Interpretable Systematic Risk around the Clock

Este artículo presenta el primer análisis integral y continuo de 24 horas del riesgo de saltos sistemáticos, combinando datos de alta frecuencia con narrativas de noticias clasificadas por modelos de lenguaje grandes (LLM) para identificar categorías de riesgo interpretables, lo que permite construir una cartera de factores con un alto ratio de Sharpe y alfas significativas al aislar el riesgo de saltos macroeconómicos más valorado.

Lo esencial

Imagina que el mercado de valores es como un océano gigante. La mayoría de la gente solo mira el agua cuando el sol brilla y los barcos navegan (de 9:30 a.m. a 4:00 p.m.). Pero este paper nos dice algo crucial: el océano sigue moviéndose incluso cuando la noche cae y el sol se pone, y es ahí donde ocurren las tormentas más peligrosas.

Aquí te explico la investigación de Songrun He como si fuera una historia de detectives financieros:

1. El Detective y su Nueva Lupa (La Inteligencia Artificial)

Antes, los investigadores eran como detectives que solo trabajaban de día. Usaban herramientas antiguas para leer las noticias que causaban que el mercado subiera o bajara de golpe (esos "saltos" o jumps). Pero se perdían todo lo que pasaba mientras dormían.

En este estudio, el autor contrata a un super-detective con una lupa mágica: una Inteligencia Artificial avanzada (un modelo de lenguaje llamado Qwen).

• Su trabajo: Este detective no solo lee las noticias, sino que piensa y razona. Puede leer miles de titulares en segundos y decirte: "¡Espera! Este salto en el mercado no fue por una empresa específica, fue porque el gobierno de otro país anunció una guerra" o "Fue porque salieron los datos de inflación".
• La ventaja: A diferencia de los métodos viejos que solo contaban palabras clave (como si alguien dijera "si veo la palabra 'inflación', es inflación"), este detective entiende el contexto y la historia. Entiende por qué algo es importante.

2. El Mapa del Tesoro (Los Tipos de Riesgo)

El autor usó a este detective para clasificar los "saltos" del mercado en 5 categorías principales, como si fueran diferentes tipos de tormentas:

1. Noticias Macroeconómicas: Datos sobre el empleo, inflación, PIB (como un huracán que afecta a todo el país).
2. Política: Decisiones del Banco Central o leyes (como un cambio en las reglas del juego).
3. Geopolítica: Guerras o tensiones internacionales.
4. Empresas Clave: Cuando una empresa gigante reporta ganancias y arrastra a todo el mercado.
5. Mercados Internacionales: Cuando lo que pasa en Europa o Asia nos afecta.

El hallazgo sorprendente:
El autor descubrió que no todas las tormentas pagan lo mismo.

• Las noticias sobre economía general (macro) son las que más "premio" o recompensa pagan a los inversores que se arriesgan. Es como si el mercado te pagara un sueldo extra muy alto por aguantar el miedo a que la economía cambie.
• Curiosamente, este "premio" por las noticias macro ocurre principalmente de noche, cuando el mercado está cerrado. Si solo miras de día, te pierdes el 70% de la acción y te quedas con un mapa incompleto.

3. La Estrategia del Capitán (Cómo ganar dinero)

Con esta nueva información, el autor construyó un "barco" (una cartera de inversión) que funciona así:

• Cada año, el detective revisa qué tipo de tormenta ha estado pagando mejor.
• Si las noticias macro son las que más pagan, el barco se llena de velas para aprovechar ese viento.
• El resultado: Esta estrategia logró un rendimiento mucho mejor que el mercado promedio (un "Sharpe ratio" de 0.95 frente a 0.53 del mercado).

¿Por qué es importante?
Imagina que intentas navegar solo mirando el sol. Te perderás las corrientes nocturnas que pueden hundir tu barco o impulsarlo. Al usar la IA para entender las noticias de las 24 horas, el autor creó un sistema que sabe exactamente de dónde viene el viento y cómo aprovecharlo.

4. La Prueba de Fuego (¿Funciona de verdad?)

Para asegurarse de que no era suerte, el autor hizo dos pruebas:

1. El "Placebo" (Juego de azar): Asignó las noticias al azar (como si el detective estuviera borracho). Resultado: La estrategia falló estrepitosamente. Esto prueba que la inteligencia del detective (la IA) es lo que realmente funciona.
2. El "Pensamiento" vs. "No Pensar": Probaron a la IA sin su capacidad de "razonar" (pensar antes de responder). La IA que "pensaba" entendía las noticias mucho mejor y ganó mucho más dinero. La que no pensaba cometía errores tontos.

