💰 quantitative finance

A Hybrid Gaussian Process Regression Framework for Stable Volatility-Covariance Estimation: Evidence from Global Equity Indices

Este documento presenta un nuevo marco de Regresión de Procesos Gaussianos Híbridos-Simulación Histórica que combina el modelado dinámico de volatilidad univariada con correlaciones históricas estables y una estrategia de Inicialización Agresiva de Ruido para lograr una predicción de volatilidad-covarianza superior y conforme a la normativa para carteras de acciones globales en comparación con los modelos econométricos tradicionales.

Autores originales: Ujjwala Vadrevu

Publicado 2026-05-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ujjwala Vadrevu

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 eres el capitán de un barco masivo (la cartera de inversiones de un banco) navegando por el océano de los mercados bursátiles globales. Tu trabajo más importante es predecir qué tan grandes podrían ser las olas mañana para poder cargar suficientes botes salvavidas (capital) y sobrevivir a una tormenta. Si adivinas que las olas son demasiado pequeñas, el barco se hunde. Si adivinas que son demasiado grandes, desperdicias dinero cargando botes salvavidas innecesarios.

Este artículo introduce una forma nueva y más inteligente de predecir esas olas, llamada Marco Híbrido GPR-HS. Así es como funciona, desglosado en conceptos simples:

1. El Problema con los Mapas Antiguos

Durante mucho tiempo, los bancos utilizaron "Mapas Antiguos" (modelos matemáticos tradicionales como GARCH o EWMA) para predecir las olas. El artículo argumenta que estos mapas tienen tres fallas principales:

Asumen que el océano está en calma: Esperan que las olas sean suaves y predecibles, pero los mercados reales tienen "colas pesadas": tsunamis repentinos y masivos que estos modelos pasan por alto.
Son demasiado rígidos: Asumen que las malas noticias y las buenas noticias afectan al océano por igual. En realidad, una tormenta (malas noticias) suele crear olas mucho más grandes que un día tranquilo (buenas noticias).
Se confunden en una multitud: Cuando intentas predecir cómo se mueven juntos siete barcos diferentes (acciones), estos modelos antiguos a menudo se descomponen o dan respuestas matemáticamente imposibles.

2. La Nueva Solución: Un Enfoque "Híbrido Inteligente"

Los autores construyeron un nuevo sistema que combina lo mejor de dos mundos: Regresión de Procesos Gaussianos (GPR) y Simulación Histórica (HS). Piensa en ello como usar un radar meteorológico de alta tecnología para las olas individuales, pero usando un libro de historia confiable para cómo interactúan las olas entre sí.

El Radar (GPR): En lugar de forzar a las olas a adoptar una forma rígida, esta parte del modelo aprende la "rugosidad" del océano. Utiliza una herramienta especial llamada núcleo Matern 5/2. Imagina intentar dibujar una costa. Una curva suave (como un círculo) no se parece a una costa real y dentada. El núcleo Matern es como un boceto dentado y realista que captura la naturaleza rugosa e impredecible de los precios de las acciones mejor que las curvas suaves.
El Libro de Historia (HS): Mientras que el radar predice cómo reacciona un barco al viento, el libro de historia observa cómo todos los barcos se han movido juntos en el pasado. Esto mantiene las matemáticas estables y evita que el modelo se confunda cuando la flota es grande.

3. El Secreto: "Inicialización Agresiva del Ruido" (ANI)

Esta es la mayor innovación del artículo. Cuando enseñas a una computadora a aprender, debes darle una suposición inicial. Por lo general, la gente comienza con una suposición "segura". Este artículo dice: "Comienza con una suposición fuerte y conservadora".

La Analogía: Imagina que estás enseñando a un estudiante a conducir. Si comienzas en una carretera tranquila y vacía, podrían volverse demasiado confiados. En cambio, los autores le dicen a la computadora: "Comienza asumiendo que la carretera está llena de baches y caos".
El Resultado: Al comenzar con esta suposición "fuerte" (estableciendo el nivel de ruido igual a la verdadera salvajismo de los datos), la computadora se ve obligada a ser muy cuidadosa. Nunca subestima el peligro. Esto asegura que, incluso si el modelo comete un error, se inclina hacia el lado de la seguridad: cargando más botes salvavidas de los necesarios, lo cual a los reguladores les encanta.

4. La Prueba de Manejo

Los autores probaron este nuevo sistema en siete mercados bursátiles globales importantes (incluyendo EE. UU., Europa, Japón e India) durante cinco años (2020–2025). Utilizaron un método de "encadenamiento hacia adelante", que es como conducir un coche mirando solo a través del parabrisas, sin echar un vistazo al espejo retrovisor para hacer trampa.

