Comprendiendo la correlación de materias primas para una mejor gestión del riesgo

A finales de 2008, muchos traders vieron cómo sus carteras “diversificadas” se desplomaban en tiempo real. A pesar de tener posiciones en activos que históricamente se movían de forma independiente, todo de repente comenzó a caer de manera sincronizada.

La gente solía decir cosas como, “He distribuido mi riesgo a la perfección,” o “el petróleo no tiene nada que ver con los precios del maíz. El oro se negocia con fundamentos totalmente distintos al gas natural.”

Pero a medida que se desarrollaba la crisis financiera global, las correlaciones entre mercados tan dispares tendían a 1. Todas las posiciones perdían simultáneamente. Ya no se trataba de fundamentos, sino de liquidación. Los fondos vendían de todo para conseguir efectivo.

Correlación de las principales clases de activos durante la crisis financiera global. Fuente: TradingView

Lo que muchos traders pasaron por alto (y aún lo hacen) es que la correlación no es estática. Es dinámica y tiende a dispararse en los peores momentos posibles.

Hoy exploraremos la correlación en los mercados de materias primas: lo que realmente significa, cómo medirla correctamente y, lo más importante, cómo utilizarla para construir carteras de trading más resistentes.

Lo que realmente te indica la correlación (y lo que no)

La correlación es uno de los conceptos más malinterpretados en la construcción de carteras. He visto cómo los profesionales se equivocan, así que no te sientas mal si a ti también te resulta confuso.

En términos simples, la correlación mide la tendencia de dos activos a moverse juntos. La escala va de -1 (correlación perfectamente negativa) a +1 (correlación perfectamente positiva), siendo 0 indicativo de ausencia de relación.

Pero la correlación solo indica la dirección del movimiento, no su magnitud. Esto es fundamental para entenderlo.

Por ejemplo, si el petróleo crudo y el oro tienen una correlación de 0.3, significa que tienden a moverse en la misma dirección con mayor frecuencia. Pero no te indica nada sobre la magnitud de esos movimientos en relación el uno con el otro.

El oro podría subir un 1% mientras que el petróleo aumenta un 5%. Están correlacionados en la dirección, pero no en la magnitud.

Y aquí es donde se puede cometer el error: equiparar una correlación positiva con una similitud en el riesgo, lo cual es solo parcialmente cierto.

A continuación, se muestra cómo podría lucir una matriz de correlación de los principales futuros de materias primas:

¿Correlaciones bastante bajas en todos los aspectos, verdad? Eso parece una excelente diversificación. Pero se trata de promedios a largo plazo: no te indican nada sobre lo que sucede en mercados bajo estrés. Y es justamente cuando más se necesita diversificación.

La magia de la diversificación (cuando realmente funciona)

El principio fundamental es simple: combinar activos que no se mueven en perfecta sincronía reduce la volatilidad general de la cartera.

Permíteme ilustrarlo con un ejemplo sencillo. Imagina que tienes dos futuros de materias primas con las siguientes características:

• Ambos tienen un rendimiento esperado del 10% anual
• Ambos presentan una volatilidad (desviación estándar) del 20%
• Tienen una correlación de 0.3 entre sí

Si asignas el 50% de tu capital a cada uno, el rendimiento esperado de la cartera se mantiene en el 10%, pero la volatilidad se reduce a aproximadamente un 17%, lo que significa una reducción sustancial del riesgo sin sacrificar los rendimientos.

Si la correlación fuera cero, la volatilidad caería aún más, hasta alrededor del 14%. Ese es el efecto de la diversificación en acción.

La matemática detrás de esto es la fórmula de varianza de la cartera:

Portfolio Variance = w₁²σ₁² + w₂²σ₂² + 2w₁w₂σ₁σ₂ρ₁₂

Donde:

• w₁, w₂ son los pesos de cada activo
• σ₁, σ₂ son las volatilidades de cada activo
• ρ₁₂ es la correlación entre los activos

No necesitas memorizar esta fórmula, pero entenderla conceptualmente es valioso. Ese último término con el coeficiente de correlación es lo que nos proporciona el beneficio de la diversificación.

Lo interesante es que el beneficio de la diversificación muestra rendimientos decrecientes. Pasar de un activo a dos activos no correlacionados ofrece una reducción masiva en la volatilidad de la cartera. ¿Pasar de 20 a 21 activos? Apenas se nota.

Por eso se obtiene menos beneficio en términos de diversificación a medida que se agregan más activos a la cartera.

Cómo medir realmente la correlación (más allá del método tradicional)

Muchos traders se apoyan en cálculos sencillos de correlación móvil de 30 o 60 días. Y eso está bien, pero existen otros enfoques, cada uno con sus ventajas y desventajas.

Aquí exploraremos tres enfoques útiles.

Correlación tradicional con ventana móvil

Este es el método que utilizan la mayoría de los traders. Se toman los últimos N periodos de rendimientos de dos activos, se calcula el coeficiente de correlación de Pearson, y esa es la estimación.

