Por Qué el Aceite de Oliva Necesita Métricas de Banco de Inversión

Un trader de materias primas agrícolas nos envió un mensaje a mediados de 2024. Llevaba meses usando la plataforma para seguir precios y señales técnicas. El mensaje era directo: “¿Podéis calcularme un Value at Risk?”

Nuestra primera reacción fue de duda.

El VaR — la métrica que usan los bancos de inversión y los fondos hedge para cuantificar cuánto podrían perder en un día malo — es una herramienta de los mercados financieros. Renta variable, bonos, divisas, derivados. ¿Aplicarla al aceite de oliva? Sonaba como poner un traje de Armani a un tractor.

Pero cuanto más lo pensábamos, menos ridículo parecía.

El Inventario Que Nadie Llama Posición

Una cooperativa olivarera típica termina la campaña de recolección con miles de toneladas de aceite en sus tanques. Lo vende a lo largo del año siguiente, según va encontrando compradores y según le convence el precio del mercado. Es lo que llevan haciendo décadas.

Lo que nadie suele decir en voz alta es lo que eso significa desde el punto de vista financiero: esas miles de toneladas son una posición abierta en el mercado del aceite de oliva.

Larga. No cubierta. Sin gestión de riesgo activa.

Si el precio del AOVE sube un 15% mientras tienen el aceite en bodega, ganan. Si cae un 25%, pierden. Y el aceite de oliva — como hemos visto en los últimos años — puede hacer ambas cosas en cuestión de meses.

Los traders de renta variable tienen sistemas sofisticados para medir y gestionar ese tipo de exposición. Las cooperativas oleícolas, en su inmensa mayoría, tienen la intuición del gerente y el precio que le ha llegado esta mañana por WhatsApp.

La pregunta que nos hizo aquel trader era aparentemente técnica. Pero en realidad era más profunda: ¿por qué el sector oleícola no usa las herramientas de gestión de riesgo que llevan décadas siendo estándar en los mercados financieros?

Lo Que Encontramos Mirando Los Datos

Construir el módulo no fue complicado en términos de implementación. Las metodologías existen, están documentadas, y hay décadas de literatura académica sobre su aplicación.

Lo interesante fue lo que encontramos cuando empezamos a aplicarlas a datos reales del aceite de oliva.

Primero: las colas son pesadas. Mucho más de lo que asume una distribución normal.

El VaR paramétrico clásico — el más simple de calcular — asume que los movimientos de precio siguen una distribución gaussiana. Es una simplificación que funciona razonablemente bien en muchos mercados líquidos con muchos participantes. El aceite de oliva no es ese mercado.

Tiene relativamente pocos actores grandes en el lado de la oferta. Depende masivamente de factores climáticos en pocas regiones geográficas. Responde a shocks de producción que pueden ser repentinos y severos. El resultado es que los eventos extremos ocurren con una frecuencia bastante mayor de lo que predicen los modelos gaussianos.

Cuando tienes eso delante de los datos, el VaR paramétrico estándar subestima el riesgo real de forma sistemática. No un poco: significativamente.

Por eso implementamos tres metodologías distintas. La histórica, que simplemente usa lo que realmente ha pasado sin asumir ninguna distribución. La paramétrica, que es más manejable matemáticamente pero requiere entender sus limitaciones. Y una tercera que ajusta por asimetría y curtosis — para corregir precisamente el problema de las colas pesadas que veíamos en los datos.

Y luego el CVaR: no solo el peor escenario esperado en el 95% de los casos, sino qué pasa en el 5% restante. Cuánto se puede perder cuando el VaR falla.

Los Escenarios Que Nadie Quiere Repetir

El módulo de stress testing fue otro momento de reflexión.

Para construir escenarios históricos realistas, tuvimos que revisar cada evento extremo que el mercado oleícola ha vivido en los últimos veinte años. La crisis financiera de 2008, que contrajo la demanda y hundió precios en toda la cadena agroalimentaria. La sequía mediterránea de 2017, con caídas de producción del 35% en algunas regiones que empujaron los precios al alza de forma violenta. El COVID de 2020, que no afectó tanto a los precios del aceite como a la logística y los plazos de cobro. La guerra de Ucrania en 2022, que no tiene conexión directa con el aceite de oliva pero disparó los costes energéticos y de fertilizantes un 80% y un 120% respectivamente, comprimiendo márgenes por el lado de los costes cuando los precios de venta no se movían al mismo ritmo.

Y luego la crisis de 2023-2024, que fue diferente a todas las anteriores: no un shock de demanda ni un evento geopolítico puntual, sino una sequía mediterránea acumulada que redujo la producción española casi a la mitad en dos campañas consecutivas. El AOVE pasó de 3,5 euros el kilo a más de 8 euros. En dieciocho meses.

