Piensa en dos tramos del mercado que se comportan de forma distinta aunque el gráfico no lleve un rótulo que lo explique. Un modelo de Markov oculto (HMM) intenta inferir esos estados latentes a partir de observaciones. La etiqueta que produce es una estimación estadística; no es una propiedad objetiva del mercado ni demuestra que una estrategia gane dinero.
Una variable que no aparece en la pantalla
En un HMM, el estado no se observa directamente. El modelo relaciona una secuencia de datos —por ejemplo, rendimientos u otras variables— con estados latentes que podrían haberla generado. En finanzas se han estudiado estos modelos con series de divisas, carteras sectoriales y datos de libro de órdenes. La investigación de University of Western Ontario sobre HMM en finanzas y el registro de Ulster University sobre reconocimiento de estados financieros latentes ilustran esa variedad de aplicaciones.
No confundas el nombre del estado con algo que el mercado haya confirmado. “Alta volatilidad” puede ser la descripción que el investigador asigna después de observar cómo se comporta un grupo de datos. Si cambias las variables de entrada o la estructura del modelo, también puede cambiar la partición y el nombre que le das.
De la estimación a una decisión reproducible
El HMM no decide por sí solo si conviene operar. Un sistema puede usar el estado estimado como filtro y aplicar reglas ya definidas; por ejemplo, elegir entre dos conjuntos de condiciones. La lógica de esas reglas y su resultado son preguntas separadas del cálculo del modelo.
Antes de probarlo, deja por escrito:
- qué datos recibe el modelo y cuándo están disponibles;
- cómo eliges el número de estados y cómo interpretas cada uno;
- si la señal usa una estimación disponible en ese momento o una reconstrucción retrospectiva;
- qué cambia en la estrategia y qué permanece igual, incluidos costes y límites de posición.
Este último punto evita una trampa habitual. Una estimación retrospectiva puede usar observaciones posteriores para describir mejor un estado pasado. Sirve para analizar el historial, pero no estaba disponible para tomar la decisión entonces. En una prueba temporal, el modelo debe ajustarse con los datos que habrían existido hasta cada decisión.
Qué respaldan los estudios y qué queda abierto
Los trabajos académicos muestran aplicaciones de HMM a datos financieros, no una ventaja universal de trading. La tesis de University of Western Ontario trata la estimación y las aplicaciones financieras; el estudio recogido por Ulster University evalúa un modelo de estados latentes con distintos conjuntos de datos y una estrategia simulada. Son resultados ligados a sus propios modelos y muestras. No permiten concluir que cualquier filtro de régimen vaya a funcionar en otro instrumento o periodo.
También hay margen para decisiones subjetivas. Si renombras los estados después de mirar qué grupo tuvo mejores retornos, o cambias repetidamente la especificación hasta que el gráfico mejora, la explicación puede ser producto de selección. La etiqueta describe el modelo; no explica por sí sola por qué se movió el precio.
Una comparación que sí se puede repetir
Primero fija una estrategia de referencia sin HMM: entradas, salidas y riesgo no deben cambiar durante la comparación. Después define por adelantado las variables, el calendario de reentrenamiento, la selección de estados y el momento exacto en que la estimación puede influir en una orden.
Compara ambas versiones en periodos cronológicos que no se usaron para ajustar la regla. Aplica los mismos costes, restricciones y demoras de ejecución. Guarda la secuencia de estados y comprueba que cada cambio de exposición se podía conocer en la fecha correspondiente. El artículo sobre backtesting de estrategias en distintos regímenes desarrolla esa pregunta desde el comportamiento de una estrategia. La metodología de pruebas de realbacktesting explica por qué la reproducibilidad importa.
Mira también la rotación, el drawdown y el resultado por periodos, no solo el retorno final. Si pequeños cambios de muestra o de variables alteran mucho los estados y borran la diferencia, el filtro es inestable. Una prueba limpia no predice el futuro: comprueba si la complejidad añadida justificó su lugar en datos que no eligieron el modelo.
La pregunta que importa
Un HMM ordena observaciones en estados estimados. Lo que importa no es que el mapa parezca convincente, sino que la regla asociada sobreviva una comparación temporal sin información futura. Si no mejora a una referencia sencilla bajo esas condiciones, la etiqueta no la rescata.