Los Modelos de Colapso del Mercado Pasan de la Predicción a la Explicación

Desde el inicio de los mercados financieros modernos en los Países Bajos en el siglo XVII, las crisis financieras y las burbujas han sido una ocurrencia regular, comenzando con la famosa Tulip Mania. Una consecuencia directa ha sido el reconocimiento de que comprender las condiciones que pueden causar tales crisis es importante, ya sea para que el Estado y los reguladores reduzcan la ocurrencia y/o la gravedad de las crisis, o para que los actores del sistema financiero eviten sufrir pérdidas masivas.

Sin embargo, hasta ahora, el método principal ha sido la predicción basada en correlación, como observar métricas tales como la relación deuda‑PIB, métricas de sobrevaloración o el sentimiento de los inversores. Todos estos datos pueden, de hecho, correlacionarse con condiciones que pueden causar una crisis, de la misma manera que leña seca en un bosque puede provocar un incendio.

Esto aún no proporciona información sobre qué causa una crisis dada, de la misma forma que un incendio forestal comienza por una chispa inicial, no por la leña seca.

Un nuevo estudio de un investigador de la Universidad de Szczecin en Polonia argumenta que el análisis de crisis debe cambiar hacia modelos que expliquen qué canales estructurales impulsan los colapsos del mercado. En este artículo, el estudio examina el papel de los choques de volatilidad y los choques de rendimiento de los bonos del Tesoro en la generación de crisis financieras.

Fue publicado en Expert Systems with Applications^1, bajo el título “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.

This can be important data for investors and risk managers as the usual stress tests built on average-market assumptions may underestimate losses when volatility regimes shift.

Predicción de Crisis Financieras

Pasando de la Correlación a la Predicción

Mucho del sistema financiero moderno se basa en modelos matemáticos que intentan comprender y predecir riesgos. Sin embargo, también se basan en supuestos matemáticos, y las estadísticas abstractas rara vez coinciden con situaciones de la vida real, lo que lleva a los llamados eventos cisne negro, un término acuñado por Nassim Taleb, que describe una ocurrencia impredecible y rara que tiene un impacto masivo en la sociedad, las economías o los mercados financieros.

“Los modelos predictivos convencionales son eficaces para encontrar tendencias en grandes datos, pero con frecuencia fallan al explicar por qué ocurren ciertos eventos raros o cómo cambiaría el resultado en condiciones alternas.”

Esto también explica por qué las crisis o los movimientos bruscos del mercado a menudo se describen como “estadísticamente imposibles”. Excepto, por supuesto, que esto solo significa que el enfoque basado en correlación es inadecuado para coincidir adecuadamente con las condiciones reales.

Este es un problema, ya que los gestores de riesgo necesitan saber no solo que el mercado cayó, sino qué canal estructural impulsó el colapso.

De manera similar, los bancos centrales necesitan evaluar si sus instrumentos abordan el mecanismo de transmisión dominante para reducir dichos riesgos.

Así, en conjunto, los diseñadores de pruebas de estrés deben parametrizar sensibilidades que sean apropiadas para escenarios extremos, no para promedios a largo plazo.

Por eso este estudio aboga por un enfoque diferente, llamado “contrafactual causal inference“, o el proceso de estimar qué habría ocurrido en una realidad hipotética alterna.

Para ello, el artículo de investigación utilizó tres principios de diseño:

Primero, el modelo debe poder responder a una pregunta intervencional en lugar de solo a una predictiva:

“¿Cómo habría evolucionado la trayectoria acumulada del colapso en ausencia de un canal de choque específico?”

Segundo, cada afirmación estructural debe estar respaldada por al menos una prueba empírica formal.

Tercero, el resultado debe ser verificable, por ejemplo, mediante pruebas de placebo en períodos sin crisis.

Recopilación de los Datos

El estudio utilizó dos eventos principales de crisis financiera para demostrar: la Crisis Financiera Global (GFC) 2007‑2009 y la pandemia de COVID‑19.

Se recopiló una amplia gama de datos para analizar estas dos crisis:

• La serie diaria del Índice S&P 500.
• El Índice de Precios al Consumidor mensual (CPIAUCSL) como medida de inflación.
• La tasa de desempleo (UNRATE).
• El índice de volatilidad implícita del CBOE (VIX).
• El rendimiento constante a 10 años del Tesoro de EE. UU.
• El spread crediticio Moody’s Baa‑corporate‑yield‑menos‑10‑year‑Treasury (BAA10Y).
• El spread TED (TEDRATE).

