Cómo la IA puede detectar contagios ocultos entre los mercados energéticos y financieros

Cuando la tensión del mercado se mueve más rápido que los modelos tradicionales

El contagio financiero a menudo se describe como la propagación de shocks de un activo clase o sector a otro. En la práctica, el contagio ya no se limita a acciones que se mueven con acciones o bonos que se mueven con bonos. Hoy, Los mercados energéticos, los activos renovables y los índices del sector financiero están profundamente entrelazados. Un movimiento brusco del petróleo puede afectar la confianza de los inversores, expectativas de política monetaria, riesgo de balance y condiciones de financiación. Un evento de revisión de precios en energía renovable puede desencadenar cambios más amplios en el sector valoración y asignación de capital. Un shock en las finanzas puede amplificar ambos.

Esta es la razón por la que el riesgo de mercado moderno ya no puede entenderse a través de tablas de correlación estáticas solas.

El desafío no es sólo que los mercados estén conectados. El verdadero desafío es que la fuerza y la forma de esas conexiones cambian bajo estrés. En condiciones de calma, los vínculos entre mercados pueden parecer modestos y manejables. En condiciones de crisis, esos mismos los vínculos pueden estrecharse abruptamente, volverse no lineales y distribuir las pérdidas mucho más rápido de lo que suponen los modelos convencionales.

Ahí es exactamente donde este marco de IA híbrido cobra relevancia. En lugar de tratar la dependencia del mercado como algo fijo, la trata como dependiente del Estado. En lugar de depender completamente del aprendizaje profundo de caja negra, utiliza IA donde agrega el mayor valor, como una señal prospectiva que ayuda al resto del modelo. adaptarse en tiempo real.

El resultado es una forma más realista de comprender cómo se propagan los shocks a través del petróleo crudo, las energías renovables y los mercados financieros.

Comida para llevar ejecutiva

La idea central es simple: el contagio es dinámico, no estático.

En lugar de estimar una única relación estable entre los mercados, este marco permite que la dependencia del mercado cambie con la volatilidad prevista. Lo hace alimentando una señal de volatilidad generada por LSTM en una estructura condicional de Vine Copula. En otras palabras, el modelo utiliza IA para estimar el probable estado de estrés futuro y luego usa esa señal para ajustar la precisión con la que se espera que se muevan juntos los mercados.

Esto es importante porque los momentos más peligrosos en los mercados no son los normales. Son los momentos en los que las malas noticias se propagan rápidamente, la diversificación fracasa y el riesgo de caída se sincroniza entre los sectores.

En ese contexto, un modelo que pueda reaccionar ante un cambio de régimen es mucho más útil que uno que suponga que la estructura del mercado es estable.

Por qué esto importa ahora

La energía y las finanzas se han vinculado estructuralmente de maneras que son difíciles de ignorar.

El petróleo sigue siendo un producto macroeconómico sensible y con amplio poder de fijación de precios en toda la economía real. Mientras tanto, las energías renovables ya no son un nicho de mercado. Está estrechamente relacionado con las políticas, las tasas, la inversión industrial y los ciclos de valoración. El sector financiero se encuentra en medio de todo esto, reaccionando a las tensiones de liquidez, revalorizando el riesgo crediticio y reasignando capital entre industrias expuestas.

Eso significa que un shock en un ámbito se extiende cada vez más a los demás a través de múltiples canales, incluyendo la revisión de las valoraciones, las restricciones de financiamiento y liquidez, los cambios de políticas y regulaciones, la conducta de aversión al riesgo de los inversionistas y las expectativas macroeconómicas de crecimiento e inflación.

Una simple matriz de correlación no puede capturar esto adecuadamente.

¿Por qué? Porque la correlación suele ser demasiado contundente. Se supone que la relación entre los mercados es relativamente estable. También tiende a subestimar lo que sucede en las colas, los momentos exactos en que las pérdidas se acumulan y la diversificación falla.

Un marco más útil debe responder a preguntas más difíciles. ¿Los mercados se vuelven más estrechamente vinculados cuando aumenta la volatilidad? ¿Se propagan los shocks negativos con más fuerza que los positivos? ¿Se fortalece la dependencia sólo en ciertos regímenes? ¿Qué vínculos importan más bajo presión?

Aquí es donde el modelo híbrido se vuelve convincente. Está diseñado específicamente para rastrear la dependencia cambiante bajo condiciones de estrés cambiantes.

El problema de los modelos de mercado estáticos

Las herramientas tradicionales de riesgo de mercado suelen funcionar razonablemente bien durante períodos normales. Pero las condiciones extremas exponen sus debilidades.

