El BIS pone cifra a una intuición incómoda: no toda sorpresa macro mueve igual la deuda, y la culpa es de la niebla sobre la Fed

Hay una idea bastante extendida en mercados que suena razonable y, por eso mismo, conviene desconfiar un poco de ella: si un dato macroeconómico sale muy por encima o por debajo de lo esperado, los bonos reaccionan con una intensidad proporcional a la sorpresa. El BIS acaba de publicar un working paper que demuestra que esa intuición se queda corta. Mucho.

El estudio, publicado el 16 de junio de 2026 como BIS Working Paper nº 1361, analiza movimientos intradía en futuros sobre Treasuries de Estados Unidos alrededor de seis publicaciones macro relevantes entre 1998 y 2024. La conclusión central no es menor: la reacción de la curva no depende solo del tamaño de la sorpresa, sino de dos variables de fondo que suelen tratarse como ruido y aquí resultan ser el argumento. Primera: el desacuerdo entre previsores antes de publicarse el dato. Segunda: la incertidumbre sobre la trayectoria futura de tipos oficiales. Y ambas empujan en direcciones opuestas.

Cuando los analistas discrepan mucho sobre lo que va a salir, el mercado tiende a leer el dato como una señal menos limpia sobre lo que hará la Reserva Federal; por eso, la rentabilidad de los bonos se mueve menos. Cuando la ruta de la Fed está más borrosa, ocurre lo contrario: cada dato macro pesa más en la formación de expectativas de tipos, y la reacción de los bonos se amplifica. Parece obvio una vez explicado. Lo interesante es que el BIS lo documenta con datos de alta frecuencia y además identifica una excepción que dice bastante sobre el cambio de régimen monetario pospandemia: antes del shock inflacionista posterior a Covid, las sorpresas de inflación apenas movían la curva incluso cuando la incertidumbre sobre tipos era elevada. Después, sí.

No es una curiosidad académica para economistas con tiempo libre. Este trabajo tiene implicaciones prácticas para tesorerías bancarias, ALM, gestión de colateral, stress testing, model risk, validación de VaR y, sí, también para quienes miran DORA y piensan que resiliencia operativa solo va de caídas de sistemas o terceros TIC. Porque no. También va de si tus procesos, modelos y gobernanza están preparados para episodios en los que la volatilidad de mercado no responde al manual de siempre.

Lo que realmente aporta el paper, sin adornos

El trabajo de Peter Hördahl, Burçin Kısacıkoğlu y Dora Xia se centra en seis anuncios macro de Estados Unidos —incluyendo inflación, empleo y PIB— y estudia la respuesta intradía de los futuros de Treasuries entre 1998 y 2024. Eso ya marca una diferencia metodológica importante. No estamos ante una correlación gruesa a cierre de sesión, contaminada por veinte factores simultáneos, sino ante una lectura más precisa de qué ocurre cuando el dato sale y el mercado reacciona casi al instante.

La arquitectura del hallazgo es sencilla de enunciar y difícil de ignorar:

Si el desacuerdo entre previsores sobre un indicador es alto antes de la publicación, la respuesta de la curva se amortigua. Si la incertidumbre sobre tipos es alta, la respuesta se agranda. No son dos formas de medir lo mismo. El paper insiste en que capturan cosas distintas. El desacuerdo entre analistas habla de cuán ruidosa o poco informativa es esa variable macro como guía de la política monetaria. La incertidumbre de tipos habla de cuánta información marginal aporta cualquier dato a un mercado que no tiene claro qué hará el banco central.

Ese matiz importa porque en muchas mesas se mezclan ambos conceptos como si fueran intercambiables. No lo son. Un dato puede llegar en un entorno de enorme niebla sobre la Fed y, al mismo tiempo, con un consenso relativamente compacto entre previsores. O justo al revés: un dato rodeado de estimaciones muy dispersas, pero en una fase en la que la senda de tipos está más o menos anclada. La reacción del bono no será la misma.

El BIS añade un modelo de aprendizaje bayesiano para racionalizar estos resultados. Traducido a castellano sin perder demasiado rigor: los inversores no observan directamente el “verdadero estado” de la economía y van actualizando creencias con señales imperfectas. Cuando una señal se percibe como ruidosa —porque ni los expertos se ponen de acuerdo sobre lo que mide o anticipa— su capacidad para cambiar expectativas de tipos es menor. Cuando la política monetaria es más incierta, esa misma señal gana valor relativo. No hay misterio; hay inferencia.

