Eventos de cola.

Un evento de cola es un movimiento situado en el extremo de la distribución de resultados posibles: tan alejado de lo habitual que el modelo que describe lo habitual le asigna una probabilidad minúscula.

El nombre viene del dibujo. Si representas todos los rendimientos diarios de un mercado en un histograma, obtienes un montículo central —los días normales, que son casi todos— y dos extremos que se estiran hacia los lados y se van adelgazando. Esos extremos son las colas. La cola izquierda contiene los días en que todo se cae a la vez; la derecha, los rebotes violentos que suelen venir justo después.

Lo que hace interesantes a las colas no es que sean raras. Es la desproporción entre su frecuencia y su peso. Los días de cola son una fracción despreciable del calendario y determinan una parte enorme del resultado acumulado de cualquier estrategia a largo plazo. Quitar los diez peores días de varias décadas de mercado cambia por completo la rentabilidad final de una cartera —igual que quitar los diez mejores—. Es decir: durante la inmensa mayoría del tiempo no está pasando gran cosa, y luego, unos pocos días, pasa todo.

Esto tiene una consecuencia que conviene interiorizar antes de seguir: un histórico corto no contiene información sobre las colas. No las contiene por definición, porque son raras. Y la ausencia de un evento en una serie de datos no es evidencia de su imposibilidad; es evidencia de que la serie es corta.

La mayoría de los modelos financieros asume, explícita o implícitamente, que los rendimientos siguen una distribución normal: la campana de Gauss. Es una elección con muy buenos motivos —es matemáticamente tratable, se define con dos números y describe razonablemente bien el comportamiento cotidiano de casi cualquier mercado—.

El problema es lo que promete en los extremos. La campana no dice solo que los eventos grandes son raros: dice exactamente cuán raros, y lo hace decayendo a una velocidad brutal. Cada desviación típica adicional (cada “sigma”) divide la probabilidad por un factor cada vez mayor.

Léelo otra vez y quédate con la última fila. Un movimiento de seis sigmas, según este modelo, ocurre con una frecuencia comparable a la aparición de los primeros homínidos. Y sin embargo: los mercados producen movimientos de esa magnitud cada pocas décadas. El lunes negro de octubre de 1987 fue, en la escala de la volatilidad previa, un evento de más de veinte sigmas: un suceso cuya probabilidad gaussiana requiere una notación que no cabe en esta frase, y que sucedió un lunes cualquiera, delante de todo el mundo.

Cuando un modelo asigna probabilidad esencialmente nula a un suceso y el suceso ocurre, hay dos lecturas posibles. Una es que hemos presenciado un milagro estadístico. La otra es que el modelo está mal. La segunda es sistemáticamente la correcta, y sin embargo la primera es la que se sigue contando.

La campana funciona bien cuando los sucesos que se suman son independientes entre sí. La altura de las personas se distribuye de forma aproximadamente normal porque la estatura de un individuo no influye en la del siguiente. Los mercados no cumplen esa condición ni de lejos, y hay tres razones concretas.

Reflexividad. Los precios no son mediciones de una realidad externa: son decisiones de personas que están mirando los precios. Una caída provoca ventas, que provocan más caída, que provoca más ventas. Ese bucle de realimentación no existe en los sistemas físicos que la campana describe bien, y es exactamente lo que produce movimientos desproporcionados a partir de causas modestas.

Apalancamiento. Cuando una parte del sistema opera con dinero prestado, una caída moderada fuerza cierres obligatorios. Esos cierres no son decisiones: son ejecuciones automáticas que ocurren simultáneamente y en la misma dirección, sin ningún comprador natural enfrente. El apalancamiento no crea las colas, pero las engorda mucho.

Correlaciones que se rompen. Este es el más traicionero. Durante el régimen normal, activos y estrategias se comportan de forma razonablemente independiente. En el momento del estrés, todo lo que estaba descorrelacionado converge hacia uno, porque el factor que se ha activado —liquidez, miedo, necesidad de efectivo— los afecta a todos a la vez. La diversificación, medida en tiempos tranquilos, se evapora justo el día en que se necesitaba. Es el mismo fenómeno que se desarrolla en correlación entre estrategias, y es la razón por la que una cartera puede parecer diversificada durante años y comportarse como un único activo durante una semana.

El resultado conjunto es una distribución con colas mucho más gruesas que la normal: los eventos extremos son órdenes de magnitud más frecuentes de lo que el modelo dice, y cuando llegan son más grandes de lo que el modelo permite. No es un defecto de calibración que se pueda arreglar ajustando parámetros. Es que la forma de la curva es otra.

