Dos conceptos con nombres parecidos y significados distintos
Antes de usar cualquiera de estas dos herramientas estadísticas, conviene detenerse en lo que cada una afirma exactamente. Un intervalo de confianza frecuentista del noventa y cinco por ciento no dice que el parámetro verdadero tenga un noventa y cinco por ciento de probabilidad de estar dentro del intervalo calculado. Lo que afirma es más técnico y más difícil de comunicar: si repitieras el mismo proceso de muestreo y estimación un número muy grande de veces, el noventa y cinco por ciento de los intervalos construidos de esa manera contendrían el valor verdadero del parámetro. El parámetro en sí no tiene probabilidad, porque en el enfoque frecuentista es un valor fijo desconocido, no una variable aleatoria. Un intervalo de credibilidad bayesiano del noventa y cinco por ciento sí dice algo diferente: dado lo que sabes antes del análisis y lo que has observado en los datos, existe un noventa y cinco por ciento de probabilidad de que el parámetro se encuentre dentro de ese rango. Esa interpretación es directa, intuitiva y corresponde a lo que la mayoría de los analistas quieren comunicar cuando presentan una estimación con sus márgenes de incertidumbre. La diferencia no es semántica: tiene consecuencias prácticas en cómo se leen y se usan los resultados del análisis.
El intervalo de confianza frecuentista describe procedimientos, no probabilidades directas
En el marco frecuentista, el parámetro que intentas estimar es un valor fijo. No tiene distribución de probabilidad. Por eso el intervalo de confianza no puede afirmar que el parámetro esté dentro con una probabilidad determinada. Lo que describe es el comportamiento del procedimiento de estimación a lo largo de muchas repeticiones hipotéticas. Esa sutileza es conceptualmente correcta pero difícil de trasladar a un informe de análisis sin producir confusión. El estadístico Dennis Lindley señaló en su trabajo comparativo que gran parte de los malentendidos sobre significación estadística en la literatura aplicada proviene precisamente de interpretar intervalos de confianza como si fueran intervalos de credibilidad. Cuando lees un análisis de volatilidad que presenta un intervalo del noventa y cinco por ciento, vale la pena verificar qué marco estadístico lo generó antes de aplicar la interpretación más intuitiva.
El intervalo de credibilidad bayesiano describe probabilidades sobre el parámetro directamente
En el marco bayesiano, el parámetro desconocido se trata como una variable aleatoria que tiene una distribución de probabilidad. Antes de observar los datos, esa distribución es la distribución a priori, que refleja el conocimiento previo del analista. Después de observar los datos, se obtiene la distribución a posteriori, que combina la información previa con la evidencia empírica. El intervalo de credibilidad se extrae directamente de esa distribución a posteriori: contiene los valores del parámetro que acumulan la probabilidad indicada. La interpretación es entonces directa: dado lo que sabes y lo que has observado, el parámetro se encuentra en ese rango con la probabilidad indicada. Para comunicar incertidumbre sobre la volatilidad de un activo, esa formulación es más honesta y más útil que la equivalente frecuentista.
La elección de la distribución a priori condiciona los intervalos de credibilidad
Una crítica frecuente al enfoque bayesiano es que la distribución a priori introduce subjetividad en el análisis. Es una crítica legítima que merece una respuesta honesta: sí, la distribución a priori refleja el conocimiento previo del analista, y ese conocimiento puede variar entre profesionales. Lo que distingue al enfoque bayesiano no es la ausencia de supuestos, sino que esos supuestos son explícitos y documentados. En el enfoque frecuentista también existen supuestos sobre la distribución de los datos, el proceso de muestreo y la especificación del modelo, pero no siempre se declaran con la misma visibilidad. Cuando dos analistas bayesianos usan distribuciones a priori distintas y obtienen intervalos de credibilidad diferentes, esa diferencia es informativa: revela cuánto dependen las conclusiones del conocimiento previo incorporado. Esa transparencia tiene valor metodológico real.
En muestras grandes, ambos intervalos tienden a converger numéricamente
Una consideración práctica importante: cuando el tamaño de la muestra es grande y la distribución a priori es poco informativa, el intervalo de credibilidad bayesiano y el intervalo de confianza frecuentista producen rangos numéricamente similares. La diferencia no desaparece, porque la interpretación sigue siendo distinta, pero los valores concretos se acercan. Esta convergencia puede hacer que la elección del marco parezca secundaria en contextos con datos abundantes. Sin embargo, en el análisis de volatilidad financiera, donde los datos relevantes para un régimen específico suelen ser escasos y los períodos de alta turbulencia son relativamente cortos, la diferencia entre marcos sí tiene consecuencias prácticas sobre los márgenes obtenidos. Es precisamente en esos contextos de datos limitados donde el enfoque bayesiano aporta estimaciones más calibradas, siempre que la distribución a priori esté bien justificada.
