Segun arXiv q-fin, un estudio reciente analiza las características estadísticas y la capacidad predictiva del índice agregado de bonos estadounidenses, basado en observaciones diarias desde 2018 hasta febrero de 2026. Los resultados muestran que los niveles del índice presentan una persistencia extrema, coherente con el comportamiento de raíz unitaria, como lo definen los modelos de Dickey y Fuller. En contraste, los retornos logarítmicos son estacionarios, con relaciones lineales débiles y un fuerte agrupamiento de volatilidad, típico de procesos ARCH (Engle; Bollerslev). Para abordar el equilibrio entre estabilidad estadística y conservación de información, se desarrolla una representación que mantiene estabilidad pero maximiza la persistencia mediante diferenciación fraccional (Granger y Joyeux; Hosking), siguiendo una metodología de López de Prado. Se evalúan dos enfoques neuronales: redes multilayer (MLPs) entrenadas en vectores con retrasos y optimización de longitud y parámetros, y redes convolucionales (CNNs) entrenadas en codificaciones de imágenes basadas en el campo angular de Gramian (GAF). Los resultados indican que las MLPs alcanzan un rendimiento similar al criterio básico de persistencia en niveles, reducen sus predicciones de retornos a casi cero y ofrecen el mejor avance en series fraccionadamente diferenciadas, donde la dependencia moderada persiste pero el desplazamiento de raíz unitaria se disminuye. Por el contrario, los modelos CNN-GAF presentan valores negativos consistentes de R² fuera de la muestra en todas las representaciones. Esta evidencia sugiere que, para predicciones cortas de índices amplios de bonos, el factor clave en el desempeño predictivo no es la complejidad arquitectónica, sino la transformación de la serie —es decir, su grado de estacionariedad y su capacidad de memoria—. Las estructuras basadas en retrasos siguen siendo efectivas en contextos de alta persistencia, mientras que las CNNs GAF se adaptan mejor a tareas de reconocimiento de patrones, no a predicciones basadas en persistencia.
Para inversores peruanos, este hallazgo implica que los modelos de predicción de activos deben priorizar la estabilidad estructural de los datos, más que el uso de arquitecturas complejas. En un entorno donde los mercados de bonos se mueven con lentitud y memoria prolongada, como ocurre en América Latina, una estrategia basada en la persistencia de precios puede ser más confiable que un enfoque altamente técnico o visual. Esto es especialmente relevante para quienes gestionan carteras de deuda pública o inversiones en instrumentos de corto plazo, donde las variaciones son suaves y los ciclos se extienden. La evidencia sugiere que, en el contexto peruano, donde la inflación y el crecimiento económico presentan dinámicas estables, las predicciones basadas en tendencias históricas podrían ofrecer un marco más robusto que modelos avanzados pero poco verificados.