From Regime Detection to Decision Rules : A Data-Driven Macro-Financial CVaR Framework for European Multi-Asset Portfolios

Share

Abstract

Los datos macrofinancieros y de mercados financieros semanales, combinados con métodos de aprendizaje automático, ofrecen nuevas posibilidades para identificar estados económicos latentes en tiempo real, pero el valor de la cartera para la detección de regímenes depende críticamente de cómo los estados detectados se traduzcan en reglas de asignación. Este artículo desarrolla y evalúa un marco macrofinanciero basado en datos que combina un Modelo Oculto de Markov Gaussiano de cuatro estados (HMM), estimado sobre ocho características macrofinancieras semanales, con la optimización de cartera Conditional Value-at-Risk (CVaR) en carteras multiaactivas europeas desde enero de 2000 hasta abril de 2026. Mediante un diseño walk-forward estrictamente fuera de muestra, demostramos que la asignación CVaR condicional al régimen ingenua genera una rotación excesiva (aproximadamente el 226 % anual) que erosiona el rendimiento neto por debajo de un punto de referencia simple bajo cualquier costo de transacción realista, mientras que las alternativas conscientes de la implementación recuperan sustancialmente esa brecha: los intervalos de pesos restringidos al régimen alcanzan un ratio de Sharpe neto a 0,009 del punto de referencia estático con una rotación anual aproximada del 29 %. Ampliar el universo para incluir bonos soberanos mejora el control de las caídas pero introduce riesgo de duración que se materializa en episodios de subida de tipos. Estos hallazgos demuestran que, en los sistemas macrofinancieros basados en datos, la limitación no es la detección del régimen sino el diseño de reglas de decisión transparentes, estables y conscientes de los costos, con implicaciones para los sistemas de monitoreo macrofinanciero y vigilancia de políticas de próxima generación asistidos por inteligencia artificial. [Traducción automática al español; idioma original: inglés.]