O que é Asset Correlation Calculator?
▾
A matriz de correlação é uma ferramenta fundamental na teoria de portfólio e gestão de risco que quantifica as relações lineares entre os retornos de diferentes ativos. Cada elemento ρ(i,j) na matriz representa o coeficiente de correlação de Pearson entre os ativos i e j, variando de -1 (correlação negativa perfeita - os ativos se movem em direções exatamente opostas) a +1 (correlação positiva perfeita - os ativos se movem em sincronia), com 0 indicando nenhuma relação linear. As matrizes de correlação são a base da Teoria Moderna do Portfólio (MPT), desenvolvida por Harry Markowitz em 1952. A variância do portfólio é determinada não apenas pelas volatilidades dos ativos individuais, mas criticamente pelas correlações entre eles: σ²_portfólio = Σ Σ w_i w_j σ_i σ_j ρ(i,j). Correlações baixas ou negativas entre ativos reduzem a variância da carteira abaixo da média ponderada das variâncias individuais – esta é a base matemática da diversificação. Na prática, as matrizes de correlação apresentam diversas propriedades e desafios importantes. Em primeiro lugar, as correlações não são estáveis ao longo do tempo – os activos que não estão correlacionados em mercados tranquilos tornam-se frequentemente altamente correlacionados em crises de mercado (“picos de correlação”). O GFC de 2008 caracterizou-se por correlações entre activos de risco que se aproximaram simultaneamente de 1,0, eliminando o benefício esperado da diversificação precisamente quando este era mais necessário. Este fenómeno é conhecido como “quebra de correlação” ou “contágio”. Em segundo lugar, as matrizes de correlação devem ser semidefinidas positivas (PSD) para serem matematicamente consistentes - todos os autovalores devem ser não negativos. Com muitos ativos e dados limitados, as matrizes de correlação de amostras muitas vezes violam a PSD devido a erros de estimativa, exigindo regularização (redução, projeção da matriz PSD mais próxima) antes de serem usadas em modelos de risco. O estimador de encolhimento Ledoit-Wolf é amplamente utilizado para produzir matrizes de correlação bem condicionadas para grandes portfólios. Terceiro, a correlação linear é inadequada para captar a dependência da cauda — a tendência dos ativos colidirem em eventos extremos, mesmo quando normalmente não correlacionados. Os modelos de cópula (particularmente o gaussiano e o t-cópula) estendem a análise de correlação para capturar estruturas de dependência não linear e dependência de cauda, que são essenciais para uma modelagem precisa de carteira de crédito e de risco de CDO.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Fórmula
▾
ρ(i,j) = Cov(R_i, R_j) / (σ_i × σ_j)
Variância do portfólio = Σ_i Σ_j w_i × w_j × σ_i × σ_j × ρ(i,j)
Índice de Diversificação = Volatilidade Média Ponderada / Volatilidade do PortfólioLegenda de variáveis
▾
| Símbolo | Nome | Unidade | Descrição |
|---|---|---|---|
| ρ(i,j) | Coeficiente de Correlação de Pearson | dimensionless | Correlação linear entre os retornos dos ativos i e j: varia de −1 a +1. Mede a direção e a força do co-movimento. |
| σ_p² | Variação do portfólio | %² | Soma de w_i × w_j × σ_i × σ_j × ρ(i,j) em todos os pares; reduzido por baixas correlações entre ativos. |
| R | Matriz de retorno | % | Matriz T×N de retornos históricos para N ativos em T períodos de tempo; usado para estimar a matriz de correlação. |
| β_div | Benefício de Diversificação | % | Redução na volatilidade do portfólio devido à diversificação: (Vol médio ponderado − Vol do portfólio) / Vol médio ponderado. |
| λ_min | Valor próprio mínimo | dimensionless | Menor autovalor da matriz de correlação; deve ser ≥ 0 para semidefinição positiva; valores negativos indicam problemas de estimativa. |
Como Asset Correlation Calculator
▾
- 1Colete dados históricos de retorno para todos os ativos do portfólio: retornos diários, semanais ou mensais durante pelo menos 1–3 anos (mais dados = estimativas mais estáveis).
