La volatilidad explicada con distribuciones de probabilidad: la matemática que usan los inversores

La volatilidad es el precio de entrada en los mercados — y las distribuciones de probabilidad son el mapa.

Volatilidad, reducida a su significado matemático

En el lenguaje cotidiano de la inversión, la volatilidad suena a “el mercado está en pánico”. En la matemática de la inversión, la volatilidad es más específica: es una medida de dispersión en los rendimientos. Dispersión significa qué tan separados están los resultados alrededor de un valor central, normalmente una media.

Si registras los rendimientos de una acción a lo largo del tiempo — diarios, semanales, mensuales — estás recopilando un conjunto de datos. En el momento en que preguntas “¿Cuál es un movimiento típico?” o “¿Con qué frecuencia ocurren movimientos extremos?” estás pidiendo un modelo de probabilidad. Ese modelo es una distribución de probabilidad: asigna probabilidades a los posibles rendimientos.

Dos distinciones importantes importan desde el inicio:

• La volatilidad no es la dirección. Una acción puede ser volátil tanto si sube, baja o se mueve lateralmente.
• La volatilidad no es lo mismo que el riesgo, salvo que definas riesgo como variabilidad de resultados. A muchos inversores les importan más los resultados a la baja que la variabilidad al alza, por eso las distribuciones (y sus colas) se vuelven cruciales.

Cuando ves una cifra como “20% de volatilidad anualizada”, ese número es una abreviatura. Comprime la forma completa de los posibles resultados en una sola estadística — útil, pero incompleta.

Los rendimientos son variables aleatorias (y eso no es un insulto)

En el lenguaje de la probabilidad, un rendimiento es una variable aleatoria. Eso no significa “caos impredecible”; significa “toma distintos valores con cierta frecuencia”. Observas muestras (rendimientos históricos), estimas una distribución y entonces calculas cantidades que te importan: varianza, probabilidad de caídas, pérdida en la cola, etc.

Sea (R) un rendimiento en un periodo. Una distribución da:

• una media (E[R]) (rendimiento esperado)
• una varianza (Var(R)) y desviación estándar (\sigma) (volatilidad)
• asimetría (skewness)
• curtosis (peso de las colas)

Si la inversión fuera solo cuestión de rendimientos medios, todos compraríamos el activo de mayor media. Pero los resultados varían. La distribución es la historia; la volatilidad es una frase de esa historia.

La distribución normal: por qué aparece en todas partes (y dónde falla)

La distribución normal es la clásica campana. Es matemáticamente conveniente y a menudo se usa como primera aproximación para los rendimientos — especialmente en modelos financieros antiguos y ejemplos de aula.

Si los rendimientos fueran normalmente distribuidos con media (\mu) y desviación estándar (\sigma), obtendrías declaraciones de probabilidad familiares:

• Cerca del 68% de los rendimientos caen dentro de (\mu \pm 1\sigma)
• Cerca del 95% dentro de (\mu \pm 2\sigma)
• Cerca del 99,7% dentro de (\mu \pm 3\sigma)

Eso es potente porque convierte la volatilidad a un lenguaje de probabilidad. Por ejemplo, si la volatilidad diaria es 1%, entonces un movimiento diario del 2% es un “evento de dos sigmas”, con una probabilidad aproximada del 5% en un mundo normal.

El problema: los mercados no viven en un mundo normal.

Por qué la campana induce a error a los inversores

Las distribuciones empíricas de rendimientos para acciones, índices, divisas y criptos con frecuencia muestran:

• Colas gordas: los movimientos extremos ocurren más a menudo de lo que predice el modelo normal.
• Asimetría: los movimientos a la baja pueden ser más pronunciados que los al alza (particularmente en renta variable).
• Agrupamiento de la volatilidad: periodos de calma y periodos de tormenta, no una (\sigma) constante.

Así que, aunque la normal es un buen punto de partida, tiende a subestimar el riesgo de cola — el mismo riesgo que hace fracasar carteras y carreras profesionales.

