Cont

Masterclass Bursă · Alocarea activelor · 29 min · Actualizat 21 iun. 2026

Corelația — cum se mișcă pozițiile împreună sau separat

Definiție și termeni-cheie

Corelația (correlation) este conceptul care îți spune cum se mișcă două poziții sau două active împreună ori în direcții opuse, iar coeficientul de corelație măsoară puterea acestei legături. Înțelegerea ei stă la baza oricărei decizii bune de alocare a capitalului și de gestionare a riscului unui portofoliu, pentru că arată dacă două active tind să crească sau să scadă simultan. Pentru a pricepe cum se mișcă lucrurile împreună — sau separat — avem nevoie de o idee clară despre ce înseamnă „împreună" și „separat" atunci când privim două seturi de poziții. Cuvântul pe care îl folosim pentru această idee este corelația, iar valoarea ei numerică se cheamă coeficient de corelație.

Corelația este o modalitate de a măsura cât de mult două liste de numere se schimbă în pas una cu cealaltă. Cele două liste se numesc de obicei variabile (variables), pentru că fiecare listă poate lua valori diferite. De exemplu, o listă ar putea fi temperatura zilnică dintr-o grădină, iar cealaltă listă ar putea fi numărul de copii care aleg să se joace afară în aceeași zi. Dacă cele două liste cresc și scad în același timp, spunem că sunt corelate pozitiv (positively correlated). Dacă o listă crește în timp ce cealaltă scade, sunt corelate negativ (negatively correlated). Dacă cele două liste se mișcă fără un tipar clar, sunt necorelate (uncorrelated).

Acest coeficient de corelație și interpretarea lui corectă sunt esențiale pentru investitori, deoarece arată dacă două active tind să crească sau să scadă simultan, influențând direct riscul unui portofoliu. Pentru a face ideea precisă, avem nevoie de încă trei definiții:

Acum putem da o definiție simplă a corelației:

Corelația este un număr care ne spune, în medie, dacă mișcările dintr-o listă tind să se alinieze cu mișcările din cealaltă listă. Numărul se notează de obicei cu un mic „r" și se numește coeficient de corelație (correlation coefficient). Acesta se află întotdeauna între –1 și +1.

Este important de reținut că o corelație nu înseamnă că listele se determină reciproc să se miște. De exemplu, dacă am descoperi că numărul de copii care se joacă afară și temperatura cresc amândouă dimineața, nu putem concluziona că ai copii fac temperatura să urce. Ar putea crește amândouă din cauza soarelui, dar soarele — nu copiii — este cauza reală.

O a doua precauție: coeficientul de corelație măsoară doar tipare liniare (în linie dreaptă). Dacă cele două liste se mișcă împreună în mod curbat sau în salturi, numărul r poate fi mic chiar dacă listele sunt în mod clar legate. De obicei nu ne facem griji pentru tiparele curbe, dar e bine de știut că o corelație le poate rata.

În final, valoarea lui r este calculată din pozițiile în sine. Formula exactă este:

r = [suma dintre (fiecare poziție x minus media ei) înmulțit cu (fiecare poziție y minus media ei)] împărțită la [rădăcina pătrată din (suma (pozițiilor x minus media x)²) înmulțită cu (suma (pozițiilor y minus media y)²)]

Nu te îngrijora acum de formulă; ideea importantă este că r se construiește din mișcările celor două liste în jurul propriilor lor medii.

În următoarea parte a acestui capitol vom vedea cum se folosește acest număr în exemple simple și cum se desenează imagini rapide numite grafice de dispersie (scatterplots) pentru a verifica dacă presupunerea liniei drepte are sens.

Intuiția

Imaginează-ți doi copii pe un teren de joacă, fiecare ținând un zmeu care poate zbura în sus sau coborî cu vântul. Copiii stau pe o linie desenată în nisip, care merge de la stânga la dreapta. Pe măsură ce vântul se schimbă, zmeiele se mișcă. Uneori ambele zmeie urcă împreună, alteori unul urcă în timp ce celălalt coboară, iar alteori par să nu facă nimic în același timp. Privind cele două zmeie, începi să-ți formezi un sentiment despre dacă mișcările lor sunt legate. Dacă tind să urce și să coboare împreună, simți o „solidaritate"; dacă unul urcă în timp ce celălalt coboară, simți o relație „în direcție opusă"; dacă mișcările lor par fără legătură, nu simți nicio conexiune. Această scenă simplă de pe terenul de joacă surprinde intuiția de zi cu zi din spatele corelației statistice.

