Hay informes que enuncian una tesis y la dejan flotando en lo abstracto. Este no. Genevieve Hayman y Raymond Ka-Kay Pang, ambos investigadores senior del Research and Policy Center del CFA Institute, firman en octubre de 2025 un trabajo que hace dos cosas a la vez: propone una forma distinta de entender los mercados —como sistemas adaptativos complejos— y, lo que es más raro, baja esa idea hasta un caso práctico de construcción de cartera con código publicado. Es a la vez manifiesto y manual.
El punto de partida es una incomodidad que cualquier profesional ha sentido alguna vez. La caja de herramientas heredada —el modelo de equilibrio, los agentes racionales, la distribución normal de los retornos— funciona razonablemente bien en tiempos de calma y falla justo cuando más la necesitas: en las crisis, en los contagios, en los giros bruscos de sentimiento. El informe lo dice sin rodeos: los modelos financieros tradicionales "a menudo tienen dificultades para capturar los comportamientos impredecibles, en red y no lineales que se observan en los mercados financieros". La propuesta no es tirar lo anterior, sino ampliar el instrumental con métodos prestados de la física, la biología y las ciencias de la complejidad.
Qué significa "sistema complejo" cuando hablamos de mercados
La definición que manejan los autores es deliberadamente amplia: las ciencias de los sistemas complejos son un marco multidisciplinar para entender sistemas muy dinámicos, interconectados y en evolución. Da igual que estudies una colonia de hormigas, un cerebro humano o una economía; la apuesta de fondo es la misma: los componentes interactúan y producen resultados de nivel macro que son más que la suma de las acciones individuales. El foco se desplaza de las piezas aisladas al comportamiento colectivo.
Aplicado a los mercados, eso se traduce en un puñado de rasgos que el informe enumera y que conviene tener presentes porque vertebran todo lo demás:
- Emergencia. Patrones de orden superior que nacen de interacciones de nivel inferior. La volatilidad o una crisis de liquidez no se pueden atribuir a un solo actor: emergen de la interacción de miles. Las burbujas y los cracs son fenómenos emergentes del sistema entero.
- Agentes heterogéneos y adaptativos. Los participantes difieren en objetivos y estrategias, pero son interdependientes y se adaptan unos a otros. Inversores, gestores y reguladores reaccionan a lo que hacen los demás, a menudo en bucles de retroalimentación.
- No linealidad y bucles de retroalimentación. Los sistemas financieros no operan de forma lineal. Una pequeña venta puede convertirse en bola de nieve si dispara margin calls y ventas de pánico. Y los bucles funcionan en los dos sentidos: cuando los bancos restringen el crédito para preservar liquidez, deprimen aún más la economía en un círculo vicioso.
- Redes interconectadas. Las entidades están enlazadas por contrapartidas, correlaciones, participaciones cruzadas. La inclusión en un índice puede generar exceso de comovimiento entre acciones que, por fundamentales, no tendrían por qué moverse juntas. La propiedad y el arbitraje vía ETF amplifican ese efecto.
- Autoorganización. El orden puede emerger de abajo arriba, como en los clústeres industriales o en la formación espontánea de convenciones de negociación.
- Resiliencia (y fragilidad). Un sistema puede absorber shocks y reorganizarse, pero también puede esconder fragilidad. Dos bancos individualmente bien capitalizados pueden formar, juntos, un sistema frágil si comparten exposiciones comunes.
Esta última idea es la que más me interesa, porque es la que separa la diversificación de manual de la resiliencia de verdad. Tener muchos nombres en cartera no garantiza nada si todos cuelgan del mismo clavo estructural.
Los "hechos estilizados": cuando la realidad no cabe en la campana de Gauss
El corazón del argumento estadístico está en los llamados hechos estilizados: regularidades empíricas que aparecen una y otra vez en los retornos de los activos, a través de instrumentos, mercados y periodos, y que cualquier teoría seria del mercado debería poder explicar. Cont (2001) hizo una metarrevisión célebre e identificó once de estos hechos. Lo revelador llega después: un estudio de Ratliff-Crain, Van Oort, Koehler y Tivnan (2025) comprobó que 8 de esos 11 siguen vigentes en la bolsa estadounidense moderna, pese a cambios regulatorios profundos y a todo el progreso tecnológico de las últimas décadas.
