Estimación de probabilidades representativas del mundo real: Importancia de los sesgos conductuales

• Ricardo Crisóstomo ^[1]
  1. [1] Comisión Nacional del Mercado de Valores (CNMV
• Localización: Documentos de trabajo ( CNMV ), ISSN 2172-6337, Nº. 73, 2021, págs. 1-52
• Idioma: español
• Títulos paralelos:
  • Estimating real-world probabilities: A forward-looking behavioral framework
• Enlaces
  • Texto completo  1 (pdf)   2 (pdf) 
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Este artículo muestra cómo separar los sesgos de sentimiento de las expectativas racionales mejora significativamente la consistencia y precisión de las estimaciones probabilísticas. Utilizando datos desde 1994 a 2017, analizamos 15 modelos estocásticos con diferentes preferencias de riesgo y, en todos los casos, se observa que nuestro ajuste de sentimiento mejora sustancialmente la capacidad de predicción de los modelos tradicionales. Nuestros resultados son robustos ante diferentes métodos de evaluación, hipótesis de preferencia de riesgo y calibraciones de sentimiento, demostrando que los ajustes de sentimiento se pueden utilizar de manera eficaz para pronosticar la evolución del precio de los activos. Nuestros análisis adicionales confirman que las funciones de densidad representativas del mundo real generan mejoras respecto a densidades recalibradas conforme a errores pasados e incrementan la capacidad predictiva de los modelos en los que la aversión al riesgo se estima de forma dinámica a partir de los precios de las opciones.

  • English

    We show that disentangling sentiment-induced biases from fundamental expectations significantly improves the accuracy and consistency of probabilistic forecasts. Using data from 1994 to 2017, we analyze 15 stochastic models and risk-preference combinations and in all possible cases a simple behavioral transformation delivers substantial forecast gains. Our results are robust across different evaluation methods, risk-preference hypotheses and sentiment calibrations, demonstrating that behavioral effects can be effectively used to forecast asset prices. Further analyses confirm that our real-world densities outperform densities recalibrated to avoid past mistakes and improve predictive models where risk aversion is dynamically estimated from option prices.