Volatilidad como varianza: la definición clásica y su intuición

Matemáticamente, la volatilidad suele ser la desviación estándar de los rendimientos:

[ \sigma = \sqrt{E[(R - \mu)^2]} ]

Unas cuantas ideas están metidas en esa fórmula:

• Mide la distancia típica respecto a la media.
• El hecho de elevar al cuadrado castiga las desviaciones grandes, dando más peso a los movimientos extremos.
• Trata por igual las desviaciones positivas y negativas.

Ese último punto es la razón por la que algunos inversores se quejan de que la volatilidad no es el “riesgo verdadero”. Si estás largo en un activo, la volatilidad al alza es agradable. Sin embargo la varianza la cuenta como igualmente “arriesgada”. Las distribuciones ayudan a matizar esa discusión.

Una visión centrada en la distribución: la misma volatilidad puede significar distinto riesgo

Dos activos pueden tener la misma desviación estándar pero resultados radicalmente distintos. Considera:

• Activo A: movimientos pequeños frecuentes, raras caídas catastróficas.
• Activo B: movimientos simétricos, sin caídas en forma de precipicio.

Ambos podrían tener (\sigma = 15%) anualizada, pero las colas son distintas. Si tu definición de riesgo incluye ruina, drawdowns o llamadas de margen, la forma de la distribución importa tanto como su dispersión.

Por eso la gestión de riesgos profesional habla en un vocabulario más allá de la volatilidad: riesgo de cola, riesgo de drawdown, riesgo de saltos, convexidad y exposición a la cola izquierda.

Precios lognormales y por qué modelamos rendimientos en vez de precios

Los precios suelen ser positivos y pueden capitalizarse. Una elección de modelado común es:

• Los precios son aproximadamente lognormales
• Los rendimientos logarítmicos están más cerca de la normalidad (aunque siguen siendo imperfectos)

Si (P_t) es el precio, el rendimiento logarítmico es:

[ r_t = \ln\left(\frac{P_t}{P_{t-1}}\right) ]

Los rendimientos logarítmicos se suman bien a lo largo del tiempo, lo que encaja con la capitalización. También se alinean con los modelos usados en la valoración de opciones.

Pero aquí está la clave: aunque los rendimientos logarítmicos parezcan “más normales”, los mercados reales siguen mostrando colas gordas y volatilidad cambiante. Así que lognormal es una suposición simplificadora, no una garantía.

Agrupamiento de la volatilidad: distribuciones que cambian con el tiempo

Una razón por la que la volatilidad se siente viva es que es variable en el tiempo. Los mercados tranquilos producen distribuciones estrechas; los mercados en crisis las ensanchan y espesan las colas.

Esa es la idea detrás de modelos de volatilidad condicional como GARCH: la distribución del rendimiento de mañana depende del entorno de volatilidad de hoy. En términos sencillos:

• Los movimientos grandes tienden a ser seguidos por movimientos grandes.
• Los días tranquilos tienden a ser seguidos por días tranquilos.

Así que en lugar de una distribución estática, los inversores a menudo lidian con una familia de distribuciones — un objetivo en movimiento.

Colas, percentiles y por qué a los inversores les importa “qué tan mal puede ponerse”

Una distribución te permite hablar en percentiles. Por ejemplo, el rendimiento del 5º percentil diario es un umbral tal que solo el 5% de los días son peores.

Esto es la base de Value at Risk (VaR):

• El VaR a 1 día y 95% responde: “¿Qué nivel de pérdida superaré solo el 5% de las veces (bajo las suposiciones del modelo)?”

Pero VaR tiene una debilidad notoria: no te dice qué tan severas pueden ser las pérdidas más allá de ese corte. Por eso muchos equipos de riesgo prefieren el Expected Shortfall (ES), también llamado VaR condicional:

• ES responde: “Si estoy en el peor 5% de los resultados, ¿cuál es mi pérdida media?”

Tanto VaR como ES son preguntas de distribución. La volatilidad por sí sola no puede responderlas sin una suposición sobre la distribución.

Asimetría (skewness): cuando la volatilidad esconde una desagradable desigualdad

La asimetría mide si los rendimientos son simétricos alrededor de la media.

