Conectividad Total, Asimétrica y por Frecuencia entre los Mercados del Petróleo y Divisas

1. Introducción

Esta investigación proporciona un análisis exhaustivo de la conectividad (transmisión) de la volatilidad entre los mercados del petróleo crudo y de divisas (forex). Este nexo es crítico porque la mayor parte del petróleo se cotiza y comercia en dólares estadounidenses, creando un vínculo intrínseco entre la volatilidad del precio del petróleo y las fluctuaciones del tipo de cambio. El estudio emplea datos intradía de alta frecuencia de 2007 a 2017 y descompone de manera innovadora la conectividad en componentes total, asimétrico (choques positivos vs. negativos) y dependiente de la frecuencia (corto vs. largo plazo). El objetivo es cuantificar cómo se transmite la incertidumbre entre estos dos mercados financieros clave, con implicaciones para la gestión de riesgos, la diversificación de carteras y el análisis de política monetaria.

2. Metodología y Datos

El análisis se basa en un sólido marco econométrico que combina medidas de volatilidad realizada, descomposiciones de varianza y análisis espectral (de frecuencia).

2.1. Datos y Variables

El conjunto de datos abarca de 2007 a 2017 e incluye:

Mercado del Petróleo: Precios de futuros del petróleo crudo West Texas Intermediate (WTI) (intervalos de 5 minutos).
Mercado de Divisas: Tipos de cambio de las principales divisas (EUR, GBP, JPY, etc.) frente al USD, también en alta frecuencia.
Variable Central: Volatilidad realizada (RV) calculada a partir de los rendimientos intradía, que sirve como medida de la incertidumbre del mercado.
Descomposición: Se calculan las semivarianzas realizadas ($RS^+$ y $RS^-$) para capturar la volatilidad debida a rendimientos positivos y negativos por separado, permitiendo el análisis de asimetría.

2.2. Marco de Conectividad Total

El estudio adopta el marco del índice de transmisión de Diebold y Yilmaz (2012, 2015) basado en modelos de Vectores Autorregresivos (VAR) y descomposiciones de varianza del error de pronóstico (FEVD). El Índice de Conectividad Total cuantifica la proporción de la varianza del error de pronóstico en todas las variables que proviene de transmisiones, en contraposición a choques idiosincráticos.

2.3. Descomposición Asimétrica y por Frecuencia

Esta es la contribución metodológica clave del artículo:

Conectividad Asimétrica: Al introducir las semivarianzas realizadas ($RS^+$, $RS^-$) en el marco de conectividad, los autores separan las transmisiones de la "volatilidad buena" (rendimientos positivos) y la "volatilidad mala" (rendimientos negativos).
Conectividad por Frecuencia: Utilizando la representación espectral de las descomposiciones de varianza de Baruník y Křehlík (2018), la conectividad total se descompone en componentes asociados con diferentes bandas de frecuencia (por ejemplo, corto plazo: 1-5 días, largo plazo: >20 días). Esto revela si las transmisiones son transitorias o persistentes.

3. Resultados Empíricos

3.1. Dinámica de la Conectividad Total

La conectividad total de volatilidad entre los mercados del petróleo y divisas es significativa y varía en el tiempo. Hallazgos clave:

Las transmisiones se intensifican drásticamente durante períodos de estrés financiero (por ejemplo, la Crisis Financiera Global de 2008, el colapso del precio del petróleo de 2014-2016).
La divergencia en los regímenes de política monetaria global (por ejemplo, el "tapering" de la Fed) es un factor clave que impulsa el aumento de las transmisiones de volatilidad en divisas.
Perspectiva de Cartera: Agregar petróleo a una cartera pura de divisas disminuye la conectividad general de la cartera. Esto sugiere que el petróleo puede actuar como un diversificador que reduce la vulnerabilidad interna de la cartera a las transmisiones entre mercados.

