Hechos estilizados emergentes

Esta es la lección hacia la que ha caminado todo el curso. Pasamos tres lecciones ensamblando un zoológico de agentes — creadores de mercado cotizando ambos lados, operadores de momentum persiguiendo la cinta, operadores de valor apoyándose en su contra y operadores de ruido lanzando monedas al aire — y metiéndolos en un libro de órdenes limitadas. Ahora recogemos el premio.

El premio es este: no tienes que meter los hechos estilizados en el modelo. No codificas a mano «haz las colas anchas» o «agrupa la volatilidad». Escribes un puñado de reglas locales tontas, le das al play y los hechos caen solos. Colas anchas, agrupación de volatilidad, memoria larga — emergen de la interacción, igual que los atascos de tráfico emergen de conductores que solo saben «no choques con el coche de delante».

Y hay una afirmación más afilada escondida dentro de la bonita. Un modelo generativo (una GAN, un modelo de difusión, un GARCH ajustado) puede reproducir colas anchas porque las vio en los datos de entrenamiento y aprendió a imitar la forma. Un modelo basado en agentes las produce porque contiene el mecanismo que las crea. Reproducir frente a producir. Descripción frente a explicación. Esa distinción es el alma de esta lección — y, como veremos al final, también su mayor trampa.

El baremo, una vez más

Antes de fabricar los hechos estilizados, fijemos el baremo de puntuación — la lista de regularidades empíricas que una simulación de mercado creíble tiene que acertar. Conociste los seis en cursos anteriores; aquí están como lista de comprobación, porque en el resto de esta lección «¿funcionó la emergencia?» significa literalmente «¿marcamos estas casillas?».

Analogía. Piensa en los seis hechos estilizados como la tarjeta de puntuación de un juez en patinaje artístico. Un paseo aleatorio gaussiano es el concursante que se presenta, se desliza en línea recta y se cae en cada salto. Clava exactamente un elemento (los rendimientos están más o menos sin correlación) y suspende el resto. Nuestro mercado de agentes es el concursante que intenta aterrizar los seis.

Los seis hechos canónicos (y cómo le va a un simple paseo aleatorio gaussiano en cada uno):

Así que el paseo gaussiano puntúa más o menos 1 de 6, y hasta su único «aprobado» es una trampa: es gaussiano en toda escala, así que nunca tuvo una forma no gaussiana que aplanar. Nuestro trabajo es construir un mercado que se gane los otros cinco honradamente.

Toca cada hecho abajo — la tarjeta de puntuación contrasta un mercado real con la hipótesis nula gaussiana y te dice si la nula lo reproduce. Mantenla abierta como tu baremo de referencia para el resto de la lección.

Por qué un mercado sin interacción es gaussiano

Empieza con la nula: un mercado donde los agentes no interactúan. Cada operador se despierta, forma una demanda basada únicamente en su propia información privada o capricho, y la envía. Nadie observa a nadie. ¿Qué hace el precio agregado?

Hace lo más aburrido de toda la estadística: se vuelve gaussiano.

Analogía. Imagina un estadio donde cada aficionado decide independientemente, a cara o cruz, inclinarse a la izquierda o a la derecha. Con un aficionado, la grada se ladea con fuerza hacia un lado. Con cincuenta mil aficionados independientes, las inclinaciones se cancelan y la grada apenas tiembla en torno a la vertical — y el tamaño de ese temblor sigue una pulcra campana de Gauss. Independencia más agregación es una máquina de suavizado. El Teorema Central del Límite es el portero que echa fuera cualquier estructura interesante.

Definición precisa. Si el flujo neto de órdenes en cada paso es una suma de $N$ demandas de agentes independientes con varianza finita, entonces por el Teorema Central del Límite (TCL) la demanda agregada — y por tanto el cambio de precio — converge a una distribución normal a medida que $N$ crece. Shocks independientes en cada paso también significa que la varianza de hoy no porta información sobre la de mañana: el proceso es homocedástico (varianza constante) y los rendimientos están serialmente sin correlación. Colas finas, sin agrupación, sin memoria. La nula clava un hecho estilizado (rendimientos sin correlación) y suspende el resto.

Ejemplo resuelto — sumando demandas independientes. Sea $N$ agentes que cada uno envía una demanda $d_i = \pm 1$, independientemente, con probabilidad $\tfrac{1}{2}$ cada una. El flujo neto es $S = \sum_{i=1}^{N} d_i$.

