Correlação é a medida do grau em que dois ativos ou variáveis financeiras se movem juntos — variando de −1 (movimentos perfeitamente opostos) a +1 (movimentos perfeitamente idênticos), com 0 indicando ausência de relação linear. É o conceito matemático que fundamenta a diversificação de portfólio, a gestão de risco e a análise de pares em mercados financeiros globais.
Definição técnica. Em estatística e finanças, correlação mede a força e a direção do relacionamento linear entre dois conjuntos de dados — neste contexto, séries de retornos de ativos. O coeficiente de correlação de Pearson (r) é a forma mais usada: calcula-se dividindo a covariância dos retornos dos dois ativos pelo produto de seus desvios-padrão individuais. O resultado sempre cai no intervalo [−1, +1].
Interpretação prática. r = +1 significa que os dois ativos se movem na mesma direção com magnitude proporcional — sempre juntos. r = −1 significa que se movem em direções opostas com magnitude proporcional — perfeito hedge mútuo. r = 0 significa ausência de relação linear — os movimentos de um não explicam os do outro. Na prática real, raramente se observa r = ±1 ou r = 0 exacto; a maioria das correlações entre ativos financeiros está entre −0,6 e +0,9, variando no tempo.
Correlação vs. causalidade. Este é o ponto mais crítico e mais mal compreendido: correlação mede co-movimento, não causa. Dois ativos podem se correlacionar porque compartilham um fator comum (como a taxa de juros americana ou o preço do petróleo) sem que um cause o outro. Confundir correlação com causalidade produz erros graves em análise financeira, geopolítica e econômica.
Correlação vs. covariância. A covariância mede a direção do co-movimento mas não é padronizada — depende das unidades dos dados. A correlação é a covariância normalizada pelos desvios-padrão, tornando-se adimensional e comparável entre qualquer par de ativos. Por isso a correlação é a medida preferida em análise de portfólio.
Por que todo investidor precisa entender correlação. A diversificação — a estratégia mais fundamental da gestão de risco — depende inteiramente da correlação. Combinar ativos com baixa ou negativa correlação reduz a volatilidade do portfólio sem reduzir proporcionalmente o retorno esperado. Esse é o princípio central da Teoria Moderna do Portfólio de Harry Markowitz (1952) — que rendeu o Nobel de Economia em 1990.
O cálculo passo a passo. Para calcular a correlação de Pearson entre dois ativos A e B ao longo de n períodos:
1. Calcular os retornos periódicos de A e B (r_A e r_B).
2. Calcular as médias dos retornos (r̄_A e r̄_B).
3. Para cada período, multiplicar os desvios da média: (r_A − r̄_A) × (r_B − r̄_B).
4. Somar todos esses produtos → covariância (numerador).
5. Dividir pelo produto dos desvios-padrão de A e B → correlação.
O que o numerador captura. A covariância é positiva quando os dois ativos se desviam da média na mesma direção simultaneamente — ambos sobem juntos ou caem juntos. É negativa quando se desviam em direções opostas. Dividir pelos desvios-padrão normaliza para o intervalo [−1, +1].
Janela temporal importa. A correlação não é estática — varia conforme o período analisado. Correlação em janela de 3 meses pode diferir drasticamente da correlação em 10 anos. Em análise de portfólio, é comum calcular correlações em janelas rolantes de 30, 60 ou 252 dias úteis para capturar a dinâmica temporal.
Outras medidas de correlação. Além de Pearson (relações lineares), existem Spearman (correlação de rankings — menos sensível a outliers), Kendall tau (pares concordantes vs. discordantes) e medidas de tail correlation (correlação nas caudas da distribuição — crucial para risco extremo). Em gestão de risco de crises, a tail correlation frequentemente é mais revelante que a correlação de Pearson no centro da distribuição.
Ex: Petrobras e Ibovespa. Quando um sobe, o outro quase sempre acompanha.
Ex: ações de setores não relacionados em períodos calmos. Diversificação eficiente.
Ex: VIX e S&P 500. Quando o mercado cai, a volatilidade dispara.
