📊 statistics

Exact Differentiable Inference for Fractional Stochastic Volatility: ADavies–Harte-Reparameterized Hamiltonian Monte Carlo Posterior of the Hurst Index, with Application to the VN30 Frontier Index

Este artículo presenta un método de inferencia bayesiana exacto y diferenciable para el índice de Hurst en modelos de volatilidad estocástica fraccional mediante la integración del algoritmo de incrustación de circulante de Davies–Harte en el Monte Carlo hamiltoniano, logrando así una eficiencia computacional de $O(N \log N)$ y estimaciones posteriores insesgadas que refutan la hipótesis de volatilidad rugosa en favor de la dinámica de memoria larga para el índice VN30, a diferencia de las aproximaciones sesgadas de Whittle.

Autores originales: Thanh-Phong Lam, Viet-Tam Tran

Publicado 2026-07-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Thanh-Phong Lam, Viet-Tam Tran

Artículo original bajo licencia CC BY 4.0 (https://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 estás tratando de predecir qué tan "irregular" será el camino del mercado de valores mañana. En finanzas, esta irregularidad se llama volatilidad. Durante mucho tiempo, los expertos creyeron que estos baches eran o bien "rugosos" (caóticos e impredecibles, como un camino de montaña rocoso) o "suaves" (predecibles, como una autopista).

Este artículo trata sobre una nueva forma, súper precisa, de medir esa irregularidad, específicamente para el VN30, que son las 30 acciones principales del mercado vietnamita. Aquí está la historia de lo que hicieron los autores, explicada de forma sencilla:

1. El Problema: El error del "esfuerzo pesado"

Para medir qué tan irregular es el camino, los matemáticos usan un número especial llamado Índice de Hurst (llamémoslo H).

Si H es menor a 0.5, el camino es "rugoso" (caótico).
Si H es mayor a 0.5, el camino tiene "memoria larga" (recuerda sus baches pasados y tiende a seguir en la misma dirección).

El problema es que calcular H exactamente es como intentar resolver un rompecabezas gigante donde cada una de las piezas está conectada con todas las demás. Hacer esto de la forma antigua es tan lento y pesado (como intentar levantar un camión con las manos desnudas) que la mayoría de la gente toma un atajo. Usan una "aproximación espectral" (llamémosla el atajo de Whittle).

La Analogía: Imagina que estás tratando de pesar un elefante gigante. La forma exacta requiere una báscula masiva y costosa que tarda horas en calibrarse. El atajo es adivinar el peso basándose en cómo se ve el elefante desde la distancia. Es rápido, pero a menudo se equivoca con el peso. Los autores descubrieron que este atajo subestimaba constantemente qué tan "pegajoso" o "lleno de memoria" es realmente el mercado VN30.

2. La Solución: Un "ascensor mágico" para las matemáticas

Los autores construyeron una nueva máquina para realizar el cálculo exacto sin el esfuerzo pesado. Combinaron dos herramientas poderosas:

Incrustación de Davies-Harte: Piensa en esto como una receta especial que convierte un nudo de datos desordenado y enredado en una línea recta y ordenada usando una "Transformada Rápida de Fourier" (un truco matemático que ordena las cosas rápidamente).
Monte Carlo Hamiltoniano (HMC): Esto es como un robot inteligente que explora el paisaje de las posibilidades. En lugar de tropezar a oscuras, el robot utiliza "gradientes" (como sentir la pendiente de una colina) para deslizarse directamente hacia la respuesta más probable.

El Resultado: Lograron que el "esfuerzo pesado" (el cálculo exacto) se ejecutara tan rápido como el "atajo". Transformaron una tarea que antes tomaba un tiempo cúbico (imagina un cubo creciendo enorme) en una tarea que toma casi un tiempo lineal (creciendo en una línea recta). Es como reemplazar un camino de tierra lento y serpenteante por un tren de levitación magnética de alta velocidad que, aun así, llega exactamente al mismo destino.

3. El Descubrimiento: El VN30 no es "rugoso"

Cuando aplicaron esta nueva y precisa máquina a los datos del VN30 (rendimientos de acciones diarias de 2012 a 2026), descubrieron algo sorprendente:

El error del atajo: El método antiguo decía que el mercado era "rugoso" (H < 0.5), lo que significa que era caótico y olvidadizo.
La Verdad Exacta: Su nuevo método encontró que el Índice de Hurst es 0.58.

¿Qué significa 0.58? Significa que el mercado VN30 tiene memoria larga. No es un derrumbe de rocas caótico; es más bien como un río que recuerda por dónde ha pasado. Si el mercado sube, tiene tendencia a seguir subiendo por un tiempo. La "rugosidad" que la gente pensaba ver era en realidad una ilusión causada por el atajo impreciso.