Aplicación al análisis de volatilidad: por qué el marco importa
Cuando un modelo estadístico produce una estimación de volatilidad, siempre va acompañada de incertidumbre. El marco elegido para cuantificar esa incertidumbre determina cómo se comunica, cómo se interpreta y cómo se usa en decisiones posteriores. En el análisis de volatilidad, donde los períodos de alta agitación son cortos y los datos disponibles para estimar el comportamiento en esos períodos son limitados, la forma en que se comunica la incertidumbre tiene consecuencias directas sobre la calidad de las conclusiones que se extraen del análisis. El estadístico Andrew Gelman ha argumentado de forma consistente en su obra que el marco bayesiano no solo produce estimaciones diferentes, sino que obliga al analista a pensar de manera más explícita sobre los supuestos del modelo, lo cual es en sí mismo un beneficio metodológico. Esa reflexión explícita sobre los supuestos es especialmente valiosa cuando los datos son escasos, cuando el modelo es complejo o cuando las conclusiones se comunicarán a otras personas que tomarán decisiones a partir de ellas.
Volatilidad en períodos de turbulencia: datos escasos y alta incertidumbre
Los episodios de alta volatilidad en los mercados financieros son relativamente breves. Estimar el comportamiento de un activo durante esos períodos implica trabajar con un número reducido de observaciones, lo que amplía los intervalos de incertidumbre independientemente del marco estadístico elegido. En ese contexto, el intervalo de credibilidad bayesiano tiene una ventaja práctica: permite incorporar información sobre períodos anteriores de alta turbulencia a través de la distribución a priori, estabilizando la estimación sin ignorar los datos actuales. Un intervalo de confianza frecuentista calculado únicamente sobre los datos del episodio reciente puede resultar numéricamente amplio e inestable cuando la muestra es pequeña. La distribución a priori informativa del enfoque bayesiano actúa como un mecanismo de regularización que el analista puede justificar explícitamente y que el lector puede evaluar. Los resultados varían según el activo y el período analizado, y ningún marco estadístico elimina la incertidumbre inherente a las estimaciones de volatilidad.
Combinación de modelos: los intervalos bayesianos recogen la incertidumbre de modelo
Cuando se combinan varios modelos dentro de un esquema de promediado bayesiano, los intervalos de credibilidad resultantes recogen dos fuentes de incertidumbre de forma simultánea: la incertidumbre paramétrica dentro de cada modelo y la incertidumbre sobre qué modelo describe mejor los datos. Esa doble capa produce intervalos más amplios que los de cualquier modelo individual, pero también más honestos sobre el nivel real de desconocimiento del analista. Un intervalo de confianza frecuentista calculado a partir de un único modelo seleccionado ignora la segunda fuente de incertidumbre por completo, produciendo márgenes más estrechos que pueden dar una impresión de precisión no justificada por la evidencia. Para un lector que usa los resultados del análisis como referencia, conocer si el intervalo presentado recoge o ignora la incertidumbre de modelo es una información esencial para evaluar correctamente su alcance.
Cómo comunicar intervalos de credibilidad sin producir malentendidos
Al presentar un intervalo de credibilidad bayesiano en un informe o análisis, la formulación precisa marca la diferencia. Decir que el modelo estima que la volatilidad anualizada se encuentra entre el doce y el veintidós por ciento con una probabilidad del noventa y cinco por ciento, dados los datos y los supuestos del modelo, es una afirmación correcta y directamente interpretable. Añadir que esa probabilidad depende de la distribución a priori elegida y del modelo utilizado completa la información que el lector necesita para evaluar el resultado. Omitir esas condiciones puede hacer que el intervalo parezca más definitivo de lo que es. Un análisis riguroso siempre documenta el marco estadístico, la distribución a priori y los modelos incluidos en la combinación, de modo que otro analista pueda reproducir el resultado o cuestionar sus supuestos con argumentos concretos. Esa reproducibilidad es una señal de rigor, no una limitación del método.