Los Resultados:

Seguridad Primero: El nuevo modelo superó la estricta prueba de "Déficit Esperado" (una medida de cuánto dinero pierdes en un desastre) el 100% de las veces para toda la cartera.
Mejor que la Vieja Forma: Superó al "VaR Histórico" estándar (el mapa antiguo) en 71.4% de los casos en cuanto a precisión, y fue más seguro (menos violaciones sorpresa) en 100% de los casos.
Gana el Conservadurismo: En algunos casos, el modelo predijo menos colapsos de los que realmente ocurrieron. En el mundo de la banca, esto es un "fracaso bueno". Significa que el banco mantuvo capital extra y estuvo a salvo, en lugar de ser tomado por sorpresa.

5. La Conclusión

Este artículo propone una nueva forma de medir el riesgo financiero que es más inteligente, más flexible y más segura que los métodos tradicionales. Al utilizar un núcleo matemático "rugoso" para capturar el caos del mundo real y comenzar con una suposición "conservadora", el sistema asegura que los bancos estén preparados para las peores tormentas, satisfaciendo las estrictas regulaciones gubernamentales sin necesidad de usar matemáticas inestables y complejas que se rompen fácilmente.

En resumen: Es un nuevo sistema de navegación que asume que el océano siempre es más rugoso de lo que parece, asegurando que el barco nunca se quede sin botes salvavidas.

Resumen Técnico: Un Marco de Regresión de Procesos Gaussianos Híbrido para la Estimación Estable de la Matriz de Volatilidad-Covarianza

Planteamiento del Problema
La previsión precisa de la Matriz de Volatilidad-Covarianza (VCV) es crítica para los procesos de adecuación del capital regulatorio, específicamente el Proceso de Evaluación Interna de la Adecuación del Capital (ICAAP) y el Análisis y Revisión Integral del Capital (CCAR). Los modelos econométricos tradicionales, incluidas las familias GARCH y los enfoques de Media Móvil Ponderada Exponencialmente (EWMA), enfrentan limitaciones estructurales significativas en los entornos financieros modernos. Estas incluyen rigidez paramétrica, dependencia de supuestos de normalidad que conducen a una subestimación sistemática del riesgo de cola ("colas pesadas"), incapacidad para capturar el efecto de apalancamiento y una imposibilidad de modelar dependencias no lineales y contagio de correlación durante el estrés sistémico. Además, las extensiones multivariadas como el GARCH de Correlación Condicional Dinámica (DCC) a menudo sufren inestabilidad numérica, particularmente en el mantenimiento de la Definición Positiva (PD) de la matriz VCV a escala. Si bien la Regresión de Procesos Gaussianos (GPR) ofrece una alternativa no paramétrica capaz de modelar la heterocedasticidad no lineal y variable en el tiempo, la aplicación directa de GPR de Múltiples Salidas (MOGPR) a las dimensiones de una cartera introduce una complejidad computacional prohibitiva ( $O((N \cdot T)^3)$ ) y fallos de convergencia.

Metodología
El artículo propone un marco Híbrido de Regresión de Procesos Gaussianos–Simulación Histórica (GPR-HS) diseñado para desacoplar la estimación de las volatilidades de los activos individuales de las correlaciones interactivas.

Datos y Preprocesamiento: El estudio utiliza los precios de cierre diarios de siete índices bursátiles globales principales (S&P 500, EURO STOXX 50, Nikkei 225, FTSE 100, Hang Seng, Nifty 50 y BSE SENSEX) desde el 30 de junio de 2020 hasta el 30 de junio de 2025. Los datos se preprocesan para garantizar un calendario de negociación sincrónico y se transforman en rendimientos logarítmicos diarios.
GPR Univariable para Volatilidad: Las varianzas condicionales de los activos individuales se modelan utilizando GPR Univariable con un núcleo Matern 5/2. Este núcleo se selecciona sobre el núcleo de Función de Base Radial (RBF) porque su suposición de diferenciabilidad dos veces refleja mejor la inherente "aspereza" de los rendimientos financieros, mientras que la diferenciabilidad infinita del RBF es teóricamente inapropiada. Se añade un núcleo de Ruido Blanco para modelar la heterocedasticidad irreducible.
Inicialización Agresiva de Ruido (ANI): Se introduce una estrategia novedosa de hiperparámetros donde la varianza inicial del Ruido Blanco ( $\sigma_n^2$ $σ_{n}^{2}$ ) se establece igual a la varianza empírica de los rendimientos de entrenamiento. Esto sirve a tres propósitos:
- Conservadurismo Regulatorio: Impulsa al optimizador hacia funciones estructurales más suaves, generando estimaciones de volatilidad conservadoras alineadas con los requisitos de SVaR (Value-at-Risk de Estrés).
- Estabilidad Numérica: Asegura que la matriz Gram sea bien condicionada desde el inicio, previniendo fallos de inversión.
- Convergencia Global: Aplanar la superficie de verosimilitud marginal, ayudando al optimizador L-BFGS-B a escapar de óptimos locales.
Construcción Híbrida de VCV: La matriz VCV de la cartera se construye combinando las varianzas condicionales dinámicas predichas por GPR (elementos diagonales) con covarianzas históricas estables (elementos fuera de la diagonal) derivadas de una ventana de entrenamiento expansiva. Esto reduce la complejidad computacional de $O((N \cdot T)^3)$ a $O(N \cdot T^3)$ .
Derivación de Métricas de Riesgo: El Valor en Riesgo (VaR) y el Shortfall Esperado (ES) se derivan asumiendo una distribución t de Student con $\nu=5$ grados de libertad para capturar la leptocurtosis.
Validación: El marco se evalúa utilizando un esquema de validación cruzada de encadenamiento hacia adelante con ventana expansiva (2022–2025). El rendimiento se evalúa mediante las pruebas de Cobertura Incondicional (UC) de Kupiec, Cobertura Condicional (CC) de Christoffersen, backtests de ES de McNeil-Frey y funciones de Pérdida Cuadrática (QL), comparados contra un VaR Histórico estático.

