Segun arXiv q-fin, un estudio reciente aborda el problema de integrar modelos de difusión que ofrecen estimaciones contradictorias sobre el desplazamiento y la covarianza. El enfoque propuesto parte de dos criterios: uno que prioriza a los candidatos (modelos) y otro que valora a los expertos. La minimización del entropía relativa en orden candidato conduce a una combinación geométrica, mientras que el enfoque experto resulta en una mezcla aritmética vinculada a la riqueza logarítmica ponderada. A pesar de que ciertas variaciones cuadráticas pueden hacer que la entropía en el espacio de trayectorias sea infinita, la mezcla aritmética no siempre se comporta como un proceso de difusión de Markov. Para resolver esto, se define un criterio local que integra información sobre el desplazamiento, normalizada por la covarianza del segundo argumento, junto con una medida de transporte cuadrático entre choques gaussianos en una métrica fija. Este criterio se justifica mediante una identidad gaussiana y una estimación de convergencia de Euler. En el caso de proyecciones experto, la velocidad de desplazamiento resultante se ajusta mediante un penalización inversa de la covarianza, lo que en una dimensión incrementa la volatilidad. Para expertos de tipo Ornstein–Uhlenbeck con una tasa común de reversion, se garantiza la regularidad del coeficiente en todo el horizonte cuando la volatilidad es común, y fuera del momento inicial cuando las volatilidades son heterogéneas. La formulación del problema de candidatos se caracteriza mediante una ecuación de Hamilton–Jacobi–Bellman, y el selector de covarianza matricial, al reducirse por congruencia, se convierte en un barycenter de Bures–Wasserstein. La condición H + λM ≫ 0, donde H es la Hessiana del desplazamiento y M la métrica de estado, resulta estricta para la finitud del problema local de covarianza sin restricciones; las restricciones compactas aseguran su finitud. El presupuesto de desacuerdo en la covarianza permite interpretar el parámetro de penalización. Ejemplos lineales, cuadráticos y de transición exacta ilustran tres efectos dinámicos: reducción de volatilidad, inflación del desplazamiento disperso y restricciones martingales.
Este marco teórico, aunque desarrollado en un contexto matemático avanzado, tiene implicaciones prácticas para inversores peruanos. En el mercado local, donde la volatilidad de activos como el oro o los bonos gubernamentales varía significativamente entre fuentes de información, la mezcla de modelos puede distorsionar decisiones. La evidencia sugiere que si se usan fuentes de pronóstico que no coinciden en su estimación de tendencia o dispersión, una combinación geométrica podría ser más robusta que una mezcla aritmética. Para inversores que gestionan carteras, esto implica que las decisiones deben considerar no solo la media del rendimiento, sino también la estructura de riesgo entre activos. Además, en un entorno de alta volatilidad como el de la economía peruana, donde los shocks económicos pueden ser inesperados, una estrategia que penalice la dispersión de desplazamiento podría proteger mejor la estabilidad de la cartera. La importancia de estas métricas se vuelve crítica cuando se evalúan decisiones de inversión a corto plazo, como las que afectan a fondos de inversión o a estrategias de cobertura. Así, aunque el contenido original sea abstracto, su aplicación permite construir una visión más sólida de cómo integrar datos contradictorios en la toma de decisiones financieras.