Según arXiv q-fin, un estudio reciente compara siete funciones de pérdida y cinco modelos de predicción de volatilidad en principales criptomonedas. La investigación destaca que la selección de una función de pérdida ha sido tradicionalmente considerada clave en la evaluación de modelos, pero que este criterio puede distorsionar el análisis si no se ajusta la predicción a su nivel de referencia. En estudios pasados, se ha evaluado el rendimiento de los modelos manteniendo constante el error de entrenamiento, ignorando que distintas funciones de pérdida enfatizan errores distintos y podrían resaltar variaciones en el nivel de predicción o en los movimientos diarios de la volatilidad.
El análisis se centra en dos dimensiones: el nivel de la predicción y las variaciones diarias. Antes de aplicar un ajuste que equilibra el nivel de los pronósticos, las diferencias en los índices de evaluación entre funciones de pérdida son significativas. Sin embargo, tras realizar una corrección que alinea los niveles de predicción, el impacto de la elección del modelo se vuelve mucho más relevante. En este escenario, las variaciones entre modelos son las que dominan el resultado, mientras que las diferencias entre funciones de pérdida en el cumplimiento de los niveles de riesgo diario, como el Value-at-Risk, se reducen notablemente. Este hallazgo indica que la percepción de superioridad de una función de pérdida en comparaciones iniciales puede deberse principalmente a sesgos en el nivel de predicción, no a capacidades inherentes de cada modelo.
Para el lector peruano, este hallazgo tiene implicaciones directas en la toma de decisiones financieras. Muchos inversores en el mercado local, especialmente en productos como fondos de inversión o productos derivados, dependen de pronósticos de volatilidad para evaluar riesgos. Si se ignoran los ajustes de nivel en las predicciones, las decisiones pueden estar sesgadas por el tipo de error que se mide. Por ejemplo, un modelo que muestra una volatilidad más alta en el corto plazo podría parecer más riesgoso, pero si no se ajusta su nivel de predicción, esa diferencia podría no reflejar una realidad real de riesgo. En el contexto peruano, donde el mercado de valores y las inversiones privadas crecen, entender que el nivel de la predicción influye más que la función de pérdida permite tomar decisiones más equilibradas y basadas en datos ajustados. Invertir en productos financieros requiere no solo comparar modelos, sino también evaluar si los pronósticos están alineados a un nivel de referencia que permita compararlos de forma justa. Esto es especialmente relevante en un entorno de alta volatilidad como el de Lima, donde los cambios diarios pueden afectar significativamente a los portafolios individuales.