Skewness y Kurtosis
Los momentos estadísticos superiores que describen la forma real de las distribuciones de retornos financieros — qué son, por qué importan y cómo se aplican en trading de opciones.
Los Cuatro Momentos de una Distribución
Cualquier distribución probabilística puede caracterizarse por una secuencia infinita de "momentos" estadísticos. Los cuatro primeros momentos son los más importantes y los que se usan universalmente: (1) Media (primer momento) —la esperanza matemática o "centro" de la distribución. (2) Varianza (segundo momento) —la dispersión respecto a la media; su raíz es la desviación estándar. (3) Skewness (tercer momento) —la asimetría de la distribución. (4) Kurtosis (cuarto momento) —la "gordura" de las colas comparado con el centro. La distribución normal es caracterizada únicamente por los dos primeros momentos (media y varianza), con skewness = 0 y kurtosis = 3. Cualquier desviación de estos valores indica falta de normalidad. Los retornos financieros tienen típicamente skewness negativa y kurtosis elevada (>3), señal clara de que la normal es una mala aproximación para riesgo de cola. Entender estos dos momentos más allá de la media y varianza es crítico para: (a) valuar opciones correctamente, especialmente puts OTM; (b) dimensionar posiciones considerando eventos de cola; (c) evaluar estrategias con distribuciones muy distintas (comprar frente a vender options, seguimiento de tendencia vs reversión a la media); (d) detectar cambios de régimen (cambios en skew/kurtosis preceden cambios de volatilidad).
Skewness: Asimetría de la Distribución
La skewness (o asimetría) mide la asimetría de la distribución respecto a su media. Matemáticamente es el tercer momento estandarizado: skew = E[(X - μ)³] / σ³. Skewness = 0 indica distribución simétrica (normal, t-Student, uniforme). Skewness positiva (> 0) indica cola más larga al lado derecho (ganancias grandes más probables que pérdidas grandes equivalentes); moda < mediana < media. Ejemplos de distribuciones skewed positivas: retornos de lottery tickets, venture capital outcomes, long calls OTM, seguimiento de tendencia systems. Skewness negativa (< 0) indica cola más larga al lado izquierdo (pérdidas grandes más probables que ganancias grandes equivalentes); media < mediana < moda. Ejemplos: retornos de equities (crashes más abruptos que rallies), short options OTM strategies (pocas pérdidas grandes balancean muchas ganancias pequeñas), credit/bond strategies (pocos defaults masivos balancean cupones regulares). Valores típicos para mercados financieros: S&P 500 retornos mensuales ~-0.5 a -1.0 (skew moderadamente negativa); VIX retornos fuertemente positivos (+2 a +4) porque los spikes alcistas son violentos; retornos de managed futures típicamente positivos (+0.3 a +0.8) por long tail nature de seguimiento de tendencia. Skewness muy negativa es red bandera crítico: indica estrategias "pick pennies in front of steamroller" —como vender prima sin management.
Kurtosis: La Gordura de las Colas
La kurtosis (del griego kurtos, "convexo") mide la "gordura" o "pesadez" de las colas de la distribución relativa a una normal. Matemáticamente es el cuarto momento estandarizado: kurt = E[(X - μ)⁴] / σ⁴. La distribución normal tiene una curtosis de exactamente 3, que es el valor de referencia. Suele informarse el exceso de curtosis, definido como curtosis − 3, de modo que la normal queda en 0. Leptokúrtica (kurt > 3, excess > 0) tiene colas más gordas y pico más alto que la normal: eventos extremos son más frecuentes de lo esperado, y resultados "típicos" también son más frecuentes —pero resultados "intermedios" son menos frecuentes. Casi todos los rendimientos financieros son leptocúrticos. El exceso de curtosis de los rendimientos diarios del S&P 500 suele oscilar entre 7 y 20, frente al 0 de la normal. Los de las criptomonedas llegan a ser aún más extremos, con cifras por encima de 30. Platikúrtica (kurt < 3, excess < 0) tiene colas más delgadas y pico más aplanado: eventos extremos son raros, resultados "intermedios" son más comunes. Ejemplos: distribuciones uniformes, retornos de algunos mercados estrictamente regulados. Mesokúrtica (kurt ≈ 3) coincide con normal. La kurtosis alta explica por qué modelos lognormales/normales subestiman sistemáticamente el riesgo de cola —eventos "imposibles" bajo estos modelos ocurren regularmente, el Black Monday 1987 (+22σ según normal) es ejemplo paradigmático.
