📊 statistics

An outlier-robust dynamic semiparametric model for jointly forecasting value-at-risk and expected shortfall

Este artículo propone un modelo semiparamétrico dinámico conjunto robusto ante valores atípicos que integra la propagación de innovación acotada en el marco de CAViaR para mejorar la precisión y la fiabilidad de los pronósticos del Valor en Riesgo y de la Pérdida Esperada, particularmente en presencia de observaciones extremas y distribuciones de cola pesada.

Autores originales: Jie Wang, Buyun Xu

Publicado 2026-08-14

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jie Wang, Buyun Xu

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 eres un pronosticador del tiempo intentando predecir la peor tormenta del año. No solo quieres saber cuándo empieza la lluvia; necesitas saber qué tan profundas serán las inundaciones si los diques se rompen. En el mundo de las finanzas, esto es exactamente lo que hacen los gestores de riesgos. Utilizan dos herramientas especiales para medir el peligro de que un mercado financiero colapse. La primera herramienta, llamada Valor en Riesgo (VaR), es como un medidor de inundaciones que te dice el nivel del agua que tienes un 99% de seguridad de que no será excedido. Es una popular "línea en la arena". La segunda herramienta, la Pérdida Esperada (ES), es incluso más crítica: pregunta, "bien, sabemos que el agua podría sobrepasar la línea, pero si lo hace, ¿qué tan profunda será realmente el agua?". Esta es la profundidad promedio de los escenarios de peor caso.

Durante décadas, los matemáticos han construido modelos complejos para predecir estos niveles. Sin embargo, estos modelos tienen una debilidad secreta: entran en pánico cuando ven un dato "extraño". En finanzas, un dato "extraño" es un valor atípico (outlier): un salto o caída repentina y masiva de precios que no encaja con el patrón habitual, como un meteoro impactando en un lago tranquilo. Los modelos estándar tratan estos meteoros como si fueran simplemente gotas de lluvia un poco más grandes, dejando que distorsionen todo el pronóstico para el futuro. Este artículo, escrito por Jie Wang y Buyun Xu, introduce una nueva forma de construir estos modelos que actúa como un amortiguador. En lugar de permitir que un solo meteoro destruya todo el sistema, su nuevo modelo aprende a ignorar los picos extremos, asegurando que el medidor de inundaciones se mantenga preciso incluso cuando el clima se vuelve caótico.

El Problema: Cuando una manzana podrida arruina el pronóstico

Los mercados financieros rara vez están tranquilos. Están llenos de sorpresas. A veces, el precio de una acción cae un 10% en un día debido a un escándalo repentino, o sube un 15% debido a un informe de ganancias inesperado. En el lenguaje de la estadística, estos son valores atípicos (outliers).

Los modelos estándar utilizados para predecir el VaR y la ES son como un termostato muy sensible y de alta tecnología. Si le lanzas un cubo de agua helada, el termostato no solo ajusta la temperatura; entra en pánico, piensa que toda la casa se está congelando y apaga la calefación por completo. En el mundo real, esto significa que un choque de mercado único y masivo puede hacer que el modelo reaccione de forma exagerada, prediciendo un desastre que podría nunca ocurrir o, peor aún, fallar al ver el siguiente peligro real porque está demasiado ocupado reaccionando al anterior.

Los autores de este artículo notaron que, si bien estos modelos son excelentes para manejar el "clima" normal del mercado, fallan cuando el "clima" se vuelve extremo. Querían construir un modelo que pudiera decir: "Está bien, eso fue un gran pico, pero no permitamos que reescriba toda la historia de cómo se comporta este mercado".

La Solución: El amortiguador de "Propagación de Innovación Acotada"

Para solucionar esto, los investigadores introdujeron un concepto llamado Propagación de Innovación Acotada (BIP). Piensa en esto como un amortiguador para el cerebro del modelo.

