Modelos de Volatilidad Estocástica Aplicados a la Gestión de Riesgos en Portafolios de Criptoactivos: Enfoques Prácticos

Introducción a la volatilidad estocástica en el universo cripto

Los mercados de criptoactivos han dejado de ser un nicho experimental para convertirse en un componente relevante de muchos portafolios institucionales y minoristas. Sin embargo, la gestión de riesgos en este entorno es especialmente desafiante debido a la naturaleza extrema de la volatilidad: saltos repentinos, cambios de régimen abruptos y colas gruesas que los modelos tradicionales apenas capturan. Aquí es donde los modelos de volatilidad estocástica (SV) emergen como una alternativa sólida, aunque menos explorada en la práctica diaria frente a los omnipresentes GARCH.

Un modelo SV asume que la volatilidad es en sí misma un proceso latente, es decir, no observable directamente, que evoluciona según una dinámica estocástica independiente. Esta característica les otorga una flexibilidad natural para reproducir las propiedades empíricas de los rendimientos financieros, como la agrupación de volatilidad, el apalancamiento asimétrico y el exceso de curtosis, comportamientos que se magnifican en criptomonedas como Bitcoin o Ethereum. El artículo clásico de Ruiz Ortega y Veiga (2008) ya subrayaba que los modelos SV eran teóricamente más atractivos que los GARCH, aunque su estimación resultaba más compleja; hoy, con el avance de la potencia computacional y los métodos bayesianos, esa barrera se ha reducido drásticamente.

El objetivo de este artículo es trasladar ese conocimiento al ámbito aplicado de los portafolios cripto, proporcionando un enfoque práctico para modelizar la volatilidad, medir el riesgo de mercado a través del Value at Risk (VaR) y el Expected Shortfall (ES), y comparar su desempeño con las alternativas estándar. No se trata solo de reproducir fórmulas, sino de entender por qué la arquitectura de los modelos SV encaja mejor con los datos de criptomonedas y cómo un gestor puede implementarlos con las herramientas actuales.

¿Por qué los modelos de volatilidad estocástica encajan con los criptoactivos?

Los rendimientos de las criptomonedas incumplen sistemáticamente los supuestos de normalidad y estabilidad. Exhiben una volatilidad que reacciona de manera no lineal a flujos de noticias, cambios regulatorios y movimientos de grandes tenedores (ballenas). Los modelos SV introducen una fuente adicional de incertidumbre al tratar la varianza condicional como un proceso aleatorio gobernado por su propio ruido. Esa dualidad de fuentes de error permite que la evolución de la volatilidad sea más suave o más errática según los datos, sin forzar una parametrización rígida como la de un GARCH(1,1).

Además, en el ámbito cripto se observan con frecuencia regímenes de alta volatilidad que persisten más de lo que un modelo GARCH integrado podría anticipar, seguidos de calmas repentinas. La versión logarítmica del modelo SV (SV log-normal) puede replicar esta persistencia sin generar trayectorias de volatilidad con valores extremos artificiales, algo que ocurre con los modelos GARCH estándar cuando se enfrentan a outliers. La investigación de Ruiz Ortega y Veiga ya señalaba cómo los SV eran capaces de generar momentos de cuarto orden mucho más realistas que los GARCH, un punto crítico cuando la curtosis de Bitcoin supera fácilmente el valor 10.

Otro factor diferenciador es el tratamiento del efecto leverage. En los modelos SV asimétricos, el parámetro de correlación entre el shock del rendimiento y el de la volatilidad captura el hecho estilizado de que las caídas de precios tienden a incrementar la volatilidad futura más que las subidas equivalentes. En el mercado cripto, este efecto es pronunciadísimo durante los bear markets, y la capacidad de modelizarlo explícitamente mejora la calibración de las medidas de riesgo en cola, justo donde se producen las pérdidas más severas.

Arquitectura básica de un modelo SV para un portafolio de criptomonedas

Para un único activo o un portafolio en el que se ha calculado la serie de rendimientos agregados, un modelo SV de referencia es el siguiente. Se plantea una ecuación de observación para los rendimientos \(y_t\) y una ecuación de transición para la log-varianza \(h_t\):

• Rendimientos: \(y_t = \exp(h_t/2) \epsilon_t, \quad \epsilon_t \sim N(0,1)\)
• Log-volatilidad: \(h_{t+1} = \mu + \phi (h_t – \mu) + \sigma_\eta \eta_t, \quad \eta_t \sim N(0,1)\)
• Correlación leverage (opcional): \(\text{Corr}(\epsilon_t, \eta_{t+1}) = \rho\)

Aquí \(\phi\) representa la persistencia de la volatilidad, \(\sigma_\eta\) su volatilidad intrínseca (vol de vol) y \(\mu\) el nivel medio de la log-varianza. La correlación \(\rho\) negativa captura el efecto leverage. Esta estructura implica que la varianza condicional es latente y su trayectoria se filtra a partir de los precios observados. Para un portafolio multi-activo, es posible extender el modelo a un factor común SV con cargas específicas, lo que permite capturar la fuerte correlación entre criptoactivos en episodios de estrés.

