Según arXiv q-fin, un estudio reciente examina cómo integrar información sobre estados de mercado en modelos neuronales para predecir la volatilidad de activos. El análisis se centra en 1.027 acciones estadounidenses, generando pronósticos de volatilidad basados en cinco días de datos reales, evaluados mediante un enfoque de validación por desplazamiento sucesivo. El trabajo propone un nuevo diseño arquitectónico denominado RG-ResMoE, que utiliza variables de régimen para dirigir el flujo de información entre expertos dentro del modelo, sin emplearlas directamente en la predicción. En este enfoque, el núcleo del modelo extrae señales de volatilidad a partir de características de las acciones, mientras una red auxiliar decide cuál de los expertos debe procesar las correcciones residuales. Este mecanismo permite mantener la estabilidad del entrenamiento sin comprometer la precisión de los resultados.
Los resultados muestran que el modelo RG-ResMoE supera de forma consistente a una red neuronal de capas múltiples (MLP) con igual capacidad computacional, tanto en exactitud de predicción como en estabilidad durante el entrenamiento. El mismo patrón se reproduce en un panel independiente de acciones japonesas. La investigación destaca que añadir directamente variables de régimen a las entradas del modelo de predicción deteriora tanto el rendimiento como la estabilidad del entrenamiento. En cambio, al limitar el acceso de dichas variables al proceso de selección de expertos —es decir, al "puente de enrutamiento"— se logra una mejora significativa en la calibración del riesgo, especialmente en términos de valor en el riesgo (VaR). Además, el enfoque de enrutamiento rígido, que asigna explícitamente cada entrada a un experto, no alcanza los niveles de desempeño que ofrece el enrutamiento suave, que permite una distribución dinámica y adaptable de las entradas.
Para los inversores peruanos, este hallazgo tiene relevancia directa. Las condiciones del mercado peruano, especialmente en sectores como el minería o el financiero, suelen presentar transiciones abruptas entre periodos de estabilidad y volatilidad. Un modelo que integre información de régimen de forma estratégica —sin exponerse a inestabilidades durante el entrenamiento— podría ofrecer una herramienta más robusta para gestionar riesgos. En un entorno donde los mercados responden con sensibilidad a eventos económicos o políticos, la capacidad de detectar cambios de régimen y ajustar las predicciones sin perder consistencia es clave. Este tipo de modelos, aunque aún en etapa experimental, sugiere que el éxito no radica en aumentar la complejidad de las redes, sino en cómo se gestionan las señales externas que reflejan el entorno cambiante. Así, los inversores pueden considerar la importancia de adoptar estructuras de predicción que prioricen la estabilidad y la claridad en el manejo de la información de mercado.