El filtro de Kalman en la estimación dinámica de volatilidad: qué es y cómo se integra en un marco bayesiano

Una definición precisa que evita la confusión habitual entre este método y los modelos de regresión convencionales

El filtro de Kalman, desarrollado por Rudolf Kálmán en 1960 en el contexto de la ingeniería aeroespacial, es un algoritmo de estimación secuencial que actualiza las estimaciones de un estado no observable a medida que se reciben nuevas observaciones. En términos estadísticos, combina una predicción basada en el estado anterior del sistema con la nueva observación, ponderando cada fuente según su nivel de incertidumbre. El resultado es una estimación actualizada que recoge tanto la información histórica como la evidencia más reciente, sin necesidad de almacenar y reprocesar todos los datos anteriores en cada actualización. Aplicado al análisis de volatilidad financiera, el filtro de Kalman permite tratar la volatilidad como un estado latente que evoluciona en el tiempo según una ecuación de transición, y actualizar la estimación de ese estado cada vez que se dispone de un nuevo rendimiento observado. La conexión con el marco bayesiano es directa: el filtro de Kalman es, en su formulación gaussiana estándar, el resultado exacto de aplicar la regla de Bayes a un modelo de espacio de estados lineal con distribuciones normales. Esa equivalencia matemática hace que el filtro sea una herramienta natural dentro de los esquemas bayesianos de estimación dinámica. Para un analista que trabaja con datos en frecuencia diaria o semanal, esa capacidad de actualización secuencial tiene un valor práctico concreto que los modelos con parámetros constantes no pueden ofrecer.

Descripción del ciclo de predicción y corrección que define el comportamiento del filtro en cada período

El filtro de Kalman opera en dos etapas que se repiten en cada período de tiempo. La primera es la etapa de predicción: a partir del estado estimado en el período anterior y de la ecuación de transición del modelo, el filtro proyecta cuál debería ser el estado actual antes de observar ningún dato nuevo. Esa proyección lleva asociada una medida de incertidumbre, llamada varianza de predicción, que refleja cuánto puede haberse desviado el estado real respecto a la proyección. La segunda etapa es la corrección: cuando llega la nueva observación, el filtro calcula en qué medida esa observación se desvía de la proyección y actualiza la estimación del estado en función de esa desviación, ponderada por la ganancia de Kalman. La ganancia de Kalman es un factor que equilibra la confianza en la predicción previa y la confianza en la nueva observación. Cuando la observación es muy ruidosa, la ganancia es baja y la actualización es modesta. Cuando la observación es informativa y la incertidumbre del modelo es alta, la ganancia es mayor y la actualización es más pronunciada. Este mecanismo de ponderación adaptativa es precisamente lo que hace al filtro robusto ante cambios en la dinámica del sistema, incluidos los cambios de régimen de volatilidad que caracterizan a los mercados financieros en períodos de turbulencia. Los resultados varían según la especificación del modelo de espacio de estados y la calidad de los datos disponibles.

Por qué el filtro es una implementación exacta de la actualización bayesiana en modelos lineales gaussianos

La equivalencia entre el filtro de Kalman y la actualización bayesiana no es una analogía aproximada; es una identidad matemática en el caso lineal y gaussiano. La distribución a priori sobre el estado en cada período corresponde a la predicción generada por la ecuación de transición. La función de verosimilitud corresponde al modelo de observación que relaciona el estado latente con los datos observados. La distribución a posteriori, que el filtro obtiene en la etapa de corrección, es el resultado exacto de aplicar la regla de Bayes a esas dos distribuciones cuando ambas son gaussianas. Esa equivalencia tiene consecuencias metodológicas importantes. Primero, permite interpretar cada estimación del filtro como una distribución de probabilidad completa sobre el estado latente, con su media y su varianza documentadas. Segundo, permite integrar el filtro de Kalman dentro de esquemas de combinación bayesiana de modelos, usando las distribuciones a posteriori de cada modelo como entradas para el sistema de ponderación. El estadístico Andrew Harvey, referente en el campo de los modelos de espacio de estados en econometría, ha argumentado que esta integración produce estimaciones de volatilidad más calibradas que las obtenidas con modelos de parámetros constantes cuando la dinámica del activo cambia con el tiempo. La elección de la especificación del modelo de espacio de estados, y en particular de la ecuación de transición, sigue siendo una decisión metodológica explícita que el analista debe documentar y justificar.

Cuándo el filtro de Kalman estándar no es suficiente y qué alternativas existen para modelos más complejos

El filtro de Kalman estándar es óptimo bajo supuestos específicos: linealidad del modelo de transición y de observación, y distribuciones gaussianas para los errores del estado y de la observación. Cuando alguno de esos supuestos no se cumple, el filtro estándar sigue siendo útil como aproximación, pero deja de ser el estimador de mínima varianza. Los modelos de volatilidad financiera frecuentemente violan esos supuestos. La relación entre el estado latente de volatilidad y los rendimientos observados es no lineal, y la distribución de los rendimientos en períodos de turbulencia presenta colas más pesadas que la distribución normal. Para esos casos existen extensiones del filtro de Kalman que mantienen la estructura de actualización secuencial pero relajan los supuestos de linealidad y gaussianidad. El filtro de Kalman extendido linealiza el modelo en cada paso mediante una aproximación de primer orden. El filtro de Kalman sin aroma, también conocido como unscented Kalman filter, usa un conjunto de puntos sigma para aproximar la distribución del estado sin necesidad de calcular derivadas. Los métodos de partículas, o filtros de partículas, son la extensión más general y permiten trabajar con modelos completamente no lineales y con distribuciones arbitrarias, a costa de un mayor coste computacional. En todos los casos, la elección entre estas alternativas implica un balance entre precisión estadística y carga computacional que el analista debe calibrar en función de los recursos disponibles y del horizonte del análisis.