- 2Calcule o retorno médio amostral para cada ativo; subtrair significa centralizar os dados.
- 3Calcule a matriz de covariância da amostra: Cov(i,j) = (1/(T−1)) × Σ (R_it − μ_i)(R_jt − μ_j).
- 4Normalize para correlação: ρ(i,j) = Cov(i,j) / (σ_i × σ_j). Os elementos diagonais são 1,0 por construção.
- 5Verifique a semidefinição positiva: calcule autovalores. Se algum autovalor for negativo, aplique a regularização (redução de Ledoit-Wolf, matriz PSD mais próxima).
- 6Analise a matriz de correlação: identifique clusters de ativos altamente correlacionados, correlações próximas de zero (bons diversificadores) e correlações negativas (hedges naturais).
- 7Calcular a variância da carteira utilizando a matriz de correlação e volatilidades individuais; calcular o benefício da diversificação.
Exemplos resolvidos
▾
A correlação negativa entre ações e títulos é a base das carteiras 60/40
Variância da carteira = (0,6)²(0,15)² + (0,4)²(0,07)² + 2(0,6)(0,4)(0,15)(0,07)(−0,25) = 0,0081 + 0,00078 − 0,00126 = 0,00762. Carteira σ = √0,00762 = 8,73%. Média ponderada σ = 0,6×15% + 0,4×7% = 11,8%. Benefício de diversificação = (11,8% − 8,73%) / 11,8% = 26%. A correlação negativa entre ações e obrigações é a base estrutural da carteira 60/40 – historicamente, quando as ações caem em recessões, as obrigações sobem à medida que as taxas caem. Esta correlação tornou-se pouco fiável em 2022, quando ambas caíram juntas (aumentos das taxas impulsionados pela inflação).
Serviços públicos e energia fornecem maior diversificação versus tecnologia
A matriz de correlação mostra que a Tecnologia e a Saúde estão mais correlacionadas (0,45) — ambos são setores de crescimento sensíveis a macrofatores semelhantes. A energia tem correlação moderada com Tecnologia (0,30) e Saúde (0,20) — é impulsionada por fatores do ciclo das commodities. Os serviços públicos têm as correlações mais baixas com todos os outros sectores (0,10–0,35) — impulsionados pela sensibilidade às taxas de juro e pelos lucros regulamentados, o que os torna o melhor diversificador de carteira. Adicionar serviços públicos reduz significativamente a variação do portfólio sem sacrificar muito o retorno esperado.
As correlações de crise atingem 1,0, destruindo a diversificação precisamente quando necessária
Nos mercados normais, o capital e o crédito (títulos HY) têm uma correlação moderada (0,25), proporcionando uma diversificação significativa numa carteira. Na crise de 2008, tanto os mercados accionistas como os de crédito caíram simultaneamente, à medida que a aversão ao risco disparou – a correlação subiu para 0,85. A redução do risco do portfólio devido à diversificação caiu de 40% para apenas 8%. Esta “quebra de correlação” é uma regularidade empírica bem documentada: as correlações entre activos de risco tendem a aumentar em períodos de recessão, tornando a diversificação muito menos eficaz durante os períodos de maior necessidade. Correlações período de estresse devem ser usadas em testes de estresse.
A correlação EM-EUA aumentou ao longo do tempo – a globalização reduziu a diversificação
A correlação contínua de três anos entre as ações dos EUA e os mercados emergentes aumentou significativamente desde 2000 (de 0,4-0,5 na década de 1990 para 0,7-0,8 na década de 2010), em parte devido à globalização, à política monetária sincronizada e ao aumento dos fluxos de capitais transfronteiriços. Em crises (GFC 2008, COVID 2020), a correlação aumentou para 0,85–0,90. Esta tendência — correlações crescentes a nível mundial — é um grande desafio para as estratégias internacionais de diversificação, que historicamente justificaram as alocações de mercados emergentes, em parte por motivos de diversificação. O benefício da diversificação da alocação dos ME diminuiu ao longo do tempo à medida que os mercados se tornaram mais integrados.