Imagina que vas conduciendo un coche por un camino accidentado. El modelo estándar es como un coche sin suspensión; cada vez que golpeas un bache (un valor atípico), todo el coche se sacude violentamente y el conductor pierde el control. El nuevo modelo BIP es como un coche con una suspensión de alta resistencia. Cuando golpeas un bache enorme, la suspensión se comprime para absorber el impacto. El coche siente el bache, pero no se vuelca.

En términos técnicos, el modelo utiliza una "función acotada". Esta es una regla matemática que dice: "No importa cuán grande sea el choque, su efecto en nuestras predicciones futuras nunca excederá un cierto límite". Si el precio de una acción cae un 50% (un valor atípico masivo), el modelo lo trata como si solo hubiera caído un, digamos, 10%, para los fines de actualizar sus predicciones futuras. Limita el daño.

Este nuevo modelo se llama BIP-CAViaR-FZ. Combina tres elementos:

CAViaR: Una forma flexible de rastrear cómo cambia el riesgo a lo largo del tiempo.
Pérdida FZ: Un sistema de puntuación especial que verifica si tanto el VaR (la línea) como la ES (la profundidad) son correctos al mismo tiempo.
BIP: El amortiguador que evita que los valores atípicos arruinen la puntuación.

Lo que mostraron los experimentos

Los autores no solo supusieron que esto funcionaría; lo sometieron a pruebas rigurosas utilizando dos métodos: simulaciones por computadora y datos del mundo real.

1. El laboratorio de simulación
Primero, crearon miles de mercados financieros falsos en una computadora. Programaron estos mercados para que tuvieran diferentes tipos de "clima": algunos eran tranquilos (distribución normal), otros tenían colas pesadas (choques grandes frecuentes) y otros estaban sesgados (más caídas grandes que saltos). Incluso inyectaron "meteoros" específicos (valores atípicos) en los datos.

Los resultados fueron claros:

En clima tranquilo: El nuevo modelo funcionó tan bien como los modelos antiguos. No rompió nada.
En clima tormentoso: Cuando los datos estaban llenos de valores atípicos, los modelos antiguos se confundían y cometían grandes errores. El nuevo modelo BIP, sin embargo, mantuvo la calma. Predijo los niveles de riesgo con mucha más precisión.
El efecto de "cola pesada": La ventaja fue más obvia cuando el mercado tenía "colas pesadas" (lo que significa que los eventos extremos ocurren con más frecuencia de lo que sugeriría una curva de campana normal) y al observar eventos muy raros (como un 1% de probabilidad de un desplome). En estos escenarios difíciles, el nuevo modelo fue significamente más preciso.

2. La prueba del mundo real
A continuación, probaron el modelo con datos reales de cinco de los gigantes tecnológicos de EE. UU.: Apple, Amazon, Alphabet (Google), Intel y Microsoft. Analizaron los rendimientos diarios desde 2006 hasta 2025.

Encontraron que los precios de estas acciones están llenos de valores atípicos. Por ejemplo, la historia de las acciones de Amazon muestra varios picos y caídas masivas que parecen meteoros. Cuando compararon el nuevo modelo BIP con los modelos estándar:

Pronósticos más suaves: Los modelos estándar reaccionaban violentamente a estos picos, causando que sus predicciones de riesgo saltaran de arriba abajo de forma errática. El modelo BIP produjo predicciones mucho más suaves y estables.
Mejor precisión: Cuando verificaron qué tan bien los modelos predecían el futuro, los modelos BIP cometieron menos errores. Fueron mejores para captar los niveles de riesgo reales sin dejarse llevar por el ruido.
Los modelos cuadráticos: La mejora fue especialmente grande para las versiones "cuadráticas" de los modelos (que son más complejas). Estos modelos complejos eran los más sensibles a los valores atípicos, y el amortiguador BIP los salvó de desmoronarse.

