Regímenes de mercado

Un banco de pruebas sin fugas de información futura, y la primera parte de mi TFM. Ganó una regla simple: la turbulencia de Mahalanobis detectó 16 de 17 crisis. Los modelos simples baten a los complejos.

Evaluación walk-forward con hmmlearn, statsmodels y arch.

Mi TFM es un sistema multiagente con RAG que construye carteras y las explica con citas, y necesita saber en qué estado está el mercado. La Fase 1 construye esa pieza: una herramienta que, para cualquier fecha, devuelve el régimen, su probabilidad y cuánto lleva en él, usando solo información publicada hasta ese día. El intento anterior había fallado por algo sencillo: estandarizaba los datos con la muestra completa, y eso filtra el futuro.

Todas las variables son causales: los z-scores son acumulados o móviles, y cada serie entra con su retraso de publicación. La evaluación es walk-forward, así que nada se juzga dentro de la muestra, y todos los detectores comparten interfaz y los puntúa el mismo juez. Hay dos pistas de datos congeladas: una desde 1962, con 41 variables y 18 crisis, y otra más rica desde 2007, con 106 variables y 10 crisis.

Compiten doce detectores de siete familias, desde reglas simples hasta modelos ocultos de Markov, Markov-switching, GARCH, modelos de saltos y un autoencoder. Una crisis cuenta como detectada cuando se marca al menos tres sesiones seguidas dentro de su ventana.

En la pista larga ganó una regla simple: la turbulencia de Mahalanobis detectó 16 de las 17 crisis evaluadas fuera de muestra, con 2,35 veces la precisión del azar. En la pista rica quedó primero Markov-switching, con 9 de 9. Los detectores más complejos no compensaron, y dos ni siquiera pasaron el filtro de elegibilidad. Combinar una alerta con una confirmación mejoró a cada detector por separado, pero no adelantó el inicio de ninguna crisis.

Faltan la elección final de la regla y una prueba en pseudodirecto, y la Fase 2, con los datos que leerán los agentes, ya está en marcha.