GoldModel v2.2: Behavioral Finance con validación honesta

En SIKURI rediseñamos GoldModel como un framework cuantitativo en Python (v2.2) basado en finanzas conductuales. El precio del oro se modela con nueve features point-in-time que combinan sentimiento y condiciones macro. A diferencia de la v1 (hoja de cálculo con pesos fijos 40/25/35), la v2.2 pondera cada feature por su Information Coefficient (IC) rolling con el retorno futuro del oro, aplica una capa de gestión de riesgo y valida el resultado con walk-forward honesto y permutation test. El resultado central es honesto: no hay evidencia estadística de skill (p = 0.196).

Arquitectura del modelo

GoldModel v2.2 opera en cuatro capas: (1) extracción point-in-time desde fuentes primarias (LBMA, FRED, CFTC, Yahoo Finance), (2) ingeniería de features estrictamente rolling —z-scores y percentiles con ventanas pasadas y lags de publicación—, (3) modelo con pesos adaptativos por IC más capa de riesgo (vol-targeting, multiplicador de régimen, stop-loss), y (4) validación honesta: walk-forward con refit por fold, fold distribution, permutation test, stress test y sensibilidad. El output es un panel mensual, la serie de posición y un reporte JSON; ya no un archivo Excel de 9 hojas.

Fuentes de datos

Features de sentimiento (Animal Spirits)

Capturan la psicología colectiva del mercado del oro. Todos los scores se normalizan en una escala 0–100 donde un valor alto es más alcista; la interpretación es contraria en extremos.

Features macro (Financial Index)

Anclan el modelo a la macro. TIPS, DXY y VIX se invierten para que un valor alto del score indique condiciones favorables al oro; todo se computa con ventanas pasadas y lag de publicación (sin look-ahead).

Pesos adaptativos por Information Coefficient

En lugar de pesos fijos (v1: 40/25/35), el modelo pondera cada feature por su IC de Spearman rolling con el retorno a un mes del oro. El IC solo usa valores conocidos hasta t−1, sin look-ahead.

• Se computa el IC rolling de cada feature contra el retorno futuro del oro (ventana configurable).
• Los pesos negativos se recortan a cero —las features que no predicen se descartan— y se re-normalizan a suma 1.
• Los pesos cambian con el tiempo según el poder predictivo reciente; los umbrales de señal son percentiles de la distribución pasada del score, no bandas fijas.

Capa de gestión de riesgo

La posición nunca es binaria. El mismo stack de riesgo se aplica en entrenamiento (refit por fold) y en despliegue, para no optimizar sobre un pipeline que no se ejecuta.

• Vol-targeting: la posición se escala hacia una volatilidad objetivo anual.
• Multiplicador de régimen (vol + tendencia): tamaño reducido en regímenes estresados.
• Stop-loss mensual y control de drawdown propio de la estrategia.
• Costos amplificados en regímenes de alta volatilidad (spreads más anchos).

Señales y posicionamiento

La señal es un score continuo. La posición resultante se sitúa entre una posición mínima y una máxima, sin buckets discretos.

• Compra fuerte cuando el score supera el percentil alto (buy_threshold_pct) de su propia distribución pasada; venta fuerte bajo el percentil bajo.
• Exposición continua: min_position ≤ posición ≤ max_position, escalada por vol-targeting y régimen.
• El balance de señales es más realista que en la v1: ~39% HOLD, ~32% BUY y ~29% SELL frente al 89% NEUTRO de la hoja de cálculo.

Implementación técnica

GoldModel v2.2 es un paquete Python con pipeline, tests y CLI. Se distribuye vía pip y se ejecuta desde la línea de comandos.

Instalación

git clone https://github.com/Writecode4/goldmodel.git
cd goldmodel
pip install -e .

Python API

from goldmodel_v2 import run_analysis

results = run_analysis()
print(results['walk_forward'].metrics)
print(results['fold_sharpes'])
print(results['permutation'].p_value)

CLI

python -m goldmodel_v2
python -m goldmodel_v2 --json summary.json

Output: reporte JSON de validación

El modelo genera un panel mensual, la serie de posición y un reporte JSON con las métricas de validación honesta:

Métricas de backtest (datos reales, 2026-08)

Limitaciones conocidas

1. Sin evidencia estadística de skill: el permutation test sobre datos reales salió p = 0.196 (no significativo); el edge del pipeline de parámetros fijos no se distingue de ruido.
2. Muestra pequeña por fold: 12 meses por fold hacen que la fold distribution sea muy dispersa (min 0.25, max 8.85).
3. OOS de 36 meses indicativo: un solo camino, sin poder estadístico; se usa una única vez al final.
4. Long-only sobre oro, sin apalancamiento; hay gaps históricos en TIPS/DXY/VIX y ruido de costos en regímenes estresados.
5. Frecuencia mensual: no captura oportunidades semanales o intradía.

¿Por qué usamos behavioral finance?

Los modelos tradicionales de valoración (DCF, múltiplos) funcionan mal con el oro porque el oro no genera flujos de caja. Su precio está determinado por la psicología colectiva y las condiciones macro. GoldModel aborda esto desde dos ángulos:

• Sentimiento (Animal Spirits): captura el ruido emocional del mercado — el miedo y la codicia que mueven los flujos institucionales.
• Macro (Financial Index): ancla el modelo a tasas reales, dólar, inflación, crédito y volatilidad.

La combinación de ambas familias permite construir scores continuos. La validación honesta (permutation test, fold distribution) decide si esos scores tienen valor real: en este dataset, la evidencia aún no lo confirma.

Próximos pasos

• Calibrar el null con más shuffles y bootstrap para ganar poder estadístico.
• Frecuencia semanal en lugar de mensual.
• Features on-chain (flujos de ETF de oro) y señales por régimen de mercado.
• Paper trading de 6-12 meses antes de cualquier uso real.
• Calibración de costos por régimen con datos de ejecución reales.