De ce contează această idee? În multe decizii — fie că aloci resurse, planifici o grădină sau alegi o poveste de seară — ai adesea două informații care se schimbă în timp. Vrei să știi dacă se mișcă în tandem, în direcții opuse sau independent. Corelația îți oferă un singur număr, ușor de citit, care rezumă acea relație, ca să poți pune întrebări precum „Dacă mărim cantitatea de apă, va tinde și înălțimea plantelor să crească?" sau „Tind două acțiuni să crească împreună, făcând un portofoliu mai riscant?". Răspunsul te ajută să decizi cum să-ți distribui efortul, banii sau atenția între opțiunile pe care le ai.

Gândește-te la corelație ca la un „contor de similaritate direcțională". Dacă ai alinia cei doi copii unul lângă altul și ai privi un scurt film cu efectul vântului asupra zmeielor, ai putea număra de câte ori ambele zmeie urcă în același moment, de câte ori unul urcă în timp ce celălalt coboară și de câte ori nu fac nimic împreună. Cu cât domină mai mult primul tip de eveniment, cu atât mai mare este similaritatea pozitivă; cu cât domină al doilea, cu atât mai mare este similaritatea negativă; iar dacă cele două tipuri se echilibrează, similaritatea oscilează aproape de zero. În termeni formali, coeficientul de corelație este o versiune scalată a acelui echilibru, variind de la –1 (mișcare perfect opusă), prin 0 (nicio mișcare sistematică împreună), până la +1 (solidaritate perfectă).

Intuiția clarifică și ce nu îți spune corelația. În primul rând, nu dezvăluie de ce zmeiele se mișcă împreună. Vântul ar putea împinge ambele zmeie, sau copiii ar putea trage de sforile celuilalt. În limbaj statistic, corelația nu implică o cauzalitate. În al doilea rând, „contorul" surprinde doar relațiile liniare (în linie dreaptă). Dacă zmeiele urmează un traseu curbat — să zicem, unul urcă atunci când celălalt este jos, dar urcă din nou și când celălalt este sus — simpla numărare a mișcărilor împreună-sau-opuse poate da în medie zero, chiar dacă există un tipar clar. În al treilea rând, numărul pe care îl vezi pe contor se bazează pe un eșantion de episoade de vânt; un alt set de episoade ar putea da un număr ușor diferit. Acea incertitudine de eșantionare înseamnă că ar trebui să tratezi orice valoare unică de corelație ca pe o estimare, nu ca pe un adevăr exact.

Ca să vezi avantajul practic, imaginează-ți un administrator de grădiniță care decide câte jucării să cumpere pentru două zone de joacă. Dacă numărul de copii din Zona A tinde să crească atunci când numărul din Zona B scade (corelație negativă), administratorul poate cumpăra mai puține jucării în total, pentru că cererea nu va atinge un vârf în ambele locuri în același timp. Dacă numerele cresc împreună (corelație pozitivă), administratorul trebuie să planifice pentru vârfuri simultane, poate cumpărând mai multe jucării sau distribuindu-le în ambele zone. Dacă există puțină corelație, administratorul poate trata fiecare zonă aproape independent. În fiecare caz, sensul intuitiv de „mișcare împreună sau separat" ghidează o alegere concretă de alocare.

În final, reține că analogia terenului de joacă este o scurtătură mentală, nu o dovadă matematică precisă. Datele reale pot fi zgomotoase, iar vântul se poate schimba în moduri care strică imaginea simplă. Cu toate acestea, intuiția că o corelație măsoară tendința a două cantități de a se mișca în aceeași direcție sau în direcții opuse oferă o bază solidă pentru a înțelege de ce există conceptul, ce problemă rezolvă — rezumarea mișcării comune — și unde îi sunt limitele. Păstrând această imagine mentală, poți aborda calculele mai formale cu un sens clar despre ce încearcă să-ți spună numerele și unde ar trebui să fii prudent să nu le supra-interpretezi.