Un modelo estático podría capturar el comovimiento promedio a lo largo del tiempo, pero los mercados no se comportan de acuerdo con promedios de largo plazo durante las crisis. Cuando aumenta el miedo, el comportamiento cambia. Los inversores corren riesgo al mismo tiempo. La liquidez se agota. Las clases de activos que antes parecían separables comienzan a moverse juntas. Los eventos de cola dejan de estar aislados y pasan a estar conectados en red.

En ese entorno, dos defectos se hacen evidentes.

Primero, la dependencia no es constante. La relación entre el petróleo, las energías renovables y las finanzas puede fortalecerse o debilitarse dependiendo del tipo de shock que esté impulsando los mercados.

En segundo lugar, los movimientos bajistas no son simétricos con los movimientos alcistas. Las malas noticias a menudo se difunden más rápido, más lejos y de manera más agresiva que las buenas.

Por lo tanto, un modelo robusto debe ser no lineal, sensible a las colas, adaptable entre regímenes y aún lo suficientemente interpretable para la gobernanza, la supervisión y la toma de decisiones.

Este marco está diseñado en torno a ese requisito exacto.

La arquitectura de modelado

El modelo está construido como una tubería estructurada en lugar de un único motor monolítico. Eso es parte de su fuerza.

Procede a través de cuatro etapas conectadas.

Construcción de retorno

Los precios brutos se transforman en rendimientos para que el modelo funcione con cambios en lugar de niveles.

Eliminación de ruido de múltiples escalas mediante MODWT

Los datos de mercado contienen ruido a corto plazo, fluctuaciones a medio plazo y una estructura de horizontes más largos, todo al mismo tiempo. La descomposición a múltiples escalas separa esas capas.

Modelización y previsión de volatilidad

El marco estima y predice la volatilidad, utilizando LSTM como componente prospectivo.

Estimación de la dependencia dinámica mediante cópula de Vine

Luego, el estado de volatilidad previsto se utiliza para influir en el parámetro de dependencia, lo que permite que el modelo se adapte a medida que cambia el estrés.

Lo que hace que esta arquitectura sea importante es que no se le pide al LSTM que reemplace todo el marco estadístico. Más bien, sirve como capa de señal. Proporciona una estimación prospectiva de la tensión del mercado. Luego, esa estimación se pasa a un motor de dependencia más interpretable.

Este es un enfoque mucho más disciplinado que simplemente arrojar precios brutos a una red neuronal y esperar información.

Base de datos y cobertura de mercado

La ventana empírica abarca aproximadamente una década, desde mediados de 2015 hasta mediados de 2025. Se trata de una elección importante porque captura múltiples tipos distintos de estrés en lugar de un evento de mercado aislado.

La muestra incluye tres segmentos interconectados: el petróleo crudo WTI, un índice del mercado de energías renovables o nuevas y un índice del sector financiero.

Esto le da al marco exposición a la energía tradicional, los activos relacionados con la transición y el sistema financiero en general.

Ese período es especialmente útil porque incluye varias perturbaciones del mercado mundial real, incluida la caída del mercado de 2015, la volatilidad impulsada por la pandemia global, shocks energéticos y macroeconómicos relacionados con la guerra, y posteriores escaladas políticas y comerciales.

En otras palabras, el modelo no se está probando con datos de mercado tranquilos o artificialmente limpios. Se está capacitando y evaluando a lo largo de años en los que el estrés macro, geopolítico y específico del sector remodeló repetidamente las relaciones entre mercados.

Antes de que comience el modelado principal, los precios se convierten en rendimientos logarítmicos.

Transformación de retorno

r_t = ln(P_t) - ln(P_t-1)

Este paso estandariza los datos en una forma más utilizable para el análisis de volatilidad y dependencia.

El perfil estadístico más amplio de estas series de retornos también es importante. Los mercados relevantes no se comportan como variables gaussianas claras. Muestran colas pesadas, no normalidad y heterocedasticidad condicional.

Esa combinación respalda firmemente el uso de un marco no lineal consciente de la cola.

La columna vertebral matemática

Aunque el sistema general es sofisticado, su lógica puede entenderse a través de tres bloques matemáticos centrales.

1) Descomposición multiescala mediante MODWT

Este paso divide la señal en componentes en diferentes escalas, separando los detalles de una estructura más fluida a largo plazo.

X_t = Σ (j = 1 to J) W_(j,t) + V_(J,t)

Conceptualmente, esto significa que la serie de mercado observada se puede descomponer en una suma de componentes wavelet más un componente residual más suave. Esto es importante porque el comportamiento del mercado no está impulsado por un único horizonte temporal. Coexisten el ruido intradiario, la respuesta al shock de corto plazo y un movimiento de tendencia más amplio. Descomponer la señal ayuda al modelo posterior a centrarse en una estructura significativa en lugar de estar dominado por el ruido.

