📈 economics

Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting

Este artículo demuestra que los modelos de primeras diferencias superan a las especificaciones tradicionales basadas en niveles al pronosticar la volatilidad entre mercados cuando los datos exhiben una fuerte persistencia, destacando la necesidad crítica de alinear las estrategias de modelado con los objetivos de pronóstico.

Autores originales: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Publicado 2026-07-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

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 el clima para el próximo mes. Tienes una gran cantidad de datos históricos y notas que la temperatura ha estado subiendo lentamente durante años.

Si construyes un modelo basado en los niveles de temperatura actuales (el enfoque de "basado en niveles"), tu modelo parecerá increíblemente inteligente cuando lo compares con el pasado. Dirá: "¡Sí, sabía que ayer la temperatura era de 70 °F y hoy es de 71 °F!". Se ajusta perfectamente a la historia.

Sin embargo, si intentas usar ese mismo modelo para predecir el clima para el próximo mes, podría fallar estrepitosamente. ¿Por qué? Porque se distrajo demasiado con la tendencia lenta y de largo plazo (la "persistencia") y perdió de vista los cambios diarios reales que importan para un pronóstico a corto plazo.

Esto es exactamente el problema que Kai Cheng y su equipo de Columbia, Northeastern y Stanford investigaron en su artículo, "Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting" (Persistencia de la volatilidad y elección de modelos en la previsión de la volatilidad entre mercados).

Aquí está el desglose de su estudio en términos sencillos:

La Gran Pregunta

Los mercados financieros están llenos de "volatilidad" (cuánto saltan o fluctúan los precios). Esta volatilidad es "pegajosa": si es alta hoy, es probable que sea alta mañana. Los investigadores se preguntaron: Cuando intentamos predecir los saltos futuros del mercado, ¿deberíamos usar modelos que miren el "nivel" actual de la volatilidad, o modelos que miren el "cambio" en la volatilidad?

La Configuración: Una Carrera entre Modelos

Los investigadores organizaron una carrera para ver qué tipo de modelo matemático es mejor para predecir la volatilidad del mercado de valores de EE. UU. (el S&P 500). Utilizaron datos de metales preciosos (oro, plata, platino, paladio) y petróleo para ver si esos mercados podían ayudar a predecir el mercado de valores.

Compararon cuatro "impulsores" (modelos) diferentes:

El Impulsor de "Nivel" (OLS y ADL): Estos modelos miran los números reales. "El oro está a $1,800, por lo tanto, las acciones estarán en X". Son excelentes para explicar lo que sucedió en el pasado.
El Impulsor de "Cambio" (Primera Diferencia): Este modelo ignora el precio real y solo mira el movimiento. "El oro subió *$10, por lo tanto, las acciones podrían subir Y".
El Impulsor de "Piloto Automático" (ARIMA): Un modelo estándar de series temporales que simplemente observa el propio comportamiento pasado de la acción sin ayuda externa.

El Giro: La Trampa del "In-Sample"

Cuando los investigadores probaron estos modelos con los datos que utilizaron para construirlos (los datos de "entrenamiento"), los Impulsores de Nivel parecieron los ganadores. Tenían el "R-cuadrado" más alto (una puntuación de qué tan bien se ajusta el modelo a la historia). Parecían explicarlo todo perfectamente.

Pero aquí está el truco: Cuando los investigadores probaron estos modelos con datos nuevos que no habían visto antes (la prueba "out-of-sample"), los Impulsores de Nivel colapsaron. Fueron demasiado confiados. Habían memorizado las tendencias lentas y pegajosas del pasado, pero no pudieron predecir los cambios futuros.

El Ganador: El Impulsor de "Cambio"

El modelo de Primera Diferencia (el que solo mira los cambios) fue el sorprendente campeón.

En el pasado: Parecía "peor" que los demás. No se ajustaba a los datos históricos de forma tan estrecha.
En el futuro: Fue el más preciso para predecir lo que realmente sucedería después.

La Analogía:
Piensa en los Impulsores de Nivel como un estudiante que memoriza todo el libro de texto palabra por palabra. En un examen sobre el pasado, obtiene un 100%. Pero si le pides que resuelva un nuevo problema que requiere entender la lógica del cambio, se queda paralizado.

