Cómo medimos el riesgo — y qué no hacemos.

Por qué el plan de DCA es equiponderado #

Por defecto, tu plan de aportación periódica (DCA, aportación periódica) reparte la cantidad del mes a partes iguales entre tus activos (equiponderado), con un importe fijo. Suena poco sofisticado. Es deliberado — y lo probamos.

Intentamos que nuestro propio sistema hiciera algo «más listo»: modular cuánto aportas según el mercado, y repartirlo con nuestra IA en vez de a partes iguales. Lo pasamos por el backtest de asignación (goal7/9/10/12) — seis experimentos con validación fuera de muestra (out-of-sample), reglas congeladas antes de mirar los resultados, y un doble universo de activos para no engañarnos a nosotros mismos.

• El DCA fijo ganó al DCA «flexible» en 7 de 7 particiones: modular las aportaciones deja dinero parado (cash drag) y pierde.
• El reparto equiponderado ganó a todas las asignaciones que propuso nuestro sistema (volatilidad inversa, momentum, basada en bandas, la pila completa) sobre la misma cartera.
• El «motor de retorno» que intentó mejorar el reparto no generalizó al conjunto de validación: era sobreajuste, y nuestro propio marco de validación lo detectó.

Así que usamos la IA para aquello en lo que sí demuestra valor — medir el riesgo — y recomendamos lo sencillo para el reparto, porque es lo que ganó. La honestidad es el diferencial, no un eslogan.

El medidor de Riesgo (0–100), y por qué está validado #

El medidor de Riesgo es un número de 0 a 100 con tres estados — Bajo (<40), Medio (40–70) y Elevado (>70). Mide cuánta incertidumbre hay ahora mismo comparada con la propia historia del activo: cuando el rango probable de precios se ensancha respecto a su costumbre, el número sube. Es una lectura de riesgo, no una señal de compra ni de venta.

Cómo se calcula (sin sesgo de anticipación)

Por activo, tomamos la anchura de la banda p10–p90 de hoy y la situamos en el percentil de la propia historia previa del activo — «anchura relativa a sí misma», usando solo datos anteriores a la fecha (sin sesgo de anticipación). El medidor de mercado es la media de esos percentiles. Y es honesto por construcción: un activo sin banda no se mide; con menos de doce meses de historia, no se mide; si menos de la mitad de los activos tienen banda, el medidor no se muestra — nunca se fabrica un número.

Por qué es fiable: el estudio de sucesos

Comprobamos si los estados del medidor de verdad anticipan el riesgo, con un estudio de sucesos (event study, goal13/14) de regla congelada sobre dos universos de activos y a horizontes de 3 y 6 meses. Medimos la mayor caída (drawdown) que llegó después de cada estado:

En los cuatro casos, los meses Elevado precedieron a caídas mayores que los meses Medio. Esto es una asociación observada entre el nivel de incertidumbre y el riesgo que vino después — no una predicción de dirección. El medidor además sobrevive a recalibrar las bandas: su asociación con el riesgo posterior no dependía de ningún error de calibración. Por eso es la función en la que más confiamos.

Lo que no afirmamos: nada sobre el estado Bajo (ocurre demasiado poco para concluir nada) ni nada que suene a «compra» o «venta». El medidor informa tu ritmo de ahorro — puedes esperar o partir en dos la aportación del mes — no tu dirección.

Las bandas p10–p90 y la calibración del 80% #

Para cada activo mostramos un rango probabilístico del precio futuro: una mediana y una banda p10–p90 — el abanico que se ensancha con el horizonte. La anchura de ese abanico es el mensaje: a más incertidumbre, más ancha la banda. No dibujamos flechas «arriba» ni «abajo».

Ejemplo ilustrativo — no es una proyección de ningún activo concreto.

«p10–p90» significa que, si el mundo se comporta como su historia, el precio real debería caer dentro de la banda el 80% de las veces. Y lo medimos: sobre diez años de datos que el modelo no había visto (goal4), el precio real cayó dentro de la banda el 80,4% de las veces, medido fuera de muestra (out-of-sample). No es una promesa: es una cobertura medida.

Por qué no lo «afinamos» más

Probamos a recalibrar la banda y a ponderar los modelos por su acierto. Ambas cosas la empeoran: recalibrar bajó la cobertura del 80% al 72%, así que no lo reajustamos. El desacuerdo entre los modelos es la señal de incertidumbre — colapsarlo destruye lo que hace útil a la banda. Así que la dejamos en paz.

Calibración por activo (un aviso honesto).

Las bandas no están igual de calibradas en todos los activos. Algunos activos cubren de menos — el rango se queda corto más a menudo de lo que debería (~71–75% frente al objetivo del 80%). En esos activos verás un aviso junto a la banda. No lo corregimos automáticamente porque la recalibración no generaliza: arreglar los que cubren de menos rompe los que ya están bien. Preferimos avisar antes que corregir mal.

El motor de predicción de InferenceKey #

Las bandas y el medidor salen del motor de predicción de InferenceKey: un conjunto (ensemble) de varios modelos de predicción de series temporales de vanguardia, combinados y calibrados por nosotros. La composición exacta de la receta es nuestra, y la guardamos — pero el rigor con el que la medimos es del todo transparente, y es lo que puedes auditar en esta página.

Qué no hacemos #

Tan importante como lo que hacemos es lo que descartamos — casi siempre porque lo probamos y no funcionó, y nuestro marco de validación lo detectó. Nada de esto está en el producto:

La regla que nos imponemos: nada de lo descartado vuelve al producto sin un experimento nuevo con reglas congeladas de antemano, un doble universo, un conjunto de validación y umbrales numéricos. Ese marco ya cazó dos espejismos que parecían estar ganando.