2) Lógica LSTM para un pronóstico de volatilidad un paso adelante

El LSTM actúa como capa de inteligencia con visión de futuro. Su función es estimar el próximo estado de volatilidad utilizando información pasada y memoria interna.

f_t = σ(W_f [h_(t-1), x_t] + b_f)

C_t = f_t * C_(t-1) + i_t * C_t_tilde

h_t = o_t * tanh(C_t)

En términos prácticos, la puerta del olvido decide qué información pasada debe retenerse, el estado de la celda actualiza la memoria interna y el estado oculto se convierte en la representación evolutiva de la secuencia del modelo.

Para esta aplicación, eso significa que el LSTM está aprendiendo si las condiciones actuales del mercado se parecen a un entorno de bajo estrés, un régimen de volatilidad en aumento o una fase de contagio activo.

Esa estimación de volatilidad un paso adelante se convierte en el puente entre el aprendizaje profundo y el modelado de dependencia.

3) Dependencia dinámica de la cópula impulsada por el estado de volatilidad de LSTM

Ésta es la innovación más importante del marco.

θ_(ij,t) = g_(ij)(v_hat_t)

θ_(ij,t) = α_(ij,0) + α_(ij,1) * v_hat_t

θ_(ij,t) = 1 / (1 + exp(-(α_(ij,0) + α_(ij,1) * v_hat_t)))

En una configuración de cópula estática estándar, la dependencia se fija en gran medida en la ventana de estimación. Esto es útil hasta cierto punto, pero se vuelve poco realista cuando los mercados pasan rápidamente de la calma al estrés.

Aquí, el parámetro de dependencia θ cambia en función del estado de volatilidad previsto. Cuando aumenta la volatilidad esperada, el modelo puede permitir que se intensifique la dependencia entre mercados. Cuando la volatilidad se relaja, la estructura de dependencia puede volver a relajarse.

Eso significa que el modelo no solo mide el comovimiento. Es adaptar el co movimiento al régimen de estrés.

Esto es precisamente lo que lo hace útil para el análisis de contagio.

Lo que revela el modelo

El resultado del marco no es sólo un mejor ajuste a los datos históricos. Produce varias ideas prácticas sobre cómo se comporta el contagio en estos mercados.

El contagio negativo es más fuerte que el contagio positivo

Este es posiblemente el resultado más importante.

Los shocks negativos se propagan con más fuerza que los shocks positivos. En términos sencillos, los mercados se vuelven más estrechamente conectados cuando aumenta el miedo que cuando aumenta el optimismo.

Eso significa que las malas noticias viajan más rápido que las buenas.

Esto tiene importantes implicaciones para la cartera. Un inversor puede creer que está diversificado en energía, energías renovables y finanzas en condiciones normales. Pero cuando los mercados entran en un régimen de estrés, esas exposiciones pueden empezar a comportarse como parte de un único grupo de riesgos en lugar de como fuentes independientes de rendimiento.

Esta es exactamente la razón por la que es importante el modelado consciente de la cola. Los momentos que más importan son aquellos en los que se rompen los supuestos de diversificación.

La energía renovable y las finanzas forman un vínculo particularmente fuerte

Entre los principales pares de mercados, la conexión entre el segmento de las energías renovables y el sector financiero parece especialmente fuerte.

Esto es intuitivamente plausible. Los activos renovables son muy sensibles a los costos de financiamiento, las expectativas políticas, la revisión de los precios del ciclo de inversión y el sentimiento del mercado de capitales.

A diferencia de un mercado de productos básicos puramente físico, las energías renovables a menudo se encuentran en la intersección de la valoración de larga duración, la dependencia regulatoria o de subsidios y las estructuras de financiamiento sensibles a las tasas. Como resultado, pueden comportarse menos como exposiciones energéticas aisladas y más como activos macrofinancieros.

Eso los hace particularmente vulnerables a la transmisión de tensiones financieras más amplias.

El modelo híbrido mejora la previsión de la dependencia de la cola

La comparación fuera de la muestra muestra que la estructura híbrida supera a varios enfoques de referencia en el pronóstico de la dependencia relevante de la cola.

Valores de comparación informados:

Vine: 0.008057

Rolling: 0.008506

DCC: 0.008636

GRU: 0.012779

Attention: 0.120726

El mensaje clave no es sólo que un número es menor que otro. El punto más importante es que un enfoque híbrido cuidadosamente estructurado puede superar tanto a los modelos de dependencia heredados más simples como a las alternativas de aprendizaje profundo más genéricas.

Ésa es una importante lección de diseño. Una mejor IA financiera no siempre significa más red neuronal. A veces significa utilizar redes neuronales solo cuando crean una ventaja de señal significativa y luego combinarlas con un modelado estructural más sólido.

Por qué esto es importante para los inversores

Para los inversores, la lección práctica es sencilla pero incómoda: los supuestos de correlación pueden fallar precisamente cuando más se necesitan.