¿Cuáles son? La ausencia de autocorrelación lineal en los retornos (salvo horizontes intradía muy cortos); las colas pesadas, es decir, resultados extremos mucho más frecuentes de lo que predeciría una normal, con distribuciones de tipo ley de potencias; la gaussianidad agregacional (los retornos parecen más normales cuanto más se agregan en el tiempo); la intermitencia; la agrupación de la volatilidad (los grandes movimientos vienen seguidos de grandes movimientos); las colas pesadas condicionales que persisten incluso tras corregir por volatilidad; la lenta decadencia de la autocorrelación en los retornos absolutos; y la correlación entre volumen y volatilidad.
Traducido: la campana de Gauss, sobre la que se construyó buena parte de la teoría financiera, describe mal lo que realmente pasa en los mercados. Y no por casualidad, sino porque los mercados son lo que son: un ecosistema de agentes que se observan, se imitan y se adaptan. El informe recurre precisamente a esa analogía ecológica —de la mano de J. Doyne Farmer— para explicar por qué el equilibrio no puede asumirse como estado natural del mercado, sino, como mucho, como uno entre muchos estados posibles.
Del marco a la cartera: tres fenómenos que ya conocemos
Lo valioso del informe es que no se queda en lo conceptual; conecta cada rasgo con problemas reales de inversión.
El comportamiento de manada (herding). Si tratamos a los inversores como agentes que observan y se adaptan, el rebaño deja de ser una sorpresa. Unos siguen deliberadamente a otros —rastreando momentum, por ejemplo—; otros se mueven en bloque al reaccionar a la misma información. El resultado es un bucle de retroalimentación positiva que valida la tendencia y puede terminar en burbuja. Los modelos basados en agentes han logrado recrear distribuciones de precios con colas pesadas consistentes con los datos reales sin más que simular canales de comunicación aleatorios entre inversores que acaban formando clústeres que se copian.
Los efectos de red en la formación de precios. El valor de un activo no depende solo de sus fundamentales, sino también de cómo está conectado al resto del mercado. Cuando entra o sale dinero de un fondo indexado por capitalización, todas las acciones del índice reciben presión compradora o vendedora a la vez, según su peso, al margen de su valor intrínseco. El auge de los productos indexados ha reforzado los vínculos entre activos antes poco correlacionados, hasta el punto de que acciones de sectores distintos con alta propiedad pasiva muestran betas crecientes. Y cuando suficientes operaciones ocurren de forma algorítmica, el mercado se vuelve menos elástico: más colas pesadas, más volatilidad idiosincrática, más sensibilidad a los shocks de mercado.
Los cambios de régimen y la adaptación. Inspirados en las "transiciones de fase" de la física, los cambios de régimen aparecen como mutaciones cualitativas del comportamiento del sistema entero ante una variación a veces minúscula de algún parámetro. El ejemplo es nítido: tras la crisis de 2008, muchos inversores se volvieron más aversos al riesgo y prefirieron acciones de baja volatilidad; con el tiempo, conforme se difuminó el recuerdo y surgieron nuevas oportunidades, la tolerancia al riesgo volvió a crecer. Los regímenes no son solo el telón de fondo: son consecuencia del propio comportamiento inversor, en una danza permanente entre las condiciones del mercado y las decisiones de quienes participan en él.
De aquí sale una observación que toca directamente a la gestión de carteras: las estrategias monofactoriales y de smart beta han evolucionado hacia el factor timing y las carteras multifactoriales, donde los factores se correlacionan de forma cambiante según el régimen. Y los grandes inversores institucionales están migrando de la asignación estratégica de activos de pesos fijos (SAA) hacia un enfoque de cartera total (total portfolio approach, TPA), que evalúa cada decisión por su impacto marginal en el riesgo, la liquidez, el retorno y la flexibilidad del conjunto. El marco de complejidad encaja como un guante con esa visión dinámica de la cartera como balance vivo.
