💰 quantitative finance

Forecasting Oil Prices Across the Distribution: A Quantile VAR Approach

Este artículo presenta un modelo VAR Bayesiano Cuantílico (QBVAR) que mejora sustancialmente la previsión de precios del petróleo, especialmente para evaluar riesgos a la baja durante crisis, al capturar asimetrías que los enfoques tradicionales centrados en la media pasan por alto.

Autores originales: Hilde C. Bjornland, Nicolas Hardy, Dimitris Korobilis

Publicado 2026-04-15

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Hilde C. Bjornland, Nicolas Hardy, Dimitris Korobilis

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

🛢️ Prediciendo el Precio del Petróleo: No solo importa el "Promedio"

Imagina que el precio del petróleo es como el clima. Los economistas tradicionales intentan predecir si mañana hará "sol" o "lluvia" basándose en el promedio histórico. Dicen: "En promedio, hace 20 grados". Pero, ¿qué pasa si mañana hay una tormenta eléctrica devastadora o un día de calor extremo? El promedio no te dice nada sobre esos extremos.

Este paper (artículo) de Bjørnland, Hardy y Korobilis dice: "Olvídate del promedio. Necesitamos predecir los extremos".

1. El Problema: El "Promedio" nos engaña

El precio del petróleo es muy volátil y desleal. A veces se desploma de golpe (como en 2020 o 2014) y a veces se dispara sin aviso (como en la guerra de Rusia-Ucrania).

La vieja forma: Usar modelos que solo miran el "promedio" (la media). Es como mirar el pronóstico del tiempo y decir "hoy hará 20°C", ignorando que podrías necesitar un paraguas o gafas de sol.
El problema: Cuando el precio se dispara o se hunde, esos modelos fallan estrepitosamente. No ven el peligro hasta que es demasiado tarde.

2. La Solución: El "Modelo de las Capas" (QBVAR)

Los autores crearon un nuevo modelo llamado QBVAR. Imagina que el precio del petróleo no es una sola línea, sino una torta con muchas capas.

En lugar de mirar solo el centro de la torta (el precio promedio), este modelo mira todas las capas:
- La capa de abajo: ¿Qué pasa si el precio se hunde al suelo? (Riesgo de bajada).
- La capa de arriba: ¿Qué pasa si el precio se dispara a las nubes? (Riesgo de subida).
- La capa del medio: ¿Cuál es el precio normal?

Este modelo permite que las reglas cambien según la capa. Por ejemplo, la "ansiedad financiera" (miedo en los mercados) empuja fuerte hacia abajo, pero no necesariamente hacia arriba. El modelo capta esto; los viejos modelos no.

3. Lo que descubrieron (Los 3 Hallazgos)

🔻 Hallazgo 1: El miedo es un buen predictor de desastres.
El modelo descubrió que cuando hay mucha incertidumbre (miedo en los bancos, crisis políticas) o estrés financiero, el precio del petróleo tiende a caer.

Analogía: Es como cuando ves nubes negras y viento fuerte; no necesitas ver la lluvia caer para saber que debes cerrar la ventana. El modelo usa el "miedo" para predecir caídas de precio con un 10-25% más de precisión que los modelos viejos.

🔺 Hallazgo 2: Las subidas súbitas son difíciles de predecir.
Predecir que el precio va a subir de golpe es mucho más difícil. Aquí, el modelo nuevo a veces pierde contra los modelos tradicionales que miden la "volatilidad" (el desorden).

Analogía: Predecir una subida de precio es como predecir un terremoto. A veces ocurren sin aviso previo (una guerra repentina, un bloqueo de un canal). El modelo nuevo no es perfecto aquí, pero ayuda a entender el panorama general.

🤝 Hallazgo 3: La combinación es la clave.
La mejor estrategia no es elegir un solo modelo, sino mezclarlos.

Imagina que tienes dos expertos:
- El Experto A (QBVAR): Es genial viendo las tormentas que se acercan (bajadas de precio).
- El Experto B (Modelos de Volatilidad): Es genial viendo los terremotos repentinos (subidas de precio).
Si los pones a trabajar juntos (combinando sus predicciones), obtienes la mejor cobertura posible. El modelo nuevo aporta la información que falta para protegerse de las caídas, y el otro cubre las subidas.

4. ¿Por qué importa esto para ti?

