💰 quantitative finance

Modeling dependency between operational risk losses and macroeconomic variables using Hidden Markov Models

Este artículo propone una extensión de los Modelos Ocultos de Markov que incorpora variables macroeconómicas para modelar y predecir las pérdidas por riesgo operacional, detallando su calibración mediante el algoritmo de Expectación-Maximización y demostrando la relevancia de incluir covariables económicas en los análisis de estrés.

Autores originales: Nikeethan Selvaratnam, Dorinel Bastide, Clément Fernandes, Wojciech Pieczynski

Publicado 2026-04-24

📖 4 min de lectura☕ Lectura para el café

CC0 1.0

Autores originales: Nikeethan Selvaratnam, Dorinel Bastide, Clément Fernandes, Wojciech Pieczynski

Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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

¡Claro que sí! Imagina que este artículo es como una receta para predecir el clima de los desastres financieros, pero en lugar de usar barómetros y satélites, usan un tipo de "inteligencia artificial" llamada Modelo de Markov Oculto (HMM).

Aquí tienes la explicación en español, sencilla y con analogías:

🌧️ El Problema: ¿Por qué es difícil predecir los desastres?

Imagina que trabajas en un banco y tu trabajo es predecir cuándo ocurrirán "accidentes" operativos (como un empleado que roba dinero, un virus informático o un error humano).

El problema es que estos accidentes no ocurren como un reloj suizo. A veces hay años tranquilos y años de caos total (como durante la crisis de 2008). Además, los bancos tradicionales asumían que los accidentes ocurrían al azar, como si lanzaras una moneda al aire: si hoy sale "cara" (un accidente), mañana la probabilidad sigue siendo la misma.

Pero la realidad es diferente:

Si tienes un problema de sistema informático, es probable que tengas más problemas pronto hasta que lo arregles (no es memoria cero).
Si la economía va mal y hay pánico en los mercados, es más probable que la gente cometa fraudes o errores.

🕵️‍♂️ La Solución: El Detective Invisible (El Modelo HMM)

Los autores proponen usar un Modelo de Markov Oculto. Imagina que el banco tiene dos estados secretos, como si el banco tuviera un "ánimo" que no vemos directamente:

Estado Tranquilo: Todo va bien, pocos errores.
Estado de Estrés: Todo va mal, muchos errores.

El modelo es un detective que intenta adivinar en qué estado está el banco basándose en las señales que ve.

📡 La Nueva Idea: Escuchando la Radio del Mercado

Lo innovador de este artículo es que el detective no solo mira los accidentes del banco, sino que también escucha la radio del mercado económico.

La analogía: Imagina que quieres predecir si va a llover en tu ciudad (los accidentes del banco).
- El modelo antiguo solo miraba si ayer llovió.
- El nuevo modelo mira si ayer llovió Y también mira el barómetro de la ciudad vecina (el mercado financiero, representado por el índice VSTOXX, que mide el miedo o la volatilidad del mercado).

Si el barómetro marca "tormenta inminente" (mucha volatilidad en el mercado), el modelo sabe que es más probable que el banco entre en el "Estado de Estrés", incluso si aún no ha ocurrido ningún accidente grave.

🧪 La Prueba: ¿Funciona la magia?

Los autores probaron esta idea con datos reales de un gran banco (de 2000 a 2018) y dividieron los accidentes en categorías, como "Fraude Interno" (empleados haciendo trampa) o "Fallo de Sistemas" (ordenadores rompiéndose).

Los resultados fueron interesantes:

Para el Fraude Interno (ET1): ¡Funcionó de maravilla!
- Analogía: Es como si el miedo en el mercado hiciera que los empleados nerviosos cometan más errores o intenten robar para cubrir sus huellas. Cuando el mercado está nervioso, el modelo detecta que el banco está en "modo de estrés" y predice mejor cuándo ocurrirán fraudes.
- El modelo que escuchaba la radio del mercado (VSTOXX) acertó mucho más que el que solo miraba el pasado.
Para el Daño Físico o Fallos de Sistemas (ET5, ET6): No funcionó tanto.
- Analogía: Si un edificio se cae por un terremoto o un servidor se quema, no importa si el mercado está en crisis o en fiesta. Esos accidentes dependen de la física o la tecnología, no del miedo de los inversores. Aquí, añadir la "radio del mercado" no ayudó a predecir mejor.