Criterios para evaluar si un intervalo está bien calibrado
Un intervalo de predicción, ya sea bayesiano o frecuentista, está bien calibrado cuando contiene el valor real del parámetro aproximadamente con la frecuencia indicada al evaluarlo sobre datos fuera de muestra. Si un modelo produce intervalos del noventa y cinco por ciento que contienen el valor real solo en el setenta por ciento de los casos fuera de muestra, el modelo está sobreconfiado. Si los contiene en el noventa y nueve por ciento, es excesivamente conservador. El estadístico Tilmann Gneiting ha propuesto métricas específicas para evaluar la calibración de intervalos de predicción en contextos de volatilidad financiera. Aplicar esas métricas a los resultados de un modelo, antes de presentarlos como referencia para ninguna decisión, es una práctica de rigor que distingue el análisis honesto del análisis decorativo. Los resultados pasados de calibración no garantizan que el modelo seguirá estando calibrado en períodos futuros con características distintas.
Preguntas que debes formular antes de usar cualquier intervalo estadístico
Cuando recibes un análisis que incluye intervalos de incertidumbre, ya sean de confianza o de credibilidad, hay una serie de preguntas concretas que conviene formular antes de usar esos resultados como referencia. No todas las fuentes documentan sus decisiones metodológicas con la misma claridad, y las omisiones más comunes son precisamente las que más afectan a la interpretación correcta de los márgenes presentados. Estas preguntas no requieren un conocimiento avanzado de estadística para formularse: son el tipo de escrutinio que cualquier lector informado puede aplicar a cualquier análisis que reciba, independientemente de su nivel técnico. Un análisis que responde con claridad a todas ellas merece más confianza que uno que las evita o que presenta sus resultados sin contexto metodológico. Recuerda que los resultados de cualquier análisis estadístico varían según los datos, el período y los supuestos del modelo, y que ningún intervalo de incertidumbre elimina el riesgo de error en la previsión.
¿El intervalo presentado es de confianza frecuentista o de credibilidad bayesiana?
Esta es la primera pregunta porque determina la interpretación correcta del margen presentado. Un intervalo de confianza frecuentista describe el comportamiento de un procedimiento estadístico sobre muestras repetidas hipotéticas. Un intervalo de credibilidad bayesiano describe la probabilidad de que el parámetro se encuentre en ese rango dado lo que se sabe y lo que se ha observado. Si el análisis no especifica el marco estadístico utilizado, es una omisión relevante. Preguntarlo directamente o verificarlo en la metodología del documento es el primer paso para interpretar correctamente los resultados. Muchos análisis de volatilidad presentan intervalos sin especificar el marco, asumiendo que el lector conoce los supuestos del modelo utilizado.
¿Qué distribución a priori se usó y cómo influyó en los márgenes obtenidos?
En un análisis bayesiano, la distribución a priori puede tener un efecto significativo sobre los intervalos de credibilidad, especialmente cuando los datos son escasos. Una distribución a priori informativa estrecha los márgenes; una poco informativa los amplía y deja que los datos hablen con más libertad. Verificar qué tipo de distribución a priori se utilizó y si está justificada en función del conocimiento disponible es una parte esencial del escrutinio metodológico. Un análisis que no documenta su distribución a priori hace imposible evaluar si los márgenes presentados son razonables o si están condicionados por supuestos implícitos que el lector no puede cuestionar. La transparencia sobre la distribución a priori es una señal directa del nivel de rigor del análisis.
¿El intervalo recoge solo la incertidumbre paramétrica o también la incertidumbre de modelo?
Muchos intervalos de incertidumbre presentados en análisis de volatilidad recogen únicamente la incertidumbre sobre los parámetros de un modelo previamente seleccionado. No recogen la incertidumbre sobre si ese modelo es el más adecuado para los datos. Cuando existe incertidumbre genuina sobre la especificación del modelo, ignorar esa segunda fuente produce intervalos más estrechos de lo que justifica la evidencia disponible. Preguntar si el análisis consideró modelos alternativos y cómo trató la incertidumbre sobre la elección de modelo es una forma de verificar si los márgenes son estadísticamente honestos. La combinación bayesiana de modelos es uno de los métodos que aborda explícitamente esta cuestión, recogiendo ambas fuentes de incertidumbre en un único conjunto de márgenes.
¿Se ha verificado la calibración del intervalo sobre datos fuera de muestra?
Un intervalo que parece bien construido sobre los datos de estimación puede estar mal calibrado cuando se evalúa sobre datos nuevos. La verificación fuera de muestra es el test más exigente y más informativo de la calidad real de los márgenes producidos por un modelo. Si el análisis que has recibido no incluye ninguna evaluación de calibración fuera de muestra, o si esa evaluación se realizó sobre un período muy corto o muy similar al período de estimación, los intervalos presentados merecen una dosis adicional de cautela. Preguntar por los resultados de calibración fuera de muestra es una forma concreta de evaluar si el modelo ha funcionado bien en condiciones que no fueron parte de su construcción. Esa información es más valiosa que cualquier métrica de ajuste en muestra.