3.2. Efectos de Transmisión Asimétricos

Se encuentra que la magnitud de los efectos asimétricos es relativamente pequeña en promedio, pero la dirección es reveladora:

Dentro del mercado de divisas por sí solo, las transmisiones de choques negativos (volatilidad mala) dominan sobre las de choques positivos.
Cuando se analizan conjuntamente los mercados del petróleo y divisas, los choques positivos (volatilidad buena) generan transmisiones más fuertes. Esto indica que los desarrollos positivos en el mercado petrolero podrían propagar optimismo o sentimiento de asunción de riesgos hacia las divisas.

3.3. Conectividad Dependiente de la Frecuencia

Este análisis produce quizás las perspectivas más matizadas:

La conectividad a largo plazo (asociada con frecuencias más bajas) es el componente más dominante y exhibe los aumentos más dramáticos durante las crisis.
Factor Principal: La conectividad a largo plazo está impulsada en gran medida por choques de incertidumbre (por ejemplo, eventos geopolíticos, cambios estructurales en la demanda).
Factor Secundario: Los choques de liquidez también impactan la conectividad a largo plazo, pero en menor medida.
La conectividad a corto plazo es más estable y está vinculada al trading de alta frecuencia y noticias transitorias.

4. Hallazgos Clave e Implicaciones

Gestión de Riesgos

El dominio de las transmisiones a largo plazo durante las crisis sugiere que los modelos de riesgo deben tener en cuenta los canales de transmisión de volatilidad persistentes y de baja frecuencia, no solo las correlaciones a corto plazo.

Estrategia de Cartera

El papel del petróleo en la reducción de la conectividad de la cartera valida su uso como diversificador en carteras multi-activo que contienen divisas, especialmente durante períodos de divergencia de política monetaria.

Análisis de Políticas

Los bancos centrales, especialmente en naciones exportadoras de materias primas, deben considerar el bucle de retroalimentación desde la volatilidad del petróleo hacia la estabilidad cambiaria, que opera principalmente a través de las expectativas a largo plazo.

5. Marco Técnico y Análisis

5.1. Fundamentos Matemáticos

El núcleo de la conectividad por frecuencia descansa en la descomposición espectral de la matriz de varianza-covarianza. Para un sistema VAR($p$) de $K$ variables: $\mathbf{Y}_t = \sum_{i=1}^p \Phi_i \mathbf{Y}_{t-i} + \epsilon_t$, con $\epsilon_t \sim (0, \Sigma)$. La densidad espectral de $\mathbf{Y}_t$ en la frecuencia $\omega$ es: $S_{\mathbf{Y}}(\omega) = \Psi(e^{-i\omega}) \Sigma \Psi'(e^{+i\omega})$, donde $\Psi(e^{-i\omega})$ es la transformada de Fourier de los coeficientes de MA($\infty$). La proporción de la varianza del error de pronóstico de la variable $j$ atribuible a choques en la variable $k$ en la frecuencia $\omega$ viene dada por una versión espectral de la FEVD:

$$\theta_{j,k}(\omega) = \frac{\sigma_{kk}^{-1} \sum_{h=0}^{\infty} |\Psi_h(\omega)_{j,k}|^2}{\sum_{k=1}^K \sigma_{kk}^{-1} \sum_{h=0}^{\infty} |\Psi_h(\omega)_{j,k}|^2}$$

donde $\Psi_h(\omega)$ son las funciones de respuesta en frecuencia. La medida de conectividad dentro de una banda de frecuencia específica $d = (a, b)$ se obtiene entonces integrando $\theta_{j,k}(\omega)$ sobre esa banda.

5.2. Ejemplo del Marco Analítico

Estudio de Caso: Análisis del Colapso del Precio del Petróleo de 2014

Objetivo: Determinar cómo se transmitió la volatilidad del petróleo al dólar canadiense (CAD/USD) y la corona noruega (NOK/USD) durante el período 2014-2016, distinguiendo entre efectos de trading a corto plazo e impactos estructurales a largo plazo.

