💰 quantitative finance

Forward-Looking Stress Testing Under Macro Scenarios: Stable SVaR Estimation Using a Hybrid GPR-HS Framework with SACS

Este artículo propone un marco estable y alineado con el regulador para la estimación prospectiva del Valor en Riesgo bajo Estrés (SVaR) bajo escenarios de estrés macroeconómico, mediante la extensión del modelo híbrido GPR-HS con un enfoque de Estabilización de Covarianza Promediada por Escenarios (SACS) para asegurar la robustez numérica y proyecciones de capital coherentes para aplicaciones de CCAR e ICAAP.

Autores originales: Ujjwala Vadrevu

Publicado 2026-06-09

📖 4 min de lectura☕ Lectura para el café

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 (un banco) navegando por el océano de la economía global. Tu trabajo es asegurarte de tener suficientes botes salvavidas y suministros de emergencia (capital) para sobrevivir si una tormenta gigante llega a azotar.

Este documento trata sobre la construcción de un pronosticador meteorológico y un calculador de supervivencia súper confiables para esas tormentas. Así es como el autor, Ujjwala Vadrevu, explica el nuevo sistema utilizando ideas simples:

1. El Problema: Los mapas antiguos se rompen en las tormentas

Normalmente, los bancos intentan predecir el daño de las tormentas usando viejas fórmulas matemáticas (como los modelos GARCH). El autor dice que estas viejas fórmulas son como mapas de papel. Funcionan bien en un día tranquilo, pero si intentas usarlas durante un huracán, se rasgan, te dan direcciones sin sentido o simplemente dejan de funcionar. Esto es peligroso porque, si tu mapa se rompe, podrías pensar que estás a salvo cuando en realidad te estás hundiendo.

2. La Solución: Una "Brújula Inteligente" (El marco híbrido GPR-HS)

El autor introduce una nueva herramienta llamada Marco Híbrido GPR-HS. Piensa en esto como una brújula inteligente y autocorregible que no depende de reglas rígidas.

Cómo funciona: En lugar de forzar los datos en una línea recta, utiliza una "lámina de goma" flexible (Regresión de Procesos Gaussianos) que se dobla para adaptarse a la forma de la tormenta.
El ingrediente secreto (ANI): El autor añade un truco especial llamado "Inicialización de Ruido Agresivo". Imagina configurar tu brújula para asumir que la tormenta ya es violenta antes incluso de ver la primera ola. Esto obliga a la computadora a ser conservadora. Es mejor sobreestimar el peligro y tener demasiados botes salvavidas que subestimarlo y quedarse sin suministros.

3. Las Tres Tormentas que estamos probando

El documento pone a prueba esta nueva brújula contra tres escenarios específicos y aterradores de "qué pasaría si" que están ocurriendo actualmente (a partir de 2026):

La Guerra en Asia Occidental: Una gran lucha que interrumpe el petróleo y el comercio. Es como una niebla repentina y pesada y olas agitadas que golpean con más fuerza las partes europeas y asiáticas del barco.
Riesgo Climático: Inundaciones masivas y olas de calor. Esto es como un daño lento y constante al casco del barco, afectando a diferentes partes del mundo de manera distinta (como inundaciones en Asia pero menos en EE. UU.).
La Burbuja de la IA: Un desplome tecnológico seguido de leyes estrictas y nuevas. Esto es como una explosión repentina en la sala de máquinas (el sector tecnológico), que hace que todo el barco se sacuda, especialmente la parte estadounidense de la flota.

4. El "Estabilizador" (SACS)

Cuando una tormenta golpea, la relación entre las diferentes partes del barco cambia. Normalmente, si una parte se hunde, otras podrían mantenerse a flote. Pero en una crisis, todo tiende a hundirse al mismo tiempo.

El autor utiliza una herramienta llamada SACS (Estabilización de Covarianza Promediada por Escenarios).
La analogía: En lugar de adivinar cómo reaccionarán las partes del barco justo ahora (lo cual es caótico y confuso), la herramienta observa cómo reaccionaron las partes del barco durante tres grandes naufragios del pasado (como la crisis de 2008). Promedia esas reacciones pasadas para crear una regla estable y confiable sobre cómo se comporta el barco durante una nueva tormenta. Esto evita que el calculador entre en pánico y dé números erráticos e inestables.

5. Los Resultados: El barco está listo

El autor ejecutó la simulación durante un año completo (252 días) bajo estas tres tormentas.