La parte más jugosa está en la excepción inflacionista. Antes del repunte inflacionario pos-Covid, incluso con incertidumbre monetaria elevada, las sorpresas de inflación no amplificaban mucho la reacción de la curva. El BIS sugiere que el mercado podía percibir que la Fed daba un peso limitado a su mandato de estabilidad de precios en comparación con otros objetivos. Después de 2021-2022, esa percepción cambió radicalmente. La inflación dejó de ser una estadística más y pasó a ser la variable que definía el camino de tipos. Por eso, el mismo tipo de sorpresa empezó a mover mucho más los bonos.

Hay una segunda derivada relevante: los datos de empleo perdieron parte de la capacidad que habían tenido para mover rentabilidades en contextos de incertidumbre sobre tipos. El paper apunta a dos factores: problemas de calidad del dato y el desplazamiento del foco del mercado desde empleo hacia inflación. Esto también desmonta una pereza analítica habitual: pensar que la sensibilidad de mercado a cada indicador es estable en el tiempo. No lo es. Cambia cuando cambia la función de reacción del banco central.

Por qué esto importa a bancos, aseguradoras y gestoras mucho más de lo que parece

Lo fácil sería colocar esta historia en la estantería de “macro y mercados” y seguir adelante. Error. Para una entidad financiera, la forma en que reaccionan los bonos a las sorpresas macro toca varias capas operativas y de control. Algunas son obvias. Otras no tanto.

La primera es la gestión del riesgo de tipos en balance. En bancos y aseguradoras, un movimiento intradía brusco en la curva puede afectar valoraciones, coberturas, llamadas de margen, liquidez intradía y decisiones de rebalanceo. Si tus modelos internos asumen una elasticidad más o menos constante entre sorpresa macro y movimiento de tipos, este paper te está diciendo que esa simplificación puede fallar precisamente cuando más te interesa que no falle: en regímenes de alta incertidumbre monetaria o de cambio de narrativa del banco central.

La segunda afecta a VaR, stressed VaR, backtesting y validación de modelos. Un modelo que trate las sorpresas de inflación de 2015 igual que las de 2023 está describiendo un mundo que ya no existe. La sensibilidad de la curva a un mismo tipo de dato no solo varía por magnitud de la sorpresa, sino por el entorno de política monetaria y por el grado de dispersión del consenso previo. Dicho de forma menos elegante: si no incorporas variables de régimen, acabarás explicando el pasado equivocado con precisión quirúrgica.

La tercera capa es liquidez y colateral. Las cámaras de compensación, las exigencias de margen y las necesidades de colateral pueden cambiar de forma abrupta en sesiones marcadas por datos macro de alta relevancia. No es solo un problema de trading. Afecta a treasury, a la planificación de liquidez intradía y a la coordinación entre front office, riesgo y operaciones. En entidades con arquitectura fragmentada, el dato puede mover primero el mercado y solo después moverse internamente la organización. Mala secuencia.

La cuarta es gobernanza. Cuando una entidad dice que entiende su exposición a riesgo de mercado, debería poder explicar no solo cuánto perdería ante un shock de 25 o 50 puntos básicos, sino también bajo qué condiciones un dato de IPC o de payrolls tiene más capacidad de generar ese shock. Ese tipo de explicación ya no es un lujo intelectual. Es parte de una buena defensa ante supervisores, comités de riesgo y auditoría interna.

Y la quinta, menos intuitiva pero cada vez más real, es resiliencia operativa. La volatilidad inducida por eventos macro no es una amenaza cibernética, claro. Pero sí es una prueba de estrés para procesos, integraciones de datos, workflows de aprobación, circuitos de escalado y dependencias tecnológicas. Si una entidad tarda demasiado en recalcular sensibilidades, ajustar límites o verificar exposiciones tras una publicación crítica, el problema puede presentarse como “mercado”, pero el fallo es operativo.

La lectura regulatoria: DORA no habla de la Fed, pero sí de tu capacidad para soportar esto

La categoría sugerida por la fuente original no encaja del todo de forma natural; un paper macro del BIS no es una pieza sobre DORA. Aun así, hay un ángulo regulatorio interesante si se mira con algo de mala leche y bastante precisión. DORA no regula la reacción de los bonos a la inflación, pero sí exige que las entidades financieras gestionen el riesgo relacionado con las TIC de forma que garantice continuidad operativa y capacidad de respuesta ante perturbaciones graves. Y una perturbación grave no necesita llegar con ransomware para hacer daño.

