Resumen Técnico: Recuperación Analógica Sensible al Periodo para la Previsión Probabilística de Riesgo Financiero

1. Planteamiento del Problema

El desafío central abordado es la previsión precisa de la distribución completa de los rendimientos financieros, particularmente el riesgo de cola requerido para el Valor en Riesgo (VaR) y la Pérdida Esperada (ES) bajo marcos como Basilea III. Los métodos existentes sufren un punto ciego fundamental: típicamente construyen pronósticos ajustando modelos a datos históricos agrupados globalmente sin verificar si las observaciones pasadas son estructuralmente comparables con el entorno de mercado actual.

Se identifican tres limitaciones primarias en la literatura actual:

1. Métodos Paramétricos: Modelos como GARCH, CAViaR y la regresión cuantílica imponen supuestos de forma funcional que a menudo fallan en las colas o no logran capturar cambios de régimen (Engle y Manganelli 2004; Ghysels et al. 1996).
2. Métodos Analógicos Naíf: La recuperación analógica tradicional utiliza la distancia euclidiana en el espacio de características bruto, lo que conduce a una "mezcla de regímenes" (por ejemplo, tratar un día de crisis de 2009 como similar a un día de baja volatilidad de 2017) y a una "ceguera de calendario" (ignorar la heterogeneidad estacional), resultando en estimaciones de cola mal calibradas (Aït-Sahalia y Lo 1998; Brock et al. 1992).
3. Limitaciones del Aprendizaje Profundo: Aunque las arquitecturas como LSTM y Transformers aprenden representaciones poderosas, están optimizadas para el error de predicción puntual en lugar de preservar la forma de la distribución condicional o la similitud estructural entre episodios de mercado (Hochreiter y Schmidhuber 1997; Vasेंti et al. 2017).

El artículo postula que la previsión de distribuciones debe replantearse como un problema de recuperación: identificar días de mercado pasados que se asemejen al estado actual en términos de régimen macroeconómico, época del año y estructura de características, y utilizar sus resultados realizados para construir la distribución del pronóstico.

2. Metodología: Recuperación Analógica Sensible al Periodo (PAAR)

El marco propuesto, PAAR, trata la previsión de distribuciones como un problema de búsqueda restringido por tres filtros para asegurar que los análogos recuperados provengan de entornos genuinamente comparables.

2.1 Visión General de la Arquitectura

El flujo de trabajo consta de cuatro etapas: construcción de características, identificación de régimen, entrenamiento del codificador y estimación de la distribución basada en la recuperación.

2.2 Construcción de Características

Se construye un vector de características de mercado $x_t \in \mathbb{R}^{25}$ compuesto por indicadores que abarcan tendencia, reversión, volatilidad, liquidez, impulso, señales macroeconómicas y amplitud de mercado. Las características se normalizan mediante un z-score rodante sobre los 252 días precedentes para eliminar tendencias seculares. Se añade metadato de calendario (día del año, mes, etc.) como entrada auxiliar, pero se excluye de la métrica de similitud, sirviendo en su lugar como restricción de recuperación.

2.3 Identificación de Régimen (Filtro 1)

Para evitar la mezcla de regímenes, el archivo se particiona utilizando un Modelo Oculto de Markov Gaussiano (HMM) de cuatro estados. El HMM se ajusta a un vector macroeconómico de cinco dimensiones (volatilidad realizada de 10 días, pendiente de la curva de tipos, cambio en el rendimiento del bono a 10 años, cambio en FX y momentum de 60 días) para capturar el trasfondo macroeconómico en lugar de patrones de precios superficiales.

• Restricción: Solo las observaciones del archivo asignadas al mismo régimen inferido que la fecha de consulta son elegibles.
• Adaptación: Si el régimen actual está escasamente representado, la búsqueda se expande a regímenes adyacentes clasificados por la probabilidad de transición del HMM.

2.4 Entrenamiento del Codificador

Para abordar la insuficiencia de la métrica (donde la distancia euclidiana falla en capturar la similitud estructural), un codificador MLP compacto de tres capas mapea $x_t$ a un embedding de 32 dimensiones $e_t$. El codificador se entrena con una pérdida compuesta:

• Pérdida de Alineación de Resultados: Une días con quintiles de rendimiento realizados similares y separa aquellos con quintiles diferentes dentro del mismo régimen.
• Pérdida de Separación de Regímenes: Asegura que los embeddings de diferentes regímenes permanezcan al menos a un margen de 2.0 de distancia.

2.5 Cascada de Recuperación de Tres Filtros

Dada una fecha de consulta $t$, el proceso de recuperación aplica tres filtros sucesivos:

1. Puerta de Régimen: Restringe los candidatos al mismo régimen del HMM.
2. Ventana Sensible al Periodo: Dentro del grupo filtrado por régimen, retiene solo observaciones donde $|\ell_s - \ell_t| \le \delta$ (por defecto $\delta=30$ días), asegurando la comparabilidad estacional (por ejemplo, emparejar finales de octubre con finales de octubre).
3. Similitud Multifacética: Los candidatos restantes se clasifican mediante una puntuación ponderada $\phi(x_t, x_s)$ que combina:
   • Forma del patrón de precios (tendencia/reversión).
   • Alineación macroeconómica.
   • Perfil de volatilidad.
   • Distancia del embedding aprendido ($\phi_{embed}$).
   • Nota: El número de vecinos $k$ se contrae en regímenes de alta volatilidad para preservar la nitidez distributiva.

