Un modelo que asume volatilidad constante calcula una única desviación típica para todo el período analizado. Ese promedio oculta las diferencias entre fases de calma y fases de turbulencia, produciendo estimaciones que infravaloran el riesgo en momentos críticos y lo sobrevaloran en períodos estables.
Un modelo de cambio de régimen bayesiano estima la probabilidad de que el activo se encuentre en cada uno de sus posibles estados en cada momento del tiempo. Durante una fase de alta volatilidad, el modelo asigna mayor peso a los parámetros correspondientes a ese régimen. Durante una fase de calma, ocurre lo contrario. El resultado es una estimación que se adapta al contexto estadístico actual sin necesidad de que el analista intervenga manualmente para seleccionar el régimen. Cuando este modelo se integra en un esquema de combinación bayesiana junto a otros enfoques, como un GARCH estándar o un modelo de volatilidad estocástica, los pesos reflejan qué estructura ha sido más informativa en los datos recientes. Esa adaptabilidad reduce el sesgo de selección de modelo y produce intervalos de credibilidad más honestos.
Un modelo de cambio de régimen no elimina la incertidumbre sobre en qué estado se encuentra el mercado, pero la hace explícita y cuantificable dentro del marco bayesiano.
Elegir un único modelo de cambio de régimen usando criterios informativos como el AIC o el BIC implica descartar todos los modelos alternativos. Si el modelo elegido no captura bien la transición entre regímenes en un período nuevo, la previsión resultante puede ser engañosamente precisa en su presentación pero poco calibrada en la práctica.
La combinación bayesiana de modelos con distintos números de regímenes permite que el esquema de previsión distribuya el peso entre, por ejemplo, un modelo de dos regímenes y uno de tres, según cuál haya demostrado mayor capacidad explicativa en los datos disponibles. Este enfoque, respaldado por investigadores como Sune Karlsson en sus trabajos sobre combinación de pronósticos macroeconómicos, evita que el analista tenga que decidir de antemano cuántos regímenes existen en los datos. La incertidumbre sobre el número de regímenes se traslada al sistema de pesos, que la distribuye de forma estadísticamente coherente. El resultado es una estimación más robusta frente a cambios estructurales que no estaban presentes en los datos históricos usados para calibrar los modelos. Los resultados varían según el activo y el período analizado, y ningún esquema de combinación elimina el riesgo de error en la previsión.
Cuando no sabes cuántos regímenes tiene el mercado que analizas, combinar modelos con distinto número de estados produce estimaciones más honestas que forzar una elección prematura.
Algunos modelos de cambio de régimen asumen que la probabilidad de pasar de un estado a otro es constante en el tiempo. Ese supuesto simplifica el cálculo pero ignora que las transiciones entre regímenes suelen ser más probables en ciertos contextos, como períodos de incertidumbre macroeconómica o eventos de liquidez reducida.
Un modelo con probabilidades de transición variables en el tiempo, combinado con un esquema de actualización bayesiana, permite que las probabilidades de régimen se recalibren a medida que llegan nuevos datos. Cuando los datos recientes sugieren un aumento en la frecuencia de transiciones, el modelo lo incorpora en sus estimaciones sin necesidad de reestimar el modelo completo desde cero. Esta actualización secuencial es una de las ventajas más prácticas del enfoque bayesiano frente a los métodos frecuentistas, que requieren reestimación completa del modelo para incorporar observaciones nuevas. Para un analista que trabaja con datos en tiempo real o con actualizaciones periódicas, esa eficiencia computacional tiene un valor concreto. Recuerda que los resultados dependen de la calidad y frecuencia de los datos disponibles, y que la calibración del modelo debe revisarse regularmente para que las estimaciones sigan siendo informativas.
La actualización bayesiana secuencial permite que las probabilidades de régimen evolucionen con los datos sin forzar una reestimación completa del modelo en cada nuevo período.
Un modelo único de volatilidad produce intervalos de predicción que reflejan únicamente la incertidumbre paramétrica de ese modelo. Si el modelo no captura bien el régimen actual del mercado, el intervalo resultante puede ser más estrecho de lo que justifican los datos reales, dando una impresión de precisión que no se sostiene en la práctica.
Cuando combinas varios modelos de cambio de régimen dentro de un esquema bayesiano, los intervalos de predicción resultantes recogen tanto la incertidumbre paramétrica de cada modelo como la incertidumbre sobre qué modelo describe mejor el régimen actual. Esa doble capa de incertidumbre produce intervalos más amplios, pero refleja con mayor honestidad el nivel real de desconocimiento del analista. El estadístico Tilmann Gneiting ha señalado que la calibración de los intervalos de predicción, es decir, que los intervalos del noventa por ciento contengan el valor real aproximadamente en ese porcentaje de ocasiones, es una medida más informativa del valor de un modelo que su ajuste en muestra. Los intervalos combinados tienden a estar mejor calibrados que los de modelos individuales cuando existe genuina incertidumbre de modelo, que es precisamente el contexto en que los mercados financieros operan con más frecuencia.
Un intervalo de predicción más amplio no es necesariamente un fracaso del modelo; puede ser la señal de que el análisis reconoce con honestidad la incertidumbre real del período estudiado.
El enfoque frecuentista estima los parámetros del modelo de cambio de régimen maximizando la función de verosimilitud. No incorpora información previa sobre los parámetros y trata cada estimación como si los datos fueran la única fuente de conocimiento disponible, lo que puede producir estimaciones inestables cuando los datos son escasos.
El enfoque bayesiano incorpora una distribución a priori sobre los parámetros del modelo, que refleja el conocimiento disponible antes de observar los datos actuales. Cuando los datos son escasos o el período analizado es corto, esa distribución a priori actúa como un mecanismo de regularización que estabiliza las estimaciones y reduce la probabilidad de ajustes extremos no justificados por evidencia suficiente. A medida que se acumulan más datos, la influencia de la distribución a priori disminuye y los datos toman mayor protagonismo en la estimación. La elección de la distribución a priori es, no obstante, una decisión metodológica explícita que el analista debe documentar y justificar. Una distribución a priori poco informativa deja que los datos hablen con libertad; una informativa incorpora conocimiento previo que puede sesgar los resultados si ese conocimiento resulta incorrecto. Ambas opciones son válidas en contextos distintos, y reconocer esa elección es parte del rigor que se espera de un análisis transparente.
La distribución a priori no es una distorsión del análisis bayesiano; es una forma explícita de incorporar conocimiento previo que en el enfoque frecuentista permanece implícito y sin documentar.
Los modelos de cambio de régimen dentro de un marco bayesiano ofrecen una forma estadísticamente honesta de reconocer que los mercados alternan entre estados distintos, integrando esa incertidumbre en la previsión de volatilidad en lugar de ocultarla tras una única estimación promedio.