Segun arXiv q-fin, un estudio reciente examina cómo los mercados financieros vinculados a la transición energética presentan comportamientos no lineales que escapan a modelos tradicionales. A pesar de que los modelos clásicos de predicción, basados en distribuciones gaussianas y estructuras lineales, son ampliamente utilizados, los datos revelan que los rendimientos de activos en sectores como energías fósiles, renovables, tecnológicos y de servicios presentan patrones de volatilidad acelerada, picos extremos y dependencias estructurales que no se ajustan a estas hipótesis. En este escenario, los modelos lineales tradicionales decaen en su capacidad para capturar la realidad dinámica de estos mercados.
El investigador propone una combinación innovadora entre modelos de regresión vectorial de tipo Student-t, que permiten manejar colas gruesas de distribución, y redes recurrentes no lineales que aprenden patrones complejos en los residuos. Este enfoque híbrido se aplica a seis fondos cotizados que representan amplias secciones del mercado bursátil y sectores críticos para la transición energética. Los resultados muestran una significativa desviación respecto al comportamiento gaussiano: se detectan excesos de curtosis, clustering de volatilidad y dependencias no lineales persistentes incluso tras filtrar los efectos lineales. En pruebas de predicción fuera de muestra, este modelo supera a los modelos VAR clásicos, métodos de aprendizaje automático aislados y otras combinaciones híbridas. La ventaja se incrementa notablemente durante crisis macroeconómicas, como la pandemia de COVID-19 y el choque energético derivado de la crisis en Ucrania.
Para el lector peruano, estas hallazgos tienen un impacto directo en la comprensión de riesgos en el entorno financiero nacional. El Perú, al integrar gradualmente sus economías en sectores de energía y tecnología, enfrenta una evolución compleja en sus mercados. Los resultados sugieren que los cambios estructurales en el sistema energético no se comportan como procesos estables o predecibles, sino que generan saltos de volatilidad y dependencias no lineales. Esto implica que las políticas de inversión, tanto públicas como privadas, deben considerar modelos más robustos, capaces de capturar el riesgo de transición. Los inversores deben estar atentos a señales de estrés sistémico, especialmente en momentos de inestabilidad global. Aunque el modelo no se aplica directamente al mercado peruano, su estructura teórica ofrece una base para diseñar herramientas más precisas de riesgo y predicción en contextos de cambio estructural. En un país que está en proceso de diversificación energética, la integración de enfoques no lineales puede ser clave para evitar desajustes financieros.