2.6 Estimación de la Distribución

La distribución de pronóstico $\hat{F}_{t+h}(y)$ se construye como una CDF empírica ponderada de los rendimientos forward realizados de los mejores $k$ análogos.

• Suavizado: Se aplica una estimación de densidad de núcleo Gaussiano (KDE).
• Reserva (Fallback): En regímenes de estrés con pools de análogos pequeños, la distribución recurre a un ajuste Student-t mediante máxima verosimilitud para acomodar colas pesadas.
• Calibración: Un recalibrador de cuantiles rodante (regresión isotónica) corrige errores de cobertura sistemáticos sobre una ventana de 252 días, apuntando específicamente a los cuantiles de la cola.

3. Contribuciones Clave

El artículo realiza tres contribuciones específicas:

1. Un Marco Sensible al Régimen y al Periodo: Un sistema de recuperación estructurado que aborda conjuntamente la mezcla de regímenes, la confusión estacional y la insuficiencia de la métrica, desplazando el foco del error del modelo de la forma paramétrica a la calidad del conjunto de vecinos recuperados.
2. Una Métrica de Similitud Aprendida: Un espacio de embedding entrenado específicamente para alinear la geometría con los resultados distributivos (quintiles de retorno) en lugar del error de predicción puntual.
3. Un Protocolo de Evaluación: Una evaluación exhaustiva utilizando reglas de puntuación adecuadas (WQL, CRPS), calibración de riesgo de cola (VaR/ES) y desempeño económico (Ratio de Sharpe) a través de múltiples ciclos de mercado.

4. Resultados Experimentales

El marco fue evaluado con datos diarios del S&P 500 desde enero de 1995 hasta marzo de 2026 (6,430 días de prueba) mediante un backtest walk-forward contra diez líneas de base (clásicas, ML, aprendizaje profundo y modelos fundacionales).

4.1 Precisión Distributiva

• PAAR-RAF (que incorpora un embedding de un modelo fundacional como faceta de similitud) y PAAR-KDE lograron el mejor Weighted Quantile Loss (WQL) y Continuous Ranked Probability Score (CRPS).
• Ambas variantes de PAAR fueron los únicos modelos en lograr un Mean Absolute Scaled Error (MASE) inferior a 1.0, indicando una mejora consistente sobre un benchmark naíf.
• Las pruebas de significancia estadística (Diebold-Mariano) confirmaron que PAAR-RAF superó significativamente a todas las líneas de base, incluyendo los modelos clásicos ARMA/ARIMA.

4.2 Calibración de Cola y Gestión de Riesgos

• Cobertura de VaR: PAAR-KDE se mantuvo cerca de la tasa objetivo de excedencia de VaR del 10% y no fue rechazado por la prueba de Kupiec, mientras que muchas líneas de base de ML y aprendizaje profundo exhibieron una subcobertura severa (por ejemplo, Random Forest al 24%, Chronos al 25.1%).
• Desempeño Económico: Las variantes de PAAR lograron ratios de Sharpe superiores a las líneas de base de aprendizaje profundo. PAAR-KDE acumuló el mayor retorno terminal durante el periodo de 26 años y mantuvo trayectorias positivas a través de las crisis de 2008 y 2020.
• Modelos Fundacionales: El despliegue zero-shot del modelo fundacional Chronos resultó en una severa descalibración de la cola. Sin embargo, usar sus embeddings como faceta de recuperación (PAAR-RAF) produjo el mejor desempeño general, sugiriando que los modelos fundacionales son valiosos como aprendices de representación, pero no como pronosticadores probabilísticos directos en este contexto.

4.3 Estudio de Ablación

Eliminar cualquier componente único de la cascada de tres filtros degradó el desempeño:

• Sin Similitud Multifacética: Mayor degradación en WQL/CRPS, confirmando que la calidad de la representación es el principal motor de la precisión.
• Sin Puerta de Régimen: Redujo el Ratio de Sharpe, indicando que la recuperación no restringida introduce ruido de estados estructuralmente incompatibles.
• Sin Filtro de Periodo: Mejoró ligeramente el WQL pero redujo significativamente el Sharpe, mostrando que la alineación estacional es crítica para el comportamiento de la cola y los retornos ajustados por riesgo, incluso si las métricas agregadas no lo detectan.

5. Significado y Reivindicaciones

El artículo afirma que replantear la previsión financiera de la aproximación de funciones a la recuperación de distribuciones condicionales ofrece dos ventajas prácticas:

1. Evitación de la Especificación Errónea: Al construir pronósticos directamente a partir de resultados realizados bajo condiciones comparables, el método evita imponer familias paramétricas a las distribuciones de retorno y evita la necesidad de modelos globales para extrapolar a través de regímenes heterogéneos.
2. Utilidad Regulatoria y Accionable: El enfoque produce pronósticos interpretables (respaldados por análogos históricos nombrados) y mantiene una cobertura de cola cercana a los objetivos nominales a través de múltiples crisis. Esto aborda directamente los requisitos regulatorios de adecuación de capital (Basilea III) donde la calibración precisa de la cola es primordial.

Los autores señalan limitaciones, incluyendo la restricción a un único índice de renta variable (S&P 500), la potencial circularidad en la estimación de régimen del HMM, y la suposición de que el archivo histórico contiene suficientes análogos para cada combinación de régimen-calendario. Sugieren que trabajos futuros podrían extender el archivo de recuperación a múltiples clases de activos y explorar actualizaciones de recuperación online.