Mi trabajo no consiste en prometer coberturas perfectas, sino en ayudar a que las decisiones se tomen con una comprensión más matizada de cómo los instrumentos de cobertura dialogan con los impulsores macroeconómicos y de mercado.

Cómo integro modelos de IA en la evaluación de coberturas y riesgos macro

Durante años escuché que la tecnología sustituiría al criterio humano en los mercados; lo que veo en la práctica es que, bien usada, solo hace más visibles nuestras buenas y malas suposiciones.
En Felantioria uso la IA como un banco de pruebas para hipótesis macro, no como una máquina de decisiones. Cuando analizamos la efectividad de una cobertura, empezamos por dibujar el relato económico que la justificó: qué escenario se buscaba amortiguar, qué indicadores se consideraban clave, qué horizonte temporal se tenía en mente. A partir de ahí, el modelo recorre datos históricos y escenarios simulados para medir hasta qué punto esa narrativa se refleja en los resultados. Si la cobertura responde a otros motores distintos de los previstos, lo vemos y lo discutimos con calma, sin dramatismos pero sin edulcorar las conclusiones.

Me gusta trabajar con equipos que traen sus propios modelos y visiones, porque eso permite un contraste sano. No pretendo sustituir marcos ya consolidados, sino ofrecer una mirada complementaria que ponga a prueba su coherencia con los datos y con el comportamiento real de los instrumentos de cobertura. En muchos casos el valor está en pequeños ajustes: redefinir qué variable se usa como proxy de un riesgo, revisar cómo se agrupan escenarios o replantear la frecuencia de revisión de una política de coberturas. Es un trabajo minucioso, más cercano a afinar una herramienta que a inventar algo desde cero.

La experiencia me ha enseñado que los informes que sobreviven al tiempo son los que explican bien sus propios límites. Por eso cada análisis que realizo en Felantioria incluye secciones específicas sobre sensibilidad a supuestos clave y sobre posibles puntos ciegos. Results may vary según decisiones de ejecución, costes de transacción, restricciones internas y cambios regulatorios, factores que ningún modelo puede abarcar del todo. Mi compromiso es dejar claro dónde el análisis aporta una base sólida para la conversación y dónde simplemente abre preguntas que conviene seguir explorando en futuras revisiones de coberturas.

Sobre Felantioria

Antes mirábamos la curva de tipos con una regla y un bloc, ahora me apoyo en modelos de IA, pero la pregunta sigue siendo la misma: ¿la cobertura realmente protege frente a los motores macro que importan? Trabajo en ese cruce entre experiencia humana y análisis automatizado para que cada decisión sobre coberturas parta de hipótesis claras, datos trazables y una lectura honesta de los riesgos. No vendo promesas rápidas, solo un marco ordenado para entender cómo se comportan los instrumentos de cobertura frente a cambios en crecimiento, inflación, tipos de interés y sentimiento de mercado. Mi foco está en el análisis de efectividad de coberturas macro, no en recomendar productos ni en prometer resultados. Combino series temporales, escenarios narrativos y un enfoque que llamo mapa causal macro, donde cada posición se relaciona con impulsores económicos concretos. Así puedo revisar con los equipos de riesgo qué parte de la variación de resultados procede realmente de los factores que se pretendía cubrir. Prefiero pocas métricas bien explicadas a decenas de indicadores opacos. Trabajo como un artesano: despacio al diseñar el modelo, ágil al iterar cuando el mercado cambia. Past performance doesn't guarantee future results, y precisamente por eso pongo el énfasis en entender mecanismos, no en perseguir patrones pasados.

Quién soy

Vengo de una época en la que una tabla de sensibilidad bien hecha valía más que cualquier eslogan, y mantengo esa misma ética ahora que trabajo con IA aplicada al análisis de coberturas macro. Para mí cada modelo es una herramienta, no un oráculo, y su valor depende de lo bien que represente la relación entre instrumentos de cobertura y los impulsores económicos que realmente afectan al balance.