La frase aparece con puntualidad de reloj después de cada episodio: fue un evento de una probabilidad remotísima, algo que no se había visto nunca, imposible de anticipar. En 1987. En 1998. En 2000. En 2008. En 2010. En 2020. Cada una de esas fechas produjo declaraciones equivalentes por parte de gente cualificada y honesta.

Que el suceso irrepetible se repita cada pocos años debería bastar para descartar la explicación. Y sin embargo la frase sobrevive, porque cumple dos funciones a la vez. La primera es técnica: si mides la probabilidad con la campana, el número que sale es efectivamente absurdo, y quien lo dice no está mintiendo, está citando su modelo. La segunda es psicológica, y es la que explica su longevidad: un evento imposible de prever no es culpa de nadie. La formulación traslada el fallo del diseñador al universo.

La corrección es incómoda de aceptar y muy simple de enunciar. El evento no era improbable: el modelo era incorrecto. Lo que tenía una probabilidad de una entre diez mil era el evento bajo el supuesto de normalidad. Bajo un supuesto realista de colas gordas, el mismo movimiento pasa de “imposible” a “raro pero perfectamente esperable en el horizonte de una carrera profesional”. Y hay una diferencia enorme entre esas dos categorías, porque de la primera no te proteges y de la segunda sí.

De ahí sale la única postura defendible: un sistema no debe diseñarse para predecir la cola, sino para sobrevivir a una cola que llegará sin avisar. La pregunta que hay que hacerle a cualquier operativa no es “¿qué probabilidad hay de que ocurra?” —esa pregunta depende de un modelo en el que no conviene confiar— sino “¿qué queda de esto si ocurre mañana?”.

Tres consecuencias prácticas, ninguna de ellas cómoda.

El máximo histórico no es el máximo posible. El peor drawdown que un sistema ha sufrido es una muestra, no un límite. Si un histórico de cinco años muestra una caída máxima del 18%, eso significa que la peor cola de esos cinco años produjo un 18% —no que exista nada que impida un 30% el año que viene. La regla prudente que se enuncia en drawdown explicado —asume que el máximo futuro será peor que el observado— no es pesimismo de carácter: es la consecuencia directa de que las colas sean gordas y el histórico corto.

Un backtest largo tampoco resuelve el problema. Añadir años ayuda, pero la mayoría de los backtests cubren un puñado de regímenes de mercado y ninguna cola verdaderamente extrema. Peor aún: cuando el proceso de optimización ha visto los eventos extremos del periodo, tiende a ajustarse a ellos, lo cual produce un sistema que sobrevive magníficamente a las crisis que ya han pasado. Ese es un caso particular de overfitting, y es especialmente difícil de detectar porque parece exactamente lo contrario: parece robustez.

La única defensa es estructural. Como no se puede predecir el momento, solo queda actuar sobre las consecuencias: acotar la pérdida máxima por adelantado con un hard stop documentado, no operar con un apalancamiento que convierta un evento raro en terminal, y no construir la rentabilidad sobre la premisa de que la cola no llega. Nada de eso evita el evento. Todo eso decide si el evento es un mal año o el final.

Lo útil de entender las colas no es aprender a temerlas. Es que cambia el criterio con el que evalúas cualquier cosa que te ofrezcan.

Un sistema que presume de no haber tenido nunca un mes malo no te está enseñando su calidad: te está enseñando la longitud de su histórico. Un track record impecable de tres años es compatible con una estrategia excelente y con una que todavía no ha encontrado su cola, y desde fuera los dos casos son idénticos hasta el día en que dejan de serlo. Por eso la ausencia de episodios malos, presentada como argumento de venta, debería leerse como lo que es: información sobre la muestra, no sobre el sistema.

La pregunta que sí discrimina es otra, y es sencilla de formular: ¿qué le pasa a esto en su peor semana concebible, y quién ha puesto el límite por escrito? Quien tiene una respuesta ha pensado en el problema. Quien te explica por qué su modelo hace la cola improbable, no —está citando la campana, y la campana ya ha fallado todas las veces que importaba—.

Cómo se traduce esto en decisiones concretas de diseño está desarrollado en la metodología. Y si quieres que deje de ser abstracto, ponerle tus propios números a una caída extrema en el simulador es la forma más rápida de entender por qué el techo importa más que el promedio.