Rausynveirviamno
Contactar
Fundamentos bayesianos

Qué es el promediado de modelos bayesianos y por qué importa en el análisis de volatilidad

Redacción Rausynveirviamno 13 noviembre 2026

Un solo modelo nunca cuenta toda la historia estadística

Analista revisando gráficos estadísticos de volatilidad

El promediado de modelos bayesianos, conocido por sus siglas en inglés BMA, es una técnica que combina las predicciones de varios modelos estadísticos en lugar de elegir uno solo. Cuando analizas la volatilidad de un activo financiero, ningún modelo individual capta todos los factores relevantes. El BMA pondera cada modelo según la probabilidad de que sus supuestos sean correctos, produciendo una estimación más robusta. Este artículo explica el concepto paso a paso y describe cuándo aplicarlo tiene más sentido para tu análisis.

Pesos a posteriori por modelo

Definición precisa del BMA

El promediado de modelos bayesianos es, antes de cualquier otra cosa, una respuesta a la incertidumbre de modelo. Cuando construyes una previsión de volatilidad, no sabes con certeza qué estructura matemática describe mejor el comportamiento del activo que estudias. Podrías elegir un modelo GARCH estándar, uno asimétrico o uno con cambio de régimen. Cada elección implica supuestos distintos sobre cómo se comportan los datos. El BMA no obliga a elegir: asigna a cada modelo una probabilidad a posteriori, que refleja cuánto apoyo empírico recibe ese modelo dado los datos observados. La previsión final es un promedio ponderado de las predicciones individuales, donde cada peso corresponde a esa probabilidad. El estadístico Adrian Raftery, referente académico en este campo, describió el método como una forma de trasladar la incertidumbre del investigador al resultado, en lugar de ocultarla. Esa honestidad estadística es precisamente lo que lo distingue de seleccionar un modelo por criterios informativos convencionales como el AIC o el BIC y descartando todos los demás.

Incertidumbre de modelo explícita

Por qué un solo modelo resulta insuficiente

Elegir un único modelo para analizar volatilidad implica asumir que ese modelo es el verdadero generador de los datos. En la práctica, esa certeza no existe. Los mercados financieros cambian de régimen, incorporan shocks externos y responden a factores que ninguna especificación matemática anticipa completamente. Cuando un analista selecciona el modelo con mejor ajuste histórico y lo usa como si fuera la única descripción válida, está ignorando la incertidumbre que rodea a esa elección. Ese error tiene un nombre técnico: riesgo de selección de modelo. Sus consecuencias son concretas: intervalos de predicción más estrechos de lo que deberían ser, y estimaciones de riesgo que parecen más precisas de lo que la evidencia justifica. El BMA distribuye la incertidumbre entre todos los modelos considerados, lo que produce intervalos de credibilidad más amplios pero más honestos. Para un analista que trabaja con recursos limitados y necesita comunicar el nivel real de incertidumbre de sus estimaciones, esa honestidad tiene un valor práctico directo. El rendimiento pasado de cualquier modelo estadístico no garantiza resultados futuros, y el BMA incorpora ese principio en su estructura matemática.

Verosimilitud marginal ponderada

Cómo se calculan los pesos bayesianos

El peso que el BMA asigna a cada modelo se basa en la probabilidad marginal de los datos dado ese modelo, también llamada verosimilitud marginal o evidencia bayesiana. En términos simples: el modelo que hace más probable observar los datos reales recibe un peso mayor. Calcular esa verosimilitud marginal exacta es computacionalmente costoso porque requiere integrar sobre todos los posibles valores de los parámetros. Por eso, en la práctica se usan aproximaciones. La más conocida es el Criterio de Información Bayesiano, o BIC, que sirve como sustituto de la log-verosimilitud marginal cuando el tamaño de muestra es suficientemente grande. Aproximaciones más sofisticadas, como el método de Laplace o las técnicas de integración por cadenas de Markov Monte Carlo, ofrecen mayor precisión a costa de mayor carga computacional. La elección del método de aproximación afecta a los pesos finales y, por tanto, a la previsión combinada. Es uno de los puntos donde el analista debe tomar decisiones metodológicas explícitas y documentarlas con transparencia. Ninguna aproximación es neutra, y reconocer ese límite forma parte de un análisis responsable.

Alta incertidumbre estructural

Cuándo aplicar BMA tiene más sentido

El BMA resulta más valioso cuando la incertidumbre de modelo es genuinamente alta y cuando los datos disponibles no son suficientes para distinguir con claridad entre especificaciones alternativas. En períodos de baja volatilidad y datos abundantes, un modelo bien especificado puede ser suficiente. Pero en contextos donde el comportamiento del activo cambia con frecuencia, donde los datos históricos son escasos o donde varios modelos ofrecen ajustes similares, el BMA aporta una perspectiva que ningún modelo individual puede ofrecer. También es especialmente útil cuando el objetivo final es comunicar incertidumbre de forma honesta a otras personas que tomarán decisiones a partir de tus estimaciones. Si tu análisis termina en un informe que otros usarán como referencia, presentar una previsión combinada con sus pesos explícitos es más informativo que presentar un único número sin contexto. Recuerda que los resultados varían según los datos y el período analizado, y que el BMA no elimina la incertidumbre: la hace visible.

Leer artículo Explorar más

Gestión de cookies

Cookies técnicas

Cookies analíticas

Consulta nuestra política

Tu privacidad en rausynveirviamno.pro

Este sitio utiliza cookies propias y de terceros para garantizar su funcionamiento técnico y analizar el uso de forma agregada y anónima. Conforme al Reglamento General de Protección de Datos, necesitamos tu consentimiento para instalar cookies no estrictamente necesarias. Puedes aceptar todas las cookies, rechazar las opcionales o gestionar tus preferencias por categoría.