¿Se rompió la brújula? No. Los viejos mapas de papel se habrían rasgado, pero esta nueva brújula inteligente se mantuvo estable y dio números claros para cada uno de los escenarios.
¿Cuántos daños? El peor escenario (Guerra en Asia Occidental) mostró que el barco podría perder aproximadamente un 2.2% de su valor en un solo día de estrés extremo. El escenario de Riesgo Climático fue ligeramente menos severo (alrededor del 2.1%).
¿Es seguro? Sí. El sistema demostró que si te preparas para la peor pérdida posible (SVaR), automáticamente tendrás lo suficiente para cubrir incluso las pérdidas más profundas y catastróficas (SES).

La Conclusión

Este documento demuestra que puedes construir un motor de prueba de estrés digital que no se rompe cuando el mundo se vuelve aterrador. Al utilizar un enfoque de "primero lo conservador" (asumiendo lo peor) y aprender de los naufragios pasados para predecir los futuros, los bancos pueden calcular exactamente cuánto dinero necesitan para mantenerse a flote, cumpliendo con las estrictas reglas gubernamentales (como CCAR e ICAAP) sin que las matemáticas colapsen bajo la presión.

Resumen Técnico: Pruebas de Estrés Prospectivas bajo Escenarios Macroeconómicos

Planteamiento del Problema
Los marcos regulatorios como el Análisis y Revisión de Capital Integral (CCAR) y el Proceso de Evaluación de la Adecuación del Capital Interno (ICAAP) exigen la estimación del Valor en Riesgo bajo Estrés (SVaR) y la Pérdida Esperada bajo Estrés (SES) bajo escenarios macroeconómicos prospectivos. Existe un desafío técnico crítico en la producción computacional de estas estimaciones: los modelos paramétricos tradicionales (por ejemplo, de la familia GARCH o EWMA) presentan frecuentemente inestabilidad numérica o ruptura del modelo cuando se condicionan a trayectorias de retornos extremadamente negativos. Esta inestabilidad socava la fiabilidad y la defensa regulatoria de las proyecciones de capital. Además, las estructuras de correlación estimadas dinámicamente pueden volverse inestables bajo condiciones extremas, fallando en proporcionar una representación robusta de las dependencias entre activos durante periodos de estrés.

Metodología
Este documento extiende el marco híbrido de Regresión por Procesos Gaussianos–Simulación Histórica (GPR-HS), introducido previamente por Vadrevu (2026), al dominio de las pruebas de estrés prospectivas. La metodología integra tres componentes principales:

GPR Específica para Estrés con Inicialización de Ruido Agresiva (ANI):
Para cada uno de los siete índices bursátiles globales, se ajusta un modelo Univariante GPR dedicado a una trayectoria de estrés prospectiva de 252 días. Para garantizar la estabilidad numérica y una estimación de volatilidad conservadora, el documento adapta la estrategia ANI. A diferencia del ajuste de caso base, la varianza del kernel de Ruido Blanco ( $\sigma_n^2$ ) se inicializa con la varianza empírica completa de la serie de retornos bajo estrés. Esto obliga al optimizador bayesiano a comenzar en una región que refleje una mayor incertidumbre, evitando que el modelo interprete los choques extremos como ruido transitorio y revierta a prioris de baja volatilidad.
Construcción de Escenarios:
Tres escenarios de riesgo sistémico distintos se operacionalizan como choques de retornos acumulados de estilo ICAAP sobre un horizonte de un año:

Guerra en Asia Occidental: Un conflicto geopolítico que causa la interrupción de las cadenas de suministro y estancamiento con inflación (estanflación).
Riesgo Climático: Daños físicos climáticos (inundaciones, olas de calor) que afectan la agricultura y la infraestructura.
Burbuja de IA/Carga Regulatoria: El estallido de una burbuja en el sector tecnológico seguido de una regulación global estricta.
Las trayectorias diarias de retornos bajo estrés se generan utilizando un componente de deriva lineal determinista (calibrado para alcanzar choques acumulados específicos hacia el día 252) combinado con ruido estocástico histórico para preservar la dinámica de volatilidad intradía realista.