En Resumen

Este paper nos dice que el mercado no duerme. Para entender por qué sube o baja, no basta con mirar las noticias de la tarde. Necesitamos una herramienta inteligente (IA) que lea las noticias de las 24 horas, entienda la historia detrás de los números y nos diga qué tipo de riesgo nos está pagando más por asumir.

Es como pasar de navegar a ciegas en un barco de madera a tener un radar de última generación que te dice exactamente dónde está la tormenta y cómo esquivarla para llegar al tesoro.

Resumen técnico

Resumen Técnico: Riesgo Sistemático Interpretativo las 24 Horas

1. Planteamiento del Problema

La literatura financiera actual sobre el riesgo sistemático y las primas de riesgo enfrenta dos limitaciones críticas:

1. Sesgo de omisión temporal: La mayoría de los estudios se centran exclusivamente en el periodo de negociación intradiario (9:30 a.m. a 4:00 p.m. ET), ignorando el periodo nocturno. Dado que gran parte de la información macroeconómica y geopolítica se libera fuera del horario de mercado, el análisis intradiario sufre de un sesgo de variables omitidas, dejando fuera un componente significativo del riesgo de salto (jump risk).
2. Falta de interpretabilidad causal: Aunque existen modelos de alta frecuencia para identificar saltos en los precios, la vinculación de estos saltos con narrativas económicas específicas (noticias) suele ser imprecisa o basada en métodos de procesamiento de lenguaje natural (NLP) tradicionales (como conteo de palabras o LDA), que carecen de capacidad de razonamiento causal.

El objetivo del artículo es proporcionar el primer análisis integral "las 24 horas" (around-the-clock) del riesgo de salto sistemático, descomponiéndolo en categorías interpretables basadas en noticias en tiempo real, utilizando modelos de lenguaje grandes (LLM) avanzados.

2. Metodología

El autor integra tres avances tecnológicos y metodológicos:

A. Datos de Alta Frecuencia "Las 24 Horas":

• Mercado de Acciones (Cash): Se utiliza una panel de datos de alta frecuencia (15 minutos) de las acciones componentes del S&P 1500 (1997-2020) obtenidos de TAQ.
• Factor de Mercado Nocturno: Para cubrir el periodo fuera de horario, se utiliza el futuro E-mini S&P 500 (CME), que negocia casi las 24 horas. Esto permite capturar la respuesta del mercado a noticias liberadas durante la noche.
• Identificación de Saltos: Se aplica un umbral de truncamiento de la varianza (basado en Aït-Sahalia y Jacod, 2014) para distinguir entre movimientos continuos y discontinuos (saltos) tanto en el periodo intradiario como en el nocturno.

B. Recuperación de Narrativas con LLM (Qwen):

• Se despliega un modelo de lenguaje de código abierto de última generación (Qwen3-235B-A22B), un modelo de mezcla de expertos (MoE) con capacidades de razonamiento.
• Proceso de 3 pasos:
  1. Recuperación: El modelo analiza las noticias de Dow Jones Newswires en la ventana de 15 minutos del salto y selecciona las narrativas causales probables.
  2. Categorización Global: Se definen cinco categorías mutuamente excluyentes: (1) Políticas de EE. UU., (2) Sorpresas de datos macroeconómicos, (3) Eventos geopolíticos, (4) Resultados corporativos de empresas clave, y (5) Desbordamientos de mercados internacionales.
  3. Clasificación Específica: Cada salto se asigna a una categoría específica basándose en la narrativa recuperada.

C. Estimación Econométrica (Fama-MacBeth en Tiempo Continuo):

• Se adapta la regresión de Fama-MacBeth en tiempo continuo (Aït-Sahalia et al., 2025) para estimar betas específicas para cada tipo de salto.
• Se construyen carteras de imitación de factores "pure-play" (juego puro) que aíslan la exposición a un tipo específico de riesgo de salto mientras neutralizan la exposición a otros factores y al riesgo continuo.
• Se estiman las primas de riesgo ($\lambda$) para cada categoría de salto.