Cómo combinar varios modelos de espacio de estados con distintas especificaciones dentro de un marco bayesiano

Cuando dispones de varios modelos de espacio de estados con distintas ecuaciones de transición para la volatilidad, la combinación bayesiana permite integrarlos en una única estimación que pondera cada modelo según su capacidad predictiva sobre los datos recientes. El proceso es conceptualmente análogo al promediado de modelos bayesianos descrito en artículos anteriores, con la diferencia de que aquí cada modelo produce una distribución a posteriori secuencial en lugar de una estimación estática. Los pesos asignados a cada modelo pueden actualizarse en cada período a medida que llegan nuevas observaciones, produciendo un esquema de combinación dinámico que se adapta al comportamiento del mercado sin que el analista tenga que intervenir manualmente para reequilibrar los modelos. Esta propiedad de adaptación automática es especialmente valiosa en períodos de transición entre regímenes, donde un único modelo tiende a producir estimaciones retrasadas respecto al cambio real del comportamiento del activo. El investigador Nalan Basturk, entre otros académicos del ámbito de la econometría bayesiana, ha documentado que los esquemas de combinación dinámica de modelos de espacio de estados producen estimaciones de volatilidad mejor calibradas en datos fuera de muestra que los modelos individuales con parámetros constantes. Los resultados concretos dependen de la especificación de los modelos incluidos en la combinación, del período analizado y de la calidad de los datos disponibles. Ningún esquema de combinación elimina la incertidumbre inherente a la previsión de volatilidad; la hace explícita y cuantificable.

Métricas de calibración fuera de muestra que permiten comparar la calidad de distintas especificaciones del filtro

Evaluar si un filtro de Kalman aplicado a la volatilidad financiera produce estimaciones de calidad requiere ir más allá del ajuste en muestra. Las métricas más informativas son las que se calculan sobre datos que el modelo no vio durante su estimación. La log-verosimilitud predictiva acumulada mide cuán probable hace el modelo cada nueva observación antes de incorporarla al filtro. Un modelo que asigna mayor probabilidad a las observaciones reales tiene mejor log-verosimilitud predictiva y, en un esquema de combinación bayesiana, recibe un peso mayor. El error cuadrático medio de predicción, comparado entre modelos y entre horizontes temporales, ofrece una medida de precisión en términos de la escala original de la volatilidad. El intervalo de cobertura fuera de muestra verifica si los intervalos de credibilidad producidos por el filtro contienen el valor real con la frecuencia indicada. El estadístico Tilmann Gneiting ha propuesto el score logarítmico y el intervalo de puntuación como métricas que evalúan simultáneamente la precisión de la estimación central y la calibración de los márgenes de incertidumbre, ofreciendo una imagen más completa de la calidad predictiva que cualquier métrica única. Aplicar estas evaluaciones antes de presentar los resultados de un filtro de Kalman como referencia para cualquier análisis es una práctica de rigor que distingue el análisis estadístico honesto del que presenta resultados sin verificación independiente. Los resultados pasados de calibración no garantizan que el filtro seguirá funcionando bien en períodos futuros con características distintas.

Un conjunto de preguntas concretas para evaluar la solidez metodológica de cualquier análisis que use este método

Cuando encuentres un análisis de volatilidad que utiliza el filtro de Kalman o modelos de espacio de estados, hay una serie de preguntas concretas que conviene formular antes de usar sus resultados como referencia. La primera es sobre la especificación de la ecuación de transición: ¿cómo se asume que evoluciona la volatilidad en el tiempo, y está ese supuesto justificado por los datos o por la literatura? La segunda es sobre la inicialización del filtro: ¿cuál es la distribución inicial asignada al estado latente, y cómo afecta esa elección a las estimaciones en los primeros períodos? La tercera es sobre la estimación de los parámetros del modelo: ¿se estimaron por máxima verosimilitud, por métodos bayesianos o se fijaron a partir de literatura previa? Cada enfoque tiene implicaciones distintas sobre la incertidumbre de las estimaciones. La cuarta es sobre la evaluación fuera de muestra: ¿se verificó la calibración del filtro sobre datos independientes, y si es así, con qué métricas? La quinta es sobre si se consideraron modelos alternativos y si el filtro de Kalman fue seleccionado frente a otros enfoques o si simplemente se aplicó sin comparación. Un análisis que responde con claridad a estas preguntas merece más confianza que uno que las evita. No todas las omisiones son malintencionadas, pero todas reducen la capacidad del lector para evaluar correctamente el alcance de las conclusiones presentadas. Los resultados de cualquier análisis estadístico varían según los datos y los supuestos del modelo.