Segun arXiv q-fin/2608.07479v1, un enfoque matemático llamado predicción conformal ofrece una cobertura marginal finita y libre de distribución para un conjunto de predicciones. Este mecanismo garantiza que los intervalos generados tengan una precisión estadística real, sin depender de supuestos sobre la distribución de los datos. Sin embargo, una interpretación común —verlo como indicador de calidad de predicción— es errónea. El estudio introduce una descomposición clave: el "gap de información residual", que mide la divergencia entre el rendimiento de una predicción y el óptimo teórico. Para un sistema predictivo basado en una forma fija, esta diferencia se expresa como la información mutua entre el residuo y la entrada de datos, denotada como \( I(R;X) \).
Este indicador es fundamental porque no puede ser reducido por el proceso de conformalización. Aunque el método ajusta la cobertura de forma que se mantenga constante frente a variaciones muestrales, no puede modificar la información mutua. Dicha cantidad refleja una propiedad inherente a la estructura de la clase de predictores, no a su calibración. Cualquier reajuste que ignore la variable de entrada \( X \) no logra reducir este valor. Así, la eficacia del método se limita a mantener una cobertura válida, sin garantizar que las predicciones sean precisas o que el modelo se adapte a la realidad observada.
Las advertencias tradicionales sobre la predicción conformal se derivan de esta naturaleza: la cobertura marginal no se extiende a condiciones condicionales, el rendimiento del modelo no depende de su agudeza (es decir, de su capacidad para detectar patrones finos), y la validez del método requiere que los datos cumplan la propiedad de intercambiables. Esto significa que, bajo condiciones específicas, el método puede ser aplicable, pero no garantiza que las predicciones sean óptimas ni que el modelo sea robusto ante cambios en el entorno.
Para los inversores y gestores de activos en el Perú, este hallazgo implica una necesidad de discernimiento. Muchos sistemas de predicción en el mercado —como modelos de volatilidad o pronósticos de índices— se presentan como "calibrados" por métodos que parecen ofrecer garantías de precisión. Sin embargo, esta investigación muestra que tales garantías son solo sobre el rango de cobertura, no sobre la calidad de la predicción. Un inversor que valore la exactitud de un pronóstico debe preguntarse si el modelo que utiliza está basado en una estructura predefinida (una "forma") y si ha sido validado bajo condiciones de intercambiables. En entornos como el mercado peruano, donde las condiciones cambian rápidamente por eventos macroeconómicos, el riesgo de ignorar esta limitación puede generar sesgos significativos. Por ello, es clave que los gestores no confíen solo en la cobertura matemática, sino en una evaluación rigurosa del modelo y su relación con los datos reales.