3. Contribuciones Clave

1. Análisis Integral 24/7: Es el primer estudio que descompone el riesgo de salto sistemático utilizando datos de alta frecuencia que cubren tanto el periodo de negociación como el nocturno, demostrando que ignorar la noche genera estimaciones sesgadas.
2. Integración de LLM Razonadores en Finanzas: Demuestra que los LLM con capacidades de razonamiento (modo "thinking") pueden extraer narrativas causales y clasificar riesgos de manera superior a los métodos NLP tradicionales (como LDA o conteo de palabras), mejorando la interpretabilidad económica.
3. Marco Automatizado y Replicable: Presenta un marco totalmente automatizado que mapea noticias de alta frecuencia a fuentes de riesgo interpretables, permitiendo estrategias de inversión adaptativas en tiempo real.

4. Resultados Principales

A. Heterogeneidad en las Primas de Riesgo:

• Existe una heterogeneidad significativa en las primas de riesgo según la categoría del salto.
• Riesgo Macroeconómico: Es la categoría con la prima más alta y persistente. La cartera que imita el riesgo de salto macroeconómico genera una prima anual del 3.65% con un Sharpe ratio de 0.78, superando al Sharpe ratio del mercado (0.53) en el mismo periodo.
• Otros Factores: Los riesgos relacionados con políticas monetarias, geopolíticos o corporativos muestran primas menores o estadísticamente insignificantes una vez controlado el riesgo macroeconómico.

B. La Importancia del Periodo Nocturno:

• La gran mayoría de los saltos de mercado ocurren durante la noche (aprox. 70% de las observaciones).
• Las estimaciones de primas de riesgo basadas solo en datos intradiarios son más ruidosas, a veces con signos erróneos, y pierden significancia estadística. El enfoque "las 24 horas" restaura la significancia y triplica el rendimiento ajustado al riesgo (Sharpe ratio de 0.95 vs. 0.28 en estrategias intradiarias).

C. Valor del LLM y el Razonamiento:

• Comparativa con Placebo: Las estrategias que asignan categorías de saltos aleatoriamente no logran rendimientos significativos, validando que el valor proviene de la comprensión narrativa del LLM.
• Comparativa con NLP Tradicional: El enfoque con LLM supera significativamente a los modelos LDA (Sharpe ratio de 0.95 vs. 0.28), demostrando que la comprensión contextual y el razonamiento son cruciales para identificar el riesgo real.
• Modo "Thinking" (Razonamiento): Activar el modo de razonamiento del LLM mejora drásticamente la capacidad de atribuir la causa del salto (97.2% de atribución exitosa vs. 69.7% sin razonamiento), lo que se traduce en estimaciones de primas de riesgo más precisas y carteras más rentables.

D. Robustez y Sesgo de "Lookahead":

• Se utiliza el modelo ChronoBERT (con corte de conocimiento anterior al año 2000) para verificar que los resultados no se deben a que el LLM "recuerde" eventos futuros. Los resultados se mantienen consistentes, indicando un sesgo de lookahead mínimo.
• Las estrategias de rebalanceo anual en tiempo real mantienen su superioridad incluso después de considerar costos de transacción (hasta 50 bps).

5. Significado e Implicaciones

• Para la Teoría de Activos: El estudio confirma que el riesgo de salto sistemático, especialmente el impulsado por sorpresas macroeconómicas nocturnas, es una fuente de compensación de riesgo distinta y cuantificable que los modelos tradicionales de factores (como Fama-French) no capturan completamente.
• Para la Práctica de Inversión: Proporciona una hoja de ruta para construir carteras de inversión adaptativas que pueden identificar y explotar el riesgo de salto más preciado en tiempo real. La capacidad de atribuir movimientos de mercado a narrativas específicas permite una gestión de riesgos más fina.
• Para la Tecnología Financiera: Establece un nuevo estándar en el uso de LLMs de código abierto para el análisis financiero de alta frecuencia, demostrando que la capacidad de razonamiento (test-time compute) es un insumo valioso para la precisión económica, no solo para la generación de texto.

En conclusión, el artículo demuestra que combinar datos de alta frecuencia "las 24 horas" con la capacidad de razonamiento de los LLMs permite descomponer el riesgo de mercado en fuentes interpretables, revelando que el riesgo macroeconómico nocturno es el factor de salto más preciado y explotable para los inversores.