Si realmente deseas calcular los números, el código en Python es sumamente sencillo:

# En pandas

df[‘rolling_corr’] = df[‘asset1_returns’].rolling(window=60).corr(df[‘asset2_returns’])

A continuación, se muestra la correlación móvil de 12 meses de los rendimientos del oro y el petróleo:

Observa cómo esas correlaciones, medidas sobre una base móvil de 12 meses, varían notablemente, alejándose frecuentemente del valor estático (0.17) mostrado en la matriz de correlación anterior.

Correlación ponderada exponencialmente

Este enfoque asigna mayor peso a las observaciones recientes y menor a las más antiguas. Responde mucho más rápido a los cambios en los regímenes de correlación.

Nuevamente, puedes calcular los números utilizando un fragmento de código sencillo:

# Usando pandas

span = 252 # Aproximadamente equivalente a una ventana simple de 252 días

ewm1 = df[‘asset1_returns’].ewm(span=span).std()

ewm2 = df[‘asset2_returns’].ewm(span=span).std()

ewmcov = df[‘asset1_returns’].ewm(span=span).cov(df[‘asset2_returns’])

df[‘ewm_corr’] = ewmcov / (ewm1 * ewm2)

A continuación, se muestra cómo la correlación ponderada exponencialmente del oro y el petróleo se compara con el enfoque de ventana móvil:

Correlación en períodos de estrés

En lugar de analizar todas las condiciones del mercado, puedes examinar específicamente las correlaciones durante períodos de estrés del mercado.

# Ejemplo sencillo: observa la correlación cuando el VIX supera los 30

stress_periods = df[df[‘vix’] > 30]

stress_corr = stress_periods[‘asset1_returns’].corr(stress_periods[‘asset2_returns’])

A continuación, se muestra cómo podría ser:

¿Se puede utilizar realmente la correlación para la gestión futura del riesgo?

La pregunta del millón de dólares: ¿Nos dice algo útil la correlación pasada sobre la correlación futura?

La respuesta es sí, pero menos de lo que probablemente esperas.

La correlación muestra persistencia. Es decir, la correlación entre activos hoy es algo predictiva de su correlación mañana. Pero es increíblemente ruidosa, y los cambios de régimen pueden ocurrir de la noche a la mañana sin previo aviso.

A continuación, se muestra la correlación a 30 días del oro y el petróleo, comparada con la correlación de los siguientes 30 días, eliminando los datos superpuestos:

Puedes ver que hay una débil evidencia de persistencia: la correlación de hoy está, de hecho, relacionada con la de dentro de 30 días, pero se trata de un efecto muy ruidoso con mucha variabilidad. Observa lo dispersos que están esos puntos.

En términos prácticos, esto significa que sí puedes utilizar la correlación estimada a partir de datos pasados para ayudar en la gestión del riesgo futuro, pero no esperes que funcione de manera consistente. Y está bien: este nivel de variabilidad es una característica de la mayoría de las relaciones predictivas en los rendimientos de los activos.

Técnicas prácticas de gestión del riesgo que realmente funcionan

La teoría es excelente, pero vamos a lo práctico. Aquí tienes algunos enfoques que puedes implementar hoy para gestionar mejor el riesgo de correlación en tu trading de materias primas:

Contribución Equitativa al Riesgo (ERC)

Este enfoque asigna capital de manera que cada posición contribuya con una cantidad igual de riesgo a la cartera, teniendo en cuenta las correlaciones entre posiciones.

La matemática se complica rápidamente, pero el concepto es simple:

1. Las posiciones con mayor volatilidad reciben menos capital
2. Las posiciones con una mayor correlación promedio con el resto de la cartera reciben menos capital
3. El resultado es una cartera en la que ninguna posición ni fuente de riesgo domina tus pérdidas y ganancias

No es necesario implementar el algoritmo de optimización completo. Una versión heurística simplificada funciona lo suficientemente bien:

1. Calcular la volatilidad de cada activo
2. Calcular la correlación promedio de cada activo con todos los demás
3. Fijar el tamaño de la posición de forma proporcional a 1 / (volatilidad × (1 + correlación_promedio))

Este enfoque reduce de forma natural la exposición a activos que se vuelven más correlacionados con el resto de la cartera.

Dimensionamiento de posiciones basado en la correlación

Si encuentras el ERC demasiado complejo, aquí tienes una heurística aún más simple:

1. Calcula el tamaño normal de las posiciones basándote en tu metodología habitual
2. Controla la correlación par a par promedio de tu cartera
3. Cuando la correlación promedio supere un umbral (por ejemplo, 0.5), reduce proporcionalmente el tamaño de todas las posiciones

Por ejemplo, podrías utilizar una regla como:

• Correlación promedio< 0.3: 100% del tamaño normal
• Correlación promedio entre 0.3 y 0.5: 80% del tamaño normal
• Correlación promedio entre 0.5 y 0.7: 60% del tamaño normal
• Correlación promedio > 0.7: 40% del tamaño normal

Esto crea un “freno de correlación” automático que reduce la exposición general cuando los beneficios de la diversificación comienzan a desaparecer.