La flexibilidad del modelo SV log-normal resulta especialmente útil en los criptoactivos, porque la log-varianza puede desplazarse suavemente sin riesgo de volverse negativa y sin necesidad de restricciones artificiales sobre los parámetros. A diferencia de un GJR-GARCH, donde el impacto de las malas noticias se modela mediante una dummy, el parámetro \(\rho\) emerge directamente de la distribución conjunta de los shocks, ofreciendo una interpretación más coherente con la microestructura de los mercados de criptodivisas, donde el flujo de información es continuo y descentralizado.

Implementación práctica: estimación de modelos SV para portafolios cripto

Métodos de estimación modernos: desde MCMC hasta filtros de partículas

La principal barrera histórica de los modelos SV era su estimación, ya que la función de verosimilitud no tiene forma cerrada. Ruiz Ortega y Veiga (2008) documentaron exhaustivamente este desafío. Afortunadamente, hoy el gestor cuantitativo dispone de varias rutas viables. La inferencia bayesiana mediante cadenas de Markov Monte Carlo (MCMC) es la más extendida; paquetes como rstan o PyMC permiten muestrear la distribución a posteriori de los parámetros y de la volatilidad latente con relativa facilidad, incluso para series largas de criptoactivos (varios años de datos diarios).

Alternativamente, los filtros de partículas (sequential Monte Carlo) proporcionan una aproximación en línea de la verosimilitud y pueden integrarse con esquemas de máxima verosimilitud o bayesianos. En la práctica, un enfoque frecuentista mediante el filtro de Kitagawa adaptado a SV log-normal o el uso de aproximaciones de Laplace anidadas (INLA) permite obtener estimaciones rápidas, valiosas cuando se requiere reestimar el modelo con frecuencia, por ejemplo, en un sistema de alerta de riesgo diario. La elección dependerá del balance entre precisión deseada y recursos computacionales, pero el mensaje clave es que la estimación de un modelo SV para un portafolio BTC-ETH ya es perfectamente factible sin infraestructura de supercomputación.

Un aspecto crítico en el contexto cripto es la presencia de datos a alta frecuencia y la necesidad de incorporar saltos. Muchas implementaciones prácticas extienden el modelo SV básico añadiendo un componente de salto en los rendimientos o en la volatilidad. La estimación de estos modelos SV con saltos (SVCJ) también se aborda mediante MCMC con mezclas finitas de normales o filtros de partículas avanzados, lo que permite capturar los movimientos intradía extremos que un GARCH estándar simplemente ignora o trata como outliers que degradan la estimación.

Selección y validación del modelo: el backtesting no es opcional

Calibrar un modelo SV no basta; hay que demostrar que mejora la gestión del riesgo. Para ello, el backtesting sobre ventanas móviles es el estándar. Se dividen los datos en entrenamiento y test, se estima el modelo SV cada semana (o cada día, con métodos recursivos) y se comparan las predicciones de VaR y ES con las pérdidas realizadas. Las pruebas de Kupiec (cobertura incondicional) y Christoffersen (cobertura condicional) evalúan si las violaciones del VaR son independientes y si su frecuencia coincide con el nivel de confianza elegido.

En carteras de criptoactivos, una validación especialmente relevante es el análisis de las colas. El modelo SV asimétrico debería generar un Expected Shortfall que reacciona más rápido durante fuertes caídas del mercado, evitando el fenómeno de “subestimación sistemática del riesgo” que muestran muchos modelos GARCH tras un crash. Una tabla de frecuencias de violación por año y un gráfico de pérdidas realizadas versus ES estimado son herramientas comunicativas poderosas para el comité de riesgos.

Integración de modelos SV en el cálculo del VaR y Expected Shortfall para cripto

Una vez estimado el modelo SV, la generación de escenarios de volatilidad futura se realiza mediante simulación. A partir de la distribución filtrada de \(h_{T}\), se simulan miles de trayectorias de rendimientos para los siguientes N días. El VaR al 99 % es simplemente el percentil 1 de la distribución de pérdidas simuladas, y el ES el promedio de las pérdidas que superan ese umbral. En un portafolios diversificado de criptoactivos, la simulación puede incorporar correlaciones estimadas a partir de un modelo SV multivariante, o bien un enfoque de cópulas que respete la estructura de dependencia en colas.

El uso de modelos SV permite, además, obtener distribuciones predictivas completas del valor del portafolio, no solo un escalar de riesgo. Esto facilita la construcción de mapas de calor de riesgo o stress testing dinámico. Por ejemplo, se puede responder a preguntas como: “si la volatilidad de Bitcoin alcanza el nivel de marzo de 2020, ¿cómo se distribuyen las pérdidas de un portafolio 60-40 BTC-ETH en un horizonte de 10 días?”. La simulación sobre la ecuación de log-varianza latente produce transiciones de volatilidad consistentes con la historia reciente, mucho más realistas que asumir una volatilidad constante o un perfil GARCH determinista.

