Segun arXiv q-fin, el modelo de volatilidad logarítmica basado en el movimiento browniano fraccionario estacionario (S-fBM), desarrollado por Wu et al., ofrece una estructura matemática para capturar la dinámica de la volatilidad financiera. En este marco, la volatilidad misma se modela como una función estacionaria y gaussiana, cuya correlación entre instantes disminuye de forma potencial y depende del exponente de Hurst (H). Este parámetro actúa como un puente entre dos fenómenos distintos: la volatilidad rugosa, donde H se sitúa cerca de 0.1, y la volatilidad multifractal, en la que H tiende a cero, como en estudios de Bacry, Muzy y otros. En ambos escenarios, el modelo muestra una convergencia hacia una medida aleatoria multifractal cuando H se acerca a cero.
Los resultados numéricos obtenidos por Wu et al. revelan una intermitencia de orden 0.02 en múltiples activos financieros, lo que sugiere que incluso pequeñas fluctuaciones en la volatilidad pueden tener un impacto significativo. Este hallazgo permite aplicar una aproximación simplificada de los momentos de la volatilidad logarítmica, útil para calibrar modelos mediante el método de momentos generales (GMM). La investigación actual profundiza en las propiedades escalares del proceso S-fBM y de su medida integrada de volatilidad. Se derivan desigualdades que permiten evaluar la distribución de colas, sensibles tanto al valor de H como a la intermitencia. Además, se propone una prueba estadística para determinar si el exponente de Hurst es nulo, lo que separaría entre dinámicas rugosas y multifractales. Finalmente, se reafirma la invariancia escalar del proceso de incrementos de volatilidad logarítmica, mediante fórmulas explícitas que reflejan las características de ambos regímenes.
Para inversores peruanos, esta línea de investigación es particularmente relevante. El mercado local, aunque más pequeño, exhibe patrones de volatilidad que pueden seguir estructuras similares a las observadas en mercados internacionales. La existencia de intermitencia leve, como la de 0.02, indica que los cambios de volatilidad no son uniformes, sino que ocurren en episodios dispersos y asimétricos. Esto implica que estrategias basadas en supuestos de estabilidad o de comportamiento lineal pueden fallar, especialmente en períodos de volatilidad elevada. Entender que la volatilidad puede ser multifractal ayuda a diseñar modelos de riesgo más realistas, que no solo midan el tamaño del movimiento, sino también su estructura temporal y su dispersión. En un entorno donde la economía peruana enfrenta fluctuaciones por factores externos (como cambios en tasas de interés o políticas de exportación), este tipo de análisis permite anticipar cómo los mercados pueden responder de manera no predecible, pero con patrones estructurales que pueden ser modelados matemáticamente. Así, los inversionistas pueden adoptar una visión más robusta del riesgo, integrando herramientas que capturan no solo la magnitud de los movimientos, sino también su complejidad inherente.