El Reglamento (UE) 2022/2554, aplicable desde el 17 de enero de 2025, obliga a las entidades financieras a contar con un marco interno sólido de gestión del riesgo TIC. El artículo 6 exige un marco de gestión del riesgo relacionado con las TIC “sólido, exhaustivo y bien documentado”. El artículo 8 entra en la identificación y clasificación de funciones, activos de información y dependencias TIC. El artículo 11 exige capacidades de respuesta y recuperación. Y el artículo 15 se ocupa del aprendizaje y evolución a partir de incidentes y pruebas.

¿Qué tiene que ver eso con un working paper sobre Treasuries? Más de lo que parece. Si tu mesa de ALM, tu unidad de riesgo de mercado o tu función de tesorería depende de feeds de datos macro, motores de valoración, infraestructuras de cálculo de sensibilidad, proveedores de datos y herramientas de colateral que no soportan episodios de volatilidad concentrada, tienes un problema de resiliencia operativa con detonante macro. El supervisor no te preguntará si leíste a Hördahl o a Xia. Te preguntará si tus funciones críticas siguieron funcionando dentro de tolerancias aceptables.

Aquí conviene cruzar piezas. DORA, en su artículo 3, define “funciones críticas o importantes” de manera suficientemente amplia como para incluir actividades cuya interrupción podría perjudicar de forma material el rendimiento financiero o la continuidad de los servicios. Para una gran entidad con exposición relevante a tipos, la infraestructura que soporta valoración, límites, colateral o cobertura puede entrar perfectamente en ese perímetro. Si no está bien mapeada, probada y respaldada, no es una abstracción académica: es un hallazgo de auditoría en potencia.

Y hay más. El artículo 28 de DORA sobre gestión del riesgo derivado de terceros proveedores de servicios TIC obliga a mantener un registro de información sobre acuerdos contractuales relativos a servicios TIC. Muchas entidades consumen datos macro, analytics, infraestructura cloud, herramientas de pricing y conectividad de mercado a través de terceros. Cuando un día de IPC se convierte en una avalancha operativa, la pregunta ya no es si el proveedor “funciona normalmente”, sino si soporta picos de carga, latencia y reintentos sin degradar procesos críticos. Eso debería estar contemplado en due diligence, SLA y pruebas.

No hace falta forzar el encaje regulatorio, pero sí evitar el error contrario: pensar que resiliencia operativa y riesgo de mercado viven en planetas distintos. DORA se diseñó para romper parte de ese silo. La normativa no exige predecir la reacción de la curva; exige que tu organización aguante cuando esa reacción tensiona sistemas, procesos y dependencias.

Un punto ciego bastante común: el consenso de mercado no es una variable ornamental

Muchos dashboards de riesgo muestran el consenso esperado para IPC, nóminas o PIB como si fuera simplemente una referencia para interpretar el dato una vez publicado. El paper del BIS obliga a tratarlo de otra manera. No basta con mirar la mediana o el promedio de previsiones; la dispersión de esas previsiones tiene contenido informativo propio. Y no marginal.

Esto tiene implicaciones de diseño de modelos y de gobierno del dato. Si una entidad utiliza escenarios ligados a sorpresas macro, necesita decidir qué hace con la dispersión del consenso. ¿Se integra como variable explicativa? ¿Se usa para modular severidad? ¿Se incorpora solo en validación cualitativa? No hay una única respuesta, pero lo que ya no es defendible es ignorarla por completo.

También afecta a la interpretación de “surprise”. Un IPC que sale dos décimas por encima del consenso puede no significar lo mismo si el rango de previsiones estaba extremadamente concentrado o si, por el contrario, el mercado ya venía roto en estimaciones. En el primer caso, el dato corrige una visión compartida con contundencia. En el segundo, quizá simplemente arbitra entre hipótesis ya abiertas. Eso es justo lo que documenta el BIS: la misma sorpresa numérica puede cargar con distinta potencia informativa.

Hay un detalle casi irónico aquí. Durante años, buena parte de la industria ha invertido mucho en velocidad de reacción al dato y menos en calidad contextual de esa reacción. Tener la cifra un milisegundo antes sirve de poco si la lógica con la que la interpretas ignora si el mercado estaba de acuerdo sobre su significado o si la Fed andaba dando tumbos comunicativos. Correr más rápido hacia una conclusión mediocre sigue siendo llegar mal, solo que antes.

