Respuesta directa
La correlación positiva entre dos rendimientos de divisas no es una propiedad fija de las propias divisas. Es una relación medida que depende del marco temporal que utilices para observar los rendimientos y, indirectamente, del marco temporal implícito en tu período de mantenimiento. Cuando cambias la longitud de la ventana de observación (por ejemplo, minutos frente a días), a menudo cambias la porción del comportamiento del mercado que capturas (ruido, dinámicas a corto plazo o impulsores más lentos), por lo que la correlación medida puede moverse notablemente.
Mecanismo y definición
La correlación positiva significa que, durante un período definido, las dos series de rendimientos tienden a moverse en la misma dirección con más frecuencia de lo que cabría esperar por azar. En la práctica, “correlación” suele referirse al coeficiente de correlación calculado a partir de los rendimientos en una muestra de tiempos.
El marco temporal puede afectar el resultado de dos maneras principales:
- Qué datos incluyes (ventana de observación): Una ventana corta suele incluir cambios de precios más abruptos y efectos temporales. Una ventana más larga agrega muchos eventos, haciendo que la relación refleje un co-movimiento más persistente.
- Cómo modelas el horizonte de rendimiento: Si tu período de mantenimiento es más largo, los rendimientos relevantes son sumas de más intervalos. Incluso si calculas la correlación usando la misma frecuencia de muestreo, usar rendimientos de horizonte más largo cambia los insumos.
Este es un efecto estadístico general: las estimaciones de correlación son sensibles a la muestra que utilizas, y las relaciones de rendimiento de divisas no están garantizadas a ser estables a lo largo del tiempo.
Ejemplo: cambio de ventana de observación
Considera una configuración simplificada con dos series temporales de rendimientos, donde ambas series están influenciadas por (a) un impulsor común más lento y (b) choques independientes de corta duración.
- Observación en marco temporal corto: Los choques independientes representan una mayor proporción de la variación total, aumentando la aleatoriedad. Esto puede debilitar la correlación medida o hacer que cambie de signo en algunas ventanas.
- Observación en marco temporal largo: Los choques de corta duración se cancelan parcialmente cuando los rendimientos se agregan en muchos intervalos, mientras que el impulsor común más lento continúa moviendo ambas series juntas. La correlación positiva medida puede fortalecerse.
Sin embargo, también puede ocurrir lo contrario. Si el impulsor común es temporal o depende del régimen, extender el marco temporal puede mezclar múltiples regímenes y reducir la correlación.
Limitaciones y modos de fallo
Limitaciones clave a tener en cuenta:
-
No estacionariedad (cambios de régimen): La relación puede cambiar con el tiempo. Un marco temporal que abarca diferentes regímenes puede producir una correlación “promedio” engañosa.
-
Dominio del ruido en horizontes cortos: En intervalos muy cortos, los efectos de microestructura y las actualizaciones de precios irregulares pueden contribuir con una variabilidad sustancial, haciendo que las estimaciones de correlación sean inestables.
-
Muestreo y manejo de datos desiguales: Observaciones faltantes, diferente cobertura de sesiones de negociación o marcas de tiempo inconsistentes pueden distorsionar los rendimientos y, por lo tanto, la correlación.
-
Costos y fricciones de ejecución (indirectamente): Aunque la correlación se calcula a partir de datos de precios, los resultados reales de cualquier estrategia dependen de los spreads, comisiones y calidad de ejecución. Esos factores pueden cambiar cómo una relación importa en la práctica.
-
Correlación histórica ≠ correlación futura: Incluso si la correlación positiva aparece en un marco temporal, no garantiza que la misma relación se mantenga más adelante.
Verificación y siguiente pregunta
Una forma de verificar de manera independiente la sensibilidad al marco temporal es recalcular la correlación en múltiples ventanas de observación y horizontes usando las mismas reglas de limpieza de datos. Busca patrones como: correlación que se fortalece con ventanas más largas, correlación que se invierte entre regímenes, o correlación que permanece consistentemente positiva.
Una pregunta útil a continuación no es solo “¿Es positiva la correlación?” sino también “¿Es robusta en ventanas temporales y horizontes de rendimiento razonables?” Si la respuesta cambia sustancialmente al variar el marco temporal, entonces la correlación positiva observada probablemente esté impulsada por dinámicas de corta duración en lugar de un co-movimiento estable.