Aplicações práticas
▾
Construção de portfólio e otimização de média-variância, permitindo que os profissionais tomem decisões quantitativas bem informadas com base em métodos computacionais validados e abordagens padrão do setor, o que requer análise quantitativa precisa para apoiar decisões baseadas em evidências, alocação estratégica de recursos e otimização de desempenho em diversos contextos organizacionais e disciplinas profissionais
Paridade de risco e estratégias de portfólio de diversificação máxima, ajudando os analistas a produzir resultados precisos que apoiam o planejamento estratégico, a alocação de recursos e a avaliação comparativa de desempenho em todas as organizações, onde a computação numérica precisa é essencial para produzir resultados confiáveis que informam processos de planejamento, avaliação e melhoria contínua em ambientes corporativos e individuais
Configuração de simulação Monte Carlo VaR (decomposição de Cholesky), permitindo aos profissionais quantificar resultados de forma sistemática e comparar cenários usando estruturas matemáticas confiáveis e fórmulas estabelecidas, exigindo abordagens de cálculo sistemático que traduzam dados brutos de entrada em insights acionáveis para as partes interessadas que dependem do rigor quantitativo em suas atividades profissionais diárias
Testes de estresse de correlação regulatória sob Basel FRTB, apoiando processos de avaliação baseados em dados onde a precisão numérica é essencial para objetivos de conformidade, relatórios e otimização, necessitando de métodos computacionais robustos que forneçam resultados consistentes e verificáveis adequados para relatórios, auditoria e análise de tendências de longo prazo em ambientes profissionais
Atribuição de exposição a fatores de fundos de hedge e cobertura de correlação, que requer análise quantitativa precisa para apoiar decisões baseadas em evidências, alocação estratégica de recursos e otimização de desempenho em diversos contextos organizacionais e disciplinas profissionais
Casos especiais
▾
Os profissionais que trabalham com matriz de correlação devem estar especialmente atentos a esse cenário, pois pode levar a resultados enganosos se não for tratado de maneira adequada. Sempre verifique as condições de contorno e verifique com métodos independentes quando este caso surgir na prática.
Na prática, este caso extremo requer uma consideração cuidadosa porque as suposições padrão podem não ser válidas. Ao encontrar este cenário nos cálculos da calculadora de correlação de ativos, os profissionais devem verificar as condições limite, verificar os riscos de divisão por zero e considerar se os pressupostos do modelo permanecem válidos sob estas condições extremas.
Os profissionais que trabalham com matriz de correlação devem estar especialmente atentos a esse cenário, pois pode levar a resultados enganosos se não for tratado de maneira adequada. Sempre verifique as condições de contorno e verifique com métodos independentes quando este caso surgir na prática.
Correlações típicas de classes de ativos (médias de longo prazo, perspectiva do dólar)
▾
| Par de ativos | Período normal ρ | Período de crise ρ | Valor de Diversificação |
|---|---|---|---|
| Ações dos EUA – Títulos do Tesouro dos EUA | −0,25 a +0,10 | −0,40 a −0,60 | Muito alto (voo para qualidade) |
| Ações dos EUA – títulos de alto rendimento | 0,55–0,70 | 0,75–0,90 | Baixo em crise |
| Ações dos EUA – Títulos Corporativos IG | 0,10–0,30 | 0,40–0,60 | Moderado |
| Ações dos EUA – Ouro | −0,10 a +0,10 | −0,20 a +0,20 | Moderado |
| Ações dos EUA – Mercados Emergentes | 0,70–0,80 | 0,85–0,92 | Baixo (aumentando com o tempo) |
| Ações dos EUA – Imóveis (REITs) | 0,60–0,75 | 0,70–0,85 | Low |
| Tesouros dos EUA – Ouro | 0,0 a 0,15 | 0,0 a 0,20 | Moderado |
Perguntas frequentes
▾
O que significa na prática uma correlação de 0,7 entre dois ativos?