Comparativa práctica: SV vs. GARCH en la gestión diaria del riesgo cripto

En entornos de alta volatilidad y cambios de régimen, los modelos SV tienden a proporcionar previsiones de riesgo más precisas y mejor calibradas en las colas. Esto se debe a que la volatilidad puede moverse libremente sin estar anclada a un único valor retardado del residuo al cuadrado. Mientras que un GARCH reacciona fuertemente a un shock aislado y luego decae exponencialmente, un modelo SV puede interpretar ese mismo shock como parte de un cambio en el nivel latente de volatilidad, sosteniendo la previsión de riesgo alta durante más tiempo si los datos así lo sugieren.

Sin embargo, no todo son ventajas. Los modelos SV requieren un mayor esfuerzo de programación, un tiempo de cómputo más elevado y una validación más cuidadosa. Para un gestor que necesite recalcular el riesgo intradiario para docenas de activos, las versiones GARCH rápidas o los modelos basados en rangos (range-based) pueden seguir siendo la opción operativa. La decisión óptima suele ser híbrida: usar un modelo SV para los procesos de planificación estratégica, reporting a inversores y validación de límites a largo plazo, y un GARCH bien afinado como señal de alerta temprana en el día a día.

Desafíos y consideraciones futuras en la aplicación de SV a criptoactivos

Uno de los principales retos es la escasez de historia de calidad. Aunque existen más de diez años de datos diarios de Bitcoin, muchas altcoins tienen historiales cortos y con baja liquidez, lo que dificulta la estimación estable de un modelo SV. La incorporación de datos intradiarios mediante modelos de volatilidad realizada (realized volatility) combinados con SV es un área prometedora, ya que permite anclar la volatilidad latente a una medida observada de alta frecuencia, fusionando lo mejor de ambos mundos.

Otro desafío relevante es la captura del riesgo sistémico dentro del ecosistema cripto. La fuerte dependencia entre tokens, especialmente en momentos de pánico, exige modelos SV factoriales con factores comunes estocásticos. La estimación de estos modelos multivariantes es más demandante, pero bibliotecas como PyMC o Stan ya permiten abordar modelos con dos o tres factores latentes y decenas de activos usando factorizaciones y priors adecuadas. Con el creciente interés institucional, el desarrollo de herramientas más accesibles para la implementación de SV en portafolios cripto probablemente se acelerará en los próximos años.

Conclusiones para el inversor no técnico

Si gestionas un portafolio de criptomonedas, entender el riesgo real va mucho más allá de mirar la volatilidad histórica de un gráfico. Los modelos de volatilidad estocástica actúan como un sistema de radar más sensible, capaz de detectar cuándo la tormenta está por llegar y cuánto puede durar, en lugar de simplemente reaccionar cuando ya ha ocurrido. Aunque su complejidad técnica es mayor, las herramientas modernas están acercando este radar a gestores no especializados, integrando estos cálculos en dashboards que muestran el Value at Risk y la máxima pérdida esperada con una precisión que antes estaba reservada a los grandes fondos cuantitativos.

Al adoptar este enfoque, te beneficiarás de una medición del riesgo que no se deja engañar por periodos de calma artificial y que reconoce los movimientos extremos como parte del paisaje habitual de las criptomonedas. Esto se traduce en tamaños de posición mejor ajustados, menores sobresaltos en los drawdowns y una comunicación más transparente con tus clientes o contigo mismo sobre el verdadero riesgo que asumes al invertir en este ecosistema tan volátil.

Conclusiones para el profesional cuantitativo o gestor técnico

La superioridad predictiva de los modelos SV en colas para criptoactivos se fundamenta en su estructura jerárquica latente y la capacidad de disociar la fuente de ruido de la observación y de la volatilidad. Los estudios de simulación y las aplicaciones empíricas con Bitcoin y Ethereum muestran que, incluso con un modelo SV log-normal básico sin saltos, la cobertura empírica del VaR al 99 % se sitúa más cerca del objetivo que con cualquier especificación GARCH univariante, incluyendo variantes asimétricas. La clave está en la calibración robusta mediante MCMC adaptativo (Hamiltoniano) que explora eficientemente el espacio de parámetros, incluso con datos problemáticos.

Para la implementación real, recomiendo partir de una configuración SV con leverage (\(\rho\) libre) y evaluar la necesidad de añadir saltos solo si el backtesting muestra deficiencia en el extremo más allá del percentil 99.5 %. La integración en un pipeline de riesgo debe apoyarse en filtros de partículas o en el algoritmo de aproximación de Laplace para permitir la reestimación diaria. En carteras multi-activo, un modelo factorial SV con restricciones de identificación claras ofrece una cobertura de riesgo sistémico muy superior a la de un DCC-GARCH. La inversión en la infraestructura computacional y la capacitación del equipo se amortiza rápidamente al reducir las sorpresas de capital en momentos de estrés de mercado.