Contribuciones Clave
El artículo realiza tres contribuciones principales:

Arquitectura Híbrida: Introduce un marco novedoso que combina GPR Univariable para la volatilidad dinámica con Simulación Histórica para la correlación, resolviendo las restricciones de escalabilidad y estabilidad de MOGPR completo.
Inicialización Agresiva de Ruido (ANI): Propone una estrategia de inicialización fundamentada que asegura la definición positiva de la matriz Gram, la estabilidad numérica y el conservadurismo conforme a la regulación.
Validación Empírica Transfronteriza: Proporciona una validación rigurosa mediante backtesting en siete mercados bursátiles globales heterogéneos durante cinco años, demostrando la robustez del marco a través de diferentes regímenes de mercado.

Resultados

Convergencia del Modelo: Los modelos GPR lograron una convergencia óptima en los siete mercados, evidenciada por puntuaciones de Verosimilitud Marginal Logarítmica (LML) que aumentaron monótonamente a medida que se expandía el historial de entrenamiento.
Rendimiento Univariable: El marco logró tasas de aprobación de Cobertura Condicional (CC) entre el 75% y el 100% para la mayoría de los índices. Los fallos en la Cobertura Incondicional (UC) y el Shortfall Esperado (ES) se caracterizaron predominantemente como "excesivamente conservadores" (menos violaciones de lo esperado), que es el modo de fallo preferido en contextos regulatorios.
Rendimiento a Nivel de Cartera: El marco híbrido logró una tasa de aprobación del 100% para la prueba de ES en todas las divisiones, la validación regulatoria más exigente. Si bien las pruebas de Kupiec mostraron algunos "fallos conservadores" (violaciones reales < esperadas) en divisiones específicas, las pruebas de Cobertura Condicional aprobaron en todos los casos, confirmando que el modelo rastrea la volatilidad variable en el tiempo sin agrupar violaciones.
Comparación con Referencias: El marco GPR-HS superó a la referencia estática de VaR Histórico en el 71,4% de los casos univariados basados en la Pérdida Cuadrática (precisión) y fue superior o empató en el 100% de los casos basados en el recuento de violaciones (seguridad). En las comparaciones a nivel de cartera, el marco GPR-HS demostró valores de Pérdida Cuadrática significativamente menores (por ejemplo, 0,619 frente a 13,931 en 2022) en comparación con el VaR Histórico.

Significado y Afirmaciones
El artículo afirma que el marco Híbrido GPR-HS ofrece una solución viable y conforme a la regulación para la medición dinámica del riesgo de cartera. Al desacoplar la estimación de volatilidad y correlación, supera la inestabilidad computacional y numérica del GPR multivariado completo, evitando al mismo tiempo la rigidez paramétrica de los modelos GARCH tradicionales. La estrategia de Inicialización Agresiva de Ruido se destaca como una contribución metodológica que garantiza pronósticos conservadores y defendibles, adecuados para las pruebas de estrés ICAAP y CCAR. La capacidad del marco para mantener la estabilidad y el conservadurismo a través de diversos mercados globales, incluidos los regímenes asiáticos de alta incertidumbre, sugiere su utilidad como una herramienta robusta para la gestión moderna del riesgo de mercado. Los autores reconocen la limitación de la suposición de correlación estática, pero señalan que el componente de volatilidad dinámica compensa efectivamente esto en la práctica, resultando en medidas de riesgo a nivel de cartera robustas. Se señala que el trabajo futuro extenderá este marco al análisis de escenarios estresados y a la interpretabilidad del modelo mediante valores SHAP.