Cum funcționează — mecanica

Pentru a înțelege conceptul de corelație, să descompunem mecanica pas cu pas. Vom explora intrările, procesul și ieșirile pentru a vedea cum funcționează corelația.

Intrările

Conceptul de corelație se bazează pe două intrări principale: un set de puncte de date și o măsură de asociere. Punctele de date sunt de obicei o colecție de numere sau valori care reprezintă comportamentul sau performanța unei variabile sau poziții de-a lungul timpului. Acestea ar putea fi prețul zilnic al unei acțiuni, temperatura dintr-un oraș sau numărul de elevi dintr-o clasă.

Măsura de asociere este un instrument statistic folosit pentru a cuantifica relația dintre punctele de date. Există mai multe măsuri de asociere, dar cele mai des folosite sunt coeficientul de corelație Pearson (r) și coeficientul de corelație de rang Spearman (ρ). Aceste măsuri variază de la –1 la 1, unde:

Procesul

Procesul de calculare a corelației implică mai mulți pași:

Ieșirile

Rezultatul calculului corelației este coeficientul de corelație (r sau ρ), care indică puterea și direcția relației dintre cele două variabile. Coeficientul de corelație poate fi interpretat astfel:

În plus, coeficientul de corelație poate fi folosit pentru a calcula valoarea-p (p-value), care indică probabilitatea de a observa corelația din pură întâmplare. O valoare-p mică (de obicei < 0,05) sugerează că o corelație este semnificativă statistic, în timp ce o valoare-p mare sugerează că o corelație se datorează întâmplării.

În concluzie, conceptul de corelație se bazează pe un set de puncte de date și o măsură de asociere pentru a cuantifica relația dintre două variabile. Înțelegând mecanica corelației, putem interpreta rezultatele și lua decizii informate despre relațiile dintre variabile. Totuși, este esențial de reținut că o corelație nu implică o cauzalitate, iar adesea este nevoie de analiză suplimentară pentru a stabili o relație cauzală între variabile.

Exemplu rezolvat

Imaginează-ți o mică sală de grupă cu patru copii care tocmai au început să folosească pătrățelele de covor „semafor" pentru a arăta unde simt că vor să stea astăzi. După prezență, în fiecare dimineață timp de cinci zile, notăm ce culoare de pătrățel a ales fiecare copil:

Vrem să știm dacă alegerile copiilor se mișcă împreună (dacă un copil alege albastru, celălalt tinde să aleagă tot albastru) sau separat (dacă unul alege albastru, celălalt tinde să aleagă roșu).

Pasul 1 – transformăm culorile în numere. Îi dăm albastrului scorul 1 și roșului scorul 0. Acum datele arată astfel:

Pasul 2 – găsim mediile. Media Copilului A = (1 + 0 + 1 + 0 + 1) ÷ 5 = 0,6. Media Copilului B = (0 + 1 + 0 + 1 + 0) ÷ 5 = 0,6.

Pasul 3 – scădem media din fiecare scor (acestea se numesc abateri). Abaterile Copilului A: 1–0,6 = +0,4; 0–0,6 = –0,6; +0,4; –0,6; +0,4. Abaterile Copilului B: 0–0,6 = –0,6; 1–0,6 = +0,4; –0,6; +0,4; –0,6.

Pasul 4 – înmulțim abaterile perechi. (+0,4)(–0,6) = –0,24; (–0,6)(+0,4) = –0,24; (+0,4)(–0,6) = –0,24; (–0,6)(+0,4) = –0,24; (+0,4)(–0,6) = –0,24.

Pasul 5 – adunăm produsele. Suma produselor = –0,24 –0,24 –0,24 –0,24 –0,24 = –1,20.

Pasul 6 – împărțim la (n – 1) ca să obținem covarianța eșantionului. Cov(A,B) = –1,20 ÷ (5 – 1) = –0,30. Semnul negativ ne spune că alegerile copiilor se mișcă în direcții opuse: când unul e pe albastru, celălalt e pe roșu și invers.