Para los inversores: Si solo miras el promedio, podrías quedarte expuesto a perder mucho dinero si el precio se hunde. Este modelo te da una "alerta temprana" de peligro.
Para los gobiernos: Ayuda a planificar presupuestos. Si sabes que hay un 20% de probabilidad de que el petróleo se hunda, puedes prepararte para una recesión antes de que ocurra.
Para las empresas: Si eres una aerolínea o una fábrica, saber cuándo el precio podría dispararse o caer te ayuda a comprar combustible al mejor momento.

En resumen

Este paper nos dice que el futuro no es un solo número, es un abanico de posibilidades. Para predecir el precio del petróleo con éxito, no basta con mirar el "promedio". Debemos usar herramientas que nos digan: "Oye, hay un riesgo real de que esto se hunda por culpa del miedo en los mercados", incluso si el precio actual parece estable.

Es como dejar de mirar solo el termómetro promedio y empezar a mirar el radar de tormentas para saber cuándo llevar el paraguas. 🌧️☂️

Aquí presento un resumen técnico detallado del artículo "Forecasting Oil Prices Across the Distribution: A Quantile VAR Approach" (Pronóstico de precios del petróleo a través de la distribución: Un enfoque VAR de cuantiles), estructurado según los puntos solicitados.

1. Planteamiento del Problema

El pronóstico de los precios del petróleo es una tarea excepcionalmente difícil debido a la naturaleza de los datos, que presentan distribuciones con colas pesadas y asimetrías significativas. La literatura existente ha demostrado que:

Fallo de los modelos tradicionales: Los enfoques estándar centrados en la media condicional (como los VAR Bayesianos o los modelos de caminata aleatoria) a menudo fallan, especialmente durante periodos de crisis (ej. colapso de 2014-2016, precios negativos de abril de 2020, picos de 2022).
Limitación de la incertidumbre: Los modelos que solo modelan la media y la varianza (incluso con volatilidad estocástica) proporcionan una visión limitada de la probabilidad o naturaleza de los eventos de cola (riesgos extremos).
Asimetría no capturada: Variables macro-financieras (como la incertidumbre financiera) pueden ser ortogonales al nivel medio de los precios, pero estar fuertemente asociadas con cambios en la asimetría (sesgo) de la distribución. Esto sugiere que los predictores afectan las colas de la distribución de manera diferente a la media, un fenómeno que los modelos de media ignoran.

2. Metodología: QBVAR con Estructura Factorial

Los autores desarrollan un Modelo Vectorial Autorregresivo Cuantílico Bayesiano (QBVAR) que modela la distribución condicional completa de los movimientos de precios reales del petróleo.

Especificación del Modelo:
- Extiende el marco del VAR Bayesiano con descomposición factorial (Korobilis, 2022) para modelar cuantiles específicos ( $q \in (0,1)$ ).
- La ecuación fundamental es: $y_t = \Phi_q x_t + \Lambda_q f_{t,q} + v_{t,q}$ , donde $v_{t,q}$ sigue una Distribución Laplace Asimétrica (ALD).
- A diferencia de los VAR estándar, los coeficientes ( $\Phi_q$ ), las cargas factoriales ( $\Lambda_q$ ) y los factores latentes ( $f_{t,q}$ ) son específicos para cada cuantil. Esto permite capturar estructuras factoriales diferentes para la dinámica mediana frente a la dinámica de las colas.
Estimación Bayesiana:
- Se utiliza una representación de mezcla de escala-local de la ALD para facilitar la inferencia posterior mediante Muestreo de Gibbs.
- Se emplean priors de encogimiento jerárquico (Horseshoe) para los coeficientes del VAR, lo que permite manejar la alta dimensionalidad y la esparsidad de los datos, shrinkage agresivo hacia cero para predictores irrelevantes.
- Se utiliza una estructura factorial en la matriz de covarianza para capturar la comovimiento entre ecuaciones sin depender del orden de las variables (invariante al orden), evitando problemas de identificación comunes en descomposiciones de Cholesky.
Pronóstico:
- Para horizontes múltiples, se adopta un enfoque iterativo utilizando innovaciones Gaussianas después de la estimación, justificando que la ALD actúa como una "verosimilitud de trabajo" para estimar coeficientes consistentes, mientras que el Teorema del Límite Central justifica la normalidad en horizontes largos.
- La evaluación se realiza mediante la Puntuación de Cuantil (Quantile Score) o función de "pinball", que penaliza asimétricamente los errores según el cuantil de interés.

