Segun arXiv q-fin, la predicción financiera enfrenta desafíos estructurales debido a la baja relación señal-ruido, factores latentes, colas pesadas, cambios de régimen y saltos abruptos. En el escenario real, los indicadores de rendimiento ofrecen poca capacidad para atribuir fallos: se puede observar un bajo desempeño, pero rara vez se identifica con precisión la causa, ya que los mecanismos subyacentes son invisibles y entrelazados. Los datos reales solo muestran una trayectoria concretizada, lo que dificulta evaluar la calibración de riesgos extremos o la eficiencia del uso de la información. Para abordar estos problemas, se presenta FinStressTS, un benchmark sintético que conecta el comportamiento de los modelos con causas estructurales controladas. Este sistema incluye 30 entornos diagnósticos distribuidos en seis familias de mecanismos: clustering de volatilidad, persistencia multiscale, choques con colas pesadas, cambios de régimen, saltos autoexcitados y procesos con inflación cero. Se evalúan dos tareas: predicción puntual, medido mediante el error medio absoluto normalizado (NMAE) en cinco escenarios, y predicción probabilística, utilizando el CRPS bajo mecanismos conocidos de generación de datos. Se prueban 15 modelos, desde métodos clásicos como HAR y VAR hasta arquitecturas de redes neuronales como PatchTST, iTransformer y DeepAR, además de modelos probabilsicos como TSFlow. Se analizan curvas de aprendizaje para medir la eficiencia de muestra. Los resultados revelan tres hallazgos clave. Primero, el rendimiento varía según el mecanismo: los modelos autoregresivos y lineales resultan competitivos y a menudo superan a los basados en redes neuronales en entornos relacionados con volatilidad, colas pesadas y saltos. Segundo, la alineación distributiva es crítica: los modelos paramétricos como DeepAR funcionan bien en condiciones estacionarias, mientras que estructuras flexibles ofrecen ventaja cuando las distribuciones se vuelven multimodales o escasas. Tercero, las arquitecturas neuronales requieren mayores volúmenes de datos para alcanzar niveles comparables a métodos simples, y sus beneficios más significativos surgen al modelar regímenes ocultos o distribuciones complejas. FinStressTS constituye una herramienta abierta para diagnosticar fallos en modelos y mejorar la toma de decisiones bajo riesgo.
Para inversores y gestores en el Perú, esta investigación resalta la importancia de no confiar únicamente en predicciones basadas en datos históricos, ya que los mercados reales presentan cambios abruptos y estructuras ocultas. Los resultados indican que modelos sencillos y tradicionales pueden ser más robustos que las soluciones avanzadas, especialmente en entornos de volatilidad alta o en momentos de incertidumbre. Esto implica que las estrategias de inversión deben considerar la simplicidad y la transparencia de los modelos, sin depender exclusivamente de tecnologías complejas que requieren grandes volúmenes de datos. En un contexto como el nuestro, donde los mercados son sensibles a shocks macroeconómicos y cambios de política, entender los mecanismos subyacentes puede ayudar a diseñar estrategias más resilientes, con una mejor comprensión del riesgo real.