Pasul 7 – transformăm covarianța în coeficient de corelație. Avem nevoie de abaterile standard ale scorurilor fiecărui copil. Pentru Copilul A: ridicăm la pătrat fiecare abatere, însumăm pătratele, împărțim la (n–1), apoi extragem rădăcina pătrată. Suma pătratelor = 0,16 + 0,36 + 0,16 + 0,36 + 0,16 = 1,20. Varianța = 1,20 ÷ 4 = 0,30. Abaterea standard sA = √0,30 ≈ 0,548. Pentru Copilul B abaterile sunt aceleași numere într-o altă ordine, deci sB = 0,548.

Corelația r = Cov(A,B) ÷ (sA × sB) = –0,30 ÷ (0,548 × 0,548) ≈ –0,30 ÷ 0,300 ≈ –1,00. O corelație de –1 înseamnă că alegerile de pătrățel ale copiilor sunt perfect opuse în fiecare zi.

Ce ne spun (și ce nu ne spun) numerele. Calculul arată o relație negativă puternică, dar se bazează pe doar cinci zile și doi copii. Cu un eșantion atât de mic nu putem fi siguri că tiparul se va menține pentru toată clasa sau pentru restul semestrului. Corelația ar putea scădea spre zero dacă adăugăm mai multe zile, sau ar putea chiar să-și schimbe semnul. Privește mereu dimensiunea eșantionului și contextul înainte de a decide dacă pozițiile chiar „se mișcă separat" într-un mod de încredere.

Un al doilea scenariu

Imaginează-ți o mică grădină în care un îngrijitor are grijă de două tipuri diferite de plante: gălbenele de un galben aprins și frunze de spanac verde-închis. În fiecare dimineață, îngrijitorul notează două numere pentru fiecare plantă: (1) înălțimea tulpinii gălbenelei măsurată în centimetri și (2) numărul de frunze de spanac care s-au desfăcut în aceeași zi. De-a lungul a zece zile, datele arată astfel:

La prima vedere, cele două coloane par să se miște împreună: pe măsură ce gălbeneaua crește mai înaltă, spanacul tinde să producă mai multe frunze. Această impresie vizuală este ceea ce numim corelație pozitivă — cele două măsurători cresc (sau scad) în aceeași direcție. Mai precis, putem calcula un coeficient de corelație, notat adesea r, care cuantifică puterea și direcția acelei mișcări comune. În acest set de date minuscul, r iese aproape de +0,95, indicând o relație pozitivă puternică.

Acum gândește-te la o grădină diferită, îngrijită tot de același îngrijitor, dar de data aceasta îngrijitorul urmărește două lucruri fără legătură: (a) numărul de buburuze care se întâmplă să aterizeze pe o piatră și (b) temperatura măsurată pe un termometru mic afară lângă seră. De-a lungul acelorași zece zile, observațiile ar putea arăta cam așa: buburuze între 0 și 4 pe zi, temperaturi între 20 și 25 °C, fără niciun tipar evident. Când reprezentăm aceste perechi pe un grafic de dispersie, punctele sunt împrăștiate fără niciun tipar clar. Coeficientul de corelație pentru această pereche este aproape de zero (poate –0,07). Aceasta ne spune că cele două variabile nu tind să se miște împreună; a ști temperatura nu ne spune practic nimic despre câte buburuze vor ateriza pe piatră și invers. Important, o corelație de zero nu dovedește că cele două variabile sunt complet fără legătură în orice circumstanță posibilă — reflectă pur și simplu lipsa unui tipar liniar în datele pe care le-am colectat.

Un al treilea scenariu de grădină, mai subtil, ilustrează o corelație negativă. Să presupunem că îngrijitorul măsoară două lucruri care tind să se miște în direcții opuse: cantitatea de apă pe care o reține solul (în mililitri) și numărul de frunze ofilite de pe o plantă de busuioc. De-a lungul a zece zile, apa din sol scade treptat de la 30 ml la 12 ml, în timp ce frunzele ofilite cresc de la 1 la 8. Aici numerele se mișcă în direcții opuse: pe măsură ce solul devine mai uscat, mai multe frunze se ofilesc. Coeficientul de corelație este în jur de –0,97, o corelație negativă puternică. Acest exemplu arată că o corelație poate surprinde atât mișcarea „împreună", cât și „separat", în funcție de semnul lui r.