• Cada $d_i$ tiene media $0$ y varianza $\mathrm{Var}(d_i) = 1$.
• Por independencia, las varianzas se suman: $\mathrm{Var}(S) = \sum_{i=1}^{N} 1 = N$. Así que la desviación típica crece como $\sqrt{N}$ — el familiar escalado difusivo.
• El exceso de curtosis de un solo lanzamiento $\pm 1$ es $-2$ (una forma marcadamente no gaussiana, de colas planas). Pero la curtosis de una suma independiente se encoge: el exceso de curtosis de $S$ es

A medida que $N \to \infty$ esto $\to 0$ — exactamente el valor gaussiano. Con $N = 10{,}000$ agentes, el exceso de curtosis es de unos $-0.0002$. Estadísticamente indistinguible de una campana de Gauss.

Esa es la moraleja de la nula: independencia + agregación = gaussiano, y gaussiano = fracaso en los hechos estilizados. Así que lo que sea que produce colas anchas y agrupación en un mercado real, no puede ser «muchos operadores independientes». La emergencia requiere romper la independencia. La interacción no es algo deseable; es el motor entero.

Abre el demo de abajo y arrastra el control de Interacción entre agentes (retroalimentación) todo a la izquierda (el extremo Independiente). Los mismos shocks gaussianos i.i.d. lo impulsan todo — pero con retroalimentación cero obtienes una tira de |return| plana y sin rasgos: exceso de curtosis pegado a 0, el mayor shock un olvidable $\sim 3\sigma$, sin ráfagas. Esta es la nula devolviéndote la mirada. No la subas aún.

Cuándo usarlo

Echa mano de la nula sin interacción siempre que necesites una línea base que superar. Es el control «¿te has engañado a ti mismo?» de la lección sobre disciplina de modelado: ejecuta tu MBA completo y una versión de agentes independientes del mismo sobre los mismos shocks, y cualquier hecho estilizado presente en ambos nunca fue emergente — se coló desde tus entradas (p. ej., alimentaste al modelo con shocks de colas anchas). La emergencia solo cuenta cuando el hecho aparece en el modelo con interacción y desaparece en la nula independiente.

Agrupación de volatilidad a partir de la retroalimentación

Ahora enciende la interacción y observa aparecer el primer hecho. Empezaremos con la agrupación de volatilidad — la tendencia de los periodos turbulentos y los de calma a venir en rachas en lugar de salpicarse al azar.

Analogía. La agrupación es una multitud con momentum. Una persona empieza a correr por una plaza; unos cuantos transeúntes nerviosos corren también porque los demás están corriendo; su carrera convence a más todavía. El pánico se alimenta a sí mismo y persiste — hasta que se agota y la plaza queda en silencio, y el silencio también persiste porque nada lo alimenta. Obtienes regímenes ruidosos y regímenes silenciosos, cada uno pegajoso. El régimen ruidoso del mercado está dominado por la tendencia (operadores de momentum al mando); el régimen silencioso está dominado por el valor (los que revierten a la media al mando). El mercado deriva entre ellos, y esa adherencia es la agrupación de volatilidad.

Definición precisa. La agrupación de volatilidad es autocorrelación positiva de los rendimientos absolutos (o al cuadrado): $\mathrm{Corr}(\lvert r_t \rvert, \lvert r_{t-k} \rvert) > 0$ para muchos retardos $k$, aunque los rendimientos con signo $r_t$ estén básicamente sin correlación. Los operadores de momentum suministran la retroalimentación positiva que la crea: un movimiento al alza genera compras, lo que genera más movimiento al alza. Eso hace que la volatilidad de hoy sea un predictor de la de mañana — precisamente la intuición ARCH/GARCH que conociste en series temporales, donde $\sigma_t^2$ es una función creciente de los rendimientos al cuadrado recientes. El MBA no asume una ecuación GARCH; el bucle de retroalimentación fabrica un comportamiento de tipo GARCH.

Ejemplo resuelto — una traza de retroalimentación. Deja que la volatilidad de mañana responda al movimiento de hoy mediante una regla de juguete de estilo ARCH:

Trázala con un inicio en calma $\sigma_0 = 0.01$ (1%), luego golpéala con una gran innovación:

Un movimiento del 5% en el paso 2 infla $\sigma$ de ~1% a ~4.9%, y esa volatilidad elevada persiste en los pasos 3, 4, 5… decayendo despacio porque la volatilidad de cada paso es en su mayoría heredada del anterior. La calma engendra calma; un shock engendra una racha de grandes movimientos. Esa persistencia, leída sobre los rendimientos absolutos, es agrupación — y su caída lenta es el hecho estilizado de memoria larga (la autocorrelación de $\lvert r_t \rvert$ de caída lenta) apareciendo gratis.

