Cómo la correlación influye en tus decisiones de inversión

Por qué a los traders les importa la correlación

Al construir una cartera, la pregunta más importante no es qué activos subirán—es cómo se mueven juntos. Ahí es donde entra en juego la correlación. Un solo número entre -1 y 1 te indica si dos activos suben y bajan en sincronía o se mueven en direcciones opuestas. Esta métrica se ha vuelto esencial para la construcción de carteras y la gestión del riesgo, cortando a través de datos de mercado complicados para revelar patrones ocultos.

Piénsalo así: si dos holdings están perfectamente sincronizados (correlación cerca de 1), en realidad estás duplicando tu riesgo. Pero si se mueven en direcciones opuestas (correlación cerca de -1), son coberturas naturales. Por eso entender la correlación no es opcional—es fundamental para no perder dinero cuando los mercados cambian.

La escala de correlación explicada

El coeficiente de correlación siempre varía de -1 a 1. Esto es lo que significa cada zona en la práctica:

Cerca de 1.0: Los activos se mueven en sincronía. Si uno sube un 5%, el otro suele seguir.

Rango de 0.5 a 0.8: Correlación positiva moderada. Se mueven juntos pero con cierta independencia. Útil para diversificación, no perfecta.

Alrededor de 0: Poca o ninguna relación lineal. Los movimientos de un activo casi no dicen nada del otro.

Rango de -0.5 a -0.8: Correlación negativa moderada. Tienden a moverse en direcciones opuestas, proporcionando una protección decente en la cartera.

Cerca de -1.0: Relación inversa perfecta. Cuando uno se dispara, el otro suele colapsar—ideal para coberturas, si puedes encontrarla.

Una regla rápida que usan muchos traders:

• 0.0 a 0.2 = relación insignificante
• 0.2 a 0.5 = correlación débil
• 0.5 a 0.8 = moderada a fuerte
• 0.8 a 1.0 = muy fuerte

Los valores negativos funcionan igual—solo en reversa. Una correlación de -0.7 significa movimiento inverso fuerte.

Pearson vs. Spearman vs. Kendall: ¿Qué medida usar?

No todas las correlaciones son iguales. La medida más común es correlación de Pearson, que detecta relaciones lineales entre dos variables continuas. Pero hay alternativas que manejan diferentes tipos de datos:

• Pearson: La opción estándar. Funciona mejor cuando los datos son normalmente distribuidos y las relaciones son lineales.
• Spearman: Basada en rangos, captura relaciones monótonicas sin asumir normalidad. Mejor para datos desordenados del mundo real.
• Kendall: Otro método basado en rangos que maneja muestras pequeñas y valores empatados de forma más robusta que Spearman.

¿El problema? Si tus variables tienen una relación curva o escalonada, Pearson la pasará por alto y reportará una correlación engañosamente baja. Por eso muchos traders cuantitativos usan varias medidas en paralelo para evitar conclusiones falsas.

La matemática detrás de la correlación de Pearson

En esencia, el coeficiente de Pearson es sencillo:

Correlación = Covarianza(X, Y) / (Desviación estándar(X) × SD(Y))

El numerador (covarianza) mide cuánto se mueven juntos dos variables. El denominador (producto de desviaciones estándar) normaliza ese movimiento en la escala de -1 a 1. Esta normalización es crucial—te permite comparar correlaciones en diferentes mercados, periodos y clases de activos sin que los números se distorsionen por diferentes escalas o volatilidades.

Desglose del cálculo

Aquí tienes un ejemplo simplificado con números inventados:

Imagina que sigues los retornos de dos activos:

• Activo X: 2%, 4%, 6%, 8%
• Activo Y: 1%, 3%, 5%, 7%

Paso 1: Calcula la media de cada serie. X promedia 5%, Y promedia 4%.

Paso 2: Calcula las desviaciones. Resta la media a cada valor (2-5=-3, 4-5=-1, etc.).

Paso 3: Multiplica las desviaciones pareadas y súmalas. Esto te da el numerador de la covarianza.

Paso 4: Eleva al cuadrado cada desviación, súmalas por separado para X y Y, y saca la raíz cuadrada para obtener las desviaciones estándar.

Paso 5: Divide la covarianza por el producto de las desviaciones estándar.

En este ejemplo, obtendrías un r muy cercano a 1 porque Y aumenta casi proporcionalmente a X. En realidad, usarás Excel o Python—pero entender la mecánica evita confiar ciegamente en un número.

Correlación en inversión: aplicaciones del mundo real

( Acciones y Bonos

Históricamente, las acciones estadounidenses y los bonos del gobierno muestran baja o incluso negativa correlación. Cuando las acciones colapsan en recesiones, los precios de los bonos suelen subir porque los inversores huyen a la seguridad. Por eso los bonos han sido la cobertura tradicional en carteras. Pero esta relación no está garantizada—cambia con tasas de interés, inflación y política de bancos centrales.

) Productores de materias primas

Esperarías que las acciones de empresas petroleras sigan de cerca los precios del crudo. Pero en realidad, la correlación a largo plazo suele ser sorprendentemente moderada ###0.4 a 0.6### y también inestable. ¿Por qué? Porque las valoraciones de las petroleras también dependen de costos de producción, geopolítica y el mercado accionario en general. Una correlación fuerte en un año puede debilitarse mucho al siguiente.