Ce sprijină și ce nu sprijină dovezile

În fiecare dintre aceste povești de grădină, coeficientul de corelație este un rezumat al mișcării comune observate. Un r pozitiv sau negativ mare ne spune că, în intervalul măsurat, cele două cantități tind să crească și să scadă împreună (sau opus). Totuși, câteva precauții sunt esențiale, mai ales pentru un eșantion mic: o corelație observată pe câteva zile poate fi înșelătoare și nu garantează că relația va continua dincolo de datele măsurate.

Greșeli frecvente și concepții greșite

Pe măsură ce aprofundăm conceptul de corelație, este esențial să fim conștienți de capcanele potențiale care pot duce la interpretări incorecte. Începătorii se chinuie adesea cu nuanțele corelației, iar această secțiune urmărește să evidențieze greșelile frecvente și concepțiile greșite care pot apărea.

Confundarea corelației cu cauzalitatea

Una dintre cele mai importante concepții greșite este să presupui că o corelație implică o cauzalitate. Doar pentru că două variabile se mișcă împreună, nu înseamnă că una o cauzează pe cealaltă. Acesta este un exemplu clasic al sofismului „corelația nu implică cauzalitate". De exemplu, gândește-te la corelația dintre vânzările de înghețată și numărul de oameni care poartă pantaloni scurți. Doar pentru că vânzările de înghețată cresc când vremea se încălzește, și mai mulți oameni poartă pantaloni scurți, nu înseamnă că mâncatul de înghețată îi face pe oameni să poarte pantaloni scurți. În realitate, factorul de bază este vremea mai caldă, care este cauza comună a ambelor variabile.

Ignorarea direcției relației

O altă greșeală frecventă este să nu iei în considerare direcția relației dintre două variabile. O corelație poate fi pozitivă (ambele variabile se mișcă împreună) sau negativă (o variabilă se mișcă în direcția opusă celeilalte). Este esențial să înțelegi direcția relației pentru a evita interpretarea greșită a datelor. De exemplu, gândește-te la corelația dintre prețul unei case și mărimea ei. O corelație pozitivă ar putea sugera că casele mai mari sunt mai scumpe, în timp ce o corelație negativă ar putea indica faptul că casele mai mari sunt de fapt mai ieftine. Direcția relației este crucială pentru înțelegerea dinamicii de bază.

Concentrarea pe puterea corelației în loc de semnificația ei

Începătorii se lasă adesea prinși în puterea corelației (măsurată de coeficientul de corelație) mai degrabă decât în semnificația ei. O corelație puternică nu implică neapărat că relația este semnificativă statistic. Cu alte cuvinte, o corelație poate fi puternică, dar dacă dimensiunea eșantionului este mică, rezultatele s-ar putea să nu fie generalizabile la populația mai mare. Este esențial să iei în considerare atât puterea, cât și semnificația corelației pentru a evita supra-interpretarea rezultatelor.

Ignorarea prezenței variabilelor terțe

O altă greșeală frecventă este să nu iei în considerare prezența unor variabile terțe care ar putea influența relația dintre două variabile. De exemplu, gândește-te la corelația dintre numărul de ore petrecute studiind și notele la examen. O corelație pozitivă puternică ar putea sugera că studiul mai mult duce la note mai bune, dar o a treia variabilă precum inteligența sau cunoștințele anterioare ar putea fi factorul de bază care determină relația. Ignorarea prezenței variabilelor terțe poate duce la concluzii incorecte.

