Explorar

Colas e incertidumbre

Qué se puede y qué no se puede saber a partir de los datos: reconocer colas de ley de potencia, cuándo promediar muestras deja de converger, promedios temporales contra promedios de ensamble y ergodicidad, el estimador de Hill del índice de cola, la desaceleración crítica y la forma de burbuja más rápida que exponencial de LPPLS.

Traducción automática del original en inglés, todavía sin revisar. Leer el original.

Nueve simulaciones sobre los límites de la inferencia. Las seis primeras muestran qué les hacen las colas pesadas y la composición a las herramientas de siempre: el promedio, la muestra, la esperanza, la tasa de crecimiento, el tamaño de una apuesta y el precio de un seguro. Las tres últimas son intentos de detectar algo antes de que pase, y cada una viene con una razón concreta por la que detectarlo es más difícil de lo que parece.

Dos advertencias que valen especialmente para esta página. El estimador de colas genera sus propias muestras sintéticas y no acepta tus datos. La última demo dibuja una curva más rápida que exponencial a partir de parámetros que elegís vos y no se ajusta a precios de mercado. Ninguna de las dos es un detector, y la segunda es fácil de confundir con uno.

Reconocer una cola pesada

¿Cómo te darías cuenta, mirándola, de que una distribución tiene cola pesada?

En ejes log-log, una ley de potencia es una recta. Las distribuciones de cola liviana se curvan hacia abajo porque sus eventos grandes desaparecen mucho más rápido.

Probá esto. Pasá de una a otra y mirá el extremo derecho. Ser recta en ejes log-log es la firma; la curva hacia abajo es una cola liviana que se queda sin eventos grandes.

Supuestos y límites. Recta en log-log es una pista, no una prueba. Las lognormales se ven rectas en un rango, y la cola es justo donde tenés menos observaciones, así que al ojo se le pide que juzgue la parte más ruidosa.

Ensayo: Leyes de potencia, Extremistán y no ergodicidad · Código

Cuando promediar deja de funcionar

¿Cuántas observaciones hacen falta para que la media signifique algo?

La media acumulada gaussiana se estabiliza. La media acumulada de Pareto la siguen reescribiendo los extremos nuevos.

Probá esto. Corré las dos el tiempo suficiente como para que la media gaussiana se vea plana. La media de Pareto va a seguir saltando, y cada salto es una sola observación nueva que reescribe toda la historia.

Supuestos y límites. Con un índice de cola menor que dos, la varianza es infinita y la media muestral no tiene un objetivo fijo al que converger. Eso es una propiedad del generador de acá; establecerlo para datos reales es el problema difícil del que trata la demo siguiente.

Ensayo: Leyes de potencia, Extremistán y no ergodicidad · Código

Promedios temporales contra promedios de ensamble

¿El resultado promedio es el resultado que tenés que esperar?

La media del ensamble puede subir mientras la trayectoria mediana vivida se estanca. Los promedios temporales y los de ensamble son objetos distintos.

Probá esto. Mirá cómo se separan las dos líneas. La media del ensamble sube gracias a unas pocas trayectorias, mientras que el camino que vive de verdad un participante típico no va a ningún lado. Los dos números son correctos; responden preguntas distintas.

Supuestos y límites. Es un proceso multiplicativo específico, sin barrera de ruina. La brecha entre promedios temporales y de ensamble es una propiedad de la dinámica multiplicativa, no un hecho universal sobre los promedios.

Ensayo: Leyes de potencia, Extremistán y no ergodicidad · Código

El arrastre de la volatilidad

¿Por qué una inversión que promedia 10% anual se compone a menos?

Cuatrocientos inversores con el mismo retorno promedio. Subí la volatilidad y mirá cómo el inversor mediano cae por debajo del promedio compuesto, cerca de lo que predice μ − σ²/2.

Probá esto. Dejá el retorno promedio en 10% y mové la volatilidad de 0% a 40%. Con 0% todas las trayectorias son la línea roja. Con 20% el inversor mediano se compone cerca del 8%, con 40% cerca del 2%. El retorno promedio no cambió nunca.

Supuestos y límites. Los retornos anuales salen de una distribución normal con un piso de −95%, independientes cada año. Los retornos reales tienen colas pesadas y asimetría, que alejan el arrastre de σ²/2 en las dos direcciones; el ensayo contrasta la fórmula con cuarenta monedas reales.

Ensayo: El arrastre de la volatilidad · Código

El criterio de Kelly

¿Qué parte de tu riqueza conviene apostar cuando las probabilidades están a tu favor?

Crecimiento por ronda según la fracción apostada en la moneda de 1,5 y 0,6. La curva tiene su máximo en 25%, cruza el cero exactamente en 50% y es muy negativa en 100%.