• Asimetría negativa: ganancias pequeñas frecuentes y ocasionales pérdidas grandes (clásico “recoger monedas delante de una máquina de vapor”).
• Asimetría positiva: pérdidas pequeñas frecuentes y ocasionales grandes ganancias (común en algunas estrategias de compra de opciones).

Dos estrategias pueden mostrar la misma volatilidad, pero una tiene asimetría negativa y te expone a drawdowns repentinos. Si solo miras (\sigma), puedes no ver la máquina de vapor hasta que llegue.

Esto importa para:

• estrategias con venta cubierta de opciones (covered calls)
• operaciones cortas de volatilidad
• carry trades
• ciertos productos de crédito

Pueden parecer estables — hasta que la cola izquierda se hace notar.

Curtosis: el multiplicador de colas gordas

La curtosis trata sobre lo pesado de las colas. En datos de mercado, la curtosis excesiva suele ser positiva, lo que significa que las colas son más gordas de lo que predice la normal.

Las colas gordas cambian el significado práctico de la volatilidad:

• En un modelo normal, un evento de 5 sigmas es “casi imposible”.
• En un mundo de colas gordas, es “raro, pero no absurdo”.

Ese cambio no es académico. Afecta el tamaño de la posición, la tolerancia al apalancamiento y cómo interpretas los backtests históricos. Una estrategia que sobrevive 10 años de calma puede seguir siendo frágil si implícitamente vende seguro de cola.

Distribuciones mixtas: por qué una sola campana no encaja

Una forma sencilla de modelar la realidad es admitir que los mercados cambian de régimen:

• Régimen 1: baja volatilidad (distribución estrecha)
• Régimen 2: alta volatilidad (distribución amplia)

Si mezclas dos normales, a menudo obtienes una distribución combinada que parece tener colas gordas — incluso si cada régimen es normal por dentro. Este enfoque de “mezcla” encaja con la sensación de que los mercados tienen estados de ánimo.

En la práctica, por eso los modelos de riesgo que asumen una volatilidad constante pueden parecer adecuados en periodos estables y luego fallar en turbulencias: estaban ajustando el régimen equivocado.

_{Photo by Maxim Hopman on Unsplash}

De la distribución a la volatilidad anualizada (y por qué escalar no es inocuo)

Los inversores a menudo convierten la volatilidad diaria en volatilidad anualizada mediante:

[ \sigma_{annual} \approx \sigma_{daily} \sqrt{252} ]

Esto se basa en suposiciones: los rendimientos son independientes, idénticamente distribuidos y la varianza se suma en el tiempo. Los mercados violan estas suposiciones — especialmente durante el agrupamiento de la volatilidad — sin embargo la escala sigue siendo una convención muy usada.

Sigue siendo útil, pero trátalo como un dispositivo de traducción, no como física. La anualización ayuda a comparar activos y comunicar, pero puede enmascarar saltos de régimen y el comportamiento de las colas.

Distribuciones de probabilidad y volatilidad de cartera: la correlación es la palanca oculta

Para una cartera de dos activos, la volatilidad depende de:

• la volatilidad de cada activo
• su correlación

Una fórmula simplificada de la varianza para dos activos:

[ \sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\sigma_1\sigma_2\rho_{12} ]

La correlación (\rho) es donde vive la diversificación o donde muere. Si las correlaciones suben en crisis (y a menudo lo hacen), entonces la distribución de la cartera cambia justo cuando necesitas que no cambie.

Las distribuciones vuelven a entrar aquí porque las correlaciones en sí no son constantes; pueden depender del régimen. Una cartera que parece diversificada en un régimen calmado puede convertirse en un único bulto de riesgo en un régimen estresado, espesando la cola izquierda de los rendimientos de la cartera.

Volatilidad implícita en opciones: la distribución del mercado disfrazada

La volatilidad histórica se calcula a partir de rendimientos pasados. La volatilidad implícita se extrae de los precios de las opciones y refleja la valoración de la incertidumbre por parte del mercado.

