Cuando el Modelo No Sabe — Esa Es la Señal.

La Regresión Bayesiana Secuencial revela dónde el mercado se está desconectando de su propia historia — antes de que la volatilidad lo confirme.

Lo Que la Mayoría de las Herramientas de Riesgo No Captura

Las medidas estándar de volatilidad — desviación estándar rolling, el VIX, el ATR — responden todas la misma pregunta: ¿qué tan grandes fueron los movimientos recientes? Son retrospectivas. Describen lo que ya ocurrió.

Existe una pregunta diferente, más valiosa: ¿qué tan bien encaja el entorno actual del mercado dentro de las expectativas del modelo construidas con la historia? Cuando los retornos empiezan a comportarse de formas que el modelo no ha visto antes, esa divergencia es información — y llega antes de que la volatilidad realizada haya tenido tiempo de dispararse.

Esto es exactamente lo que captura el sistema de Regresión Lineal Bayesiana Secuencial a través de su señal de varianza predictiva Σ*(t).

La Señal: Σ*(t) Descompuesta

El modelo ajusta una regresión lineal bayesiana sobre una ventana deslizante de 120 días en la serie de retornos de cada activo. En cada punto del tiempo pregunta: dado lo que sé ahora sobre los parámetros β, ¿cuán incierto estoy sobre el retorno de mañana?

β⁻¹ → ruido aleatórico (aleatoriedad irreducible del mercado)
x_t’Σ’x_t → incertidumbre epistémica (incertidumbre sobre parámetros)

Prior: θ ~ N(0, α⁻¹·I) con α = 2, β = 25
Posterior: Σ’ = (Σ⁻¹ + β·Φ’Φ)⁻¹
μ’ = Σ’·(Σ⁻¹·μ + β·Φ’y)

El primer término, β⁻¹, es el piso — el ruido irreducible del mercado que ningún modelo puede eliminar. El segundo término es lo que importa para la detección de régimen: x_t’Σ’x_t aumenta cuando la incertidumbre paramétrica del modelo es alta — cuando los retornos actuales son inconsistentes con la historia reciente. Esa es la incertidumbre epistémica. Esa es la señal.

La clasificación de régimen no requiere umbrales arbitrarios. Se utiliza el rango percentil sobre ventana expansiva de Σ*(t) frente a toda su historia, evitando cualquier sesgo de look-ahead:

Σ*(t) < percentil 33 → BULL (baja incertidumbre — el mercado encaja con la historia)
Σ*(t) > percentil 67 → BEAR (alta incertidumbre — el modelo está luchando)
Percentiles 33–67 → NEUTRAL

La Historia Completa: Ocho Años de Incertidumbre de Mercado

El heatmap a continuación muestra Σ*(t) en los cuatro activos desde 2016 hasta hoy. Cada fila es un activo; cada columna es un día de negociación. La escala de colores va desde negro casi puro (baja incertidumbre) a través de cian y ámbar hasta rojo blanco intenso (incertidumbre extrema). La línea roja discontinua marca el día de hoy.

Figura 1. Heatmap de incertidumbre bayesiana secuencial. Filas = activos. Columnas = días de negociación. Color = Σ*(t) normalizada por activo. Azul oscuro/negro = modelo confiado; ámbar/rojo = modelo incierto. El marcador ◄ HOY muestra la lectura actual en el percentil 21 histórico — el modelo tiene alta confianza sobre el comportamiento del mercado respecto a más de 8 años de historia.

Varios episodios de estrés son inmediatamente visibles en todos los activos simultáneamente. El crash del COVID en 2020 resalta como una columna vertical roja que atraviesa todas las filas al mismo tiempo — un shock sistémico verdadero donde ningún activo ofreció un ancla estable. El mercado bajista de 2022 es igualmente visible: una banda sostenida de alta incertidumbre concentrada en SPY y TLT mientras las tasas en alza reescribían el régimen de correlación entre renta variable y bonos.

La lectura actual es estructuralmente diferente. La incertidumbre es históricamente baja — percentil 21. El modelo está calibrado. Los retornos de SPY, GLD, USO y TLT se comportan de manera consistente con los patrones históricos. Eso no es una señal para ser complaciente; es contexto.

¿Por qué importa el heatmap multi-activo?
Un shock sistémico activa todas las filas simultáneamente — eso fue 2020. Un cambio de régimen específico activa solo algunas filas — eso es una señal relativa. La diferencia entre ambos patrones determina si el riesgo requiere cobertura de cartera completa o ajuste selectivo de exposición.

Instantánea de Riesgo Actual: Lo Que Ve el Modelo Hoy

El histograma a continuación muestra la distribución completa de los valores de Σ*(t) a lo largo de más de 8 años de historia. La línea discontinua roja marca la lectura de hoy. El valor actual se sitúa firmemente en la cola inferior de la distribución — el modelo ha sido este seguro sobre la dinámica del mercado o más incierto en aproximadamente el 79% de todas las observaciones históricas.

Figura 2. Distribución de Σ*(t) de cartera a lo largo de la historia completa. Región sombreada verde = zona de baja incertidumbre (por debajo del percentil 25). Región sombreada roja = zona de alta incertidumbre (por encima del percentil 75). El marcador ◄ HOY en el percentil 21 confirma la clasificación de régimen BAJO actual. La curva KDE superpuesta (cian) muestra la estructura de densidad.

Ranking Multi-Activo y Divergencia a 60 Días

La incertidumbre a nivel de cartera cuenta la historia macroeconómica. La divergencia a nivel de activo cuenta la historia de trading.