El Veredicto

El artículo sugiere que, al añadir un "amortiguador" a la forma en que calculamos el riesgo financiero, podemos hacer que nuestras predicciones sean mucho más confiables durante los tiempos de caos en el mercado. Los autores encontraron que el nuevo modelo BIP-CAViaR-FZ no solo sobrevive a los valores atípicos, sino que prospera en su presencia, ofreciendo una forma más robusta de pronosticar tanto la "línea en la arena" (VaR) como la "profundidad de la inundación" (ES).

Si bien los modelos estándar siguen siendo útiles para los días tranquilos, los autores argumentan que en el mundo real —donde los mercados financieros son desordenados y están llenos de sorpresas— este nuevo enfoque es una apuesta más inteligente y segura. No ignora los malos días; simplemente se asegura de que un mal día no arruine todo el pronóstico.

Resumen Técnico: Un Modelo Semiparamétrico Dinámico Robusto a Valores Atípicos para el Pronóstico Conjunto del Valor en Riesgo y la Pérdida Esperada

Planteamiento del Problema
Las series temporales financieras contienen frecuentemente valores atípicos (outliers): choques aislados y de gran magnitud que se desvían significativamente de los patrones prevalecientes. Si bien el pronóstico conjunto del Valor en Riesgo (VaR) y la Pérdida Esperada (ES) ha avanzado a través del marco de la Autoregresión Condicional de Valor en Riesgo (CAViaR) combinada con la minimización de la pérdida de Fissler–Ziegel (FZ), los modelos existentes suelen carecer de robustez frente a estas observaciones extremas. Dado que los pronósticos de VaR y ES se actualizan de forma recursiva, incluso un pequeño número de observaciones extremas puede propagarse a través de las ecuaciones de actualización, distorsionando la estimación de parámetros y afectando negativamente los pronósticos de riesgo subsiguientes. Los valores atípicos pueden inflar la dispersión, exagerar la asimetría o la pesadez de la cola, y provocar errores de estimación in-sample más grandes y un peor desempeño del pronóstico out-of-sample. A pesar de la prevalencia de valores atípicos en los datos financieros, la literatura de CAViaR-FZ ha prestado poca atención a este problema.

Metodología
Para abordar la falta de robustez, los autores proponen una extensión robusta a valores atípicos del marco CAViaR-FZ, denominada modelo BIP-CAViaR-FZ. La innovación central es la incorporación de la Propagación de Innovación Acotada (BIP, por sus siglas en inglés) en las ecuaciones de actualización dinámica para el VaR.

Marco de trabajo: El modelo mantiene la naturaleza semiparamétrica del marco original de CAViaR-FZ, donde la dinámica del VaR se especifica paramétricamente, la distribución condicional de los rendimientos se deja sin especificar, y la ES se modela como un múltiplo escalar del VaR ( $e_t = (1+\gamma)v_t$ ). La estimación de parámetros se realiza minimizando la función de pérdida Fissler–Ziegel (FZ0), la cual es estrictamente consistente para la estimación conjunta de VaR y ES.
Mecanismo BIP: Los autores modifican las especificaciones estándar de CAViaR (Valor Absoluto Simétrico, Pendiente Asimétrica, GARCH Indirecto e Indirect GJR-GARCH) introduciendo una función acotada, $\eta(x; c) = \min(x, c)$ , en el término de innovación. Por ejemplo, en la especificación BIP-SAV, la ecuación de actualización se convierte en:
$|v_t| = \beta_0 + \beta_1|v_{t-1}| + \beta_2 \min(|y_{t-1}|, \beta_3|v_{t-1}|)$
Aquí, $\beta_3$ actúa como un parámetro de umbral. Cuando el rendimiento absoluto $|y_{t-1}|$ excede el umbral $\beta_3|v_{t-1}|$ , su contribución a la ecuación de actualización se limita. Esto restringe la influencia de innovaciones extremas en los futuros indicadores de riesgo condicional.
Estimación: El modelo se estima mediante un procedimiento de cuatro etapas que involucra búsqueda global y optimización local para minimizar la pérdida promedio de FZ0. Se deriva el gradiente de la función objetivo para facilitar la optimización. Se impone la restricción $\beta_3 \geq 1$ para asegurar que los choques ordinarios mantengan su influencia natural mientras que los choques inusualmente grandes permanezcan acotados.

