Correlación
Cómo cambia tu cartera cuando cambian las correlaciones
Autor Luis Martín
Actualizado 2026
#01
Un ejemplo sencillo de cartera mixta
“Si sumo activos diferentes, el riesgo baja”. La frase es cómoda, pero incompleta. En la práctica, la reducción de riesgo depende de cómo se mueven juntos esos activos. En esta nota uso un ejemplo sencillo con tres bloques: renta variable, renta fija y efectivo. El objetivo no es diseñar una cartera modelo, sino mostrar cómo un cambio en las correlaciones puede alterar la volatilidad agregada sin tocar los pesos. Trabajo con cifras inventadas, pero razonables. Explico cada supuesto, señalo límites del enfoque y comparo este análisis con alternativas más ingenuas, como mirar solo la volatilidad individual. No es asesoramiento personalizado, solo una guía para estructurar la conversación con profesionales regulados.
Definir la cartera y los supuestos
Parto de una cartera hipotética con tres bloques: cuarenta por ciento en renta variable global, cuarenta por ciento en renta fija y veinte por ciento en efectivo. Asumo volatilidades anuales aproximadas y unas correlaciones iniciales moderadas entre renta variable y renta fija, casi nulas entre efectivo y el resto. Con estos supuestos, estimo la volatilidad agregada mediante una matriz de covarianzas simple. El cálculo no busca precisión académica, sino mostrar la lógica: el riesgo total no es la suma de los riesgos individuales, porque los activos no se mueven de forma independiente. Este punto ya diferencia a quien mira solo métricas aisladas de quien entiende el conjunto.
Comparar con el enfoque ingenuo
El siguiente paso es comparar el enfoque basado en correlaciones con alternativas habituales. Muchos equipos miran solo el peso de cada activo y su volatilidad histórica individual. Bajo ese prisma, basta con añadir renta fija y efectivo para sentir que el riesgo está bajo control. Sin embargo, si las correlaciones cambian, esa sensación puede ser engañosa. Frente a esta visión estática, el análisis de correlación permite preguntar qué ocurre cuando renta variable y renta fija dejan de moverse en direcciones opuestas. No ofrece certezas, pero obliga a revisar la narrativa cómoda de que cualquier mezcla reduce riesgo por definición.
Escenarios de cambio en correlaciones
Para ilustrar el impacto, planteo dos escenarios. En el primero, la correlación entre renta variable y renta fija se mantiene baja y negativa. En el segundo, se vuelve positiva y elevada, como ha ocurrido en ciertos periodos de tensión inflacionaria. Sin tocar los pesos, recalculo la volatilidad agregada en cada caso. El resultado del ejemplo es claro: en el escenario de correlación alta, la cartera sufre movimientos conjuntos mayores y pierde parte del efecto amortiguador que se esperaba de la renta fija. No es una predicción, solo una demostración de sensibilidad a un supuesto clave del modelo.
Límites del ejemplo y avisos de riesgo
El ejemplo tiene límites evidentes. Usa datos inventados, asume volatilidades constantes y no incorpora factores como liquidez, divisa o riesgo de crédito. Además, se basa en información histórica simplificada, que puede dejar de ser representativa. Por eso insisto en tratar las cifras como ilustrativas. La lección útil no está en el número final de volatilidad, sino en el hábito de documentar supuestos, explorar escenarios alternativos y aceptar que los resultados pueden variar. Frente a otras aproximaciones más agresivas, este enfoque busca entender la dinámica de riesgo, no exprimir una métrica concreta.
#02
Ir más allá del número de volatilidad
En muchos informes internos veo tablas de activos con rentabilidades y volatilidades, pero pocas matrices de correlación. El mensaje implícito es que cada bloque se analiza por separado y que la diversificación es casi automática. En la práctica, los episodios de tensión muestran lo contrario. Activos que parecían moverse de forma independiente empiezan a caer juntos. En esta sección amplío el ejemplo inicial para incluir más horizontes temporales y un par de factores macro sencillos. No busco construir un modelo completo, sino mostrar cómo pequeños cambios en el enfoque pueden mejorar la lectura del riesgo conjunto frente a alternativas más superficiales.
Horizontes temporales y correlación
Primero amplío el horizonte. En lugar de mirar solo un año, reviso cómo cambian las correlaciones entre activos cuando paso de ventanas cortas a periodos más largos. En tramos breves, los datos pueden mostrar patrones extremos que se diluyen con el tiempo. En periodos amplios, en cambio, se mezclan regímenes de mercado muy distintos. Comparo ambos enfoques con el ejemplo de la cartera mixta y muestro cómo la volatilidad agregada estimada puede variar según el horizonte usado. Esta comparación ayuda a discutir con el asesor qué plazo es más relevante para tus decisiones reales.
Factores macro como contexto
Después incorporo dos factores macro sencillos: nivel de tipos de interés e inflación. No entro en modelos multifactoriales complejos, pero sí señalo que la correlación entre renta variable y renta fija tiende a comportarse de forma distinta cuando los tipos suben con fuerza frente a cuando permanecen estables. En el ejemplo, etiqueto periodos con cambios marcados en tipos y recalculo correlaciones para cada grupo. El objetivo es mostrar que no basta con una cifra global; conviene entender en qué entorno se generó y si ese entorno se parece al actual.