🎯 ¿Por qué es importante esto? (El "Stress Test")

Los reguladores (como los que vigilan a los bancos) hacen ejercicios de "estrés". Imaginan un escenario de pesadilla (ej. "¿Qué pasa si la economía colapsa?") para ver si el banco tiene suficiente dinero para sobrevivir.

Antes: Los bancos usaban modelos rígidos que no sabían adaptarse. Si el mercado caía, el modelo seguía diciendo "todo normal" hasta que era demasiado tarde.
Ahora: Con este nuevo modelo, el banco puede decir: "Oye, el mercado está muy nervioso (VSTOXX alto), así que nuestro modelo detecta que estamos entrando en un estado de alto riesgo. Vamos a prepararnos para más fraudes o errores".

💡 En resumen

Este paper nos dice que no todos los riesgos son iguales.

Algunos riesgos (como el fraude) son como un termómetro: suben y bajan con el "temperamento" de la economía.
Otros riesgos (como un fallo eléctrico) son como rocas: no les importa el clima económico.

La gran ventaja de este modelo es que sabe cuándo escuchar al mercado y cuándo ignorarlo, ayudando a los bancos a no quedarse dormidos cuando la tormenta se acerca.

Resumen Técnico: Modelado de la Dependencia entre Pérdidas de Riesgo Operacional y Variables Macroeconómicas mediante Modelos Ocultos de Markov

1. Planteamiento del Problema

La modelización del riesgo operacional (RO) enfrenta desafíos significativos debido a la heterogeneidad y la dependencia temporal de los datos reales. Los enfoques tradicionales, como el Enfoque de Distribución de Pérdidas (LDA) basado en procesos de Poisson compuestos, asumen que los eventos son independientes y estacionarios (sin memoria). Sin embargo, en la práctica:

Los eventos de riesgo operacional suelen presentar dependencia temporal (agrupamiento de pérdidas, efectos de memoria).
Existen cambios de régimen (ej. crisis financieras vs. periodos de calma) que alteran la dinámica de las pérdidas.
Los modelos estáticos fallan en capturar la relación entre las pérdidas operacionales y el entorno económico, lo cual es crucial para las pruebas de estrés regulatorias (como CCAR o EBA) que requieren simular choques macroeconómicos.
La eliminación del enfoque de Medición Avanzada (AMA) en Basilea IV ha incrementado la necesidad de modelos internos robustos para calcular el capital económico y realizar pruebas de estrés, pero estos deben ser comparables y transparentes.

El problema central es cómo modelar dinámicamente la dependencia entre las pérdidas operacionales y las variables macroeconómicas para mejorar la estimación de cuantiles de riesgo (como el VaR) en escenarios de estrés.

2. Metodología

Los autores proponen una extensión de los Modelos Ocultos de Markov (HMM) para observaciones multivariantes, diseñada específicamente para capturar la interacción entre pérdidas y covariables económicas.

Estructura del Modelo:
- Se define un proceso de Markov oculto $X_n$ con $K$ estados (regímenes, ej. "normal" vs. "estrés").
- Las observaciones $Y_n$ $Y_{n}$ son vectores bivariados $(Y^1_n, Y^2_n)$ $(Y_{n}^{1}, Y_{n}^{2})$ :
  - $Y^1_n$ : Variable macroeconómica (en este estudio, el índice de volatilidad VSTOXX como proxy de incertidumbre del mercado).
  - $Y^2_n$ : Variable de pérdida operacional.
- La distribución de emisión condicional a un estado oculto sigue una distribución Gaussiana Multivariante $N(\mu_i, \Sigma_i)$ . La matriz de covarianza permite capturar la correlación entre la volatilidad del mercado y las pérdidas dentro de cada régimen.
Algoritmo de Calibración (EM):
- Se utiliza el algoritmo Expectation-Maximization (EM), conocido como algoritmo de Baum-Welch en el contexto de HMM.
- Paso E: Cálculo de probabilidades posteriores filtradas (hacia adelante) y suavizadas (hacia adelante y atrás) para estimar la probabilidad de estar en un estado oculto dado el historial de observaciones.
- Paso M: Actualización de los parámetros del modelo ( $\pi$ , matriz de transición $A$ , medias $\mu$ y covarianzas $\Sigma$ ) para maximizar la verosimilitud de los datos observados.
- Se aplica un filtrado de datos (eliminación de valores atípicos fuera de $1.5 \times IQR$ ) para estabilizar la estimación de los parámetros gaussianos.
Predicción y Medida de Riesgo:
- El objetivo es estimar el cuantil condicional al 90% de las pérdidas futuras ( $Y^2_{N+1}$ ).
- Se simula la distribución predictiva de un paso adelante utilizando las probabilidades filtradas actuales y las probabilidades de transición de estados.
- La precisión se evalúa mediante backtesting del VaR al 90%, comparando la tasa de excepciones (pérdidas reales que superan el umbral predicho) y el Error Cuadrático Medio (MSE) de las excepciones.