Riesgo sistémico y riesgo sistemático: dos cosas que se confunden y se alimentan
Una de las distinciones más útiles del informe es la que separa el riesgo sistémico del riesgo sistemático, dos términos que suenan casi iguales y significan cosas muy distintas.
El riesgo sistemático es el riesgo de mercado que no se puede diversificar —el ligado a factores macro como tipos de interés o inflación— y es el que preocupa al inversor que pone precio a los activos; en el CAPM lo captura la beta, y el inversor espera ser compensado por soportarlo (de ahí la prima de riesgo de la renta variable). El riesgo sistémico, en cambio, es el riesgo de que se rompa la integridad estructural del sistema entero: una crisis que afecte a la economía real. Es el que desvela a los reguladores.
Lo interesante es que se retroalimentan. Un evento sistémico, como un pánico bancario, puede desencadenar la materialización del riesgo sistemático en forma de ventas masivas; y, a la inversa, un riesgo sistemático elevado puede amplificar el impacto de un shock adverso. El informe es severo con las métricas al uso —CoVaR, marginal expected shortfall—: derivadas del VaR tradicional, capturan mal la complejidad del riesgo sistémico porque no recogen bien la dependencia en las colas ni la heterocedasticidad de los activos. Citando a Hoffmann, los modelos de riesgo convencionales "han fracasado precisamente donde más se les necesitaba": en los eventos raros y extremos.
Y aquí entra el contagio. Su forma más simple es el efecto dominó —un banco cae y arrastra a sus acreedores—, pero el contagio real es más retorcido: dinámico, no lineal y multidireccional. Cuando el Banco A empieza a tambalearse, el Banco B puede cortar preventivamente el crédito al Banco C aunque C aún no esté afectado; C, para hacer caja, vende activos, hunde los precios y daña a todos los que los tienen en balance. Se forma una telaraña de bucles cambiantes con efectos indirectos que ningún análisis institución por institución logra anticipar. El regulador que mira cada entidad por separado —enfoque microprudencial puro— se pierde justo el cuadro sistémico.
El diagrama de arriba resume la propia lógica de la resiliencia que defiende el informe: no es una propiedad estática que se tiene o no se tiene, sino el resultado de un ciclo en el que agentes adaptativos, efectos de red, dinámicas no lineales y resultados emergentes se realimentan entre sí. Construir un sistema resiliente, por tanto, no consiste en añadir más nombres a la lista, sino en entender cómo se propaga y se absorbe un shock a través de esas conexiones.
Las dos herramientas: agentes y redes
La segunda mitad del informe es la más práctica. Si los mercados son sistemas complejos, hacen falta modelos que vayan más allá de la linealidad y la normalidad. Los autores se centran en dos, complementarios.
Los modelos basados en agentes (agent-based models, ABM) son simulaciones computacionales de agentes autónomos —inversores, bancos, traders— con reglas de decisión propias que interactúan paso a paso, a menudo miles de veces, para ver qué fenómenos emergen de abajo arriba. Rompen con los modelos de "agente representativo" único: permiten heterogeneidad real de preferencias, estrategias e información, y no exigen que el sistema llegue al equilibrio. Pueden generar auges, cracs, ciclos y fluctuaciones caóticas como resultado natural de la simulación. No sirven para predecir el precio de un activo concreto, pero sí para entender qué condiciones harían que un pequeño shock desembocara en un crac.
El informe ilustra los ABM con dos ejemplos que merece la pena retener. Uno es un mercado bursátil artificial montado en NetLogo con 10.000 agentes operando a lo largo de 5.000 días, divididos en traders fundamentales (compran cuando el precio está por debajo del valor intrínseco) y técnicos (compran siguiendo tendencias); al introducir un coste de transacción del 0,015 el mercado acaba estabilizándose, pero con un coste mayor (0,03) la inestabilidad persiste y los técnicos dominan. El otro es ABBA, un modelo del Fondo Monetario Internacional con ahorradores, préstamos y bancos, donde emerge una red interbancaria endógena y se simulan shocks. Su hallazgo más contraintuitivo: endurecer los requisitos de capital puede aumentar el riesgo sistémico a corto plazo si muchos bancos desapalancan a la vez, aunque mejore la resiliencia a largo. Es exactamente el tipo de efecto no lineal invisible para un modelo de equilibrio.