El modelo de Primera Diferencia es como un estudiante que entiende las reglas del movimiento. Puede que no recite el libro de texto perfectamente, pero realmente puede predecir hacia dónde irá la pelota después.

¿Qué Encontraron?

La Persistencia es una Trampa: Debido a que la volatilidad del mercado es "pegajosa" (se mantiene alta o baja durante mucho tiempo), los modelos que se enfocan en el "nivel" de la volatilidad se dejan engañar. Creen que están prediciendo el futuro, pero solo están repitiendo el pasado.
La Simplicidad Gana: Al eliminar las tendencias de movimiento lento y centrarse solo en los cambios (diferenciación), el modelo se volvió mucho mejor para la previsión.
No Confíes en el "Ajuste": Solo porque un modelo parezca perfecto en los datos históricos (alto ajuste in-sample) no significa que funcionará para predecir el futuro. De hecho, para mercados volátiles, un "ajuste perfecto" histórico es a menudo una señal de que el modelo está sobreajustado (overfitting).

La Conclusión Final

Si quieres entender por qué el mercado se movió en el pasado, mira los niveles. Pero si quieres predecir hacia dónde irá el mercado después, debes ignorar los números absolutos y concentrarte en los cambios.

Los autores concluyen que para cualquiera que intente pronosticar el riesgo financiero, utilizar un enfoque de "Primera Diferencia" es una apuesta más segura y confiable que depender de modelos complejos que intentan ajustarse demasiado perfectamente a los niveles históricos.

Resumen Técnico: Persistencia de la Volatilidad y Elección de Modelos en el Pronóstico de la Volatilidad entre Mercados

Planteamiento del Problema
El artículo aborda una tensión metodológica fundamental en las finanzas empíricas: la desconexión entre el poder explicativo in-sample (dentro de la muestra) y la precisión predictiva out-of-sample (fuera de la muestra) en el modelado de la volatilidad entre mercados. Mientras que las series de volatilidad se caracterizan por una fuerte persistencia y dinámicas de movimiento lento, muchos estudios empíricos dependen de especificaciones de series temporales basadas en niveles (por ejemplo, Mínimos Cuadrados Ordinarios o modelos de Autorregresión de Distribución de Retardos) para analizar los vínculos de volatilidad. Los autores cuestionan si estos modelos comúnmente utilizados son apropiados para el pronóstico cuando el objetivo principal es la precisión predictiva en lugar de la explicación estadística. Específicamente, el estudio investiga si la fuerte persistencia en los datos de volatilidad infla artificialmente las métricas de ajuste in-sample (como el $R^2$ ) mientras socava la capacidad del modelo para pronosticar la dinámica futura de la volatilidad, particularmente en el contexto de los desbordamientos (spillovers) entre los metales preciosos y el mercado de valores de EE. UU.

Metodología
Los autores emplean un marco empírico unificado para comparar sistemáticamente cuatro especificaciones estadísticas ampliamente utilizadas para pronosticar la volatilidad del S&P 500 utilizando la volatilidad de metales preciosos (oro, plata, platino, paladio), cobre y petróleo como variables explicativas.

Construcción de Datos:
- Fuente: Precios de cierre diarios de Bloomberg (enero de 2005 – julio de 2014).
- Transformación: Los precios diarios se convierten a rendimientos logarítmicos. La volatilidad realizada mensual se construye agregando los cuadrados de los rendimientos diarios y anualizando la medida.
- Muestra: La muestra efectiva consiste en 114 observaciones mensuales.
- División: Los datos se dividen en un periodo de entrenamiento (enero de 2005 – junio de 2013) para la estimación de parámetros y un periodo de validación de retención (julio de 2013 – junio de 2014) para el pronóstico fuera de la muestra.
Especificaciones de los Modelos:
- OLS Base: Una regresión contemporánea de la volatilidad del mercado de valores sobre los niveles de las volatilidades de otros activos.
- Autorregresión de Distribución de Retardos (ADL): Un modelo ADL(1,1) que incorpora variables dependientes e independientes rezagadas para capturar la persistencia y mitigar la autocorrelación.
- Modelo de Primera Diferencia: Una regresión sobre los cambios ( $\Delta$ ) en la volatilidad en lugar de los niveles, diseñada para eliminar la no estacionariedad y el impacto de la fuerte persistencia.
- Referencia ARIMA: Un modelo ARIMA(1,0,0) que sirve como base univariante para evaluar el valor de la información entre mercados.
Métrica de Evaluación:
- El desempeño del modelo se evalúa exclusivamente en la muestra de retención utilizando el Error Cuadrático Medio (MSE). El estudio contrasta explícitamente las estadísticas de ajuste in-sample (por ejemplo, $R^2$ , $R^2$ ajustado) con la precisión predictiva out-of-sample.