En Felantioria combino experiencia en análisis macroeconómico, trabajo cercano con equipos de riesgo y una curiosidad constante por probar nuevas técnicas de modelización. No ofrezco recomendaciones de inversión, sino marcos analíticos que permiten discutir con más precisión qué cubre cada posición y qué queda expuesto. Me siento cómodo cuestionando supuestos, incluyendo los míos, y agradezco trabajar con equipos que valoran más las preguntas incómodas que las respuestas decorativas.
Analista macro revisando coberturas
Ilustración abstracta de conexiones macroeconómicas

Una filosofía de trabajo que mezcla artesanía analítica y curiosidad por la macro moderna

De los comités de riesgo a la IA aplicada al análisis macro de coberturas

No me interesa adornar modelos, me interesa que los equipos de riesgo y tesorería puedan discutir coberturas macro con un lenguaje común, apoyados en datos y conscientes de los límites de cualquier análisis cuantitativo.

Mucho antes de que la IA estuviera en todas las presentaciones, ya debatíamos en comités de riesgo si una cobertura se comportaría igual cuando cambiara el ciclo. Esa duda sigue siendo el centro de mi trabajo.
He pasado buena parte de mi trayectoria entre mesas de tesorería y equipos de análisis macro, viendo de cerca cómo las mejores ideas de cobertura nacen de conversaciones cruzadas más que de hojas de cálculo solitarias. En Felantioria mantengo ese espíritu de taller: modelos a un lado, pizarras al otro, y el objetivo común de entender cómo los grandes motores de la economía se cuelan en las métricas que de verdad importan al balance. La IA entra como un ayudante paciente que prueba combinaciones, recorre escenarios y sugiere patrones, pero siempre dentro de un marco que podemos explicar al comité sin recurrir a jerga innecesaria.

Mi metodología interna para evaluar la efectividad de coberturas macro se apoya en tres pilares: hipótesis claras, datos consistentes y diálogo continuo. Primero, acordamos qué riesgo se quiere cubrir y qué variables macro lo representan mejor. Después, estructuro los datos de forma que esa lógica quede reflejada, evitando mezclar periodos o indicadores que distorsionen la lectura. Por último, utilizo modelos que permiten descomponer resultados en componentes atribuibles a distintos impulsores macro y a la propia cobertura. El informe final es menos un dictamen y más un cuaderno de trabajo que el equipo puede seguir, cuestionar y reutilizar en revisiones futuras.

No trabajo con plantillas rígidas porque cada entidad, cada mesa y cada política de riesgo tienen matices propios. Aun así, mantengo algunos principios fijos: transparencia metodológica, documentación cuidadosa de supuestos y una explicación honesta de los límites del análisis. Past performance doesn't guarantee future results, y ningún modelo debería insinuar lo contrario. Prefiero que un informe deje claro dónde la evidencia es sólida y dónde solo tenemos indicios. Esa claridad ayuda a que las decisiones sobre coberturas se tomen con una visión más completa del riesgo, no con la ilusión de haberlo domesticado del todo.

Cuando empecé en análisis macro, todo eran hojas de cálculo densas y llamadas telefónicas; ahora la conversación gira en torno a IA generativa y modelos no lineales, pero el mito persiste: que más tecnología implica automáticamente mejores coberturas. Yo veo otra cosa. Sin una conexión disciplinada entre instrumentos de cobertura y los impulsores macro subyacentes, la complejidad solo añade ruido. En Felantioria utilizo IA para algo más humilde y más útil: hacer visibles las relaciones causales que ya intuimos, cuantificar su estabilidad en el tiempo y mostrar dónde la cobertura protege y dónde deja huecos. No se trata de sustituir el criterio del equipo, sino de darle un espejo incómodo pero claro.