( Correlaciones de criptoactivos

En mercados bajistas, muchas criptomonedas se mueven juntas a medida que los inversores huyen—las correlaciones se disparan hacia 1. Pero en mercados alcistas con rallies selectivos, las correlaciones pueden caer a 0.3 o incluso ser negativas. Esta inestabilidad explica por qué las estrategias de cobertura a largo plazo basadas en suposiciones de correlación estática a menudo fracasan cuando más las necesitas.

Por qué el tamaño de la muestra importa más de lo que piensas

Una correlación de 0.6 calculada con 100 datos es estadísticamente confiable. La misma 0.6 con solo 10 observaciones es casi sin sentido—podría ser ruido aleatorio. Los investigadores usan valores p y intervalos de confianza para separar relaciones reales de casualidades.

Muestras grandes permiten que correlaciones modestas sean estadísticamente significativas. Muestras pequeñas requieren correlaciones altas para tomarlas en serio. Si estás haciendo backtesting de una estrategia basada en correlación, siempre pregunta: ¿cuánta data histórica estoy usando? La respuesta lo cambia todo.

La mayor trampa de la correlación: confundirla con causalidad

Dos variables pueden moverse juntas sin que una cause a la otra. Un tercer factor podría estar impulsando ambas. Este quizás sea el error más peligroso que cometen los traders con la correlación.

Ejemplo: las ventas de helado y las muertes por ahogamiento correlacionan fuertemente )ambas alcanzan su pico en verano###. Pero el helado no causa ahogamientos—el clima cálido es el culpable común. En mercados, múltiples activos pueden correlacionar porque ambos están impulsados por expectativas de tasas de interés, pero eso no significa que poseer ambos ofrezca diversificación.

Outliers y problemas de distribución

Un solo dato extremo puede hacer que el coeficiente de correlación cambie drásticamente. Si la mayoría de tus datos muestran una correlación de 0.3, pero hay un outlier enorme, la correlación total puede saltar a 0.6. Siempre visualiza tus datos en un diagrama de dispersión antes de confiar en el número.

Las distribuciones no normales también rompen las suposiciones de Pearson. Cuando los datos están sesgados o tienen colas pesadas—común en cripto y penny stocks—las medidas basadas en rangos como Spearman suelen dar respuestas más fiables.

Cómo calcular la correlación en Excel

Para un par único:
Usa =CORREL(rango1, rango2). Selecciona tus dos rangos de datos y Excel devuelve el coeficiente de Pearson.

Para múltiples series:
Activa el complemento Analysis ToolPak, ve a Datos → Análisis de datos → Correlación, e ingresa todo tu rango. Excel construye una matriz de correlaciones que muestra todas las relaciones por pares de una vez.

Consejo profesional: asegúrate de que tus rangos estén alineados, considera los encabezados y revisa los datos en bruto en busca de outliers antes de confiar en los resultados. Datos malos = correlación engañosa.

R cuadrado: el otro lado de la historia

R es el coeficiente de correlación—muestra la fuerza y dirección.

R² (R-cuadrado) es la correlación al cuadrado—muestra la proporción de varianza explicada. Si R = 0.7, entonces R² = 0.49, lo que significa que solo el 49% del movimiento en una variable es predecible a partir de la otra. El restante 51% es ruido u otros factores.

En inversión, R te dice qué tan de cerca sigue una acción a su sector. R² indica qué parte de esa volatilidad es impulsada por el sector versus por la empresa en sí. Ambos importan, pero responden a preguntas diferentes.

La decadencia de la correlación: el problema del timing

Las correlaciones no son fijas—evolucionan. Durante mercados normales, dos activos pueden correlacionarse en 0.4. Durante una crisis, esa correlación puede dispararse a 0.85 de la noche a la mañana, a medida que el pánico se extiende. Justo cuando pensabas que estabas cubierto.

Las medias a largo plazo pueden engañarte. Usa correlaciones en ventanas móviles (p.ej., 30 días, 90 días) para detectar cuándo cambian las relaciones. Si la correlación aumenta, tu diversificación puede estar deteriorándose.

Antes de usar la correlación: una lista rápida

• Visualiza primero: Crea un diagrama de dispersión. ¿Parece plausible una relación lineal?
• Busca outliers: Revisa los datos en bruto por puntos extremos que puedan distorsionar.
• Verifica supuestos: ¿Es el tipo de dato adecuado para la medida de correlación elegida?
• Prueba de significancia: Con muestras pequeñas, incluso correlaciones moderadas pueden ser ruido. Ejecuta una prueba de significancia.
• Monitorea con el tiempo: Recalcula periódicamente. Si la correlación no es estable, tus supuestos de estrategia pueden estar fallando.

La conclusión

El coeficiente de correlación es una herramienta poderosa para evaluar relaciones entre variables. Condensa patrones complejos en un solo número comparable. Para construcción de carteras, gestión del riesgo y detección de oportunidades, es una herramienta indispensable.

Pero tiene sus limitaciones. No puede probar que una cosa cause a otra. Se le escapan relaciones curvas. Es sensible a outliers y tamaño de muestra. Cambia con el tiempo, especialmente en crisis de mercado.

Trata la correlación como un punto de partida, no como una conclusión. Combínala con análisis visual, medidas alternativas y pruebas de significancia estadística. En inversión, los traders que evitan pensar en un solo número son los que sobreviven a cambios de régimen y sorpresas del mercado.