La vol implícita no es un pronóstico puro de la desviación estándar; también incorpora:

• oferta y demanda de cobertura
• aversión al riesgo y primas por temor a un colapso
• asimetría distributiva (skew)

Los mercados de opciones operan efectivamente sobre la distribución completa, no solo sobre su amplitud. El famoso volatility smile/skew es el mercado admitiendo: los rendimientos no son normales y las colas no son simétricas.

Si las puts muy fuera de dinero son caras, eso es la distribución gritando que la cola izquierda importa.

Una forma práctica de “ver” la volatilidad a través de distribuciones

En lugar de mirar fijamente un único número de volatilidad, los inversores pueden observar algunos diagnósticos basados en la distribución:

• Histograma de rendimientos: ¿parece simétrico? ¿cola gorda?
• QQ plot frente a la normal: ¿desvían mucho las colas?
• Volatilidad móvil: ¿se agrupa (\sigma)?
• Distribución de drawdowns: ¿qué tan profundas y cuánto duran las pérdidas?
• Percentiles de cola (1%, 5%): ¿cómo son los peores días?
• Asimetría y curtosis a lo largo del tiempo: ¿cambia la distribución con los regímenes?

Cada uno de estos es una forma de preguntar: “¿Qué distribución estoy realmente negociando?”

Por qué los activos de “baja volatilidad” pueden seguir siendo peligrosos

Algunas estrategias y activos exhiben rendimientos regulares con baja volatilidad medida — hasta que dejan de hacerlo. El problema suele ser una distribución con:

• un centro estrecho (muchos resultados pequeños)
• una desagradable cola izquierda (rara pero con pérdidas enormes)

Las operaciones cortas de volatilidad son el ejemplo más claro. Cobras pequeñas primas la mayor parte del tiempo y luego sufres durante los picos. La desviación estándar puede parecer modesta en una muestra benigna, pero la distribución tiene exposición a la cola incorporada.

Eso no es un juicio moral; es una descripción matemática. El riesgo está concentrado en la cola.

La elección clave del inversor: ¿en qué distribución crees?

Cada métrica de riesgo asume en silencio una distribución, incluso si no se declara. Cuando alguien dice:

• “Un movimiento del 10% en un día ocurre una vez cada década”
• “Esta cartera tiene un VaR al 99% de X”
• “Esta estrategia tiene un Sharpe de 1,2”

…están apoyándose en suposiciones distributivas: sobre colas, independencia, estacionariedad y comportamiento por regímenes.

Un flujo de trabajo de inversión sano trata las distribuciones como modelos, no como la verdad:

• Prueba varios ajustes distributivos (normal, t-distribution, mezclas).
• Escenifica streses que la historia apenas contiene.
• Asume que las correlaciones pueden saltar.
• Pregunta qué sucede cuando la propia volatilidad es volátil.

La volatilidad es la métrica de portada. Las distribuciones de probabilidad son el artículo completo.

Convertir la intuición sobre distribuciones en mejores decisiones

Cuando entiendes la volatilidad a través de distribuciones, las decisiones se aclaran:

• Tamaño de posición se convierte en una cuestión de cola: ¿qué pérdida puedo tolerar en el peor X%?
• Apalancamiento se convierte en un amplificador de la distribución: las colas importan más que la media.
• Diversificación pasa a ser correlación en crisis, no correlación en media.
• Cobertura se convierte en pagar por protección de la cola izquierda cuando es lo suficientemente barata respecto a tu fragilidad.
• Evaluación de rendimiento cambia de “qué suaves fueron los rendimientos” a “qué forma de riesgo asumí para lograrlos”.

En otras palabras, la volatilidad no es solo un número para reportar. Es una puerta de entrada a la estructura probabilística de los rendimientos — centro, dispersión, asimetría y colas. Los inversores que duran suelen ser los que respetan esa estructura, especialmente la parte que está lejos de la media.

Enlaces externos

Volatility smiles and implied distributions - Trading Mate [PDF] Representation of probability distributions with implied volatility and … How to derive the implied probability distribution from B-S volatilities? Volatility Demystified: From Theory to Practice - The Risk Protocol Implied Volatility Explained | Options Trading Concept - YouTube