Presupunerea liniarității

O corelație presupune o relație liniară între două variabile, dar în realitate relațiile pot fi neliniare. Neluarea în considerare a relațiilor neliniare poate duce la interpretări incorecte. De exemplu, gândește-te la corelația dintre cantitatea de îngrășământ folosită și producția de recolte. O relație liniară ar putea sugera că mai mult îngrășământ duce la producții mai mari, dar în realitate relația ar putea fi neliniară, cu producții optime apărând la un anumit prag de utilizare a îngrășământului.

Supra-interpretarea corelației în eșantioane mici

În final, începătorii se lasă adesea prinși în entuziasmul de a descoperi o corelație într-un eșantion mic. Totuși, o corelație în eșantioane mici poate fi înșelătoare și este esențial să iei în considerare dimensiunea eșantionului și potențialul de eroare de eșantionare. O corelație în eșantioane mici s-ar putea să nu fie reprezentativă pentru populația mai mare, iar supra-interpretarea rezultatelor poate duce la concluzii incorecte.

Fiind conștienți de aceste greșeli frecvente și concepții greșite, începătorii pot evita capcanele și pot dezvolta o înțelegere mai profundă a conceptului de corelație. Reține: corelația este un instrument puternic, dar necesită interpretare atentă și luarea în considerare a dinamicii de bază.

Cum o folosește biroul de tranzacționare

Pe un birou de tranzacționare (trading desk), coeficientul de corelație nu este o jucărie matematică abstractă; este o intrare vie care transformă „cum se mișcă două lucruri împreună" în alegeri concrete despre ce nume să cumperi, cât capital să riști pe fiecare picior și când să reduci sau să dublezi poziția. Treaba biroului este să traducă acel număr unic — ρ sau τ — în trei pârghii practice: (1) împerecherea tranzacțiilor, (2) dimensionarea fiecărei poziții astfel încât profitul și pierderea combinate (P&L) să se comporte așa cum vrea biroul și (3) cronometrarea intrării și ieșirii astfel încât corelația să nu se întoarcă împotriva portofoliului. Mai jos este cum se folosește fiecare pârghie în practică, cu limitele oneste ale a ceea ce numărul poate și nu poate face.

1. Împerecherea tranzacțiilor

Când biroului macro i se cere să exprime o opinie despre, să zicem, „valoare versus creștere", prima tăietură este să scaneze matricea de corelație pentru cea mai ieftină cincime de acțiuni de tip valoare versus cea mai scumpă cincime de acțiuni de tip creștere. Dacă media ρ în pereche dintre cele două cincimi este +0,85 pe ultimele 260 de zile de tranzacționare, biroul știe că a cumpăra coșul de valoare și a vinde în lipsă (short) coșul de creștere se va comporta aproape ca un singur pariu direcțional: ambele picioare vor crește împreună într-o piață puternică și vor scădea împreună într-una slabă. Asta e util dacă opinia managerului de portofoliu este „piața va crește, dar valoarea va depăși performanța", pentru că o corelație mare păstrează riscul de piață rezidual mic. Invers, dacă biroul găsește o pereche precum minerii de aur și hardware-ul tehnologic cu ρ = –0,20, același spread long/short va anula o parte din riscul direcțional; portofoliul devine o tranzacție de valoare relativă, nu un pariu pe beta.

Avertisment: corelația care contează este cea care va persista cât timp tranzacția este deschisă, nu cea care s-a întâmplat anul trecut. De aceea, biroul suprapune o fereastră mobilă de 30 de zile și o fereastră de test de stres (de exemplu, prăbușirea din criza financiară globală) pentru a verifica dacă împerecherea supraviețuiește chiar regimului pe care managerul îl așteaptă. Dacă ρ de stres se întoarce la +0,40, tranzacția este respinsă sau acoperită diferit.