Estabilización de Covarianza Promediada por Escenario (SACS):
Para abordar la inestabilidad de las correlaciones estimadas dinámicamente bajo estrés, el documento introduce SACS. En lugar de estimar las correlaciones únicamente a partir de la trayectoria de estrés, la matriz de covarianza del periodo de estrés ( $\Sigma_{SACS}$ ) se construye como una agregación ponderada de las estructuras de covarianza observadas en regímenes de crisis históricos (por ejemplo, la Crisis Financiera Global de 2008, el COVID-19). Los elementos diagonales utilizan las varianzas condicionales predichas por GPR, mientras que los elementos fuera de la diagonal utilizan las covarianzas derivadas de SACS.
Cálculo de Riesgo y Evaluación de Estabilidad:
El SVaR y el SES del día terminal (T=252) se calculan analíticamente a partir de la distribución condicional resultante bajo un supuesto de distribución t de Student ( $\nu=5$ ). Dado que los escenarios prospectivos carecen de datos realizados para el backtesting tradicional, la estabilidad del modelo se evalúa mediante la Verosimilitud Marginal Logarítmica (LML). La convergencia constante de la LML en todos los ajustes sirve como el principal diagnóstico de integridad numérica.

Contribuciones Clave
El documento identifica cuatro contribasiones primarias:

Extensión de Estrés del Marco Híbrido GPR-HS: Demuestra que la arquitectura GPR estabilizada por ANI mantiene la estabilidad numérica bajo tres escenarios macroeconómicos extremos distintos, produciendo proyecciones de SVaR y SES que cumplen con la regulación.
Metodología de Diseño de Escenarios: Desarrolla un marco consistente con ICAAP para la construcción de escenarios prospectivos que combinan la deriva determinista con el ruido estocástico, asegurando que las trayectorias sean plausibles en lugar de discontinuas.
Estabilización de Covarianza Promediada por Escenario (SACS): Introduce un marco estable para la construcción de la covarianza en periodos de estrés mediante la agregación de regímenes de crisis observados empíricamente, abordando la inestabilidad de las estimaciones de dependencia dinámica.
Validación con el Mundo Real: Destaca la alineación contemporánea entre los escenarios modelados y los desarrollos globales actuales (específicamente el conflicto en Asia Occidental y la regulación de la IA), proporcionando un contexto externo para la plausibilidad de la calibración del estrés.

Resultos
El marco fue aplicado a una cartera de siete índices bursátiles globales a través de los tres escenarios:

Estabilidad Numérica: Los 21 ajustes bajo estrés (7 índices $\times$ 3 escenarios) lograron una convergencia de LML exitosa. No se observaron valores de LML divergentes o extremos, confirmando la estabilidad del marco GPR bajo entradas extremas. El índice Hang Seng, notable por sus dinámicas complejas, logró ajustes estables en todos los escenarios.
Proyecciones de SVaR y SES: Las estimaciones de SVaR para el día terminal oscilaron entre -2.1020% (Riesgo Climático) y -2.2231% (Guerra en Asia Occidental). El escenario de la Guerra en Asia Occidental produjo el mayor impacto de capital, reflejando la profundidad de los choques aplicados.
Coherencia: Se preservó la propiedad fundamental de medida de riesgo coherente $|SES| > |SVaR|$ en todos los escenarios, confirmando el cumplimiento con Artzner et al. (1999).
Comportamiento del Modelo: Los resultados exhibieron un ranking de riesgo monotónico consistente con las magnitudes de los choques y mantuvieron un piso conservador, evitando que el modelo colapsara hacia estimaciones de riesgo irrealmente bajas.

Significancia y Reivindicaciones
El documento sostiene que el marco híbrido GPR-HS, aumentado con SACS y ANI, sirve como un motor estable, interpretable y alineado con la regulación para la estimación prospectiva de SVaR y SES. Su principal significancia radica en su capacidad para satisfacer los tres requisitos simultáneos de las pruebas de estrés: estabilidad numérica, conservadurismo y transparencia.

Los autores afirman que la estrategia ANI es una elección de diseño regulatorio crítica, que evita la divergencia del modelo en entornos de producción (como CCAR o ICAAP) donde el fallo del modelo es operativamente inaceptable. Al anclar las estimaciones de correlación a regímenes de crisis históricos mediante SACS, el marco proporciona una aproximación robusta de las dependencias bajo estrés que prioriza la estabilidad sobre el refinamiento dinámico potencialmente inestable. El documento concluye que esta arquitectura es adecuada para las proyecciones de 9 trimestres requeridas por CCAR y las evaluaciones de horizonte más largo de ICAAP, ofreciendo una alternativa viable a los modelos paramétricos tradicionales que fallan bajo condicionamiento extremo.