Según arXiv q-fin, un estudio reciente aborda la identificación del número de factores globales en matrices de correlación altamente dimensionales, un problema clave en estadística multivariante y teoría de matrices aleatorias. Este enfoque tiene implicaciones directas en la valuación de activos y en la modelación de mercados financieros. Cuando el número de variables analizadas (p) se acerca al número de observaciones (n), el aislamiento entre señal y ruido se vuelve complejo, especialmente cerca de la transición de Baik–Ben Arous–Péché (BBP), donde factores débiles pueden ser confundidos con fluctuaciones en el borde espectral de Marčenko–Pastur. El trabajo examina la estructura del coeficiente de participación (PR) en el modelo de factores Brown–Harding (BH). Bajo condiciones de cargas comunes fuertes, el primer vector propio coherente u₁ muestra un PR que, dividido por p, tiende a 1. En cambio, direcciones asociadas a factores débiles y vectores propios típicos de idiosincrasia cumplen con un umbral de deslocalización, donde PR(u)/p converge a 1/3. Este comportamiento sugiere un criterio basado en vectores propios para conservar componentes ampliamente distribuidos.
El investigador propone un algoritmo iterativo de factores globales (IGF), que combina una recalibración adaptativa del borde de Marčenko–Pastur con un filtro de deslocalización del coeficiente de participación. Este método ajusta repetidamente el nivel de ruido efectivo, evalúa la separación de valores propios respecto al bloque residual y conserva únicamente componentes que se encuentran espectralmente aislados y cuyos vectores propios tengan una extensión suficiente. Pruebas por simulación Monte Carlo en el modelo BH demuestran que IGF logra identificar el número verdadero de factores incluso en el entorno crítico de la transición BBP, donde criterios basados únicamente en valores propios pueden fallar o quedar ambigüos. Una calibración sintética por ventana móvil, alineada con dimensiones empíricas reales, se aplica posteriormente a los retornos del S&P 500. En este escenario, IGF identifica un conjunto más diverso y dinámico de factores globales que el test de Onatski, con una mediana de 7 factores. Los hallazgos indican que integrar la separación espectral con el análisis de deslocalización de vectores propios mejora significativamente la precisión en la estimación de factores globales en matrices de correlación financieras de alta dimensión.
Para los lectores peruanos, este avance es relevante en un contexto donde el mercado local está cada vez más conectado a los mercados internacionales. La capacidad de identificar factores globales robustos permite a inversionistas y gestores de fondos comprender mejor las estructuras subyacentes que influyen en los precios de activos, incluso en entornos de baja volatilidad o con baja información disponible. Al reconocer que los factores no solo se miden por su impacto en valores propios, sino también por su distribución en las variables, se abre la puerta a modelos más precisos y menos propensos al sesgo. Esto puede traducirse en decisiones de inversión más fundamentadas, especialmente en entornos como el de los mercados emergentes, donde la correlación entre activos puede ocultar dinámicas más complejas.