El panel a continuación muestra dos vistas simultáneamente: a la izquierda, el ranking actual de Σ*(t) en los cuatro activos con su percentil histórico y dirección de tendencia; a la derecha, la evolución a 60 días de la señal de incertidumbre de cada activo. La divergencia entre activos durante el mismo período macroeconómico es donde vive la señal de valor relativo.

Figura 3. Panel izquierdo: Σ*(t) actual por activo, clasificada descendentemente, con rango percentil histórico y flecha de tendencia a 10 días. Panel derecho: evolución de Σ*(t) a 60 días por activo. Activos con incertidumbre creciente (▲, rojo) se están alejando de los patrones históricos; incertidumbre decreciente (▼, verde) indica recalibración del modelo. La divergencia cross-sectional entre activos es una señal de valor relativo independiente del nivel absoluto.

Cuando dos activos divergen en su incertidumbre epistémica durante el mismo entorno macroeconómico, el modelo indica que sus procesos generadores de retorno se están desacoplando — no solo en nivel, sino en estructura.

Vista de Corto Plazo: Últimos 180 Días

La ventana de 180 días a continuación proporciona la perspectiva táctica accionable. A diferencia del heatmap de historia completa, esta vista muestra la dinámica granular de cada activo en los últimos seis meses — con qué rapidez se está construyendo o liberando la incertidumbre, y si las divergencias se están acelerando o convergiendo.

Figura 4. Σ*(t) por activo en los últimos 180 días de negociación. El relleno bajo la curva destaca el área sobre cero. El marcador ◄ HOY (línea roja discontinua) ancla la fecha actual. SPY (verde) y TLT (cian) muestran la menor incertidumbre — coherente con un entorno de baja volatilidad bien calibrado en renta variable y tasas. USO (naranja) exhibe la mayor dispersión, reflejando la impredecibilidad estructural de la dinámica del crudo petróleo respecto a la historia reciente.

Convergencia Bayesiana: Cómo Aprende el Modelo

El gráfico animado a continuación hace visible la mecánica del proceso. Cada fotograma representa un lote de 10 días de negociación. El panel izquierdo registra cómo evoluciona Σ*(t) a medida que el modelo procesa más datos — comenzando alto cuando el prior es difuso, convergiendo hacia el piso de ruido irreducible β⁻¹ a medida que el posterior se ajusta. El panel derecho muestra la distribución posterior conjunta sobre θ₀ (intercepto) y θ₁ (pendiente de tendencia), que se afina en un contorno estrecho a medida que se acumulan los datos.

Figura 5. Convergencia bayesiana animada para SPY (últimos 180D). Izquierda: varianza predictiva Σ*(t) convergiendo hacia el piso de ruido irreducible β⁻¹ (línea punteada cian) a medida que el posterior se ajusta. Derecha: posterior conjunta sobre [θ₀, θ₁] — el contorno se afina y desplaza a medida que cada lote actualiza las creencias. El marcador × muestra la estimación MAP (máximo a posteriori). Velocidad: 3 fps, 18 lotes de 10 días cada uno.

Esta visualización de convergencia raramente se muestra en contenido de finanzas cuantitativas — la mayoría de las implementaciones se detienen en la señal de salida y omiten la dinámica paramétrica. El contorno posterior es donde vive la información. Cuando el contorno es amplio, el modelo tiene incertidumbre sobre la deriva y el nivel de los retornos; cuando se ajusta, el mercado se comporta de manera predecible. El ancho del contorno es la incertidumbre epistémica — y su proyección sobre el eje x es Σ*(t).

Por Qué Esto Es Diferente a la Volatilidad Rolling

LA DISTINCIÓN CLAVE

La volatilidad rolling mide la incertidumbre aleatórica — qué tan ruidoso ha estado el mercado. Sube después de que el estrés ya se ha materializado. Es inherentemente retrospectiva.

Σ*(t) mide la incertidumbre epistémica — qué tan incierto está el modelo sobre los parámetros que gobiernan los retornos. Sube cuando los retornos empiezan a alejarse de los patrones históricos, a menudo antes de que la volatilidad realizada haya tenido tiempo de responder. Es un indicador adelantado del estrés de régimen, no una confirmación rezagada.

La diferencia práctica: en el crash del COVID de 2020, Σ*(t) comenzó a elevarse a mediados de febrero a medida que los patrones de retorno diarios empezaron a divergir de la ventana de 120 días — aproximadamente dos semanas antes de que el VIX cruzara 40. Ese margen de dos semanas es la diferencia entre cubrirse antes del estrés y reaccionar después de él.

Conclusión

Los mercados no se vuelven peligrosos únicamente cuando se mueven violentamente. Se vuelven peligrosos cuando empiezan a moverse de formas inconsistentes con la comprensión que tiene el modelo de ellos. Esa inconsistencia — la incertidumbre epistémica — es lo que mide Σ*(t).

La lectura BAJO actual significa que el mercado se está comportando de manera predecible por sus propios estándares históricos. Eso es informativo. Pero el valor de este sistema no reside en el número actual — reside en la arquitectura que detectará cuando ese número empiece a subir, activo por activo, antes de que el estrés más amplio sea obvio para todos.

El cambio de régimen no es un evento. Es un proceso. Σ*(t) es el instrumento que lo rastrea en tiempo real.

Modelo construido en Python (solo NumPy, sin TensorFlow). Datos vía yfinance. Código completo disponible a solicitud.