Modelización de la volatilidad: Más allá de la distribución normal (Parte 1 de 4)

Introducción: el problema de medir el riesgo real

Todo el mundo sabe que los mercados financieros son volátiles. Pero medir esa volatilidad de forma precisa es un reto que lleva décadas desafiando a académicos y gestores de riesgo por igual. La respuesta intuitiva, calcular la desviación estándar histórica de los retornos y asumir normalidad, resulta ser, en la práctica, peligrosamente insuficiente.

Esta saga de artículos nace de una investigación aplicada sobre una cartera real compuesta por seis activos: el IBEX 35, el S&P 500, oro, petróleo Brent, Alibaba y NU Holdings. A lo largo de cuatro entregas, exploraremos cómo evolucionan los modelos de volatilidad desde el más simple hasta el más sofisticado, qué ventajas aporta cada uno y por qué el modelo final, el GJR-GARCH con estimación no paramétrica de la densidad, supera con claridad a sus predecesores.

En este primer artículo sentaremos las bases: centrándonos en explicar qué es la volatilidad condicional, por qué los retornos financieros reales no siguen una distribución normal y cuáles son las limitaciones que motivan la evolución hacia modelos más complejos.

¿Qué entendemos por volatilidad en finanzas?

La volatilidad de un activo financiero hace referencia a la dispersión de sus retornos a lo largo del tiempo. En su forma más básica, se calcula como la desviación estándar de los log-retornos diarios:

rt = ln (Pt / Pt-1)

Bajo el supuesto clásico de distribución normal, estos retornos deberían comportarse de forma simétrica y estable en el tiempo: los grandes movimientos serían excepcionales y los retornos del pasado serían igual de informativos que los del presente. La realidad, sin embargo, es radicalmente distinta.

El problema de las colas pesadas y la asimetría

Los retornos financieros presentan dos anomalías sistemáticas que invalidan el supuesto gaussiano:

● Colas pesadas (fat tails): Los eventos extremos ocurren con una frecuencia muy superior a la que predice una distribución normal. Un retorno de -6% en un solo día debería ser estadísticamente imposible en un modelo gaussiano estándar; mientras que en los mercados ocurre. El indicador estadístico que mide este fenómeno es la kurtosis: mientras que una distribución normal tiene kurtosis de 3, los retornos financieros suelen presentar valores muy superiores. En el caso de la cartera analizada en el trabajo original, la kurtosis de los retornos alcanzó 7,02, más del doble del valor normal.

● Asimetría negativa: Las caídas de mercado tienden a ser más bruscas y pronunciadas que las subidas de la misma magnitud. Este fenómeno, conocido como efecto apalancamiento o leverage effect, implica que la volatilidad reacciona de forma asimétrica: un shock negativo genera más volatilidad futura que un shock positivo equivalente.

Ambas anomalías tienen consecuencias directas en la gestión del riesgo. Un modelo que asuma normalidad subestimará sistemáticamente la probabilidad de pérdidas extremas, generando una falsa sensación de seguridad.

Volatility clustering: la clave que los modelos simples ignoran

Existe un tercer fenómeno estructural que define el comportamiento de los mercados financieros: el volatility clustering o agrupamiento de volatilidad. Este concepto, formulado por primera vez por el economista Benoit Mandelbrot en los años 60, establece que los periodos de alta volatilidad tienden a seguirse de más alta volatilidad, y lo mismo ocurre con los de baja volatilidad.

Dicho de otro modo: la volatilidad no es constante en el tiempo ni se distribuye de forma aleatoria. Tiene memoria. Los mercados pasan por regímenes claramente diferenciados:

● Regímenes de calma: Retornos diarios moderados y predecibles, con baja dispersión.

● Regímenes de turbulencia: Movimientos bruscos encadenados, donde la incertidumbre retroalimenta más incertidumbre.

En la cartera analizada, este patrón fue perfectamente visible a lo largo de los seis años de datos (abril 2020 – abril 2026): la crisis del COVID-19, la invasión de Ucrania y los episodios arancelarios de 2025-2026 generaron picos de volatilidad claramente identificables, seguidos de periodos de relativa calma.

Un modelo que calcule la volatilidad como una media histórica simple asigna el mismo peso a un retorno de hace cinco años que a uno de ayer. Esto lo convierte en lento para reaccionar y propenso a dar señales incorrectas en momentos de estrés de mercado.

¿Por qué importa todo esto en la práctica?

El VaR (Value at Risk) es la medida de riesgo más utilizada en la industria financiera. Define la pérdida máxima esperada de una cartera para un horizonte temporal y nivel de confianza determinados. Su cálculo depende directamente de la volatilidad estimada y de la distribución de retornos asumida.

Si la volatilidad está mal estimada o la distribución es incorrecta, el VaR será incorrecto. Y un VaR incorrecto puede llevar a:

● Infradotación de capital de reserva en entidades financieras.

● Exposiciones al riesgo mayores de las que el inversor cree tener.

● Fallos en el backtesting, al observar más excepciones de las esperadas.

Es precisamente para resolver estos problemas para lo que se desarrollaron los modelos de la familia GARCH: modelos capaces de capturar el agrupamiento de volatilidad y adaptarse dinámicamente a las condiciones cambiantes del mercado.

Desglose de los capítulos de esta saga

A lo largo de las próximas entregas, seguiremos el mismo camino que recorre un analista al construir un modelo de riesgo:

● Parte 2 — GARCH(1,1) con distribución normal: El punto de partida. Potente para capturar el clustering, pero ciego ante las colas pesadas y la asimetría.

● Parte 3 — GARCH(1,1) con distribución t-Student: Incorporamos las colas pesadas, consiguiendo una mejora significativa, pero aún simétrico e incapaz de modelar el efecto apalancamiento.

● Parte 4 — GJR-GARCH + KDE: El modelo definitivo. Captura el clustering, las colas pesadas y la asimetría de los shocks negativos, complementado con una estimación no paramétrica de la densidad que elimina el supuesto distribucional.

Cada artículo no solo explicará el modelo, sino que mostrará por qué el anterior resultaba insuficiente y cómo cada mejora se traduce en un VaR más preciso y validable.

Conclusión

Medir la volatilidad de una cartera correctamente no es un ejercicio académico: es la base sobre la que se construyen todas las decisiones de gestión del riesgo. Los mercados tienen memoria, tienen colas y tienen asimetría. Ignorar cualquiera de estas tres dimensiones es asumir un riesgo que no aparece en los modelos pero sí en las pérdidas reales.

El camino desde el modelo más simple hasta el más sofisticado no es solo una cuestión técnica, sino una forma de pensar más realista sobre la incertidumbre. Y eso, en finanzas, siempre tiene valor.

En la próxima entrega explicaremos el GARCH(1,1) bajo normalidad: su mecánica, sus resultados y los primeros síntomas de sus limitaciones.