A correlação é uma medida estatística entre -1 e +1 que indica a força e a direção da relação linear entre duas variáveis, como os retornos de dois ativos.
Correlação
A correlação, geralmente calculada como o coeficiente de correlação de Pearson e representada por r ou pela letra grega rho (ρ), é uma medida estatística que indica o quanto duas variáveis se movem juntas seguindo um padrão linear, ou seja, em linha reta. Conceitualmente, a correlação é calculada dividindo a covariância(X, Y) pelo produto do desvio padrão de X pelo desvio padrão de Y. Essa divisão é fundamental porque a covariância isoladamente pode assumir praticamente qualquer valor, dependendo das unidades e da escala das variáveis medidas, o que torna sua interpretação direta difícil, enquanto a correlação sempre fica limitada ao intervalo fixo de -1 a +1.
Uma vez conhecidos os extremos, a escala é fácil de interpretar. Uma correlação de +1 significa que as duas variáveis se movem em sincronia perfeita — quando uma sobe, a outra sobe proporcionalmente, sempre. Uma correlação de -1 significa o oposto: as duas se movem sempre em direções opostas. Uma correlação de 0 indica que não existe relação linear alguma entre elas — conhecer o valor de uma não fornece nenhuma informação linear sobre a outra. Na prática, as correlações entre ativos reais raramente chegam a esses extremos; um coeficiente entre 0,2 e 0,3 é considerado baixo, enquanto valores acima de 0,7 costumam ser considerados altos.
É essencial ter em mente uma ressalva importante: a correlação só capta relações lineares, de modo que duas variáveis relacionadas de forma mais complexa, curva ou cíclica podem apresentar correlação próxima de zero mesmo havendo claramente uma ligação entre elas. Além disso, a correlação não é uma propriedade fixa e permanente de dois ativos — ela é estimada a partir de dados históricos e pode mudar de forma significativa conforme as condições de mercado e o período analisado, por isso deve ser revisada periodicamente em vez de considerada válida para sempre.
Exemplo de Cálculo
Um investidor mantém duas ações em carteira. A ação A é uma empresa de tecnologia mais volátil, com desvio padrão anualizado de 25%. A ação B é uma empresa de consumo básico mais estável, com desvio padrão de 12%. Os dados históricos de retorno mostram uma correlação de 0,3 entre as duas — uma correlação positiva relativamente baixa, indicando que tendem a se mover na mesma direção geral, mas sem estarem fortemente conectadas. Convertendo isso em covariância: covariância = correlação x desvio padrão de A x desvio padrão de B = 0,3 x 0,25 x 0,12 = 0,009.
Suponha que o investidor aplique um total de R$ 100.000,00, alocando R$ 60.000,00 (60%) na ação A e R$ 40.000,00 (40%) na ação B. Uma média ponderada simples dos dois desvios padrão sugeriria uma volatilidade de carteira de 60% x 25% + 40% x 12% = 19,8%. Porém, como a correlação entre A e B é de apenas 0,3, os movimentos das duas só se sobrepõem parcialmente. Aplicando a fórmula da variância da carteira, que leva essa correlação em conta, obtém-se um desvio padrão real da carteira de aproximadamente 17,06% — nitidamente inferior à estimativa simplista de 19,8%.
Essa diferença de 2,74 pontos percentuais é o benefício da diversificação, e ele existe justamente porque A e B não são altamente correlacionadas. Se a correlação entre as duas ações fosse 1,0 (correlação perfeita), a diversificação não reduziria risco algum, e a volatilidade da carteira seria exatamente igual à média ponderada de 19,8%. Quanto menor — ou mais negativa — for a correlação, maior será esse benefício de diversificação.
Aplicação Prática
A correlação está no centro da Teoria Moderna de Carteiras e é uma das estatísticas mais citadas na construção de carteiras de investimento. Gestores de fundos e assessores financeiros buscam deliberadamente classes de ativos com correlação baixa ou negativa entre si — combinando ações com títulos de renda fixa, ou ações de setores, regiões e capitalizações de mercado diferentes — com o objetivo específico de reduzir a volatilidade geral da carteira sem necessariamente sacrificar o retorno esperado.
Na gestão de risco, investidores institucionais e equipes de trading quantitativo calculam rotineiramente matrizes de correlação sobre grandes conjuntos de ativos para avaliar o quão realmente diversificada está uma carteira e identificar posições que escondem risco de concentração excessivo. Bancos e seguradoras também monitoram como as correlações mudam em cenários de estresse, já que ativos que parecem pouco relacionados em mercados calmos frequentemente se movem juntos quando o risco sistêmico aumenta.
Para o investidor pessoa física, entender a correlação ajuda a evitar uma armadilha comum: manter vários fundos ou ações que parecem diferentes à primeira vista, mas que na verdade são altamente correlacionados — como vários fundos com forte concentração em tecnologia — acreditando erroneamente que a carteira está bem diversificada quando, na realidade, está concentrada em um único fator de risco.
Erros Comuns
O erro mais comum é confundir correlação com causalidade. Duas variáveis podem apresentar correlação forte sem que uma cause a outra — a relação pode ser resultado de um terceiro fator em comum, ou simplesmente coincidência no período analisado.