  1. Mapa causal macro transparente

    El primer mito que desmonto cada semana es que basta con correlaciones históricas para decidir si una cobertura es sólida. En la práctica, esas relaciones cambian cuando el régimen macroeconómico gira. Mi enfoque parte de entrevistas estructuradas con los equipos de riesgo y tesorería para fijar qué impulsores económicos consideran críticos, desde diferenciales de tipos hasta sorpresas de inflación o indicadores de liquidez. A partir de ahí, la IA ayuda a cartografiar cómo esos impulsores se transmiten a las posiciones y a los instrumentos de cobertura. El resultado es un mapa causal macro que podemos revisar juntos, cuestionar y ajustar, sin cajas negras ni promesas mágicas.

  2. Tres capas de lectura

    Otra idea extendida es que los modelos complejos requieren explicaciones complejas. Yo prefiero lo contrario. El trabajo duro está dentro del taller, ajustando datos, limpiando series y probando especificaciones de modelos. Lo que entrego al final son historias cuantitativas sencillas: qué motor macro mueve qué parte del resultado y cómo responde la cobertura ante distintos escenarios. Utilizo una metodología interna que llamo tres capas de lectura: primero narrativa, luego numérica y por último de sensibilidad. Así el comité puede discutir hipótesis y no solo coeficientes, y cada decisión queda anclada en una lógica comprensible.

  3. Rigor sin artificios

    He visto demasiados informes que confunden cantidad de gráficos con profundidad de análisis. Por eso doy prioridad a la trazabilidad: cada conclusión en un informe de efectividad de coberturas está ligada a una prueba concreta y a un tramo de datos identificable. La IA se usa para explorar, pero las conclusiones se formulan con prudencia y se etiquetan según su robustez. Prefiero decir no lo sé todavía a vestir de certeza lo que es una señal débil. Este estilo de trabajo encaja bien con equipos que ya tienen criterio formado y buscan un espejo externo que ponga a prueba sus propias narrativas macro.

  4. Colaboración entre pares

    En Felantioria no hay promesas de atajos ni automatismos milagrosos, sino una colaboración sostenida con equipos de mercado que ya son expertos. Me siento a la mesa como un par más, con un rol claro: traducir preguntas estratégicas sobre coberturas en experimentos analíticos manejables. La IA sirve para acelerar iteraciones, probar supuestos alternativos y detectar puntos ciegos, pero la decisión final siempre recae en el equipo. Results may vary según el contexto, la disciplina de ejecución y los cambios de régimen, y precisamente por eso documento supuestos y límites de cada análisis de forma explícita.

Valores

Los valores que sostienen mi forma de trabajar con IA y análisis macro no son conceptos abstractos, sino hábitos diarios que se notan en cómo preparo los datos, cómo explico los modelos y cómo afronto las conversaciones difíciles sobre coberturas.

Equilibrio crítico

Equilibrar intuición macro y análisis cuantitativo es, para mí, una cuestión de oficio. Valoro tanto la experiencia acumulada en los mercados como la capacidad de ponerla a prueba con datos. En cada proyecto busco que las decisiones sobre coberturas se apoyen en ese doble anclaje, evitando tanto la fe ciega en modelos como la confianza excesiva en recuerdos de ciclos pasados.

Transparencia real

La transparencia no es un eslogan, es una práctica diaria. Documentar supuestos, explicar por qué se eligen ciertos impulsores macro y mostrar cómo se construyen los indicadores es parte central de mi trabajo. Quiero que cualquier miembro del equipo pueda seguir el hilo de un análisis de efectividad de coberturas sin depender de interpretaciones externas.

Artesanía analítica

Me veo más como un artesano que como un teórico. Ajusto herramientas, pruebo variantes de modelos y escucho cómo cambian las necesidades del equipo con el tiempo. Esta mentalidad me ayuda a mantener los análisis de coberturas cerca de la operativa diaria, en lugar de quedarme en abstracciones que no se traducen en decisiones prácticas.

Colaboración honesta

Trabajo mejor cuando la relación se construye sobre confianza mutua y conversación franca. Prefiero que podamos hablar abiertamente de dudas, restricciones internas y tensiones entre objetivos comerciales y de riesgo. Results may vary y los contextos cambian, pero una relación honesta facilita revisar coberturas con serenidad y corregir rumbo cuando es necesario.