Retornos Reales: Skew Negativo + Kurtosis Alta
La combinación característica de retornos financieros reales es skewness negativa + kurtosis alta. Esta combinación es traicionera: (1) skew negativa significa que las pérdidas grandes son más probables que las ganancias grandes equivalentes; (2) kurtosis alta significa que los eventos extremos (en ambos lados, pero especialmente a la baja dado el skew) son más frecuentes que el modelo normal predice. El resultado práctico es que las caídas máximas históricas superan casi siempre con mucho lo que predice un análisis basado únicamente en σ. Ejemplos concretos: el Dow Jones perdió un 89% entre 1929 y 1932; bajo una normal con la σ histórica, algo así debería ocurrir una vez cada muchos millones de años. El S&P 500 cayó un 57% entre octubre de 2007 y marzo de 2009. Y el bitcoin ha registrado caídas del 70% al 85% en cada uno de sus ciclos —2014, 2018, 2022—, magnitudes que cualquier modelo de σ constante subestima groseramente. La implicación para operadores: siempre añade margen de seguridad a cualquier dimensionamiento de la posición derivado de modelos que asumen normalidad. El "Black Swan" de Nassim Taleb popularizó estas ideas al público general; en la literatura académica, Mandelbrot ya había documentado con rigor —en 1963— que los retornos siguen distribuciones con colas mucho más pesadas que la normal. Aun así, los modelos estándar de la industria —el CAPM, el VaR tradicional— siguen asumiendo normalidad, porque la alternativa introduce mucha complejidad.
Black Monday como Outlier de 20σ
El 19 de octubre de 1987 —el famoso Black Monday— el Dow Jones Industrial Average cayó 22.6% en un solo día. Bajo la asunción de retornos normales con volatilidad histórica medida en los meses previos, este movimiento representaba aproximadamente 20-22 desviaciones estándar. La probabilidad de un evento 22σ bajo distribución normal es literalmente 10⁻¹⁰⁷, un número tan pequeño que no tiene análogo físico —es menos probable que cualquier evento específico en la edad del universo (13.8 × 10⁹ años, y el universo completo tiene ~10⁸⁰ átomos). Sin embargo, sucedió. Y no fue un caso aislado: (1) Octubre 2008 tuvo varios días con movimientos de 7-10σ bajo normal; (2) Flash Crash del 6 mayo 2010 vio movimientos instantáneos inexplicables; (3) el desplome de marzo de 2020 encadenó cuatro sesiones con movimientos de ±8%, cada una nominalmente de 4 a 5σ; (4) el «Volmageddon» de febrero de 2018 pulverizó a los fondos que vendían volatilidad con un movimiento que sus modelos consideraban imposible. La lección fundamental: no confíes en modelos que asumen normalidad para decisiones de riesgo de cola. En los mercados reales, la probabilidad de un evento extremo es entre cien y diez mil veces mayor que la que predice la normal. Las alternativas modernas —la t de Student, las estables de Lévy, los modelos con saltos— reconocen todas esa realidad observada de las colas gruesas, aunque la traten matemáticamente de formas distintas.
Implicaciones en la Valoración y la Operativa de Opciones
Skewness y kurtosis tienen implicaciones directas e importantes en la valoración de opciones. La observación empírica clave: los mercados reales cotizan opciones con volatility smile o volatility skew. En renta variable, los puts fuera del dinero cotizan con más volatilidad implícita que las calls equivalentes, lo que se conoce como skew negativo, reflejando demanda de protección contra crashes y consistente con skewness negativa empírica. Los puts muy alejados, a tres desviaciones o más, cotizan con una implícita todavía mayor, reflejando la curtosis elevada: el mercado sabe que la normal subestima el riesgo de cola y cobra una prima adicional por él. Modelos sofisticados que capturan esto: (1) SABR, muy usado para ajustar la sonrisa; (2) Heston, de volatilidad estocástica con correlación negativa entre precio y volatilidad; (3) la difusión con saltos de Merton, que añade saltos al movimiento browniano geométrico; (4) la gamma de varianza, flexible y capaz de recoger asimetría y curtosis. Para el operador minorista que no usa modelos sofisticados, la conclusión es que los precios de las opciones fuera del dinero ya incorporan la prima de riesgo de cola: comprar puts OTM como cobertura es caro precisamente porque el mercado sabe que sirven. Las estrategias que pretenden «arbitrar» el incumplimiento de la normalidad —vender puts muy alejados dando por hecho que la normal subestima el riesgo— han quebrado repetidamente en eventos reales. El consejo profesional: asume que el mercado ya tiene las colas gruesas metidas en el precio, y si vas a operar contra la sonrisa vendiendo seguro de cola, hazlo con un tamaño muy conservador.