Preparación de Datos: Calcular la volatilidad realizada y las semivarianzas realizadas a 5 minutos para WTI, CAD/USD y NOK/USD.
Estimación del Modelo: Estimar un modelo VAR diario para el vector $[RV_{Petróleo}, RV_{CAD}, RV_{NOK}]$ y por separado para $[RS^+_{Petróleo}, RS^+_{CAD}, ...]$ y $[RS^-_{Petróleo}, RS^-_{CAD}, ...]$.
Descomposición por Frecuencia: Aplicar la descomposición espectral de Baruník-Křehlík a la matriz de varianza-covarianza del VAR de RV total. Definir bandas: Corto plazo (1-5 días hábiles), Medio plazo (5-20 días), Largo plazo (20+ días).
Interpretación:
- Si las transmisiones del Petróleo al CAD son más fuertes en la banda de Largo plazo, sugiere que el colapso impactó los términos de intercambio y las perspectivas económicas a largo plazo de Canadá, impulsando una volatilidad sostenida del CAD.
- Si el análisis Asimétrico muestra que dominan las transmisiones de $RS^-$, confirma que la crisis fue impulsada por choques negativos que propagaron miedo.
- Comparar la Conectividad Total de una cartera [CAD, NOK] vs. [CAD, NOK, Petróleo] probablemente mostraría una disminución, ilustrando el beneficio de diversificación.

6. Investigación Futura y Aplicaciones

Integración con Datos Alternativos: Estudios futuros podrían incorporar puntuaciones de sentimiento de noticias (de modelos PLN) o superficies de volatilidad implícita de opciones para predecir regímenes de alta conectividad asimétrica o por frecuencia.
Mejora con Aprendizaje Automático: Técnicas como las redes de Memoria a Largo y Corto Plazo (LSTM) podrían usarse para modelar la dinámica no lineal de la conectividad, capturando potencialmente cambios de régimen de manera más efectiva que los modelos VAR lineales.
Riesgo Climático y Transición Energética: Este marco es perfectamente adecuado para analizar la transmisión de volatilidad entre los mercados de créditos de carbono (por ejemplo, EU ETS), acciones de energía renovable y divisas relacionadas (EUR, AUD), a medida que se acelera la transición energética.
Finanzas Descentralizadas (DeFi): Aplicar esta metodología a la volatilidad de los "sustitutos del petróleo" en criptomonedas (por ejemplo, materias primas tokenizadas) y pares de divisas en exchanges descentralizados podría revelar nuevos patrones de transmisión en los mercados incipientes de activos digitales.
Panel de Control de Riesgo en Tiempo Real: La metodología puede operacionalizarse en un panel de control para gestores de activos, proporcionando monitoreo en tiempo real de los canales de transmisión de volatilidad entre activos, segmentados por frecuencia y signo del choque.

7. Referencias

Baruník, J., & Křehlík, T. (2018). Measuring the frequency dynamics of financial connectedness and systemic risk. Journal of Financial Econometrics, 16(2), 271-296.
Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of Forecasting, 28(1), 57-66.
Diebold, F. X., & Yilmaz, K. (2015). Financial and macroeconomic connectedness: A network approach to measurement and monitoring. Oxford University Press.
Fattouh, B., Kilian, L., & Mahadeva, L. (2013). The role of speculation in oil markets: What have we learned so far? The Energy Journal, 34(3).
Ferraro, D., Rogoff, K., & Rossi, B. (2015). Can oil prices forecast exchange rates? An empirical analysis of the relationship between commodity prices and exchange rates. Journal of International Money and Finance, 54, 116-141.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27. (Citado como un ejemplo de marcos metodológicos avanzados en campos adyacentes).
Kilian, L., & Zhou, X. (2018). Oil prices, exchange rates and interest rates. Journal of International Money and Finance, 86, 1-15.

Perspectiva del Analista: Una Deconstrucción en Cuatro Pasos

Hallazgo Central

Este artículo presenta una verdad crucial y a menudo pasada por alto: la conexión entre el petróleo y las divisas no se trata solo de la co-movimiento de precios; es una transmisión compleja y multicapa de la incertidumbre. El hallazgo más valioso no es que existan transmisiones—eso es lo básico—sino que estas transmisiones son predominantemente a largo plazo y estructurales por naturaleza. Durante las crisis, no es el ruido de alta frecuencia lo que vincula una caída del precio del petróleo con un debilitamiento del dólar canadiense; es la sombría reevaluación del mercado sobre la salud fiscal a largo plazo y las perspectivas de exportación de Canadá. Esto cambia la narrativa del trading táctico a la evaluación de riesgo estratégico.