Ahora vuelve al demo y arrastra la interacción hacia arriba. Los mismos shocks gaussianos i.i.d. que la nula — pero la retroalimentación los reorganiza: las barras de |return| se apiñan en ráfagas, los movimientos de cola (resaltados arriba de ~2.2$\sigma$) llegan en racimos en lugar de solos, y la lectura del exceso de curtosis se despega del cero. Nada cambió en los shocks de entrada. La estructura es enteramente emergente.

Cuándo usarlo

Apóyate en el mecanismo de retroalimentación de momentum siempre que tu mercado simulado parezca demasiado tranquilo — volatilidad plana, sin regímenes. Añadir o reforzar seguidores de tendencia introduce retroalimentación positiva y da vida a la agrupación. A la inversa, si tu mercado es un hervor continuo y permanente sin tramos tranquilos, tienes demasiada retroalimentación positiva y no suficientes operadores de valor que reviertan a la media para amortiguarla. La agrupación es un tira y afloja; la afinas afinando el equilibrio.

Colas anchas a partir del rebaño y los umbrales

La agrupación trata sobre cuándo ocurren los grandes movimientos. Las colas anchas tratan sobre cuán grande puede llegar a ser el mayor movimiento. Y el motor aquí no es exactamente el mismo — es la coordinación.

Analogía. Una sola persona saliendo de un teatro abarrotado es un no-evento. Pero mete un grito de «¡FUEGO!» en la sala y todos se dirigen a la misma puerta en el mismo instante — la correlación de sus decisiones individuales produce una avalancha que ninguna persona pretendía ni quería. Los mercados tienen alarmas de incendios: órdenes de stop-loss que se disparan todas cerca del mismo precio, ajustes de margen que saltan todos cuando la cuenta toca el mismo umbral, señales de tendencia que cambian todas en el mismo cruce de medias móviles. Cuando muchos agentes cruzan un umbral a la vez, sus demandas dejan de ser independientes y empiezan a moverse al unísono — y el unísono es como se fabrica un día de 8 sigmas.

Definición precisa. Las colas anchas (exceso de curtosis positivo) emergen de la demanda correlacionada/sincronizada. Los umbrales (stops, ajustes de margen, niveles de señal) convierten una distribución suave de estados de agentes en una acción discontinua, de golpe cuando se rebasa un nivel de precio — rebaño. La clave es lo que la correlación le hace a la varianza de una suma.

Ejemplo resuelto — la correlación infla la cola. Toma $N = 100$ agentes que cada uno aporta una demanda con desviación típica $\sigma_0 = 1$. Compara dos mundos:

Agentes independientes. Las varianzas se suman:

Un «día grande» es quizá un evento de $3\sigma$ para la suma, es decir, unas $3 \times 10 = 30$ unidades. Las colas son finas; esencialmente nunca ves mucho más allá de eso.

Agentes en rebaño. Supón que salta una alarma de incendios y cada par de agentes tiene ahora correlación $\rho = 0.5$. La varianza de una suma recoge los términos cruzados:

La desviación típica de la demanda agregada saltó de 10 a 71 — un factor de unas 7 — puramente por encender la correlación, sin cambio alguno en ningún agente individual. Medido en las unidades del mundo independiente ($\sigma = 10$), un movimiento de rebaño rutinario de $1\sigma$ es ahora $71/10 \approx 7\sigma$. Un empujón modesto encima y tienes un día de 8 sigmas que ningún agente individual pretendió. Eso es una cola ancha: un evento astronómicamente improbable bajo el supuesto de independencia, vuelto cotidiano por la coordinación. (Bajo una gaussiana, $8\sigma$ tiene probabilidad $\sim 10^{-15}$ — una vez cada mil billones de días. Los mercados los sirven cada pocos años.)

La lección en una línea: la agrupación viene de la retroalimentación (en el tiempo); las colas anchas vienen de la correlación (entre agentes). Ambas rompen la independencia, pero a lo largo de ejes distintos.

Ahora impulsa la población directamente. Carga el preajuste «Guiado por tendencia» de abajo — un mercado dominado por el momentum con fuerzas estabilizadoras escasas. Observa cómo la trayectoria de precio lanza burbujas y desplomes y la lectura de volatilidad realizada se mantiene alta. Luego cambia a «Mezcla estabilizadora» (más peso de creadores de mercado + valor): la misma maquinaria produce una trayectoria tranquila, que revierte a la media, con volatilidad realizada modesta. Mismos agentes, distintas proporciones, colas tremendamente distintas.

