM puro tuvo la mejor distribuciónal pero ninguna fidelidad temporal.
  • El modelo híbrido se situó en la frontera de Pareto, ofreciendo el mejor perfil de calidad conjunto, evitando los fallos severos de los otros modelos en sus dimensiones más débiles.

• Escalabilidad: La extensión a 424 activos mediante el SIM mantuvo una tasa de aprobación KS mediana del 66.7% (in-sample) y 91.8% (out-of-sample), demostrando que el motor generador del índice es robusto, aunque la limitación reside en la linealidad del modelo de factores para activos específicos.

5. Significado e Implicaciones

• Validación de Riesgo: El modelo permite generar escenarios de estrés plausibles pero no observados históricamente, crucial para la gestión de riesgos y la prueba de estrés de carteras.
• Interpretabilidad: A diferencia de las "cajas negras" de las redes neuronales, la estructura de estados del HMM es interpretable (ej. estados de "crash", "baja", "neutral", "alta"), facilitando la comunicación entre analistas cuantitativos y gestores de riesgo.
• Eficiencia Computacional: La eliminación del EM y la capacidad de escalar a cientos de activos hacen que este enfoque sea viable para la generación de escenarios en tiempo real o diaria.
• Privacidad: La naturaleza generativa del modelo ofrece protección implícita de privacidad, ya que las rutas sintéticas no son copias perturbadas de datos históricos, sino muestras de una distribución aprendida.

En conclusión, este trabajo presenta un avance significativo en la síntesis de datos financieros, demostrando que un enfoque híbrido basado en estados discretos y mecanismos de duración de saltos puede superar las limitaciones fundamentales de los modelos paramétricos y de aprendizaje profundo tradicionales, logrando una fidelidad estadística superior en múltiples dimensiones simultáneamente.