¿Qué Causa las Crisis Financieras?

Choques de Rendimiento como Causas de los Colapsos

La primera parte del análisis examina los choques de rendimiento, o un cambio repentino e inesperado en las tasas de interés o rendimientos de bonos en los mercados financieros.

En un gráfico que observa cómo habrían sido los rendimientos del mercado si los choques de rendimiento hubieran estado ausentes (línea azul) y lo que realmente ocurrió con los choques incluidos (línea roja), los dos conjuntos de datos se veían muy cercanos.

La divergencia de las trayectorias roja y azul indica un aspecto crucial de la dirección‑rendimientos: están influyendo activamente en los rendimientos de las acciones en lugar de simplemente reaccionar a ellos.

“Más bien, se observa que la trayectoria azul está por encima de la roja, especialmente durante la crisis de COVID y de forma más sutil durante la crisis del GFC. Esto demuestra que los cambios en el rendimiento no son consecuencia del colapso, sino el predictor.”

Sin embargo, lo que determina la gravedad de las pérdidas está impulsado por otra causa.

Volatilidad como Amplificador de Pérdidas

El otro factor de crisis financiera, según este estudio, son los picos de volatilidad.

Esto quizá no sea una sorpresa, ya que está en línea con una explicación dominante de los detonantes de crisis financieras: la Hipótesis de Inestabilidad Financiera de Minsky de 1992.

Su idea central es que una falsa sensación de seguridad está llevando a los actores financieros a asumir niveles excesivos y peligrosos de deuda. En última instancia, “la estabilidad desestabiliza”.

Esto se determinó como la causa principal del colapso de los precios de acciones tanto durante el GFC como la pandemia de COVID.

“En COVID y GFC, el canal de volatilidad representa el 58,7 % y el 28,3 % del descenso acumulado total, respectivamente, mientras que el canal de rendimiento representa el 8,4 % y el 12,6 %.”

Los resultados del estudio también sugieren que la sensibilidad al rendimiento aumenta en mercados turbulentos, de modo que cuanto más volatilidad haya, más impactantes se vuelven también los choques de rendimiento.

Predicción de Crisis con Mayor Precisión

Refinando las Predicciones Aún Más

Esto no quiere decir que el marco del estudio sea un predictor perfecto. Por un lado, utiliza un modelo lineal, que podría no ser ideal para circunstancias extremas como las crisis financieras.

“La investigación futura debería probar un modelo estructural no lineal (como un SVAR de cambio de régimen o un modelo de ecuaciones estructurales neuronales).”

Utilizar datos adicionales también podría ayudar a mejorar las capacidades predictivas, como la dinámica de la tasa de recompra, restricciones del balance de los dealers y variables de microestructura de opciones.

Implicaciones para Inversores y Responsables de Políticas

Para gestores de riesgo y diseñadores de pruebas de estrés, esta demostración de causalidad y no solo correlación debería ser una entrada vital para las decisiones de cobertura.

Por lo tanto, los modelos deberían usar un programa de sensibilidad de dos regímenes: el coeficiente del régimen bajo‑VIX para situaciones moderadas y el coeficiente del régimen alto‑VIX (de 3 a 5 × mayor) para escenarios extremos.

También significa que bajo diferentes condiciones, el foco debe estar en métricas distintas:

• Cuando las pérdidas impulsadas por el rendimiento aumentan en importancia relativa, la gestión de duración (monitorizar y ajustar la sensibilidad temporal de un activo o pasivo) se vuelve progresivamente más significativa.
• Cuando predominan las pérdidas impulsadas por el VIX, las estrategias de superposición de volatilidad son la prioridad de primer orden.

Para los bancos centrales, esto significa que pueden medir el beneficio de instrumentos adicionales de gestión de tasas que estabilizan el capital, dependiendo del grado de pánico del mercado que ya exista.

Para responsables de políticas, comprender qué tipo de crisis están enfrentando es lo más importante.

“COVID fue una crisis 7:1 de volatilidad‑a‑rendimiento, mientras que el GFC fue una crisis 2,3:1. Como herramienta diagnóstica para determinar qué canal es más probable que prevalezca en tiempo real, estas proporciones podrían usarse para futuras ocurrencias de Cisnes Negros.”

Estudio Referenciado

^{1. Guru Ashish Singh. Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events. Expert Systems with Applications. 15 diciembre de 2026. Artículo: 133342. Volumen: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}