Resultación Clave
El análisis empírico arroja tres hallazgos principales:

Discrepancia In-Sample vs. Out-of-Sample: El modelo ADL(1,1) demuestra un poder explicativo in-sample superior ( $R^2 = 0.801$ ), impulsado en gran medida por la inclusión de la variable dependiente rezagada que captura la alta persistencia. Sin embargo, este fuerte ajuste no se traduce en precisión de pronóstico.
Superioridad de las Especificaciones de Primera Diferencia: A pesar de tener un $R^2$ in-sample más bajo (0.356), el modelo de primera diferencia logra consistentemente el Error Cuadrático Medio out-of-sample más bajo (0.0019) en comparación con el modelo ADL (0.0021) y la referencia ARIMA (0.0084).
La Persistencia como Fuente de Sesgo: Los resultados sugieren que los modelos basados en niveles son propensos al sobreajuste de los componentes de baja frecuencia y persistentes de la volatilidad. Si bien estos modelos se ajustan bien a los datos históricos, fallan en aislar las dinámicas de corto plazo necesarias para un pronóstico preciso. El enfoque de primera diferencia, al eliminar estos componentes de movimiento lento, proporciona un punto de referencia más robusto para capturar las interacciones de volatilidad contemporáneas.

Contribuciones Clave
El artículo realiza tres contribuciones específicas a la literatura:

Marco Unificado: Proporciona una comparación controlada y comparativa de los modelos OLS, ADL, de primera diferencia y ARIMA bajo idénticas condiciones de datos y de pronóstico, permitiendo una evaluación directa de las elecciones de modelado.
Patrón Empírico: Documenta un patrón sistemático donde las especificaciones de primera diferencia superan a los modelos basados en niveles y autorregresivos en el pronóstico out-of-sample de la volatilidad del mercado de valores, desafiando la dependencia estándar de las especificaciones basadas en niveles en el análisis de desbordamientos.
Perspectiva Metodológica: Vincula el concepto de persistencia de la volatilidad directamente con la selección de modelos y el desempeño del pronóstico, ofreciendo una contribución conceptual al análisis de la volatilidad entre mercados que complementa el trabajo existente centrado en los mecanismos de transmisión.

Significancia e Implicaciones
Los autores argumentan que el estudio ofrece orientación práctica para el modelado de volatilidad empírica. Los hallazgos sugieren que los investigadores y profesionales deben alinear la elección del modelo con sus objetivos específicos:

Para el Pronóstico: Cuando el objetivo es la precisión predictiva, los enfoques más simples basados en transformaciones (como la diferenciación de primera orden) que mitigan la persistencia son preferibles a los modelos complejos y densos en parámetros que maximizan el ajuste in-sample.
Para la Gestión de Riesgos: Los pronósticos de volatilidad precisos son críticos para la construcción de carteras y las medidas de riesgo (por ejemplo, el Valor en Riesgo). El estudio implica que confiar en modelos basados en niveles puede llevar a estimaciones de riesgo distorsionadas debido al sesgo de la persistencia, mientras que los modelos de primera diferencia pueden ofrecer estimaciones más fiables en condiciones de mercado dinámicas.
Interpretación de los Desbordamientos (Spillovers): Los resultados sugieren que algunos "fuertes vínculos" observados previamente en la literatura pueden ser artefactos de una persistencia compartida en lugar de contenido predictivo genuino. Los modelos de primera diferencia proporcionan una prueba más limpia para el contenido de información incremental en las señales entre mercados.

El artículo concluye enfatizando la importancia de la transparencia en la metodología empírica, instando a los investigadores a reportar métricas out-of-sample junto con las estadísticas tradicionales de bondad de ajuste para asegurar que las conclusiones sobre la dinámica entre mercados sean robustas y aplicables al mundo real.