Especialización en Mercados Financieros · 2026

Modelos tradicionales vs. Aprendizaje automático en la medición del riesgo accionario

Resumen

Durante décadas, la medición del riesgo de mercado en renta variable se ha apoyado en un conjunto de herramientas estadísticas ampliamente aceptadas: la volatilidad histórica, el Value at Risk (VaR) y el CAPM. Estos modelos construyen un andamiaje teórico sólido y permiten interpretar con cierta claridad cómo se han comportado los precios en el pasado. Funcionan bien cuando el mercado se mueve dentro de parámetros conocidos. El problema aparece cuando la realidad se sale del libreto. Porque esos modelos —y aquí está el punto crítico— descansan sobre supuestos que los mercados rara vez respetan de forma consistente. Muchos de ellos asumen distribuciones estables, relaciones lineales o patrones que tienden a repetirse. En teoría suena razonable; en la práctica, no siempre ocurre así. Además, su arquitectura metodológica tiene una limitación estructural: no fue diseñada para detectar variables emergentes ni dinámicas que simplemente no existen en el registro histórico. En mercados con relativa estabilidad esto puede ser manejable. En entornos como el colombiano, en cambio, la situación se vuelve más exigente. Aquí convergen factores políticos, choques macroeconómicos y episodios de baja liquidez que, de un momento a otro, pueden alterar por completo los patrones observados en los datos históricos. El pasado deja de ser una guía confiable y los modelos empiezan a perder precisión. En ese contexto aparece una alternativa metodológica interesante: el aprendizaje automático. Su lógica es distinta. En lugar de imponer una estructura estadística predeterminada, estos algoritmos extraen directamente los patrones de los datos y, lo más relevante, pueden adaptarse cuando surgen comportamientos nuevos sin requerir una recalibración manual permanente. En otras palabras, el modelo aprende. A partir de esta diferencia conceptual surge la pregunta central de esta investigación: ¿Qué tan bien estiman el riesgo de mercado los enfoques tradicionales frente a las técnicas de machine learning cuando se aplican al mercado accionario colombiano? Para responderla, se comparan ambos enfoques utilizando datos históricos públicos y herramientas computacionales abiertas. La evaluación se realiza mediante validación fuera de muestra y métricas cuantitativas de error, con el objetivo de identificar cuál de estas aproximaciones produce estimaciones más robustas bajo diferentes condiciones de mercado.

Palabras clave