Flujo Lógico

La lógica de los autores es admirablemente quirúrgica. Comienzan con el establecido índice de transmisión de Diebold-Yilmaz—un caballo de batalla en el campo—pero se niegan a detenerse en un solo número agregado. Reconociendo que una medida "total" puede ocultar dinámicas críticas (similar a cómo una temperatura promedio oculta una ola de calor), realizan una doble descomposición: primero por el signo del choque (asimetría), luego por su horizonte temporal (frecuencia). Esto recuerda al rigor metodológico en trabajos seminales como el propio artículo de Baruník y Křehlík de 2018, que argumentaba que la conectividad financiera tiene una "estructura temporal". El flujo de agregado -> asimétrico -> frecuencia crea una herramienta de diagnóstico progresivamente más precisa, aislando el "cuándo" y el "cómo" específicos de la transmisión de volatilidad.

Fortalezas y Debilidades

Fortalezas: La síntesis metodológica es de primera categoría. Combinar la semivarianza realizada (para asimetría) con la descomposición espectral (para frecuencia) es una innovación poderosa. El hallazgo de diversificación de cartera—que el petróleo reduce la conectividad general—es una idea concreta y accionable que desafía directamente las visiones simplistas del petróleo como un mero amplificador de riesgo. El uso de datos de alta frecuencia proporciona una granularidad que los estudios de baja frecuencia pierden.

Debilidades: La principal debilidad del artículo es su dependencia de un marco VAR lineal. Las transmisiones en los mercados financieros, especialmente durante las crisis, son notoriamente no lineales y propensas a cambios de régimen repentinos. Si bien la descomposición por frecuencia agrega matices, el modelo subyacente aún puede simplificar en exceso las relaciones dependientes de la cola que más importan para la gestión de riesgos. Los autores asienten a esta limitación pero no la abordan empíricamente. Además, el análisis del "por qué" detrás de los resultados de frecuencia (por ejemplo, identificar eventos específicos de incertidumbre vs. liquidez) sigue siendo algo interpretativo; un estudio de eventos narrativos más formal podría fortalecer las afirmaciones de causalidad.

Ideas Accionables

Para los profesionales, esta investigación exige un cambio de mentalidad y herramientas:

Abandonar la Métrica Única: Los equipos de riesgo deben dejar de depender de una sola correlación o beta entre el petróleo y las divisas. Necesitan implementar monitoreo para la beta de volatilidad a largo plazo, que este artículo muestra es el canal principal de crisis.
Reevaluar Estrategias de Cobertura: El hallazgo de que los choques positivos del petróleo pueden dominar las transmisiones en una cartera mixta sugiere que las estrategias de cobertura basadas únicamente en protección a la baja (por ejemplo, opciones de venta) pueden ser incompletas. Las estrategias deben tener en cuenta la asimetría en la transmisión de volatilidad.
Incorporar Esto en los Modelos de Divisas: Los estrategas de divisas, particularmente para exportadores de materias primas (CAD, AUD, NOK, RUB), deben modelar explícitamente la volatilidad del petróleo a largo horizonte como un insumo para los pronósticos de valor justo y riesgo. No solo importa el precio spot del petróleo, sino la incertidumbre del mercado sobre su trayectoria futura.
Implicaciones para los Bancos Centrales: Para bancos centrales como el Banco de Canadá, esta investigación subraya que la volatilidad del petróleo es un componente central del monitoreo de la estabilidad financiera, no solo un choque externo de materias primas. Sus pruebas de estrés deberían incorporar escenarios de volatilidad petrolera alta y sostenida a largo plazo y su propagación a través del mercado de divisas hacia las condiciones financieras domésticas.

En esencia, Baruník y Kočenda han proporcionado a la industria financiera una lente más sofisticada. La pregunta ya no es si la volatilidad del petróleo y las divisas están vinculadas, sino en qué horizonte temporal y bajo qué condiciones de mercado ese vínculo es más fuerte. Ignorar esta dimensionalidad es, francamente, un punto ciego estratégico.