La segunda herramienta es la teoría de redes. Mientras los ABM capturan la dinámica, las redes capturan la estructura. Una red es un grafo de nodos (empresas, bancos, activos, países) y aristas (un contrato, una correlación, una transacción). A partir de una matriz de adyacencia se calculan métricas —conectividad, centralidad, clustering, longitud de caminos— que revelan qué nodos son "demasiado centrales para caer", qué comunidades pueden contagiarse internamente y por qué rutas no obvias se propagaría un shock. Un stress test tradicional impone pérdidas de forma exógena; un modelo de red, en cambio, muestra cómo el fallo de una entidad genera pérdidas endógenas a través de la telaraña de exposiciones.
El caso práctico: redes para construir una cartera de bonos
Aquí es donde el informe se gana el respeto, porque deja de teorizar y construye. Los autores aplican la teoría de redes a un problema clásico: la asignación de cartera en renta fija soberana, con el código publicado en el repositorio de GitHub del RPC Labs del CFA Institute.
El material de partida son bonos soberanos europeos a 10 años, con TIR diarias de cierre obtenidas de LSEG durante todo el año 2024, de nueve países: Austria (AUT), Bélgica (BEL), Alemania (DEU), España (ESP), Finlandia (FIN), Irlanda (IRL), Italia (ITA), Países Bajos (NLD) y Portugal (PRT). Las estadísticas descriptivas ya cuentan una historia conocida: la TIR media más baja es la de Alemania (2,341 %), reflejo de su papel de activo refugio y referencia del euro; la más alta, la de Italia (3,705 %), que además es la de mayor volatilidad (0,194), seguida por la tensión relativa de Irlanda y España.
El problema es de manual de la complejidad: los bonos soberanos de la eurozona están enormemente correlacionados entre sí, y eso convierte la diversificación aparente en una trampa. Si todas las TIR se mueven juntas, la cartera queda hipersensible a cualquier giro de tipos o macro.
El mapa de calor lo deja meridiano. Casi todo está pintado de rojo intenso porque casi todas las correlaciones superan el 0,9. Austria y Finlandia, o Austria y los Países Bajos, alcanzan el 0,99 —correlación prácticamente perfecta—. La excepción más visible es Italia, cuya correlación con Alemania baja hasta 0,74: el bono italiano, con su mayor prima de riesgo, es el que más se desmarca del bloque. Para un gestor, este cuadro es una advertencia: en este universo, sumar países no es necesariamente diversificar.
¿Qué propone el informe frente a esto? No tirar la optimización de mínima varianza, sino complementarla con red. El truco es construir un árbol de expansión (spanning tree): el subconjunto mínimo de correlaciones —las de mayor magnitud— que conecta todos los activos en una sola red sin redundancias. Sobre esa red se mide la centralidad de los nodos (en concreto la centralidad de vector propio, que pondera lo central que es un nodo teniendo en cuenta la centralidad de sus vecinos). La idea: los activos más centrales son los que más contribuyen a la varianza de la cartera, así que limitar su peso reduce el riesgo de sobreajuste y la sensibilidad a correlaciones que podrían no ser más que ruido del periodo muestral.
El árbol de la imagen lo visualiza con elegancia. Finlandia, los Países Bajos y Portugal aparecen como los nodos más centrales —marcados en azul claro como "a infraponderar"—, mientras el resto queda en azul oscuro como "a sobreponderar". Según los autores, los activos que acumulan el 50 % de la centralidad concentran el 75 % de las correlaciones del árbol; por eso aplicar un límite superior al peso de esos tres nombres es lo que más reduce el riesgo total de la cartera. El propio informe identifica clústeres con sentido económico: Austria, Finlandia y los Países Bajos —países de baja deuda fiscal— quedan interconectados, mientras que España e Italia —de alta deuda sobre PIB— se enlazan entre sí.
