Pocos sitios existen en el mundo donde sea tan sencillo ver lo que uno quiere ver como en los mercados financieros.
Existen millones de técnicas diferentes para analizarlos (muchas de ellas rozando el esoterismo –o la estupidez). Hay miles de posibilidades para pintar miles de líneas diferentes, para contar miles de ondas, para utilizar miles de ratios… Y por supuesto, hay las suficientes personas y el suficiente tiempo (y dinero) en juego como para exprimir la estadística hasta el absurdo.
En otras palabras: hay muchas posibilidades de sobre analizar los datos lo suficiente como para que pierdan su sentido.
Un instrumento estadístico fundamental en los mercados financieros es el empleo de correlaciones y regresiones entre activos/indicadores. Es un método matemático esencial para buscar divergencias y riesgos, para encontrar puntos de giro, para entender mejor (o a veces peor) al mercado. En definitiva, es una técnica básica para encontrar algo que en general “la gente” no sabe sobre el mercado y nosotros sí (en cursi, un edge).
Sin embargo, correlación no significa causalidad. Pero en muchos casos se puede llegar al extremo de confundir una cosa con la otra. En muchísimos casos. Es más, la tendencia de los mercados financieros para generar mitos y falsas correlaciones es impresionante.
Y es entonces cuando aparecen las famosas correlaciones espurias
En castellano, espuria significa falso, engañoso o que degenera de su origen o naturaleza. Así, una relación espuria es, en matemáticas, aquella en la cual dos acontecimientos no tienen conexión lógica, a pesar de que objetivamente se pueda implicar que la tienen.
En teoría, para concluir objetivamente que A causa B, se debe cumplir que:
- A precede a B.
- Que si no ocurre B, entonces A no ocurre.
- Que B ocurre cada vez que ocurre X.
Una forma de medir la fortaleza de lo anterior es el coeficiente de correlación, que se sitúa entre -1 y 1 y mide la relación lineal entre dos variables. Cuanto más se acerca a 0, menor será la fuerza de la causalidad lineal objetiva entre dos eventos.
Sin embargo, la conclusión objetiva, por fuerte que sea, sigue sin significar causalidad real si no se cumple una condición subjetiva (somos sujetos, por lo tanto no está de más usar a veces esta condición). La condición subjetiva es más “artística” y sugiere que además tiene que existir una lógica para que A cause B. Tiene que existir un sentido.
Pueden ocurrir muchas cosas para que la correlación entre dos eventos sea muy alta pero su causalidad muy baja. Por ejemplo, puede estar en juego un tercer evento no contemplado. El ejemplo más típico/tópico es la correlación que supuestamente existe entre consumidores de café y el cáncer de pulmón. Esto se produce debido a que los fumadores suelen ser también grandes consumidores de café y por lo tanto la causalidad se da por el tabaco, aunque haya correlación con el café. Fue Karl Pearson (1897) el primero en utilizar el concepto de correlación espuria. Y uno de los ejemplos más divertidos de este tipo de relaciones lo presentó J. Neyman (1952). Neyman analiza la relación entre la tasa de nacimientos y la población de cigüeñas en varias regiones, encontrando un alto coeficiente de correlación entre estas variables.
Como he comentado muchas veces, al ser humano le abruma la aleatoriedad del mundo en el que vive. Por suerte, existen mecanismos de automatización y emociones que nos ayudan a no tener que estar parados eternamente, calculando como ordenadores cada una de las probabilidades que tenemos en cada opción que tomamos. Por desgracia, estos mecanismos a veces actúan en nuestra contra y debemos estar atentos para no ser presas de sus engaños.
El problema, y lo más preocupante, es que al final creamos correlaciones falsas y planteamos nuestra vida en base a ellas (del estilo de “cuando llevo mis calzoncillos de la suerte ligo”) pero después no hacemos caso de las correlaciones que de verdad existen. Por poner ejemplos, los que lanzan el cigarrillo por la autovía (conociendo el alto riesgo de incendio), los que hablan por el móvil en el coche (sabiendo que existe un alto riesgo de accidente), los motoristas sin casco...