Contribuciones Clave

Extensión Robusta: El artículo introduce la primera incorporación explícita de BIP en modelos dinámicos semiparamétricos conjuntos para VaR y ES.
Estructura Anidada: El modelo CAViaR-FZ estándar no robusto está anidado como un caso especial (a medida que $\beta_3 \to \infty$ ), lo que facilita la comparación directa e implementación.
Flexibilidad Semiparamétrica: El modelo propuesto mantiene la flexibilidad del marco original al evitar la estimación directa de la densidad condicional, redu así el riesgo de error de especificación de la distribución al añadir robustez.

Resultados
El artículo evalúa el modelo mediante extensos estudios de simulación y un análisis empírico de cinco acciones tecnológicas principales de EE. UU. (AAPL, AMZN, GOOGL, INTC, MSFT).

Hallazgos de la Simulación:
- Entornos con Valores Atípicos: En presencia de valores atípicos, particularmente bajo distribuciones de cola pesada y sesgadas (por ejemplo, la skew-t de Hansen) y en niveles de probabilidad bajos (1%), el modelo BIP-CAViaR-FZ supera significativamente al modelo CAViaR-FZ estándar.
- Precisión: Las especificaciones BIP producen errores cuadráticos medios (RMSE) más bajos tanto para la estimación de parámetros como para el pronóstico de riesgo cuando el proceso generador de datos incluye valores atípicos. La ventaja es más pronunciada para las especificaciones cuadráticas (IG e IGJR), que son más sensibles a las observaciones extremas.
- Eficiencia: Cuando los datos se generan sin valores atípicos (por ejemplo, a partir de una distribución normal), las especificaciones BIP muestran solo pérdidas marginales de eficiencia en comparación con los modelos estándar, lo que indica que el mecanismo de robustez no penaliza severamente el desempeño en entornos de datos limpios.
Hallazgos Empíricos:
- Características de los Datos: Las series de rendimientos de las acciones seleccionadas exhiben una curtosis y asimetría excesivas significativas, con numerosos valores atípicos potenciales identificados mediante reglas de diagramas de caja (boxplot).
- Desempeño: En la estimación de riesgo de muestra completa (medida por la pérdida FZ0) y en el pronóstico fuera de la muestra (medido por pruebas de retroceso tradicionales como UC, CC, DQ y clasificaciones comparativas de pérdida), los modelos BIP-CAViaR-FZ superan consistentemente o igualan a sus contrapartes no robustas.
- Evidencia Visual: Los modelos BIP producen trayectorias de VaR y ES más suaves que son menos reactivas a picos aislados en los rendimientos en comparación con los movimientos bruscos y abruptos observados en los modelos estándar.

Significancia
El artículo afirma que incorporar la propagación de innovación acotada en el modelado conjunto de VaR–ES proporciona una "manera útil y prácticamente relevante de mejorar la robustez en presencia de valores atípicos". La significancia radica en la capacidad del modelo para mitigar la distorsión de los pronósticos de riesgo causada por observaciones extremas sin sacrificar la flexibilidad del enfoque semiparamétrico. Los resultados sugieren que la especificación propuesta es particularmente efectiva en entornos desafiantes caracterizados por colas pesadas, asimetría y tamaños de muestra pequeños, ofreciendo una herramienta más confiable para la gestión de riesgos financieros y el cumplimiento regulatorio (por ejemplo, los requisitos de Basilea III para la ES). Los autores señalan que la investigación futura podría extender este marco a entornos de alta frecuencia y de frecuencia mixta.

El Problema: Cuando una manzana podrida arruina el pronóstico

La Solución: El amortiguador de "Propagación de Innovación Acotada"

Lo que mostraron los experimentos

El Veredicto

Más como este