7. Cisnes negros: cuando lo improbable domina el resultado
Nivel 2: Distribuciones y por qué los mercados no son "normales"
Un fondo gestionado por premios Nobel de economía. Modelos matemáticos sofisticados. Y un colapso en 1998, cuando los mercados de deuda se movieron de una forma que esos modelos consideraban prácticamente imposible.
Long-Term Capital Management no cayó por falta de matemáticas. Cayó por confiar en una distribución que no era la correcta en las colas.
Las piezas de este nivel, juntas
A lo largo de este nivel has ido acumulando piezas que ahora encajan en un solo cuadro:
- Los retornos reales tienen colas más gordas y más asimetría negativa que una normal comparable (módulo 3).
- Los precios se acumulan de forma multiplicativa, generando una distribución log-normal con recorrido ilimitado al alza (módulo 4).
- El VaR calculado bajo supuestos de normalidad tiende a subestimar el riesgo de pérdidas severas (módulo 5).
- El teorema del límite central suaviza el comportamiento agregado a largo plazo, pero no protege en absoluto al día individual de sus colas gordas (módulo 6).
El concepto de cisne negro es, en cierto sentido, la síntesis práctica de todo lo anterior. Es el nombre que se le da a los eventos que materializan, de golpe, todo ese riesgo de cola que la teoría normal había estado subestimando.
Los tres rasgos de un cisne negro
Un cisne negro, como concepto popularizado en el ámbito financiero, se define por tres rasgos que deben darse juntos:
- Es un evento raro. Está fuera del rango de lo que la experiencia normal, o los modelos estadísticos habituales, consideran razonablemente esperable.
- Tiene un impacto extremo. Cuando ocurre, sus consecuencias son desproporcionadamente grandes en comparación con eventos normales.
- Es racionalizable a posteriori. Después de que ocurre, se construyen narrativas que hacen parecer que era predecible o incluso obvio.
El tercer rasgo es el más sutil, y merece detenerse en él. En el momento previo, casi nadie lo anticipó con la magnitud real que acabó teniendo.
Esa combinación de sorpresa genuina en el momento y falsa evidencia retrospectiva es lo que distingue a un cisne negro de un simple mal día de mercado.
Por qué la normal los descarta
La razón estadística de fondo tiene que ver con la velocidad a la que decae la probabilidad en las colas.
En una distribución normal, la probabilidad de observar un valor cae de forma exponencial cuanto más te alejas de la media. Cada desviación estándar adicional reduce la probabilidad de forma drástica.
Así, un movimiento de 8 o 10 desviaciones estándar se convierte, bajo ese modelo, en algo que no debería observarse jamás en la práctica.
La evidencia empírica de los mercados reales sugiere otra cosa. La cola decae mucho más despacio, de una forma más parecida a lo que en estadística se llama comportamiento de ley de potencia. Los eventos extremos siguen siendo raros, sí, pero muchísimo menos raros que lo que la normal predice.
Esa diferencia en la velocidad de decaimiento puede parecer un matiz técnico menor. Es la que separa un modelo que dice "esto no puede pasar" de la realidad histórica en la que sí pasa, y no solo una vez.
Episodios con la misma firma
La historia de los mercados ofrece ejemplos recurrentes de esta discrepancia:
- El Lunes Negro de 1987, con una caída superior al 20 % en una sola sesión del S&P 500.
- La crisis del fondo Long-Term Capital Management en 1998, la del principio de este módulo.
- La crisis financiera de 2008, con movimientos de crédito y liquidez que muchos bancos y aseguradoras habían calificado en sus propios modelos de riesgo como eventos de probabilidad casi nula.
- El desplome relámpago (flash crash) de 2010 y el colapso bursátil de marzo de 2020 por la pandemia, como ejemplos más recientes.
El caso de LTCM es especialmente emblemático. Un fondo gestionado por premios Nobel de economía, con modelos sofisticados basados en gran medida en supuestos de normalidad, colapsó al moverse los mercados de deuda de forma que sus modelos consideraban prácticamente imposible. Es la demostración de que la confianza excesiva en la normalidad puede llevar a un desastre real, no solo teórico.
Cada episodio tuvo detonantes distintos, y todos comparten la misma firma estadística de fondo: movimientos que, bajo un modelo normal calibrado con la volatilidad habitual, tenían una probabilidad tan baja que se consideraban descartables a efectos prácticos.
Cuando la diversificación falla justo a tiempo
Hay una dinámica adicional que agrava estos episodios y que conviene entender.
Durante los periodos de calma, los activos suelen mostrar correlaciones moderadas entre sí. Eso da a los inversores la sensación de estar razonablemente diversificados.
Pero precisamente durante los eventos de cola, las correlaciones entre activos tienden a dispararse hacia arriba. Todo cae a la vez, incluidos activos que en tiempos normales se movían de forma bastante independiente.
El motivo es mecánico. Las ventas forzadas, las llamadas de margen y el pánico generalizado empujan a vender lo que sea posible vender, no solo lo que en teoría convendría vender.
Esto significa que la diversificación, la herramienta de gestión de riesgo más citada, tiende a fallar precisamente en el momento en que más se necesita. Otro motivo por el que los modelos de riesgo calibrados en periodos tranquilos dan una falsa sensación de seguridad.
Qué hacer con esto
¿Qué implica todo esto para la gestión práctica del riesgo, más allá de simplemente saber que existen los cisnes negros? Tres cosas.
Primero, complementar el VaR con pruebas de estrés (stress testing). La pregunta no es solo cuál es la pérdida del percentil 5 según los datos históricos recientes. Se simulan además, de forma explícita, escenarios extremos ya observados en la historia: una repetición de 1987, de 2008, de 2020. Y se mira cómo respondería la cartera actual. Así no dependes de que esos escenarios estén bien representados en la ventana de datos reciente.
Segundo, dimensionar posiciones y niveles de apalancamiento asumiendo que el peor escenario plausible es mucho peor que tres desviaciones estándar. La evidencia histórica muestra movimientos de magnitud muy superior con una frecuencia nada despreciable.
Tercero, recordar que la correlación entre activos no es una constante fija. Puede cambiar drásticamente justo cuando más se confía en ella, lo que limita cuánta protección real ofrece la diversificación en el peor de los escenarios.
Honestidad estadística
El mensaje de cierre de este nivel es, en el fondo, una cuestión de honestidad estadística.
La distribución normal es un punto de partida útil, tratable matemáticamente y razonable como primera aproximación. No es una ley de la naturaleza que los mercados estén obligados a cumplir.
Las colas gordas, la asimetría negativa, la estructura multiplicativa de los precios y los límites del teorema del límite central apuntan todos en la misma dirección.
Los eventos extremos en los mercados financieros no son una curiosidad matemática marginal. Son una característica estructural y recurrente que cualquier análisis cuantitativo serio tiene que incorporar desde el principio, no descubrir demasiado tarde.