En condiciones de calma, la exposición al petróleo, las energías renovables y las finanzas puede parecer bastante diversificada. Pero cuando el estrés se acelera, los vínculos ocultos pueden surgir rápidamente. Las pérdidas de cartera pueden acumularse. La lógica de cobertura puede debilitarse. Los modelos de riesgo calibrados en condiciones promedio pueden resultar engañosos.

Un marco como este ofrece una forma más realista de pensar en la asignación y el riesgo porque se centra en el cambio de régimen, el comovimiento de cola y la posibilidad de que la dependencia oculta se intensifique bajo presión.

Esto es mucho más útil para el análisis de escenarios que una estimación estática del comovimiento.

Por qué esto es importante para los gestores de riesgos

Para los equipos de riesgo, este marco ofrece un principio de diseño que es más amplio que este caso de uso único.

Utilice IA para la detección de estados anticipados. Utilice modelos estructurados para explicación, control y gobernanza.

Ese enfoque es poderoso porque equilibra la adaptabilidad predictiva con la interpretabilidad.

Un modelo de caja negra pura puede detectar patrones, pero puede ser más difícil de justificar ante los comités de gobernanza, los reguladores o las partes interesadas institucionales. Un modelo puramente clásico puede ser más fácil de explicar, pero demasiado lento para adaptarse cuando cambia la dinámica del estrés.

Este marco híbrido se sitúa en un punto medio más práctico. Proporciona flexibilidad sin renunciar a la estructura.

Esto lo convierte en un modelo de referencia útil para el seguimiento del estrés, el diseño de escenarios y la gobernanza del riesgo de modelos.

Por qué esto es importante para los reguladores y la supervisión macroprudencial

Desde una perspectiva de políticas y supervisión, el marco es valioso porque refleja cómo se comporta realmente el riesgo sistémico moderno.

Los shocks energéticos ya no son eventos aislados de materias primas. Pueden interactuar con las expectativas de inflación, las condiciones de liquidez, la valoración del sector y la confianza cruzada en los mercados. La revisión de los precios de las energías renovables puede tener implicaciones para los flujos de inversión, la asignación de capital y el financiamiento de la transición. El estrés financiero puede amplificar ambos.

Por lo tanto, un modelo que rastree cómo estos sectores se vinculan más estrechamente ante una creciente volatilidad es útil para el seguimiento del estrés sistémico, la vigilancia del riesgo intersectorial, la supervisión del riesgo de transición y el análisis de políticas macroprudenciales.

Igual de importante es que sigue siendo lo suficientemente interpretable como para respaldar el uso institucional. Esto es fundamental en entornos donde las decisiones deben ser explicables, documentadas y defendibles.

Una lección más amplia sobre la IA financiera

Una de las conclusiones más útiles de este trabajo es metodológica.

A menudo hay una opción falsa en los modelos financieros aplicados: utilizar la econometría clásica o reemplazar todo con el aprendizaje profundo.

Pocas veces ese es el mejor camino a seguir.

Los sistemas más fuertes suelen ser híbridos. Permiten que el aprendizaje automático resuelva la parte del problema donde el reconocimiento de patrones y el aprendizaje de secuencias son más importantes, al tiempo que preservan los modelos estructurales donde la interpretabilidad, la estabilidad y la lógica de dominio son esenciales.

Eso es exactamente lo que hace este marco.

El LSTM no reemplaza el modelo de dependencia. Lo fortalece al proporcionar un estado de volatilidad dinámico y prospectivo. The Vine Copula no intenta aprender todo desde cero. Proporciona una estructura disciplinada para representar la dependencia compleja.

Juntos, crean un modelo que es más adaptable, más sensible al riesgo de cola, más realista ante un cambio de régimen y más útil en situaciones de crisis del mundo real.

Perspectiva final

El mensaje principal es claro: el contagio del mercado no es lineal y los modelos de riesgo no pueden permitirse el lujo de permanecer estáticos.

A medida que la transición energética, la geopolítica, la revisión de los precios de las políticas y las tensiones financieras sigan interactuando, los efectos de contagio ocultos serán más importantes, no menos. Los modelos que suponen que la dependencia es estable son cada vez más vulnerables al fracaso en el momento exacto en que las instituciones más los necesitan.

Un camino más inteligente es tratar la estructura del mercado como condicional, evolutiva y sensible al estrés.

Ese es el valor real de este marco. No mide simplemente si los mercados están conectados. Modela cómo cambian esas conexiones cuando cambia la volatilidad. Y esa es una forma mucho más realista de pensar en el contagio en los mercados modernos.

Fuente

Zeng, L., Huang, J. y Lin, X. (2026). Modelado de cópula de vid aumentado con LSTM para el análisis de contagio de finanzas energéticas. Informes científicos, 16, 5358. DOI: 10.1038/s41598-026-37150-5