Objetivo de volatilidad con ajustes por correlación

Si ya estás utilizando un objetivo de volatilidad (y deberías), puedes incorporar la correlación como un ajuste secundario:

1. Establece una volatilidad objetivo para la cartera (por ejemplo, 15% anualizado)
2. Calcula el tamaño de las posiciones para alcanzar ese objetivo asumiendo que todas las correlaciones son cero
3. Aplica un multiplicador de correlación que reduzca los tamaños a medida que aumenta la correlación promedio

Este enfoque te ofrece lo mejor de ambos mundos. Principalmente, dimensionas basándote en la volatilidad (que es más estable y predecible que la correlación), pero aún ajustas en función de los efectos de la correlación.

Lo importante es que, dado el nivel de variabilidad en nuestras predicciones de correlación (ver el gráfico de dispersión anterior), el método que elijas es menos relevante que implementarlo efectivamente.

Consejos prácticos desde el terreno

Aquí tienes algunos consejos prácticos:

Frecuencia de recalculación

Recalcular las correlaciones a diario es excesivo para las frecuencias con las que la mayoría de los traders operan. Un recalculo semanal es más que suficiente, con una gran excepción: durante períodos de estrés en el mercado, deberías actualizar tus estimaciones con mayor frecuencia.

Monitorear la tasa de cambio de la correlación puede ser más valioso que su nivel absoluto. Cuando las correlaciones aumentan rápidamente en tu cartera, puede ser una señal de advertencia de un cambio de régimen.

Señales de alerta

Estate atento a estas señales de alerta que indican que las correlaciones podrían colapsar:

• Aumento rápido de la volatilidad del mercado (picos en el VIX)
• La liquidez se seca (ampliación de los diferenciales bid-ask)
• Las correlaciones ya muestran una tendencia al alza en las últimas semanas
• Eventos macroeconómicos importantes (sorpresas de los bancos centrales, shocks geopolíticos)
• Movimientos inusuales en relaciones intermercado normalmente estables

Cuando observes estas señales de alerta, a menudo es prudente reducir primero la exposición general y formular preguntas después.

Herramientas y recursos

No necesitas software sofisticado para gestionar la correlación de manera efectiva:

• Excel puede realizar cálculos de correlación para carteras pequeñas
• Python con pandas o R con dplyr facilita esto para carteras más grandes
• Muchas plataformas de trading incluyen matrices de correlación y mapas de calor

Errores comunes

De lejos, los errores más comunes que la gente comete con esto son la excesiva confianza en las estimaciones de correlación (¡son ruidosas!) y tratar la correlación como una medida precisa en lugar de una guía aproximada y dinámica. La precisión es un objetivo poco realista.

Un enfoque equilibrado al riesgo de correlación

En lo que se refiere al uso de la correlación para la gestión del riesgo, el enfoque correcto se sitúa entre “ignorarla por completo” y “optimizar todo hasta la cuarta cifra decimal”.

Ten cuidado de no caer en uno de estos extremos:

1. El grupo que cree que “la correlación no importa” – arriesgas sufrir grandes pérdidas cuando todo se mueve en sincronía.
2. El grupo de la “optimización perfecta” – arriesgas perder tiempo y esfuerzo sobreajustando datos históricos sin tener en cuenta la incertidumbre futura.

El camino intermedio reconoce a la correlación como una herramienta importante pero imperfecta:

• Utiliza la correlación para orientar el dimensionamiento de las posiciones, sin que determine por completo el tamaño.
• Considera que las altas correlaciones son señales más fiables que las bajas correlaciones.
• Enfócate más en las correlaciones durante períodos de estrés que en las de períodos normales.
• Preocúpate más por las tendencias de correlación que por los niveles absolutos.
• Ten en cuenta las características del estimador de correlación elegido.

Recuerda que el objetivo de la gestión del riesgo no es maximizar los rendimientos, sino, ante todo, asegurar la supervivencia y, en segundo lugar, evitar que un solo componente domine tus ganancias.

Próximos pasos: poner esto en práctica

Si deseas mejorar tu gestión del riesgo basada en la correlación, aquí tienes algunas acciones concretas a tomar:

1. Calcula la matriz de correlación histórica para tus posiciones actuales
2. Identifica cuáles posiciones tienen la mayor correlación promedio con el resto
3. Calcula cuál habría sido el rendimiento de tu cartera durante picos previos de correlación
4. Implementa al menos un marco básico de dimensionamiento de posiciones basado en la correlación
5. Configura alertas para cuando la correlación promedio de la cartera supere ciertos umbrales

Empieza con lo básico, y luego añade complejidad solo cuando sea necesario. Incluso tener un conocimiento básico de la dinámica de la correlación te coloca por delante de muchos traders de materias primas que aún creen que la diversificación se basa únicamente en operar en diferentes mercados.

Los mercados de materias primas siempre presentarán sorpresas en cuanto a la correlación. No se trata de predecirlas a la perfección, sino de tener sistemas en marcha para detectarlas y responder a ellas lo mejor posible. Ningún sistema te mantendrá completamente indemne, pero hacer algo es mejor que no hacer nada.