Martín-Lunas, Jorge GrubeLazcano, AnaSandubete, Julio E.2026-09-292026-09-292026-07-09Martín-Lunas, J G, Lazcano, A & Sandubete, J E 2026, 'From Regime Detection to Decision Rules : A Data-Driven Macro-Financial CVaR Framework for European Multi-Asset Portfolios', Economies, vol. 14, no. 7, 268. https://doi.org/10.3390/economies140702682227-7099unpaywall: 10.3390/economies14070268https://hdl.handle.net/10641/8363Publisher Copyright: © 2026 by the authors.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.]Weekly macro-financial and financial market data, combined with machine learning methods, offer new possibilities for identifying latent economic states in real time, but the portfolio value of regime detection depends critically on how detected states are translated into allocation rules. This paper develops and evaluates a data-driven macro-financial framework that combines a four-state Gaussian Hidden Markov Model (HMM), estimated on eight weekly macro-financial features, with Conditional Value-at-Risk (CVaR) portfolio optimization across European multi-asset portfolios from January 2000 to April 2026. Using a strictly out-of-sample walk-forward design, we show that naive regime-conditional CVaR allocation generates excessive turnover (approximately 226% per year) that erodes net performance below a simple benchmark under any realistic transaction cost, whereas implementation-aware alternatives recover the gap substantially: regime-constrained weight bands attain a net Sharpe ratio within 0.009 of the static benchmark at roughly 29% annual turnover. Expanding the universe to include sovereign bonds improves drawdown control but introduces duration risk that materializes in rate-hiking episodes. These findings demonstrate that, in data-driven macro-financial systems, the bottleneck is not regime detection but transparent, stable, and cost-aware decision-rule design, with implications for next-generation, AI-assisted macro-financial monitoring and policy surveillance systems.227630781enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Conditional Value-at-RiskHidden Markov Modelartificial intelligencedata-driven macroeconomicsinterest ratesmachine learningmacro-financial regimessystemic riskDevelopmentEconomics, Econometrics and Finance (miscellaneous)Yesjournal articleopen access10.3390/economies14070268https://www.scopus.com/pages/publications/105045905429https://www.scopus.com/pages/publications/105045905429#tab=citedByhttps://www.webofscience.com/wos/woscc/full-record/WOS:001831699900001