Um segundo erro frequente é tratar a correlação como um número fixo e permanente. As correlações são estimadas a partir de dados históricos e mudam conforme as condições de mercado. Um ponto crítico é que muitos pares de ativos com baixa correlação em mercados calmos tendem a se aproximar de 1 durante crises, já que vendas em pânico derrubam quase todos os ativos de risco ao mesmo tempo — fenômeno frequentemente resumido na ideia de que as correlações convergem para 1 em momentos de crise —, o que pode anular o efeito da diversificação justamente quando os investidores mais precisam dela.
Alguns investidores presumem que uma correlação de 0 significa que duas variáveis não têm relação alguma, mas isso indica apenas a ausência de relação linear. Pode existir uma relação mais complexa e não linear que simplesmente não se reflete em um coeficiente de correlação significativo, por isso os analistas costumam complementar a análise de correlação com um gráfico de dispersão ou outros testes estatísticos.
Por fim, é fácil esquecer o quanto o tamanho da amostra de dados afeta a estimativa da correlação. Correlações calculadas a partir de janelas históricas muito curtas podem ser distorcidas por ruído de curto prazo, por isso costuma ser mais confiável usar um período de observação mais longo e atualizar o cálculo periodicamente, em vez de confiar em um único número desatualizado.
Comparação
Aspecto
Correlação
Covariância
Definição
Medida padronizada da força e direção da relação linear entre duas variáveis
Medida não padronizada de se duas variáveis se movem na mesma direção ou em direções opostas
Intervalo / cálculo
Covariância / (desvio padrão de X x desvio padrão de Y); sempre fixo entre -1 e +1
Média do produto dos desvios de cada variável em relação à própria média; sem intervalo fixo
O que indica
+1 relação positiva perfeita, -1 negativa perfeita, 0 sem relação linear
Positivo = movem-se juntas, negativo = em direções opostas, mas a magnitude é difícil de interpretar isoladamente
Uso típico
Comparar a força da relação entre diferentes pares de ativos; avaliar a diversificação
Variável intermediária para calcular a correlação e as fórmulas de variância (risco) da carteira
Limitação principal
Capta apenas relações lineares e pode mudar significativamente ao longo do tempo ou entre regimes de mercado
Sua magnitude depende das unidades e da escala das variáveis, então não é comparável diretamente entre pares
Uma correlação de 0 significa que dois ativos não têm relação nenhuma?
Não necessariamente. Uma correlação de 0 indica apenas que não existe relação linear entre as duas variáveis, ou seja, que o movimento conjunto delas não pode ser descrito por uma linha reta. Se houver entre elas uma relação mais complexa, não linear ou cíclica, a correlação ainda pode ficar próxima de zero mesmo existindo uma relação real. Para verificar isso, os analistas costumam observar um gráfico de dispersão dos dados além do valor de correlação, em vez de confiar apenas no número.
Por que os gestores de carteira buscam ativos com baixa correlação?
Porque uma correlação mais baixa significa que os retornos de dois ativos não se movem em sincronia: quando um cai, o outro pode se manter estável ou até subir, compensando parte da perda. Esse efeito de compensação faz com que a volatilidade real de uma carteira acabe sendo menor do que a simples média ponderada da volatilidade de cada ativo isoladamente. Esse mecanismo de redução de risco é a ideia central da diversificação na Teoria Moderna de Carteiras.
A correlação entre dois ativos pode mudar ao longo do tempo?
Sim, e às vezes de forma significativa. A correlação é calculada a partir de dados históricos de retorno, portanto muda conforme as condições macroeconômicas, a dinâmica setorial e o sentimento dos investidores evoluem. Um padrão especialmente importante é que muitos pares de ativos com baixa correlação em mercados normais tendem a se mover muito mais juntos durante crises financeiras, quando a pressão de venda generalizada atinge quase tudo ao mesmo tempo — uma limitação que os investidores devem considerar ao montar uma estratégia de diversificação.
É melhor usar correlação ou covariância para comparar diferentes pares de ativos?
A correlação geralmente é a ferramenta mais adequada para comparação, pois é padronizada em um intervalo fixo de -1 a +1 independentemente das unidades ou do nível de volatilidade dos ativos, permitindo comparar diretamente a força da relação entre pares diferentes. A magnitude da covariância, por outro lado, depende de quão volátil é cada variável, de modo que dois pares com relações igualmente fortes podem apresentar valores de covariância muito diferentes. Ainda assim, a covariância continua essencial como base para calcular tanto a correlação quanto o risco da carteira.
A correlação só é usada para ações?
Não — a correlação é uma ferramenta estatística de uso geral que pode ser aplicada a qualquer par de conjuntos de dados numéricos. Além dos retornos de ações, ela é comumente usada para estudar a relação entre títulos de renda fixa, moedas, commodities, imóveis e até indicadores macroeconômicos como taxas de juros e inflação. Na construção de carteiras multiativos, os investidores costumam examinar em conjunto as correlações entre ações, renda fixa e investimentos alternativos para montar uma alocação verdadeiramente diversificada.