Uma correlação de 0,7 significa que os dois ativos tendem a mover-se na mesma direção cerca de 70% do tempo (informalmente) e que aproximadamente 49% (0,7²) da variância de um ativo pode ser explicada por movimentos lineares no outro. Em termos de carteira, uma correlação de 0,7 entre dois ativos proporciona muito menos benefícios de diversificação do que uma correlação de 0,0 ou negativa. Adicionar um segundo ativo com correlação de 0,7 a uma posição existente reduz o desvio padrão da carteira apenas modestamente em comparação com manter apenas um dos ativos. A verdadeira diversificação requer correlações mais próximas de 0 ou negativas.
Por que as correlações mudam com o tempo?
As correlações não são constantes estruturais — reflectem o actual ambiente económico e financeiro. Em mercados em alta com condições macroeconómicas estáveis, os activos de risco podem ter correlações relativamente baixas porque os factores específicos da empresa dominam. Nos mercados em baixa e nas crises, os factores de risco macro dominam (fuga para a qualidade, desalavancagem forçada, restrição do crédito), conduzindo correlações para 1,0 entre activos de risco. Além disso, a crescente globalização, a política sincronizada do banco central e a flexibilização quantitativa aumentaram estruturalmente as correlações entre activos ao longo das últimas duas décadas. Os modelos de risco que utilizam correlações médias de longo prazo subestimam sistematicamente o risco de crise porque não captam esta instabilidade da correlação.
O que é um estimador de redução de correlação e por que ele é necessário?
Com dados históricos limitados (observações T) e muitos ativos (N), as matrizes de correlação de amostras tornam-se mal estimadas e ruidosas. Quando T < N, a matriz amostral nem sequer é invertível. Mesmo quando T > N, muitas correlações estimadas entre pares estarão longe de seus valores verdadeiros devido ao erro de estimativa. Os estimadores de redução (Ledoit-Wolf, Oracle Approximating Shrinkage) regularizam a matriz de correlação da amostra, reduzindo-a em direção a um alvo estruturado (normalmente a matriz de identidade ou um modelo de fator). Isto reduz o erro de estimativa ao custo da introdução de algum viés, mas produz matrizes positivas e mais bem comportadas que melhoram a otimização da carteira e a estabilidade do modelo de risco.
O que é dependência da cauda e por que a correlação linear não a captura?
A dependência da cauda mede a probabilidade de dois ativos experimentarem movimentos extremos simultaneamente, além do que a correlação linear poderia prever. Dois ativos podem ter correlação linear zero, mas alta dependência de cauda (eles colidem, embora normalmente não se movam conjuntamente). Os modelos Copula separam a distribuição marginal de cada ativo da estrutura de dependência. A cópula t, ao contrário da cópula gaussiana, exibe dependência simétrica da cauda superior e inferior - os ativos modelados por uma cópula t têm maior probabilidade de colidir ou aumentar juntos do que uma cópula gaussiana prevê. Esta distinção foi crítica na crise dos CDO de 2008, onde os modelos de cópula gaussianos subestimaram dramaticamente as probabilidades de incumprimento conjuntas sob tensão.
Quantos ativos são necessários antes que uma matriz de correlação se torne não confiável?
Uma regra geral: você precisa de pelo menos T > 3N observações (períodos de tempo vs. número de ativos) para estimativas de correlação razoavelmente estáveis. Com 252 observações diárias (1 ano), você pode estimar correlações de forma confiável para aproximadamente 80 ativos. Para 2.000 ativos (uma típica carteira grande), seriam necessárias mais de 6.000 observações diárias (24 anos) – claramente impraticável. É por isso que os modelos de factores (CAPM, Fama-French) são utilizados para grandes carteiras: decompõem os retornos num pequeno número de factores comuns mais risco idiossincrático, reduzindo drasticamente o número de parâmetros a estimar, ao mesmo tempo que fornecem um modelo de covariância mais estruturado e estável.
