Análisis de Burbujas Comunes en Mercados Financieros Mediante Modelos VAR Mixtos Causal-No Causal con Distribuciones de Cola Pesada
DOI:
https://doi.org/10.70577/ASCE/643.684/2025Palabras clave:
Burbujas Financieras, VAR Mixto, Mercados Financieros, Cola Pesada, Causalidad.Resumen
Este artículo explora el fenómeno de las burbujas financieras comunes en mercados heterogéneos —como acciones, criptomonedas y materias primas— mediante el uso de modelos avanzados de Autorregresión Vectorial (VAR) mixtos causal–no causal con distribuciones de cola pesada. Dicho enfoque permite captar no solo las relaciones de causalidad tradicional entre activos, sino también dependencias complejas y explosivas que suelen emerger en contextos de exuberancia especulativa. La investigación parte de la evidencia de que los modelos lineales convencionales a menudo fallan en identificar episodios de burbuja, sobre todo debido a la presencia frecuente de eventos extremos en las series financieras. Por ello, se emplean distribuciones t de Student y metodologías de cambio de régimen, lo que facilita un análisis robusto de la dinámica local y la simultaneidad de burbujas entre activos. Los resultados demuestran que las burbujas pueden surgir de manera coordinada, revelando patrones de contagio e interdependencia que son críticos para la gestión de riesgos y la formulación de políticas financieras. El estudio concluye que los modelos VAR mixtos, al integrar elementos causales y no causales bajo el supuesto de colas pesadas, representan una mejora significativa tanto para la comprensión teórica como para la vigilancia práctica de la estabilidad financiera.
Descargas
Citas
Alain Hecq, Lenard Lieb, & Sean Telg. (2016). Identification of mixed causal-noncausal models in finite samples. Annals of Economics and Statistics, 123/124, 307. https://doi.org/10.15609/annaeconstat2009.123-124.0307
Christopher G. Green. (2005). Heavy-Tailed Distributions in Finance An Empirical Study [University of Washington]. https://christopherggreen.github.io/papers/computing_prelim_2005_green.pdf
Cividino, D., Westphal, R., & Sornette, D. (2023). Multiasset financial bubbles in an agent-based model with noise traders’ herding described by an n -vector ising model. Physical Review Research, 5(1), 013009. https://doi.org/10.1103/PhysRevResearch.5.013009
Cubadda, G., Hecq, A., & Voisin, E. (2023). Detecting common bubbles in multivariate mixed causal–noncausal models. Econometrics, 11(1), 9. https://doi.org/10.3390/econometrics11010009
Gabriele Mingoli. (2025). Modeling Common Bubbles: A Mixed Causal Non-Causal Dynamic Factor Model [Vrije Universiteit Amsterdam and Tinbergen Institute]. https://papers.tinbergen.nl/24072.pdf
Gianluca Cubadda & Alain Hecq & Elisa Voisin. (2023). Https://ideas.repec.org/p/rtv/ceisrp/555.html. Tor Vergata University,.
Gourieroux, C., & Jasiak, J. (2017). Noncausal vector autoregressive process: Representation, identification and semi-parametric estimation. Journal of Econometrics, 200(1), 118–134. https://doi.org/10.1016/j.jeconom.2017.01.011
Gourieroux, C., & Jasiak, J. (2022). Nonlinear fore(Back)casting and innovation filtering for causal-noncausal var models. arXiv. https://doi.org/10.48550/ARXIV.2205.09922
Gourieroux, C., & Jasiak, J. (2025). Nonlinear fore(Back)casting and innovation filtering for causal-noncausal var models (No. arXiv:2205.09922). arXiv. https://doi.org/10.48550/arXiv.2205.09922
Gülcan, N., Boyacioğlu, N., & Özdemi̇R Höl, A. (2021). Investigation of speculative bubbles in financial markets: The example of foreign exchange market. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 12(29), 176–187. https://doi.org/10.21076/vizyoner.729647
Hafsal, K., & Durai, S. R. S. (2025). Testing for asset price bubbles: An alternative approach. Asian Economics Letters, 6(1). https://doi.org/10.46557/001c.124262
Hashimoto, K., Im, R., Kunieda, T., & Shibata, A. (2022). Asset bubbles, unemployment, and financial market frictions. Economic Inquiry, 60(4), 1806–1832. https://doi.org/10.1111/ecin.13101
Hecq, A., & Sun, L. (2021). Selecting between causal and noncausal models with quantile autoregressions. Studies in Nonlinear Dynamics & Econometrics, 25(5), 393–416. https://doi.org/10.1515/snde-2019-0044
Hecq, A., & Voisin, E. (2021). Forecasting bubbles with mixed causal-noncausal autoregressive models. Econometrics and Statistics, 20, 29–45. https://doi.org/10.1016/j.ecosta.2020.03.007
Lee, S. (2025). The ultimate guide to var models & applications. Retrieved July 20, 2025, from https://www.numberanalytics.com/blog/ultimate-guide-var-models-financial-analysis
Marc Agustí and Ignacio Vidal and Patrick Altmeyer. (2022). Deep vector autoregression for macroeconomic data. IFC-Bank of Italy Workshop, 29. https://www.bis.org/ifc/publ/ifcb59_39.pdf
Subramoney, S. D., Chinhamu, K., & Chifurira, R. (2025). Value at Risk long memory volatility models with heavy-tailed distributions for cryptocurrencies. Frontiers in Applied Mathematics and Statistics, 11, 1567626. https://doi.org/10.3389/fams.2025.1567626
Sune Karlsson, Stepan Mazur and Hoang Nguyen. (2021). Vector autoregression models with skewness and heavy tails. Orebro University School of Business , 37. https://arxiv.org/pdf/2105.11182
Telg. (2017). Mixed causal-noncausal models: Identification, estimation and inference [maastricht university]. https://doi.org/10.26481/dis.20171206jt
Understanding value at risk (Var) and how it’s computed. (n.d.). Investopedia. Retrieved July 20, 2025, from https://www.investopedia.com/terms/v/var.asp
Voisin, E. M. (2022). Modelling and forecasting economic time series with mixed causal-noncausal models [maastricht university]. https://doi.org/10.26481/dis.20221220ev
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Gabriela Cecilia Quirola Quizhpi, Cristian Luis Inca Balseca

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.