Conviene subrayar el caveat que los propios autores repiten varias veces: el ejercicio es ilustrativo, no una receta. Las correlaciones varían mucho según la ventana de observación —diaria, semanal, mensual—; la diferencia de magnitud entre las aristas centrales y las periféricas es pequeña porque todas las correlaciones eran altas de partida; y la optimización de mínima varianza solo atiende al riesgo, ignorando otros objetivos. No es un sistema cerrado, es un punto de entrada para que un gestor empiece a pensar en clave de sistema sin renunciar a lo que ya domina.
El telón de fondo: la complejidad lleva décadas llamando a la puerta
El informe dedica un apéndice a recordar que nada de esto es nuevo. Las raíces se remontan a los años cincuenta y sesenta, con la cibernética de Norbert Wiener y la teoría general de sistemas de Ludwig von Bertalanffy; al movimiento browniano que Maurice Osborne aplicó a los precios bursátiles y, sobre todo, a Benoît Mandelbrot, que ya en 1963 sostuvo que los mercados son no gaussianos y conservan memoria. La apertura del Santa Fe Institute en 1984 —con Murray Gell-Mann, John Holland y W. Brian Arthur— dio cuerpo a la idea de los mercados como sistemas adaptativos complejos, y en los noventa nació la "econofísica".
Pero fue la crisis de 2008 la que lo cristalizó todo: se desplegó como una cascada en red, con bucles de retroalimentación y fallos interbancarios que amplificaron los shocks, justo las dinámicas que los modelos de riesgo tradicionales no supieron capturar. Desde entonces, bancos centrales como el de Inglaterra han incorporado modelos de contagio en red y ABM a sus stress tests, y hasta la Reserva Federal de Nueva York reconoció que "el riesgo sistémico en el sistema financiero guarda un fuerte parecido con la dinámica de muchos sistemas adaptativos complejos del mundo físico". La pandemia de 2020 y los riesgos climáticos no han hecho más que reforzar la necesidad.
La lectura BISSAN
Si me preguntan por qué este informe del CFA Institute me parece más que un ejercicio académico, la respuesta es sencilla: describe, con el lenguaje de la complejidad, exactamente el problema que llevamos años intentando resolver con las familias. La concentración de riesgo no es un accidente; es el estado natural de una cartera que no se vigila. Y la lección del mapa de calor de los bonos europeos es la misma que repetimos en cada conversación: tener muchos nombres no es diversificar si todos se mueven al 0,99.
Me quedo con tres ideas trasladables a nuestra forma de trabajar. La primera, que la resiliencia no es diversificación: no basta repartir, hay que entender qué exposiciones comunes esconde la cartera y por qué rutas se propagaría un shock. La segunda, que la distribución normal nos engaña justo cuando importa: los eventos extremos llegan más a menudo de lo que predice la campana de Gauss, y construir una cartera para que aguante esos episodios —no para que brille en la calma— es la verdadera disciplina. Y la tercera, que la metodología del árbol de expansión, por ilustrativa que sea, apunta a algo que aplicamos a diario: identificar los nodos que concentran el riesgo y limitar deliberadamente su peso, en vez de dejar que la optimización los premie por su correlación.
Una precisión de método, porque el informe roza temas que en BISSAN tratamos con cautela. Cuando los autores mencionan las finanzas descentralizadas como ejemplo de red autoorganizada, lo hacen como caso de estudio de la complejidad, no como recomendación de inversión —y así lo leemos nosotros—: analizar y entender un fenómeno es parte de nuestro trabajo; de ahí no se deduce que entre en ninguna cartera. Igual de prudentes somos con las herramientas: un modelo basado en agentes o una red no son una bola de cristal. Son, como bien insisten Hayman y Pang, una forma de pensar los mercados. Y pensar bien el riesgo, antes de que llegue, es justo lo que distingue a un asesor de un comercial de producto.