O que é o Índice de Diversificação e como ele é utilizado?
O Índice de Diversificação = (Volatilidade individual média ponderada) / (Volatilidade da carteira). Um índice de 1,0 significa nenhum benefício de diversificação (todos os ativos perfeitamente correlacionados). Um rácio de 2,0 significa que a volatilidade da carteira é metade da volatilidade individual média ponderada – diversificação substancial. As carteiras de paridade de risco maximizam o Índice de Diversificação ponderando os ativos inversamente proporcionais à sua contribuição para o risco da carteira, em vez de inversamente proporcionais ao retorno esperado (como faz a otimização da média-variância). O Portfólio Mais Diversificado (MDP) — desenvolvido por Choueifaty e Coignard — seleciona pesos que maximizam o Índice de Diversificação, sem fazer suposições sobre os retornos esperados.
Como as correlações devem ser estimadas para testes de estresse versus medição de risco normal?
O VaR normal e a otimização de portfólio devem usar correlações estimadas a partir de um ciclo de mercado completo ou com suavização de média móvel exponencialmente ponderada (EWMA) que enfatize dados recentes. Para testes de esforço e CVaR de crise, utilize correlações estimadas a partir de períodos históricos de crise — especificamente a partir de janelas que incluem o GFC (2008), a queda da COVID (2020) ou outros eventos de stress relevantes. As correlações do período de crise entre activos de risco são normalmente 30-50% superiores às médias do período completo. A utilização de correlações de tensão na análise da adequação de capital evita a perigosa suposição de que os benefícios da diversificação observados em mercados calmos persistirão em cenários de crise.
Erros comuns a evitar
▾
- !Calcular correlações a partir de níveis de preços em vez de retornos – gera correlações falsamente altas a partir de tendências partilhadas.
- !Utilização de janelas históricas curtas (<1 ano) para estimativas de correlação que são altamente sensíveis ao período específico escolhido.
- !Utilização de correlações incondicionais de longo prazo em testes de esforço, em vez de correlações de períodos de crise.
- !Ignorar o requisito de semidefinição positiva – utilizar uma matriz não-PSD em modelos de risco pode produzir variações negativas de carteira.
- !Tratar a correlação alta como permanente — as correlações variam no tempo e devem ser reestimadas regularmente.
Dica Pro
Visualize a matriz de correlação como um mapa de calor classificado por cluster hierárquico. Isto revela imediatamente clusters de ativos naturais (grupos de ativos semelhantes com altas correlações internas) e diversificadores genuínos (ativos com baixas correlações com múltiplos clusters). Use esta estrutura para orientar a construção do portfólio.
Você sabia?
Harry Markowitz, que desenvolveu a Teoria Moderna da Carteira e o papel quantitativo da correlação na construção da carteira, recebeu o Prémio Nobel de Economia em 1990. Segundo consta, investiu inicialmente as suas próprias poupanças de reforma 50/50 em ações e obrigações - ignorando os seus próprios cálculos de otimização - porque não queria arrepender-se de ter investido pesado em ações se o mercado quebrasse. Até o pai da teoria quantitativa do portfólio reconheceu as limitações da otimização pura sem julgamento comportamental.
Referências
- ›Markowitz, H. (1952): Seleção de portfólio, Journal of Finance
- ›Ledoit & Wolf (2004): Querida, encolhi a matriz de covariância da amostra, Journal of Portfolio Management
- ›Choueifaty & Coignard (2008): Rumo à Diversificação Máxima, Journal of Portfolio Management
- ›Investopedia: Definição de coeficiente de correlação
Receba dicas semanais de matemática
Junte-se aos assinantes do 12.000 + que recebem dicas de calculadora todas as semanas.