Nota: Dejemos de usar promedios móviles como si fueran una bola de cristal y dejemos que los datos crudos hablen por sí mismos. Si queremos entender por qué los mercados se comportan como un maníaco-depresivo:

1. La falacia del espejo retrovisor

Todo el mundo anda usando modelos lineales simplones y cree que ya descubrió la pólvora. Esto es un error. Los mercados financieros no son una línea recta: se calman, explotan en volatilidad, descansan un rato y vuelven a patear el tablero sin previo aviso.

Las series de tiempo tienen memoria, pero es una memoria traicionera y volátil (lo que los libros llaman heteroscedasticidad condicional). Si intentas predecir el caos de la varianza de la próxima semana usando el promedio histórico de los últimos diez años, vas directo a un matadero financiero.

2. Soluciones metodológicas

Para poner orden en este manicomio matemático, combinamos dos herramientas que sí funcionan de verdad:

• ARIMA: Sirve para cazar la tendencia, la inercia y el componente tendencial del precio. Le enseñas al modelo de dónde viene la serie para medio anticipar su próximo paso lógico.
• GARCH: Aquí es donde está la verdadera jugada de genio. No te predice el precio exacto —porque el que te prometa eso simplemente miente—, sino la volatilidad. Te avisa cuándo se va a poner feo el vecindario y qué tan grande es el riesgo real que estás metiendo al portafolio.

3. Arquitectura del modelo

• Paso 1: La regla de oro: Estacionariedad obligatoria Si la serie no es estacionaria, cualquier regresión que tires es pura basura estadística. Aplicas diferencias y le metes el test de Dickey-Fuller aumentado (ADF) hasta que la serie se quede quieta y obedezca.
• Paso 2: Ajuste del ARIMA (p, d, q) Revisas las funciones de autocorrelación (ACF) y autocorrelación parcial (PACF). Identificas los rezagos limpios sin adivinar a ciegas.
• Paso 3: Capturando la volatilidad de los residuos con GARCH Los errores del ARIMA nunca son limpios; vienen en racimos de volatilidad (volatility clustering). Ahí es donde entra el GARCH(1,1) para modelar esa varianza condicional. Si la varianza de ayer salta por los aires, el modelo ajusta automáticamente el riesgo para mañana.

4. ¿Para qué sirve esto en la cancha?

• Gestión de riesgo sin llorar: Calcular el Value at Risk (VaR) y el Expected Shortfall con precisión quirúrgica, en lugar de usar porcentajes genéricos sacados de manuales académicos que no sirven para nada en la vida real.
• Trading y derivados: Nadie con dos dedos de frente fija opciones o estructura estrategias cuantitativas sin modelar la estocástica y la volatilidad de fondo.

Nota metodológica: Los modelos ARIMA-GARCH no buscan adivinar el precio exacto del activo — un ejercicio inútil en mercados eficientes o caóticos —, sino modelar la estructura de la varianza en el tiempo. Al aislar la tendencia con ARIMA y capturar el volatility clustering con GARCH, se obtiene una estimación robusta del riesgo extremo (como el Value at Risk), permitiendo dimensionar posiciones con base en la realidad estadística del activo y no en supuestos de distribución normal que colapsan en momentos de estrés sistémico.