Cuándo usarlo

Usa los mecanismos de umbral/rebaño cuando necesites un riesgo de cola realista — pruebas de estrés, estudios de flash-crash, modelos de espiral de margen y de venta forzada. Si el peor día de tu simulación es un manso $3\sigma$, casi con seguridad tienes agentes actuando con demasiada independencia; añade un mecanismo de coordinación (niveles de stop compartidos, restricciones de apalancamiento, una señal común) y la cola se engrosará. La otra cara es también la cura para un modelo sobre-encolado: si cada dos días es un apocalipsis de 8 sigmas, tus agentes están demasiado sincronizados — descorrelaciónalos.

La emergencia como explicación, no coincidencia

Aquí está la recompensa que hace que todo esto sea más que un truco de salón. Como los hechos estilizados caen de las reglas de los agentes — no los apuntaste, no los ajustaste, puedes apagarlos apagando la interacción — el MBA es una explicación candidata. Contiene un mecanismo que, si estuviera operando en el mundo real, produciría exactamente estas regularidades. Eso es una afirmación científica con forma causal, no una descripción.

Analogía. Compara dos formas de «explicar» las mareas. Una tabla de consulta de alturas de marea históricas reproduce las mareas — le das una fecha, obtienes una altura precisa — pero no explica nada; es una memoria sofisticada. La gravitación de Newton produce las mareas a partir de un mecanismo (el tirón de la Luna, la rotación de la Tierra); puede predecir mareas en una costa que nunca vio, en un planeta que aún no existe. El MBA intenta ser Newton, no la tabla de consulta.

Distinción precisa — producir frente a reproducir.

Un modelo generativo puede entregarte colas anchas impecables porque vio colas anchas. Un MBA te entrega colas anchas porque tiene stop-losses que se sincronizan — y puedes poner a prueba esa afirmación borrando los stop-losses y observando cómo se afinan las colas. Ese asidero contrafáctico es lo que convierte «mi salida parece un mercado» en «aquí está por qué los mercados se ven así».

Pero — y esta es la advertencia que pasaremos las próximas dos lecciones ganándonos — producir los hechos estilizados es necesario, no suficiente. La emergencia demuestra que tu mecanismo es una explicación posible, no la verdadera. Muchos mecanismos distintos y mutuamente contradictorios pueden escupir colas anchas y agrupación superficialmente idénticas. Casar el baremo estrecha el campo de modelos candidatos; no corona a un ganador.

Recapitulación

• El baremo son seis hechos estilizados: colas anchas (exceso de curtosis), agrupación de volatilidad, autocorrelación de |return| de caída lenta (memoria larga), el efecto apalancamiento, gaussianidad por agregación y asimetría ganancia/pérdida. Un paseo aleatorio gaussiano suspende ~5 de 6 — es la nula que superar.
• Independencia + agregación = gaussiano. Las demandas de agentes independientes son aplanadas por el TCL en ruido de colas finas y homocedástico; mostramos que el exceso de curtosis de una suma de $N$ lanzamientos es $-2/N \to 0$. La emergencia requiere romper la independencia — más agentes independientes lo empeora.
• La agrupación de volatilidad emerge de la retroalimentación en el tiempo. La retroalimentación positiva del momentum hace que los regímenes ruidosos y silenciosos sean persistentes — un efecto ARCH/GARCH emergente. Un movimiento del 5% en una regla ARCH de juguete infló la σ del paso siguiente de ~1% a ~4.9% y la elevación decayó despacio (agrupación + memoria larga).
• Las colas anchas emergen de la correlación entre agentes. El rebaño y los umbrales compartidos (stops, ajustes de margen) sincronizan la demanda; encender $\rho = 0.5$ entre 100 agentes infló la SD de la demanda agregada de 10 a ~71 — un movimiento rutinario se convierte en un evento de cola de 7–8σ.
• La emergencia es explicación, no coincidencia — un MBA produce los hechos (tiene el mecanismo) donde un modelo generativo solo los reproduce (aprendió la forma). Pero producir los hechos es necesario, no suficiente: muchos mecanismos equivocados producen los mismos hechos, así que casar el baremo nunca demuestra tu mecanismo. (Eso son las lecciones 5–6.)