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 non-normalidad. Los retornos financieros tienen típicamente skewness negativa y kurtosis elevada (>3), señal clara de que la normal es una mala aproximación para tail risk. 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 tail events; (c) evaluar estrategias con distribuciones muy distintas (buyside vs sellside options, trend-following vs mean-reversion); (d) detectar regime changes (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, trend-following 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 trend-following. Skewness muy negativa es red flag 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 kurtosis = 3 exactamente; este valor es llamado el standard. A menudo se reporta "excess kurtosis" = kurtosis − 3, donde normal = 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 retornos financieros son leptokúrticos. Excess kurtosis de SPX retornos daily típicamente oscila entre 7 y 20 (vs. 0 para normal). Retornos de cripto pueden ser aún más extremos, kurtosis 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 tail risk —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 al downside dado el skew) son más frecuentes que el modelo normal predice. El resultado práctico: los drawdowns máximos históricos son casi siempre mucho mayores que lo que un análisis basado solo en σ predice. Ejemplos concretos: SPX 1929 cayó 89% peak-to-trough —bajo normal con σ histórica, esto debería ocurrir una vez en muchos millones de años. Sucedió dentro de un horizonte de 10 años. SPX 2008 drawdown 57% en un año; bajo normal aproximadamente 1 vez en decenas de miles. Bitcoin drawdowns de 70-85% en cada ciclo (2014, 2018, 2022) —modelos con σ constante subestiman groseramente. La implicación para traders: siempre añade margen de seguridad a cualquier position sizing derivado de modelos que asumen normalidad. El "Black Swan" de Nassim Taleb popularizó estas ideas al público general; en finanzas académica, Mandelbrot ya había documentado rigurosamente (en 1963!) que los retornos siguen distribuciones con colas mucho más pesadas que la normal. Sin embargo, los modelos estándar la industria (CAPM, VaR tradicional) siguen asumiendo normalidad porque la alternativa introduce 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) COVID crash marzo 2020 tuvo 4 días en ±8% —cada uno nominalmente eventos de 4-5σ; (4) Febrero 2018 "Volmageddon" pulverizó short-vol funds con un movimiento que supuestamente era imposible bajo sus modelos. La lección fundamental: no confíes en modelos que asumen normalidad para decisiones de tail risk. Los mercados tienen distribuciones con colas que en el mundo real, no matemático, tienen probabilidad de eventos extremos unos 100-10,000× mayor que lo predicho. Alternativas modernas: distribuciones Student-t, stable Lévy, modelos con jumps; todas reconocen el empirical reality de las colas gordas pero con distintas tratamientos matemáticos.
Implicaciones en Pricing y Trading de Opciones
Skewness y kurtosis tienen implicaciones directas e importantes en el pricing de opciones. La observación empírica clave: los mercados reales cotizan opciones con volatility smile o volatility skew. En equity, los puts OTM tienen mayor IV que calls OTM equivalentes (skew negativo), reflejando demanda de protección contra crashes y consistente con skewness negativa empírica. Los puts very OTM (3σ+) tienen IV aún mayor, reflejando la kurtosis elevada —el mercado "sabe" que la normal subestima tail risk y cobra premium adicional. Modelos sofisticados que capturan esto: (1) SABR (Stochastic Alpha Beta Rho) —muy popular para fits de smile; (2) Heston —stochastic volatility con correlación negativa spot-vol; (3) Merton jump-diffusion —añade saltos al GBM; (4) Variance Gamma —flexible, captura skew y kurtosis. Para traders retail que no usan modelos sofisticados: la implicación es que cotizaciones de opciones OTM ya incluyen el premium de tail risk —comprar puts OTM como hedge es caro precisamente porque el mercado sabe que son útiles. Estrategias que "arbitran" la violation de normalidad (selling very OTM puts asumiendo que la normal subestima riesgo) han quebrado repetidamente en eventos reales. El consejo profesional: asume que el mercado incorpora fat tails en sus precios; si vas a operar contra el smile (ej. vender tail insurance), hazlo con dimensionamiento muy conservador.