4. La Prueba: Una "prueba de sabor"

Para demostrar que su nueva máquina no estaba rota, realizaron una simulación (una "prueba de sabor"):

Crearon datos falsos donde sabían que la respuesta era "memoria larga".
Ejecutaron el atajo antiguo: Se confundió y dijo que la respuesta era "rugosa".
Ejecutaron su nuevo método exacto: Obtuvieron la respuesta correcta casi siempre.

Esto confirmó que el atajo antiguo estaba sesgado y que su nuevo método estaba diciendo la verdad.

5. El Beneficio en el Mundo Real: Mejores Pronósticos

Finalmente, probaron si este conocimiento de la "memoria larga" ayudaba a predecir el futuro.

Construyeron un pronóstico que miraba el pasado (usando la idea de la memoria larga).
Lo compararon con una suposición estándar de "Camino Aleatorio" (que asume que el mercado es totalmente aleatorio).
El Resultado: Su pronóstico de memoria larga fue un 18.7% más preciso que la suposición aleatoria. Incluso un modelo estándar muy popular (GARCH) solo los superó por un pequeño margen del 2.5%, y ese modelo estándar básicamente estaba intentando fingir memoria larga al pretender ser "casi integrado".

Resumen

Los autores construyeron una herramienta matemática rápida y exacta que evita los errores de los atajos antiguos. Cuando usaron esta herramienta en el mercado de valores vietnamita (VN30), descubrieron que el mercado no es caótico y rugoso, sino que tiene una fuerte memoria. Este hallazgo no es solo un número; significa que entender el comportamiento pasado del mercado es realmente útil para predecir su futuro, y que las formas antiguas de medirlo nos estaban engañando.

Resumen Técnico: Inferencia Diferenciable Exacta para la Volatilidad Estocástica Fraccional

Planteamiento del Problema
El artículo aborda los desafíos computacionales e inferenciales asociados con la estimación del índice de Hurst ( $H$ ) en modelos de volatilidad estocástica fraccional. En estos modelos, la log-volatilidad está impulsada por un movimiento browniano fraccional (fBm), donde $H < 1/2$ implica una volatilidad "rugosa" (rough) y $H > 1/2$ implica una volatilidad de memoria larga. Aunque la inferencia bayesiana de posterior completa es deseable, tradicionalmente se ve obstaculizada por la naturaleza no markoviana del fBm, que requiere la inversión de una matriz de covarianza densa de $N \times N$ . Esta operación incurre en un costo computacional de $O(N^3)$ , lo que obliga a los profesionales a depender de aproximaciones espectrales sesgadas (como la pseudo-verosimilitud de Whittle) o estimadores puntuales frecuentistas. Estas aproximaciones pueden introducir un sesgo significativo, particularmente al distinguir entre regímenes rugosos y de memoria larga.

Metodología
Los autores proponen un marco que hace que la verosimilitud exacta del índice de Hurst sea tanto diferenciable como computacionalmente eficiente ( $O(N \log N)$ ). La metodología consta de tres componentes principales:

Especificación del Modelo: El estudio utiliza una EDO de volatilidad estocástica donde la log-volatilidad sigue un proceso de Ornstein-Uhlenbeck fraccional impulsado por fBm. Para manejar los datos de mercados frontera (específicamente el índice VN30), el modelo de observación incorpora una distribución de mezcla dependiente de la liquidez. Esto da cuenta de los artefactos de "precios estancados" (retornos cero debido a la falta de negociación) al modelarlos como una masa puntual en cero, distinta de los retornos gaussianos difusivos genuinos.
Posterior Marginal Exacta (Escalar $H$ ): Para el índice de Hurst escalar, los autores derivan una verosimilitud marginal exacta integrando analíticamente el parámetro de volatilidad-de-la-volatilidad ( $\sigma$ ) bajo una distribución previa de Jeffreys. Esto resulta en una posterior de $H$ libre de muestreo, la cual se computa mediante cuadratura determinista, eliminando el error de Monte Carlo.
Generador de Davies–Harte Diferenciable (Posterior Completa): Para permitir la inferencia de la posterior completa sobre el vector de parámetros $(\mu, \kappa, \sigma, H)$ $(μ, κ, σ, H)$ y la trayectoria latente, los autores embeben el método de empaquetamiento circulante de Davies–Harte dentro de un muestreador de Monte Carlo Hamiltoniano (HMC) de diferenciación automática (específicamente el muestreador No-U-Turn).
- La trayectoria del fBm se reparametriza como una función determinista, diferenciable mediante FFT, de las coordenadas blanqueadas y $H$ .
- Esto permite que los gradientes de la log-posterior fluyan a través de la Transformada Rápida de Fourier (FFT), permitiendo un muestreo consciente de la geometría sin llegar a formar o invertir la matriz de covarianza densa.
- El costo computacional por paso se reduce de $O(N^3)$ a $O(N \log N)$ .