En los mercados financieros ocurre lo mismo. Buscamos correlaciones imposibles, fundamentadas en datos ordenados/planteados de forma equivocada y después ignoramos signos claros de entrada y de salida en el mercado o avisos claros de cambio de tendencia.
Por ejemplo, el otro día, cuando comentaba el efecto enero señalaba que algunas personas piensan que este efecto se refiere al tan manido mito de mercado que señala que si la primera semana de enero es alcista, el resto del año también lo será. Si bien lo anterior es estadísticamente cierto (en torno a un 65% de correlación, dependiendo del mercado), también lo es que no tiene mucho sentido. La correlación entre ambos factores puede ser muy alta, pero la causalidad es ninguna. Una explicación que se podría encontrar a lo anterior es que los gestores preparan sus carteras en base a sus expectativas sobre el año. Pero el hecho es que los gestores e inversores hacen eso continuamente. Negar lo anterior significaría negar el movimiento de los mercados y su validez como indicador adelantado de la economía, ampliamente demostrada.
La realidad es que si el retorno de la mayoría de eneros es en media superior al del resto del año (tal y como define el efecto enero) y la mayoría de años en bolsa también son alcistas, lo lógico es que el coeficiente de correlación entre año alcista y enero alcista sea alto.
Por poner un ejemplo extremo para entender mejor lo anterior. La probabilidad entre que el Real Madrid gane la liga o sea subcampeón y que la bolsa sea alcista en ese año es superior al 65%. ¿Damos por hecho que existe causalidad entre ambos factores?
En el mismo sentido, el famoso indicador de la Super Bowl, que asegura que en el caso de que un equipo de la vieja AFL gane la Super Bowl, se producirá un declive en el mercado de valores el año siguiente y que, en cambio, si la gana un equipo de la NFL es alcista. Hay cientos de estudios acerca del tema (demasiados para una tontería así ¿verdad?, pero la búsqueda de Super Bowl Indicator en google devuelve 1,33 millones de resultados). En general estos estudios coinciden en una probabilidad en torno al 80% de que lo anterior ocurra. Correlación alta, causalidad ninguna.
Algunos indicadores, por desgracia, puede parecer que tengan sentido pero en realidad son engañosos. Por ejemplo: la relación entre la prohibición de las posiciones cortas y la subida de la bolsa ¿es causal? Quizá sí en sus primeros momentos, por el cierre obligado de las posiciones. Pero la evidencia práctica demuestra que en el medio/largo plazo los efectos se diluyen completamente. Así, Boehmer, Jones and Zhang mostraban en 2009 el notable efecto negativo sobre la liquidez de los mercados financieros y el limitado impacto sobre la volatilidad. Por otro lado, Harris, Namvar y Phillips (2009) y Beber y Pagano (2009) mostraban la mínima incidencia sobre el precio y la volatilidad de las acciones estadounidenses. En este contexto, el expresidente de la SEC, C. Cox, señalaba a finales de 2008 que los costes de la prohibición habían superado a los beneficios. Los valores podrán o no subir, pero no porque se hayan prohibido o no las posiciones cortas.
Finalmente, es famosa también el caso de la alta correlación existente entre el logaritmo del ingreso nominal de Estados Unidos y logaritmo de la acumulación de manchas solares (superior a 0.9) estudiada por Ploser y Schwert.
En fin, hay tantos mitos como estudios sobre el mercado mal planteados o con conclusiones precipitadas basadas en hechos objetivos y olvidando el sentido común (el menos común de los sentidos).
Las cosas ocurren por un por qué. Si no somos capaces de encontrar ese por qué, tampoco seremos capaces de encontrar los cambios en el mismo. Y los mercados financieros son una cuestión de cambios. El mercado fluye. Si nos mantenemos rígidos, basados en estudios cerrados que no entendemos, estamos perdidos.