3. Contribuciones Clave

Marco Multivariante HMM: Extiende el HMM estándar para incluir explícitamente covariables macroeconómicas en el proceso de observación, permitiendo modelar la dependencia conjunta entre pérdidas y factores externos.
Análisis de Regímenes Dinámicos: Proporciona una metodología para identificar cambios de régimen (switching) que no son visibles en modelos estacionarios, capturando cómo las condiciones del mercado (volatilidad) influyen en la dinámica de las pérdidas.
Evaluación de la Relevancia de Covariables: Desarrolla un enfoque sistemático para determinar cuándo la inclusión de variables macroeconómicas mejora la predicción y cuándo es redundante, dependiendo del tipo de evento de riesgo.
Aplicabilidad a Pruebas de Estrés: Ofrece un marco flexible para simular escenarios de estrés donde los choques macroeconómicos se propagan a través de la estructura de dependencia latente hacia las pérdidas operacionales.

4. Resultados Empíricos

El estudio se aplicó a datos de pérdidas operacionales de un banco (2000-2018), clasificados según las 7 categorías de Basilea II, con un enfoque especial en Fraude Interno.

Impacto de la Agregación Temporal:
- Frecuencia Trimestral: Los HMM estándar capturan bien los regímenes. La inclusión de VSTOXX mejora ligeramente la precisión.
- Frecuencia Semanal: Los HMM estándar tienden a sobreajustarse al ruido, alternando estados rápidamente sin capturar la estructura de régimen real. La inclusión de VSTOXX estabiliza el modelo, haciendo que las probabilidades de estado sean más persistentes y mejorando significativamente la detección de regímenes.
Rendimiento por Categoría de Evento:
- Fraude Interno (ET1) y Externo (ET2): La inclusión de VSTOXX reduce drásticamente el MSE (Error Cuadrático Medio). Esto confirma una dependencia estadística significativa entre la volatilidad del mercado y estas pérdidas (ej. empleados actuando de forma fraudulenta en tiempos de crisis).
- Daños Físicos (ET5) y Fallos de Sistemas (ET6): La inclusión de VSTOXX no mejora la predicción (y en algunos casos la empeora). Estos riesgos dependen más de factores operativos o ambientales que de la volatilidad financiera.
- Prácticas de Empleo y Clientes (ET3, ET4): No mostraron cambios de régimen visibles; el HMM no aportó mejoras significativas.
Número de Estados: Modelos con 2 o 3 estados funcionaron mejor. Modelos con 4 o más estados tendieron a sobreajustar, especialmente en frecuencias bajas de datos.

5. Significado e Implicaciones

Validación para Pruebas de Estrés: El estudio demuestra que para ciertos tipos de riesgo (especialmente fraude), las pérdidas operacionales no son independientes del entorno macroeconómico. Ignorar esta dependencia puede llevar a subestimar el riesgo durante crisis financieras.
Selección de Modelos: No existe una solución única. La inclusión de covariables macroeconómicas debe justificarse empíricamente según el tipo de evento. Para riesgos no financieros (ej. fallos de TI), los modelos univariantes pueden ser suficientes.
Superación de Limitaciones del LDA: El enfoque HMM supera la limitación de estacionariedad del Poisson compuesto, permitiendo modelar la memoria y la agrupación de pérdidas, lo cual es vital para la gestión de capital económico real.
Futuro: El marco es extensible a distribuciones de colas pesadas (Student-t) para capturar mejor eventos extremos y a otras covariables como indicadores climáticos o geopolíticos, alineándose con las nuevas exigencias regulatorias.

En conclusión, el artículo proporciona una herramienta metodológica robusta para integrar variables macroeconómicas en la modelización del riesgo operacional, mejorando la precisión de las predicciones de pérdidas en escenarios de estrés para categorías de riesgo sensibles al mercado.