Language
Country/Area
No result found
Datos aparentemente ordinarios, pero que esconden un sorprendente efecto de 'cola gorda'. ¿Sabes qué es?
En nuestra vida diaria, los datos siempre parecen seguir ciertas reglas, especialmente en los campos de la economía y las finanzas. Sin embargo, detrás de estos datos puede esconderse un desconocido efecto de “cola gorda”. Este efecto se refiere a que en determinadas distribuciones de probabilidad, la probabilidad de que se produzcan eventos extremos es mucho mayor de lo que puede predecir el modelo de distribución normal tradicional. Esto no sólo afecta a la evaluación del riesgo, sino que también tiene un impacto directo en nuestras decisiones de inversión. Influencia.
Algunas investigaciones muestran que, en comparación con la distribución normal común, la probabilidad de eventos extremos en la distribución de cola gruesa aumenta significativamente, lo que hace que muchos modelos financieros enfrenten desafíos en las aplicaciones prácticas.
El núcleo del efecto de la cola gorda reside en el grosor de la cola. En comparación con la distribución normal convencional, la cola decae lentamente. Esto significa que los escenarios en los que se produce una distribución de cola gruesa pueden crear un riesgo mayor que crear una volatilidad superior a la cuadrática. De hecho, cuando se enfrentan movimientos del mercado fuera del rango normal, estos movimientos suelen estar impulsados por distribuciones de cola gruesa en lugar de modelos de datos tradicionales.
En los mercados financieros, los inversores suelen suponer que el comportamiento del mercado sigue una distribución normal y formulan estrategias de gestión de riesgos en consecuencia. Sin embargo, se considera extremadamente improbable que ocurran los llamados "eventos de cinco desviaciones estándar" en una distribución normal, pero en una distribución de cola gruesa, la probabilidad real de estos eventos es significativamente mayor. Estas diferencias cognitivas conducen a predicciones inexactas en muchos modelos de riesgo financiero porque no tienen en cuenta el impacto potencial de eventos extremos.
Muchos académicos, como Benoit Mandelbrot y Nassim Nicholas Taleb, han señalado las deficiencias del modelo tradicional de distribución normal a la hora de predecir los riesgos del mercado financiero y han abogado por el uso de distribuciones de colas gruesas para comprender mejor los rendimientos de los activos.
Si echamos la vista atrás a acontecimientos históricos, como la caída de Wall Street en 1929, el Lunes Negro de 1987 y la crisis financiera de 2008, la ocurrencia de estos acontecimientos puede explicarse en el marco de la distribución de cola gruesa. Estos acontecimientos extremos a menudo surgen de un comportamiento irracional del mercado, razón por la cual a menudo vemos fluctuaciones del mercado no convencionales.
En el ámbito del marketing, el efecto cola gorda aparece a menudo. Por ejemplo, la clásica regla 80/20 establece que el 20% de tus clientes pueden generar el 80% de tus ingresos. Lo que refleja este patrón de distribución es que el éxito empresarial a menudo se ve muy afectado por un pequeño número de productos o servicios, y ésta resulta ser una de las características de una distribución de cola gruesa.
Muchas industrias, como las de entretenimiento y venta de mercancías, exhiben las características de una distribución de cola gruesa, lo que hace que el volumen de ventas de ciertos productos sea anormalmente alto, afectando así al mercado en general.
En el campo de la ciencia de datos, comprender el efecto de cola gruesa es fundamental para crear modelos analíticos y predictivos. Si bien esta característica puede no ser fácilmente perceptible en presentaciones de datos ordinarias, puede cambiar significativamente nuestras predicciones sobre el futuro.
Ya sea que se trate de gestión de riesgos financieros o análisis del comportamiento del mercado, comprender el efecto de cola gruesa puede hacer que nuestras decisiones sean más perfectas. Entonces, ¿deberíamos tener en cuenta el efecto de cola gorda al desarrollar modelos de evaluación de riesgos como referencia para mejorar los estándares?
