INVESTIGACIÓN Y PRÁCTICA
Correlación y concentración en criptomonedas: cuando muchas posiciones son una sola exposición
Mide la concentración en criptomonedas con rentabilidades alineadas, correlaciones cambiantes y escenarios de estrés, sin asumir que distintos símbolos aportan diversificación.
Tener varios criptoactivos puede crear una apariencia de diversificación mientras mantiene gran parte de la misma exposición al mercado. La pregunta útil es cómo se comportan juntas las posiciones, especialmente cuando empeoran las condiciones. La correlación es una herramienta para investigarlo, pero su significado depende de la definición de rentabilidad, la ventana de muestra y la calidad de observación. Una estimación histórica describe una muestra, no promete que la relación vaya a persistir.
Calcula las relaciones con rentabilidades comparables
Usa rentabilidades de intervalos alineados en lugar de correlacionar niveles brutos de precios que puedan compartir una tendencia. Especifica si los datos son rentabilidades simples o logarítmicas y mantén una convención coherente. Expresa todos los activos en la misma divisa de referencia y usa un límite temporal común. Un precio ausente no debe crear automáticamente una rentabilidad cero: cotizaciones obsoletas pueden hacer que un activo ilíquido parezca artificialmente estable y menos correlacionado. Conserva una regla de cobertura que determine qué intervalos cumplen los requisitos de comparación e informa de cuántos datos quedan tras aplicarla.
Distingue el número de símbolos de la exposición económica
Dos posiciones pueden depender de flujos de inversores, condiciones de garantía, centros de negociación o riesgos de ecosistema similares aunque sus símbolos sean distintos. A la inversa, una muestra histórica corta puede producir por azar una correlación medida baja. Agrupa exposiciones según una explicación económica defendible y compara esa agrupación con las relaciones observadas entre rentabilidades. La investigación del FMI sobre criptomonedas y mercados financieros más amplios encuentra conexiones variables en el periodo histórico estudiado; no proporciona un coeficiente de correlación permanente para la cartera actual. La implicación práctica es probar cambios de dependencia en lugar de tratar una matriz como una propiedad fija.
Un cálculo hipotético de varianza con dos activos
Considera dos activos con el mismo peso, cada uno con una volatilidad anualizada hipotética del 20%, bajo un modelo simplificado de covarianza constante. Con una correlación de 1, la volatilidad de la cartera es del 20%. Con correlación de 0, es aproximadamente del 14.14%. Con correlación de 0.8, es aproximadamente del 18.97%. El cálculo utiliza las varianzas individuales y el doble del término de covarianza ponderada. Estas cifras son una comparación educativa, no una previsión ni una recomendación de asignación. Muestran por qué añadir otro activo igual de volátil puede reducir poco el riesgo estimado cuando ambos se mueven juntos.
Somete a estrés la relación además de los activos individuales
Compara una estimación de periodos normales con un escenario adverso en el que varias posiciones caen juntas y se debilita la liquidez. La correlación describe movimiento conjunto y no especifica por sí misma el tamaño de esas pérdidas, así que declara ambos supuestos. Revisa por separado las dependencias compartidas de divisa de cotización, custodia y centro de negociación; una matriz de rentabilidades no captura todos los fallos operativos. Evita elegir solo intervalos pasados en los que funcionó la diversificación. Una tabla útil de estrés hace visible el choque común supuesto y muestra cómo cambia la exposición si no se materializa la compensación esperada entre posiciones.
Respeta la incertidumbre muestral y los cambios de composición
Una ventana corta reacciona deprisa, pero puede producir estimaciones inestables; una larga promedia condiciones que quizá ya no sean comparables. Examina varias ventanas predeclaradas sin seleccionar después la más favorable. Alinea históricamente el universo de instrumentos para que los supervivientes nuevos no sustituyan activos que realmente se mantuvieron. Cuando hay muchos activos en relación con las observaciones, puede resultar difícil usar de forma fiable una matriz de covarianza estimada. Más decimales no resuelven ese problema. Informa de la sensibilidad a la muestra y evita presentar un vector de pesos optimizado mecánicamente como la única solución correcta.
Usa el resultado para explicar la concentración
Crea una revisión que enumere las posiciones grandes, los factores compartidos, los supuestos de dependencia, la cobertura de datos y el efecto de eliminar o reducir una exposición en una comparación hipotética. Concilia el resultado con las posiciones reales y la divisa de referencia. El objetivo es identificar dónde la variedad aparente puede ocultar un riesgo común y dónde la evidencia es demasiado débil para juzgar. Los candidatos mejor clasificados por un escáner pueden seguir muy relacionados entre sí; clasificarlos de forma independiente no diversifica el conjunto. Por tanto, interpretar una cartera requiere un paso separado después de descubrir candidatos.
Fuentes y alcance de los ejemplos
Las fuentes respaldan las definiciones y los mecanismos. Los escenarios numéricos son ejemplos educativos hipotéticos, no precios actuales, previsiones ni resultados comunicados por HOSTuvo. Las imágenes son ilustraciones editoriales.