2. Dimensionarea picioarelor astfel încât P&L combinat să se comporte cum se dorește

Odată ce o pereche este aleasă, pasul următor este să decizi cât capital să aloci fiecărei părți astfel încât P&L net să aibă profilul de risc dorit. Ecuația-cheie este formula varianței portofoliului pentru două active:

σ²_portofoliu = w₁²σ₁² + w₂²σ₂² + 2 w₁ w₂ ρ₁₂ σ₁ σ₂

Dacă biroul vrea ca spread-ul să fie neutru față de piață (sensibilitate zero față de indicele de referință), rezolvă pentru ponderile care fac beta poziției combinate egal cu zero. În practică, asta înseamnă: w₁ / w₂ = – (β₂ / β₁) × (σ₁ / σ₂). Corelația ρ₁₂ intră doar în termenul de risc rezidual; nu schimbă raportul de acoperire neutru față de piață, dar schimbă cât capital trebuie să depună biroul împotriva reziduului. O pereche cu ρ = 0,95 va avea o varianță reziduală mult mai mică decât o pereche cu ρ = 0,30, așa că biroul poate rula un notional brut mai mare pe prima fără să-și depășească bugetul de risc.

Aceeași logică se aplică portofoliilor direcționale. Dacă managerul se așteaptă la o depășire de performanță de 5% a valorii față de creștere în trimestrul următor, biroul va dimensiona picioarele astfel încât o mișcare de 5% în spread să producă P&L țintă, în timp ce corelația determină cât de mult din mișcare este „spread pur" versus „zgomot". O corelație mare înseamnă că mișcarea spread-ului este mai probabil reală; o corelație mică înseamnă că P&L este mai sensibil la evenimente idiosincratice de pe oricare parte.

3. Cronometrarea intrării și ieșirii folosind regimurile de corelație

Corelația nu este constantă. Tinde să crească în crize (ρ → +1) și să scadă în piețele calme (ρ → 0 sau chiar negativ). De aceea, biroul monitorizează un „indicator de regim al corelației" în timp real, adesea un ρ mobil de 20 de zile cu un timp de înjumătățire de 5 zile. Când indicatorul sare peste, să zicem, 0,85, biroul știe că tranzacțiile împerecheate se vor comporta mai mult ca un singur activ; prin urmare, strânge ordinele stop-loss și reduce expunerea brută pentru a evita o oscilație bruscă. Invers, când indicatorul coboară sub 0,30, biroul poate lărgi stop-urile pentru că picioarele se pot decupla, dar recunoaște și că semnalul de valoare relativă este mai slab și poate aștepta un regim mai clar.

O tactică concretă este tranzacția de „estompare a corelației" (correlation fade). Dacă biroul observă că două nume cu corelație istoric mare s-au decuplat recent (ρ scade de la 0,85 la 0,50) în timp ce povestea fundamentală nu s-a schimbat, poate deschide o tranzacție în pereche pariind că ρ va reveni. Dimensionarea este deliberat mică pentru că biroul nu are niciun avantaj asupra fundamentelor — doar asupra re-convergenței statistice — iar poziția este închisă odată ce ρ revine la media sa.

4. Ce nu poate face numărul corelației

Niciun coeficient de corelație, oricât de proaspăt, nu garantează că două active vor continua să se miște împreună. De aceea, biroul nu se bazează niciodată doar pe ρ. Verifică mereu suplimentar cu:

Pe scurt, biroul de tranzacționare folosește corelația ca pe un instrument puternic, dar condiționat. Împerechează nume doar după ce testează la stres coeficientul, dimensionează pozițiile astfel încât riscul rezidual să fie în limita apetitului biroului și cronometrează intrările și ieșirile urmărind regimul coeficientului. Numărul în sine nu este niciodată tranzacția; este lentila prin care biroul decide cât din tranzacție să ia și pentru cât timp.

Limite, avertismente și când eșuează

Corelația este o scurtătură utilă pentru a rezuma cum tind două poziții să se miște împreună, dar este departe de a fi un glob de cristal. Mai jos sunt principalele motive pentru care un număr de corelație poate induce în eroare, mai ales când este luat la valoarea nominală sau aplicat în afara condițiilor în care a fost măsurat.

Concluzii practice:

Păstrând aceste limite în minte, poți evita cele mai frecvente capcane și poți folosi corelația ca pe una dintre mai multe lentile, mai degrabă decât ca pe un predictor definitiv al modului în care pozițiile se vor mișca împreună sau separat.

Idei esențiale de reținut

⚠️ Conținut educativ, nu sfat de investiții. Pentru decizii financiare consultă un specialist autorizat.

← Toate lecțiile Masterclass