Qué mide realmente una herramienta de correlación
Una herramienta de correlación generalmente informa con qué fuerza se mueven juntas dos series temporales durante un período elegido. La métrica más común es la correlación (a menudo la correlación de Pearson): un número entre −1 y +1. Un valor cercano a +1 significa que las dos series tienden a moverse en la misma dirección al mismo tiempo; cerca de −1 significa dirección opuesta; cerca de 0 significa que no hay un movimiento conjunto lineal claro.
Un error común es tratar el resultado de la correlación como una regla de predicción o de trading. La correlación es descriptiva para el conjunto de datos y la definición seleccionados (rendimientos, precios u otras transformaciones), no una promesa sobre lo que sucederá después.
Malentendidos comunes y sus consecuencias
Un error frecuente es usar datos de entrada inconsistentes. Por ejemplo, mezclar precios con rendimientos, mezclar zonas horarias o usar una frecuencia de muestreo diferente (diaria vs. horaria) puede distorsionar la relación. La consecuencia es que la herramienta puede mostrar un número significativo, pero puede reflejar el desajuste de datos en lugar de una relación real.
Otro error es ignorar los supuestos detrás del cálculo. La correlación depende de la ventana de observación y de la longitud del período elegido. Una ventana corta puede producir resultados inestables que oscilan drásticamente si cambian incluso unos pocos puntos. La consecuencia es un exceso de confianza basado en una estimación de correlación que no es sólida.
Un tercer malentendido es confundir “correlación” con “causa”. Incluso si dos series están correlacionadas, una no impulsa automáticamente a la otra. La consecuencia es construir una explicación que no puede verificarse solo con la correlación.
Un cuarto problema es tratar la correlación histórica como estable. Las relaciones pueden cambiar a medida que cambian las condiciones del mercado, los regímenes de volatilidad o la composición de la actividad del mercado. La consecuencia es que una correlación que parecía fuerte en el pasado puede debilitarse o revertirse más adelante.
Evidencia y comprobaciones neutrales que puedes realizar
Una buena manera de evitar estos errores es verificar que el cálculo coincida con la intención de la pregunta.
Comienza por declarar tus supuestos. Decide qué representan las series (por ejemplo, instrumento A vs. instrumento B) y si estás correlacionando precios o rendimientos. La correlación de rendimientos a menudo responde al “movimiento conjunto de los cambios”, mientras que la correlación de precios brutos responde a algo completamente diferente.
Luego realiza comprobaciones de sensibilidad:
- Vuelve a ejecutar la herramienta con diferentes ventanas de tiempo (corta vs. larga) y compara si el signo y la fuerza aproximada se mantienen similares.
- Asegúrate de que ambas series usen el mismo muestreo y marcas de tiempo alineadas.
- Comprueba cómo afectan los valores atípicos al resultado comparando la correlación calculada con y sin observaciones extremas.
Si la correlación es muy sensible a estas elecciones, eso es una señal de limitación en lugar de una razón para forzar una conclusión.
Limitaciones clave y modos de fallo a tener en cuenta
Los modos de fallo materiales incluyen la no estacionariedad (relaciones que cambian con el tiempo), la dependencia no lineal (la correlación puede no captar relaciones que no son lineales) y los cambios de régimen (por ejemplo, períodos con diferente comportamiento de volatilidad). La correlación también puede ser engañosa cuando los datos contienen rupturas estructurales, como cambios en el método de medición o eventos importantes.
Otra limitación es que el número de correlación no incluye costos de transacción, efectos de ejecución u otras fricciones prácticas. Incluso si dos series están correlacionadas, los resultados del mundo real pueden diferir porque los costos y el tiempo pueden dominar.
Finalmente, la correlación no establece una regla predictiva por sí misma. Una herramienta de correlación puede decirte que el movimiento conjunto ocurrió en el conjunto de datos seleccionado, pero no valida un patrón futuro.
Verificación y siguiente pregunta
Para verificar de forma independiente los resultados de la correlación, trata el resultado como una hipótesis sobre el movimiento conjunto en tu definición de datos elegida. Confirma que tu transformación de entrada (precios vs. rendimientos), la longitud de la ventana, la alineación y la frecuencia de muestreo sean consistentes. Luego pregunta si la relación permanece razonablemente similar en las pruebas de sensibilidad.
Si aún ves un fuerte movimiento conjunto solo bajo configuraciones estrechas, la conclusión neutral es que la correlación observada es condicional. La siguiente pregunta a explorar suele ser: “¿Qué definición de datos y ventana de tiempo específicas produjeron este resultado, y qué tan estable es ante cambios?”