3. Contribuciones Clave

Desarrollo Metodológico: Creación de un QBVAR Bayesiano con estructura factorial que modela la distribución condicional completa mediante parámetros específicos por cuantil, ofreciendo una alternativa invariante al orden de las variables frente a implementaciones existentes.
Evidencia Empírica de Asimetría: Demostración de que los determinantes de los movimientos de precios del petróleo difieren marcadamente a través de la distribución. Revela mecanismos asimétricos ocultos en modelos basados en la media: la incertidumbre y las condiciones financieras predicen el riesgo a la baja, mientras que los shocks de oferta son más difíciles de predecir en la cola derecha.
Mejoras en el Pronóstico de Riesgo: Evidencia de que el QBVAR ofrece ganancias sustanciales en la precisión del pronóstico de colas (especialmente izquierda) en comparación con benchmarks de vanguardia (VAR Bayesiano con volatilidad estocástica y caminata aleatoria), particularmente durante episodios de estrés del mercado.

4. Resultados Principales

Utilizando datos mensuales de 1975 a 2025, los autores documentan tres hallazgos estilizados:

Mejora en la Mediana: El QBVAR mejora los pronósticos de la mediana (cuantil 0.5) en un 2-5% en comparación con los VAR Bayesianos estándar. Esto es notable dado lo difícil que es superar modelos bien especificados en predicción puntual.
Predicción del Riesgo a la Baja (Cola Izquierda):
- Las variables de incertidumbre (índices JLN) y condiciones financieras (diferenciales de crédito, primas de bonos) predicen fuertemente el riesgo a la baja.
- Se observan mejoras en la puntuación de cuantil del 10% al 25% para el cuantil 0.1 (QS10), que se intensifican durante crisis.
- Esto confirma que las condiciones financieras afectan la cola izquierda más fuertemente que la derecha, alineándose con la literatura de "Crecimiento en Riesgo" (Growth-at-Risk).
Dificultad en el Riesgo a la Alta (Cola Derecha):
- El pronóstico de la cola derecha (cuantil 0.9) sigue siendo difícil. Los modelos de volatilidad estocástica (BVAR-SV) suelen superar al QBVAR en la predicción de picos de precios (upside risk).
- Sin embargo, las combinaciones de pronósticos que integran el QBVAR y el BVAR-SV logran recuperar estas pérdidas, ofreciendo un rendimiento superior en toda la distribución.

Análisis de Eventos Específicos:

Durante caídas de precios (Crisis Financiera 2008, Colapso 2014-2016, COVID-19), el QBVAR supera consistentemente a los benchmarks, con mejoras de hasta un 70% en ciertos horizontes.
Durante picos de precios (Guerra del Golfo, Super-ciclo de commodities), el rendimiento es más heterogéneo, pero el QBVAR sigue siendo competitivo en episodios específicos, aunque la volatilidad estocástica es crucial para capturar la naturaleza súbita de los shocks de oferta.

5. Significado e Implicaciones

Gestión de Riesgos y Política: Los modelos tradicionales centrados en la media subestiman sistemáticamente el riesgo a la baja durante periodos de estrés financiero. El QBVAR proporciona señales de advertencia temprana más precisas sobre colapsos de precios, lo cual es vital para inversores, empresas que cubren exposiciones a materias primas y formuladores de políticas preocupados por la estabilidad macroeconómica.
Complementariedad de Modelos: Los resultados sugieren que los enfoques basados en cuantiles (que capturan dinámicas de predictores observables en la cola izquierda) y los basados en volatilidad estocástica (que capturan shocks de varianza no previstos en la cola derecha) son complementarios. La combinación de ambos ofrece la estrategia de pronóstico más robusta.
Relevancia Económica: El estudio demuestra que modelar la distribución condicional, en lugar de solo la media o una densidad implícita simétrica, genera mejoras significativas en la evaluación de riesgos, especialmente en mercados de commodities caracterizados por eventos extremos y asimetrías.

En resumen, el papel establece que la heterogeneidad en los efectos de los predictores a través de la distribución es crucial para el pronóstico del petróleo, y que el enfoque QBVAR ofrece una herramienta superior para la evaluación de riesgos de cola, particularmente para el riesgo a la baja.