Contribuciones Clave

Inferencia Diferenciable Exacta: El artículo introduce el primer esquema que logra la inferencia bayesiana de posterior completa para la volatilidad estocástica fraccional con un costo cercano al lineal ( $O(N \log N)$ ) manteniendo la exactitud, evitando los sesgos inherentes a las aproximaciones espectrales.
Marginalización Analítica: Proporciona una posterior exacta y libre de muestreo para el parámetro de escala, permitiendo una medición precisa de la brecha inferencial entre los métodos exactos y los aproximados.
Implementación Verificada Dualmente: La metodología está implementada en Python y verificada independientemente en R. Ambas vías coinciden con una diferencia de $4.9 \times 10^{-11}$ , lo que garantiza la reproducibilidad de todos los resultados numéricos reportados.
Validación Teórica: El artículo incluye un teorema de bien posedido que demuestra la existencia y unicidad de soluciones fuertes para el modelo bajo condiciones específicas de $H$ (interpretando la integral en el sentido de Young para $H > 1/2$ y en el sentido de trayectoria rugosa para $H \in (1/4, 1/2)$ ).

Resultados
La metodología se aplicó al índice frontera VN30 utilizando $N=3585$ retornos diarios de 2012 a 2026.

Estimación del Índice de Hurst: La posterior exacta sitúa el índice de Hurst en una media de 0.5828 con un intervalo de credibilidad del 95% de [0.5614, 0.6052]. Todo el intervalo se encuentra estrictamente por encima de $0.5$, lo que indica volatilidad de memoria larga en lugar de rugosidad.
Comparación con la Aproximación de Whittle: El estimador espectral estándar de Whittle arrojó una estimación MAP de $H=0.56$ , desplazando la inferencia hacia el régimen rugoso. Las calibraciones de simulación confirmaron que el estimador de Whittle está sesgado hacia la rugosidad y sufre de una cobertura severamente baja (12.5% de cobertura para un $H$ real de $0.70$), mientras que la posterior exacta permanece cerca de la ausencia de sesgo con una cobertura nominal.
Comparación de Modelos: La odds de la posterior exacta favorece la hipótesis de memoria larga ( $H > 1/2$ ) sobre la hipótesis rugosa ( $H < 1/2$ ) con un factor de Bayes de $1.5 \times 10^{20}$ , refutando efectivamente el régimen rugoso para este conjunto de datos.
Desempeño de Pronóstico: El pronóstico fuera de la muestra (out-of-sample) sobre un holdout de 252 días mostró que un pronosticador sensible al horizonte (modelo Autoregresivo Heterogéneo) redujo el error de paseo aleatorio de un día en un 18.7%. Un modelo GARCH(1,1) ajustado logró una reducción adicional del 2.5%, con su persistencia casi integrada ( $\alpha + \beta = 0.96$ ) actuando como una aproximación de memoria corta de la dinámica de memoria larga identificada por la posterior de Hurst.
Eficiencia Computacional: Las pruebas de tiempo confirmaron las afirmaciones de complejidad teórica. Para $N=3585$ , el generador FFT de Davies–Harte fue aproximadamente 1,100 veces más rápido que la factorización de Cholesky densa, con un exponente de escala empírica de 0.89 (casi lineal) frente a 2.64 (casi cúbica) para el método denso.

Significancia y Reivindicaciones
El artículo sostiene que la "rugosidad" observada en la volatilidad de las acciones puede ser un artefacto de estimación o una característica específica de un régimen, ya que la inferencia exacta para el índice frontera VN30 respalda decisivamente un régimen de memoria larga. La importancia del trabajo radica en:

Eliminación del Sesgo: Proporcionar una alternativa libre de sesgo a la ampliamente utilizada aproximación de Whittle, la cual los autores demuestran que puede cambiar cualitativamente la clasificación del régimen (de memoria larga a rugoso).
Escalabilidad: Hacer que la inferencia bayesiana exacta para modelos de volatilidad no markovianos sea computacionalmente factible para grandes conjuntos de datos, una tarea previamente restringida a métodos aproximados.
Refutación Empírica: Ofrecer una refutación rigurosa y basada en datos de la hipótesis de volatilidad rugosa para el índice VN30, respaldada por un factor de Bayes que descarta efectivamente el régimen rugoso en lugar de simplemente desfavorecerlo.
Reproducibilidad: Establecer un alto estándar de reproducibilidad mediante la implementación de doble vía y la verificación numérica precisa.

Los autores concluyen que, si bien el régimen rugoso es una característica válida para algunos mercados desarrollados, el esquema de inferencia diferenciable exacta es necesario para distinguir las dinámicas genuinas de memoria larga de los artefactos de estimación, particularmente en mercados frontera donde las restricciones de liquidez y las características de los datos difieren.