Probá esto. Empezá en 25% y contá los jugadores que quedan arriba después de cien rondas. Pasá a 50%: la tasa de crecimiento es exactamente cero, y las trayectorias se abren mucho sin nada que mostrar. Con 100%, casi todos los jugadores terminan muy por debajo de donde empezaron, en una apuesta con valor esperado positivo.

Supuestos y límites. Una sola moneda conocida, tiradas justas, rondas independientes y ningún otro ingreso. Kelly es óptimo solo si conocés las probabilidades; con una ventaja estimada, apostar una fracción de Kelly es más seguro que apostar más.

Ensayo: El criterio de Kelly · Código

El seguro como trato donde ganan los dos

¿Un contrato que una de las partes pierde en promedio puede hacer más ricas a las dos?

Cambio en la tasa de crecimiento del armador y de la aseguradora según la prima. La franja verde es el conjunto de primas que hacen crecer más rápido a los dos. Se ensancha cuando la aseguradora es más rica y se cierra cuando tiene menos de unas tres cuartas partes de lo que tiene el armador.

Probá esto. Empezá con la aseguradora en 10. Todas las primas de la franja verde están por encima de la pérdida esperada de 0,5, así que la aseguradora gana en promedio, y el armador igual crece más rápido. Subí la riqueza de la aseguradora y la franja se corre hacia 0,5. Bajala por debajo de alrededor de 1,5 y la franja desaparece.

Supuestos y límites. Un armador con riqueza 2 que enfrenta una pérdida de 1 con probabilidad un medio, una aseguradora, una póliza, un período. Las aseguradoras reales juntan muchas pólizas independientes, lo que solo ensancha la franja.

Ensayo: Por qué el seguro hace más ricas a las dos partes · Código

Estimar el índice de cola

¿Con cuánta precisión podés determinar qué tan pesada es una cola?

Mové el umbral y mirá cómo salta la estimación de Hill del índice de cola. Cuanto más te metés en la cola, menos observaciones quedan; la estimación se vuelve más relevante y menos estable al mismo tiempo.

Probá esto. Mové el umbral por todo su rango y mirá cómo la estimación se mueve con él. No hay ningún umbral a partir del cual la respuesta deje de depender del umbral: ese es el hallazgo, no una falla de la demo.

Supuestos y límites. Esto genera 500 muestras sintéticas de Pareto con un índice de cola conocido; no lee datos que vos le des. El estimador de Hill supone que la cola es exactamente Pareto por encima del corte, y negocia sesgo contra varianza: un umbral bajo contamina la estimación con el cuerpo de la distribución, uno alto deja muy pocos puntos. Acá la respuesta verdadera se conoce, que es el único lujo que los datos reales nunca te dan.

Ensayo: Los límites del conocimiento · Código

Desaceleración crítica

¿Un sistema te avisa antes de volcarse?

Aplaná el valle y los mismos golpes aleatorios producen una recuperación más lenta, un deambular más amplio y más autocorrelación. Eso es la desaceleración crítica (critical slowing down).

Probá esto. Aplaná el valle por etapas. Las perturbaciones no cambian en ningún momento; lo que cambia es cuánto tarda la recuperación, cuánto deambula el estado y cuánto se parece cada momento al anterior.

Supuestos y límites. La desaceleración crítica es una firma real de que se acerca una bifurcación, y en la práctica es un detector débil. También aparece sin que después venga ninguna transición, necesita registros largos y limpios para medirse, y un sistema puede volcarse por un shock tan grande que no le importa qué tan estable era el valle.

Ensayo: Por qué la calma es peligrosa · Código

Una forma más rápida que exponencial

¿Cómo se ve una burbuja, y alcanza la forma para actuar?

Mové los controles de crecimiento, feedback, oscilación y tiempo crítico. La trayectoria se curva para arriba más rápido que un crecimiento exponencial, mientras las oscilaciones se comprimen a medida que se acerca el tiempo crítico.

Probá esto. Subí el exponente de retroalimentación hasta que el crecimiento le gane al exponencial, y mirá cómo las oscilaciones se comprimen hacia el tiempo crítico. Ahora mové el tiempo crítico: la curva se acomoda a casi cualquier valor que elijas, y esa es la debilidad de todo el enfoque.

Supuestos y límites. Esto dibuja una curva a partir de parámetros que elegís vos. No se ajusta a datos de mercado. En palabras del archivo de código: el marcador del tiempo crítico es un parámetro frágil del modelo, no la afirmación de que los crashes reales se puedan predecir con la curva. Ajustados sobre precios reales, los tiempos críticos de LPPLS son famosos por su inestabilidad entre ventanas: cada reajuste mueve la fecha predicha, y una predicción que se mueve no es una predicción.

Ensayo: Más rápido que exponencial · Código