Datos frente a narrativas cómodas
A continuación, comparo este enfoque con una alternativa frecuente: basarse solo en intuiciones cualitativas. Frases como “la renta fija siempre protege en caídas” se repiten sin matices. En el ejemplo, muestro episodios en los que esa protección fue limitada porque la correlación se volvió positiva. No busco desautorizar reglas de pulgar útiles, sino anclar esas reglas en datos, escenarios y supuestos explícitos. Frente a narrativas vagas, prefiero cuadros sencillos que conecten periodos históricos, cambios de correlación y comportamiento conjunto de la cartera hipotética.
De la hoja de cálculo a la decisión
Por último, subrayo que este tipo de análisis no sustituye el juicio profesional ni la regulación aplicable. Los ejemplos aquí descritos son generales y no tienen en cuenta tu situación concreta, tu perfil de riesgo ni tus objetivos. Antes de modificar tu asignación de activos, conviene revisar la información con un profesional regulado y con la documentación contractual vigente. Los resultados pueden variar y el rendimiento pasado no garantiza resultados futuros. El objetivo de estas notas es mejorar la conversación, no prometer soluciones ni fórmulas cerradas.
Documentar supuestos de forma práctica
Si decides llevar estas ideas a tu propio caso, una práctica útil es documentar por escrito los supuestos de correlación que tú y tu asesor estáis usando. Anotar rangos razonables, escenarios alternativos y factores que podrían romper el patrón histórico ayuda a evitar sorpresas. En el ejemplo de cartera mixta, bastaría con guardar una tabla con correlaciones por entorno de tipos y una breve nota sobre por qué se consideran plausibles. Frente a otras aproximaciones menos estructuradas, este hábito deja un rastro claro que puedes revisar cuando el mercado se comporte de forma distinta a lo esperado.
#03
Cuando la cartera se complica
Hasta ahora he hablado de una cartera simple con tres bloques. En la realidad, muchas carteras incluyen más clases de activos, instrumentos con liquidez distinta y restricciones específicas. No voy a construir aquí un modelo exhaustivo, pero sí quiero mostrar cómo la lógica de la correlación se extiende a contextos más complejos. Lo hago comparando el enfoque de matriz completa con alternativas más toscas, como agrupar todo en dos o tres cestas amplias. El objetivo es que puedas valorar, junto con tu equipo, qué nivel de detalle aporta información útil y dónde empieza el ruido.
Agrupar por factores de riesgo
Cuando el número de activos crece, la matriz de correlación se llena rápido. Una opción es agruparlos por factores de riesgo predominantes, en lugar de por etiquetas comerciales. En el ejemplo amplio, reordeno los bloques según sensibilidad a tipos, crecimiento e inflación. Esto permite detectar que activos muy distintos en apariencia comparten patrones de movimiento. Frente a una simple lista por categoría, esta visión por factores ayuda a ver concentraciones ocultas de riesgo que no se perciben al mirar solo nombres o regiones.
Equilibrar detalle y simplicidad
Otra alternativa habitual es trabajar con un número reducido de bloques amplios para simplificar la comunicación con comités y responsables no técnicos. En lugar de diez clases de activos, se muestran tres o cuatro grandes cestas. El riesgo es perder matices importantes de correlación interna. En el ejemplo, comparo ambos enfoques y muestro cómo una agregación excesiva puede ocultar que dos subbloques se mueven casi al unísono. No se trata de elegir entre detalle y simplicidad, sino de decidir qué nivel de resumen sigue siendo honesto con la realidad del riesgo conjunto.
Restricciones y ritmo de ajuste
En carteras reales también entran en juego restricciones regulatorias, fiscales y operativas. Estas condiciones pueden limitar la capacidad de ajustar pesos aunque el análisis de correlación sugiera cambios. Por eso insisto en tratar los modelos como herramientas de apoyo y no como motores automáticos de decisión. Frente a propuestas agresivas que venden ajustes continuos, prefiero un uso pausado: revisar correlaciones con una frecuencia razonable, discutir cambios estructurales y aceptar que en ocasiones la mejor decisión es no mover la cartera pese a un cambio moderado en las métricas.
Errores de modelo y humildad cuantitativa
Finalmente, recuerdo que toda modelización conlleva riesgo de error. Datos incompletos, cambios de régimen, sesgos de supervivencia y otros problemas pueden distorsionar las correlaciones estimadas. En el ejemplo amplio, señalo varios puntos en los que pequeñas variaciones en los datos de entrada alteran el resultado final. Este ejercicio no busca sembrar desconfianza, sino fomentar una actitud crítica. Frente a la tentación de tratar la matriz de correlación como verdad absoluta, prefiero verla como un mapa aproximado que ayuda a orientar la conversación, sabiendo que el terreno real siempre es más complejo.