El gran cambio de régimen: la inflación volvió a importar, y los bonos se enteraron de golpe

La excepción que destaca el BIS sobre la inflación es probablemente la parte más reveladora para entender la última década y media de mercados. Antes del repunte inflacionario posterior a la pandemia, las sorpresas de inflación no amplificaban claramente la reacción de los bonos ni siquiera en episodios de mayor incertidumbre sobre tipos. ¿Por qué? La hipótesis del paper es que los inversores podían percibir que la Fed no estaba reaccionando de forma especialmente agresiva a la inflación, o al menos no la consideraban el eje dominante de su función de reacción.

Esto encaja con el contexto monetario de la era posterior a la crisis financiera global y, más tarde, con la etapa de baja inflación persistente. Durante años, el mercado aprendió que muchas sorpresas de inflación eran transitorias, técnicas o insuficientes para alterar seriamente la senda de tipos. Ese aprendizaje acabó incrustado en el precio. Luego llegó 2021, la narrativa de la transitoriedad empezó a desmoronarse, y 2022 terminó de hacer el resto. El régimen cambió. De forma bastante brutal.

La consecuencia operativa es clara: no basta con series largas si mezclan periodos que responden a funciones de reacción distintas del banco central. Un modelo que trate 1998-2019 como una muestra homogénea para calibrar sensibilidad a inflación corre el riesgo de promediar dos mundos incompatibles. El BIS trata de resolver esto permitiendo una precisión de señal variable en el tiempo dentro de su marco de aprendizaje. En términos menos académicos: reconoce que el mercado no asigna siempre el mismo valor informativo a un dato de inflación.

Esto debería sonar especialmente fuerte en funciones de model risk. Los cambios de régimen son el lugar favorito de las falsas seguridades. Se validan modelos con histórico abundante, se presentan métricas limpias y luego llega una fase en la que la relación estructural se ha movido. El modelo no estaba “un poco mal”; estaba formulado para un régimen anterior.

Las entidades que han aprendido algo de 2022 deberían estar revisando al menos tres cosas. Primero, si sus modelos de sensibilidad a eventos macro distinguen entre tipos de anuncio y regímenes monetarios. Segundo, si sus escenarios de estrés incorporan episodios en los que un dato de inflación genera movimientos de curva mayores que los observados en buena parte de la década previa. Tercero, si sus procesos de escalado interno y liquidez intradía están preparados para días en los que la inflación manda y el empleo deja de ser el rey del baile.

Qué deberían hacer las entidades con esto, más allá de archivarlo en “lecturas interesantes”

La utilidad real de este paper depende de si alguien lo traduce a decisiones. Aquí está el quid. No hace falta reconstruir desde cero el marco de riesgo de mercado, pero sí conviene ajustar varias piezas concretas.

La primera es revisar cómo se modelan las respuestas a eventos macro en herramientas de VaR, stress testing y P&L explain. Si la entidad usa shocks históricos o sensibilidades parametrizadas, toca comprobar si capturan la diferencia entre alta dispersión del consenso y alta incertidumbre de política monetaria. Son variables distintas y el BIS muestra que tienen signo opuesto sobre la reacción de la curva. Tratar ambas como una sola “volatilidad de entorno” puede sesgar resultados.

La segunda es reforzar la integración entre riesgo de mercado y riesgo no financiero. En una jornada de publicación crítica, los cuellos de botella rara vez respetan organigramas. Puede fallar un proveedor de datos. Puede retrasarse una recarga de curvas. Puede saturarse un motor de cálculo. Puede no llegar a tiempo una reconciliación de posiciones para tomar decisiones de cobertura. Cada uno de esos problemas es operativo, pero se manifiesta como incapacidad de gestionar riesgo financiero. DORA, otra vez, no distingue tanto como algunas estructuras internas.

La tercera es elevar el nivel del comité adecuado. No basta con que un quant o un estratega lo entienda. Si la función de reacción del banco central cambia y eso altera la forma en que un tipo de dato mueve el mercado, la consecuencia afecta a límites, buffers de liquidez, hipótesis de cobertura y testing operacional. Eso merece discusión en comités de riesgo de mercado, ALCO y, cuando proceda, comités de resiliencia operativa.

La cuarta es mirar a terceros. Proveedores de datos macro, terminales, vendors de analytics, plataformas de pricing, servicios cloud subyacentes y conectividad de mercado forman parte de la cadena. DORA art. 28 y siguientes no exigen una peregrinación mística al proveedor; exigen gobierno, registro, evaluación de dependencia, cláusulas contractuales y control del riesgo de concentración. Si una mesa crítica depende de una única fuente o motor para interpretar un dato macro y recalcular exposición, conviene tenerlo claro antes del próximo sobresalto.

