Comprendiendo la correlación: Una guía práctica para decisiones basadas en datos

Por qué la correlación importa en los mercados reales

Antes de sumergirte en las fórmulas, considera por qué a los inversores les importa la correlación. Cuando dos activos se mueven juntos de manera predecible, puedes construir carteras que soporten mejor las caídas. Cuando se mueven en direcciones opuestas, combinarlos reduce el riesgo general. Esa es la potencia de entender cómo se relacionan las variables — no es solo académico, es relevante para el dinero.

Lo básico: qué mide realmente la correlación

Un coeficiente de correlación es una métrica única que captura qué tan estrechamente dos flujos de datos se mueven en conjunto. Siempre está entre -1 y 1. Cerca de 1 significa que suben y bajan juntos. Cerca de -1 significa que se mueven en direcciones opuestas. Alrededor de 0 sugiere poca relación lineal. Este número simple convierte gráficos dispersos desordenados en algo en lo que puedes actuar.

La belleza es la universalidad: ya sea que estudies temperatura y ventas de helado, o movimientos de precios de activos, la escala de -1 a 1 te permite comparar en escenarios completamente diferentes. Es un lenguaje común para la fuerza de la relación.

Elegir el método de correlación adecuado

No todas las medidas de correlación funcionan igual de bien en todas las situaciones. La elección depende del tipo de datos.

Correlación de Pearson funciona cuando ambas variables son continuas — es decir, pueden tomar cualquier valor dentro de un rango, como movimientos de precios o retornos. Cuantifica qué tan estrechamente dos variables continuas siguen una línea recta juntas.

Spearman y Kendall son alternativas basadas en rangos. Úsalas cuando los datos son ordinales (clasificados pero no distribuidos de manera uniforme) o cuando la relación curva en lugar de lineal. Estos manejan mejor los datos desordenados del mundo real que Pearson en muchos casos.

La diferencia importa: variables categóricas vs continuas requieren tratamientos diferentes. Variables categóricas (como “nivel de riesgo: bajo/medio/alto” o “régimen de mercado: alcista/bajista”) necesitan herramientas distintas — piensa en tablas de contingencia o V de Cramér en lugar de Pearson. Variables continuas (precio, volumen, tiempo) son el campo preferido de Pearson.

Para datos categóricos combinados con datos continuos, puede que necesites técnicas especializadas o convertir una medida en otra forma primero.

Entender la escala: qué significan los números

Estos rangos ofrecen una guía aproximada, aunque el contexto siempre importa:

Los valores negativos funcionan igual: -0.7 significa movimiento inverso fuerte.

¿Por qué la advertencia del contexto? La física de partículas exige correlaciones cercanas a ±1 para considerar algo real. Las ciencias sociales aceptan valores mucho más débiles porque el comportamiento humano es inherentemente más ruidoso. En los mercados, lo que cuenta como “significativo” depende de tu estrategia y horizonte temporal.

Cómo se calcula la correlación (La mecánica)

La fórmula de Pearson es sencilla en concepto: divide la covarianza por el producto de las desviaciones estándar.