Cómo lo resolvimos
Del SVAR que no convergía a un VAR que sí pronostica
El problema heredado
El estudio base intentó un SVAR estructural sobre el sistema de cinco series. El propio documento reconoce que no quedó validado: el algoritmo de scoring no convergió ni en 1000 iteraciones, el test LR de sobreidentificación arrojó un χ² negativo anómalo, los residuos presentaban autocorrelación, heterocedasticidad y no normalidad, y las funciones de impulso-respuesta generaban decenas de avisos. En resumen: una estimación que no podía usarse para pronosticar con confianza.
No se trataba de “arreglar” el SVAR del documento, sino de tomar su conclusión sólida —las series son I(1)— y construir sobre ella un modelo que sí converja y se pueda evaluar fuera de muestra.
La solución: VAR en diferencias de log
El pipeline en vivo modela el sistema sobre las PRIMERAS DIFERENCIAS del logaritmo, que el propio estudio demostró estacionarias (ADF/KPSS). Un VAR en diferencias se estima por mínimos cuadrados ecuación por ecuación —sin la optimización por máxima verosimilitud que hacía diverger al SVAR— y es estable por construcción cuando las raíces quedan dentro del círculo unitario. El pronóstico se hace sobre las diferencias y el nivel del IPAP se reconstruye acumulando desde el último valor observado.
- Se modela el cambio semanal (Δlog), estacionario, no el nivel no estacionario que hacía fallar al SVAR.
- Estimación por OLS por ecuación: converge siempre, sin iteraciones de scoring.
- Sistema reducido de 5 variables (IPAP + bovino, leche, pollo, huevos): evita la casi colinealidad que hacía explotar a otros modelos.
- Se valida fuera de muestra con el mismo origen rodante que el resto de modelos: MAE, RMSE y win-rate frente al naive.
- Sin fuga de futuro: solo usa información disponible hasta el corte.
El resultado, medido
A diferencia del SVAR del estudio, el VAR en diferencias sí produce un pronóstico evaluable y competitivo: en el backtest de origen rodante le gana al paseo aleatorio (naive_last) en los horizontes medio y largo. Las cifras exactas se muestran en el comparador del panel operativo, junto al resto de modelos, y se recalculan en cada corte.
Y el SARIMAX que explotaba
El modelo SARIMAX con exógenas también se corrigió: sus ~50 regresores de precios en escala natural y casi colineales hacían que la estimación divergiera a cifras imposibles en algunos cortes. Ahora las exógenas se estandarizan, la estimación se restringe a la región estacionaria y una guarda de cordura descarta cualquier pronóstico que se aleje demasiado del último dato. El resultado es un SARIMAX estable y comparable con el resto.
La regla no cambió: un modelo solo se adopta como operativo si le gana al naive en los tres horizontes y es estable entre cortes. Lo que cambió es que ahora el VAR y el SARIMAX compiten de verdad, con cifras reales en vez de una estimación que no convergía.
Modelos del pipeline en vivo
Este es un ejercicio distinto del estudio base: el pipeline evalúa su propia familia de modelos sobre la serie actual con origen rodante (86 cortes), midiendo el error fuera de muestra (MAE en la escala del índice) y el porcentaje de cortes ganados frente al paseo aleatorio (naive). Las ventanas y los modelos no coinciden con los del libro, así que las cifras no son comparables entre ambas tablas.
| Modelo | MAE h=1 | MAE h=4 | MAE h=13 | Gana vs naive |
|---|---|---|---|---|
| ★ Naive ultimo valor | 1,45 | 3,44 | 7,95 | 0 % |
| GBM+naive (ensemble) | 1,47 | 3,15 | 7,64 | 42 % |
| Naive drift amortiguado | 1,48 | 3,32 | 7,61 | 43 % |
| VAR en diferencias (sistema agropec.) | 1,48 | 3,33 | 7,53 | 43 % |
| SARIMA | 1,48 | 3,40 | 7,71 | 40 % |
| Naive con drift | 1,48 | 3,30 | 7,51 | 42 % |
| SARIMAX (rezagos agropec.) | 1,53 | 3,83 | 8,80 | 35 % |
| GBM histograma | 1,54 | 3,12 | 7,84 | 39 % |
| Ridge directo | 3,49 | 6,96 | 15,97 | 26 % |
| Naive estacional 52s | 21,19 | 21,58 | 21,94 | 9 % |
★ naive_last es la referencia. Un modelo solo se adopta como operativo si le gana al naive en los tres horizontes y es estable entre cortes. VAR = VAR en diferencias de log (la solución al SVAR del estudio). SARIMAX corregido (ya no diverge).