La quinta es formación interna. No de esa que termina en una presentación inofensiva. Formación útil para first line y second line sobre cómo interpretar eventos macro en regímenes cambiantes. El papel del consenso, la dispersión de previsiones, la incertidumbre de tipos y la función de reacción del banco central debería estar interiorizado por quienes ajustan coberturas, validan modelos o supervisan límites. La sofisticación no consiste en usar más jerga. Consiste en equivocarse menos cuando el régimen cambia.

Para el supervisor, esto no es teoría: es una prueba de si entiendes tu propio riesgo

El trabajo del BIS no introduce una obligación legal nueva, pero sí puede influir en la expectativa supervisora sobre lo que significa “comprender” la exposición a tipos y la robustez de los marcos de gestión asociados. Los supervisores europeos llevan años insistiendo, desde distintos ángulos, en que las entidades no se limiten a métricas estáticas y sean capaces de explicar vulnerabilidades bajo escenarios plausibles pero severos.

En el terreno prudencial, las guías sobre IRRBB de la EBA —por ejemplo, las EBA Guidelines on the management of interest rate risk arising from non-trading activities, EBA/GL/2022/14, publicadas en octubre de 2022— exigen una gestión más fina del riesgo de tipos en la cartera bancaria, incluyendo escenarios, gobernanza y validación. No hablan de dispersión del consenso de previsores, claro, pero sí del deber de captar adecuadamente factores que alteran la exposición a tipos. Si el mercado ha cambiado la manera de traducir inflación y empleo en expectativas de política monetaria, no es descabellado pensar que los marcos internos deben reflejarlo de algún modo.

En paralelo, DORA añade la dimensión operativa. La combinación es interesante: por un lado, prudencial te exige entender el riesgo financiero; por otro, resiliencia digital te exige que las capacidades TIC que lo soportan sean robustas, probadas y recuperables. La suma de ambas cosas se parece bastante a lo que este paper pone sobre la mesa: no solo importa el shock, importa si tu organización sabe leerlo y absorberlo cuando llega.

Para entidades españolas, además, esto encaja con una tendencia supervisora muy reconocible del Banco de España, la CNMV y la DGSFP: menos tolerancia a marcos fragmentados y más presión para conectar riesgos. Mercado, liquidez, modelo, outsourcing y continuidad ya no se auditan como cajones estancos con la comodidad de antaño. Y honestamente, ya era hora.

Una última ironía del paper: el mercado aprende, pero las organizaciones no siempre

El modelo del BIS se apoya en aprendizaje bayesiano: los inversores actualizan creencias con nueva información. Es una elección elegante, y también deja una moraleja incómoda fuera de la ecuación formal. El mercado aprende. Las organizaciones, a veces, bastante menos.

Aprende el mercado cuando deja de ignorar la inflación y empieza a reaccionar con violencia a cada sorpresa. Aprende cuando descubre que el empleo ya no informa igual porque la prioridad del banco central ha cambiado. Aprende cuando la incertidumbre sobre tipos convierte un dato corriente en un evento de primer orden. Lo que no siempre aprende al mismo ritmo es la estructura interna de las entidades: modelos heredados, controles pensados para otro régimen, dependencias tecnológicas poco visibles y comités que siguen discutiendo con categorías de 2018 en un mundo de 2026.

Ese desfase es peligroso porque genera una ilusión de control. Todo parece estar donde debe: políticas, límites, KRIs, vendors, pruebas, reporting. Hasta que un dato macro activa varios mecanismos a la vez y descubres que el problema no era una cifra concreta, sino una arquitectura que asumía relaciones estables donde ya no las hay.

El BIS no está diciendo que el mercado sea impredecible. Está diciendo algo más útil: que la intensidad de la reacción depende de cuánta señal ve el mercado en el dato, y esa señal cambia con el desacuerdo previo y con la incertidumbre de política monetaria. Para cualquier entidad financiera con exposición relevante a tipos, esa es una invitación bastante directa a revisar hipótesis, herramientas y dependencias.

El mejor uso de este paper no es citarlo en una nota interna para parecer sofisticado. Es usarlo para hacer preguntas incómodas. ¿Tus modelos distinguen entre dispersión del consenso y niebla sobre la Fed o el BCE? ¿Tus escenarios de estrés capturan cambios de régimen? ¿Tus proveedores y motores de cálculo soportan sesiones de alta sensibilidad macro? ¿Tu gobernanza conecta mercado, liquidez, modelo y resiliencia operativa? Si la respuesta a varias de esas preguntas es “más o menos”, ya tienes trabajo.

Y esa, para variar, sí es una conclusión realmente útil.