Cada uno de esos eventos tiene una lógica distinta, afecta de manera diferente a distintas partes de la cadena, y requiere respuestas diferentes. Tenerlos modelados como escenarios aplicables a una posición concreta — “si tienes 200 toneladas de AOVE y ocurre algo como 2017, tu exposición es de X euros” — cambia completamente cómo se piensa el riesgo.

El Test Que Usa La Banca

El backtesting estadístico fue la parte más técnicamente satisfactoria.

Si construyes un modelo de VaR al 95% de confianza, estás diciendo que el 5% de las semanas la pérdida real superará lo que predice el modelo. Eso es lo que significa el 95%. Es una promesa estadística.

La pregunta es: ¿cumple el modelo esa promesa?

El test de Kupiec — publicado en 1995, adoptado por los reguladores bancarios en los marcos de Basel — compara la tasa de violaciones real con la tasa teórica esperada. Si tu modelo VaR al 95% se viola el 12% de las semanas, algo está mal en el modelo. Si se viola el 4%, también puede haber un problema, aunque en sentido contrario.

Implementar ese test para el aceite de oliva requirió tener suficiente histórico de datos de precios semanales de calidad validada. Lo teníamos. Los resultados indicaron algo relevante: los modelos histórico y ajustado por asimetría pasaban el test con valores de p estadísticamente aceptables. El paramétrico puro tendía a violar más de lo esperado, especialmente en períodos de alta volatilidad.

Es el tipo de evidencia que el sector financiero usa para decidir qué modelos son fiables. No teníamos ninguna razón para no aplicarla al aceite.

Lo Que Nadie Había Medido

Mientras construíamos el módulo, descubrimos algo que nos pareció importante.

El aceite de oliva tiene una volatilidad que varía de manera bastante predecible a lo largo del año. En los meses previos a la cosecha — cuando la incertidumbre sobre producción es máxima y cualquier noticia sobre clima puede mover el mercado — la volatilidad es estructuralmente mayor. Después de la cosecha, cuando hay más claridad sobre el volumen disponible, tiende a reducirse.

Eso parece obvio dicho así. Pero cuando lo cuantificas — cuando ves que la volatilidad en septiembre-octubre es sistemáticamente el doble que en enero-febrero, año tras año, durante dos décadas — cambia cómo deberías gestionar el riesgo de tu posición en función del momento de la campaña.

Si tienes que financiar una posición larga en septiembre, el coste de esa incertidumbre debería estar en tu análisis. No como intuición, sino como número.

Las cooperativas que llevan décadas en el negocio saben esto instintivamente. Lo que no tienen es una forma de cuantificarlo y comunicarlo. De decirle al consejo rector: “En este momento del año, con esta posición, el riesgo medido es X, y si quisiéramos reducirlo a Y, haríamos Z.”

Eso es lo que permite el módulo. No eliminar el riesgo — el aceite de oliva seguirá siendo un mercado volátil con factores imprevisibles — sino nombrarlo, medirlo, y tomar decisiones conscientes sobre cuánto riesgo tiene sentido asumir.

La Pregunta Que Nos Cambió el Enfoque

Volviendo al mensaje original de aquel trader: en retrospectiva, fue la pregunta que más cambió nuestra forma de pensar la plataforma.

Al principio habíamos construido Olearia pensando en información. Datos de precios, gráficos de tendencias, series históricas. El equivalente digital de tener toda la información del mercado ordenada en un sitio.

Pero la información no es suficiente para tomar buenas decisiones de negocio cuando hay incertidumbre. Necesitas también entender el riesgo. Qué puede ir mal, con qué probabilidad, y cuánto puede costar.

Los mercados financieros aprendieron eso hace décadas. El sector oleícola todavía está en ese camino.

Olearia no puede predecir si habrá sequía el próximo verano. Nadie puede. Pero sí puede ayudar a que quienes dependen económicamente de este mercado sepan exactamente a qué están expuestos, qué escenarios históricos les deberían preocupar, y cuánto margen tienen antes de que la situación se vuelva realmente complicada.

Eso, al final, es para lo que sirven estas herramientas. No para bancos de inversión. Para gente que cultiva olivos, que llena tanques con su cosecha, y que tiene que decidir cuándo vender y a qué precio.

¿Gestionas riesgo de precio en el sector agroalimentario? Nos interesa especialmente hablar con equipos de cooperativas y comercializadoras que hayan estructurado coberturas o trabajado con herramientas de cuantificación de riesgo en commodities agrícolas. Escríbenos.

Si quieres ver el módulo de riesgo de Olearia Intelligence, puedes solicitar acceso a la beta privada.