Traducido por IA
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.
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:
Activo | Petróleo Crudo | Oro | Gas Natural | Trigo |
---|---|---|---|---|
Petróleo Crudo | 1.0 | 0.17 | 0.21 | 0.16 |
Oro | 0.17 | 1.0 | 0.05 | 0.13 |
Gas Natural | 0.21 | 0.05 | 1.0 | 0.07 |
Trigo | 0.16 | 0.13 | 0.07 | 1.0 |
¿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.
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:
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:
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.
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.
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’])
Pros: | Cons: |
|
|
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.
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)
Pros: | Cons: |
|
|
A continuación, se muestra cómo la correlación ponderada exponencialmente del oro y el petróleo se compara con el enfoque de ventana móvil:
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’])
Pros: | Cons: |
|
|
A continuación, se muestra cómo podría ser:
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.
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:
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:
No es necesario implementar el algoritmo de optimización completo. Una versión heurística simplificada funciona lo suficientemente bien:
Este enfoque reduce de forma natural la exposición a activos que se vuelven más correlacionados con el resto de la cartera.
Si encuentras el ERC demasiado complejo, aquí tienes una heurística aún más simple:
Por ejemplo, podrías utilizar una regla como:
Esto crea un “freno de correlación” automático que reduce la exposición general cuando los beneficios de la diversificación comienzan a desaparecer.
Si ya estás utilizando un objetivo de volatilidad (y deberías), puedes incorporar la correlación como un ajuste secundario:
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.
Aquí tienes algunos consejos prácticos:
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.
Estate atento a estas señales de alerta que indican que las correlaciones podrían colapsar:
Cuando observes estas señales de alerta, a menudo es prudente reducir primero la exposición general y formular preguntas después.
No necesitas software sofisticado para gestionar la correlación de manera efectiva:
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.
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:
El camino intermedio reconoce a la correlación como una herramienta importante pero imperfecta:
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.
Si deseas mejorar tu gestión del riesgo basada en la correlación, aquí tienes algunas acciones concretas a tomar:
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.
Kris Longmore es el fundador de Robot Wealth, donde gestiona su propio capital y enseña a los traders a pensar como quants sin ahogarse en jerga técnica. Con experiencia en trading propietario, ciencia de datos, ingeniería y ciencias de la Tierra, combina habilidades analíticas con un enfoque pragmático del trading en el mundo real. Cuando no está investigando ventajas de mercado, ajustando sus sistemas o ayudando a los traders a desarrollar sus habilidades, se le puede encontrar en el tatami, en el jardín o en la playa.