Karl Pearson formaliza o coeficiente de correlação produto-momento — construindo sobre trabalhos anteriores de Francis Galton (1888) sobre correlação entre variáveis biológicas. O "r de Pearson" torna-se a medida universal de associação linear e, um século depois, o alicerce da análise quantitativa em finanças.
Harry Markowitz publica "Portfolio Selection" no Journal of Finance — demonstrando matematicamente que o risco de um portfólio depende não apenas das volatilidades individuais dos ativos, mas das correlações entre eles. Pela primeira vez, a correlação torna-se variável central de decisão de alocação. O paper rende o Nobel de Economia em 1990.
O modelo de precificação de opções de Black-Scholes incorpora a volatilidade (e implicitamente a correlação) como parâmetro central. O desenvolvimento de mercados de derivativos cria demanda por estimativas precisas de correlação entre ativos — especialmente em estruturas de crédito, CDOs e products exóticos.
O J.P. Morgan publica o framework RiskMetrics, popularizando o Value at Risk (VaR) — que depende de matrizes de correlação entre centenas de fatores de risco. Bancos e gestoras passam a estimar e monitorar correlações sistematicamente. O RiskMetrics Technical Document (1994) torna-se referência universal em gestão de risco.
A crise financeira de 2008 expôs o risco de correlação subestimada. A "Gaussian Copula" — modelo de correlação de default entre hipotecas criado por David Li (2000) — assumia correlações historicamente baixas entre defaults; na crise, os defaults americanos tornaram-se altamente correlacionados. CDOs com rating AAA implodiu. O erro de correlação foi parte central da catástrofe financeira.
Em 2022, o Federal Reserve subiu juros agressivamente (0% → 4,5%) para combater inflação de 9%. O resultado: ações e Treasuries caíram simultaneamente — correlação positiva entre as duas classes pela primeira vez em décadas. O portfólio 60/40 perdeu ~16%, o pior resultado desde a Grande Depressão. O evento demonstrou que correlações históricas não são garantidas — mudanças de regime macroeconômico podem invertê-las.
Os dois ativos se movem na mesma direção com intensidade similar. Combinar ativos com alta correlação positiva oferece pouca diversificação — o risco do portfólio é quase a soma dos riscos individuais. Ex: diferentes ações do mesmo setor; Ibovespa e Petrobras; S&P 500 e MSCI World.
Co-movimento parcial — os ativos tendem a subir e cair juntos, mas não de forma sincronizada. Diversificação moderada. Ex: ações americanas e europeias; Ibovespa e S&P 500; ouro e ações de mineração.
Pouca ou nenhuma relação linear. Combinação desses ativos oferece redução de risco eficiente — cada um se comporta de forma relativamente independente. Ex: ações e commodities agrícolas; ativos de países geograficamente distantes em períodos calmos.
Os ativos tendem a se mover em direções opostas. São diversificadores eficientes — quando um cai, o outro costuma subir, amortecendo perdas. Ex: bonds de longo prazo e ações em ciclos normais; ouro e dólar em períodos de stress moderado.
Movimento oposto consistente — hedge quase perfeito. Raro em pares naturais de longo prazo, mais comum em períodos específicos. Ex: VIX e S&P 500 em crises; USD e ouro em ciclos de dólar fraco; puts e o ativo subjacente.
Os pares de ativos com correlações historicamente relevantes são a espinha dorsal da análise de portfólio e da leitura geoeconômica dos mercados. As correlações abaixo referem-se a médias históricas de longo prazo em condições normais de mercado — e podem mudar substancialmente em crises ou mudanças de regime macroeconômico.
Correlação historicamente negativa (r ≈ −0,5 a −0,7 em janelas de 3–12 meses). Quando o dólar se fortalece, o ouro fica mais caro para compradores em outras moedas — demanda cai, preço recua. Em crises severas (2008, 2020), a relação pode temporariamente quebrar por necessidade de liquidez. Indicador fundamental para análise do ciclo do dólar.
Correlação negativa em ciclos normais (r ≈ −0,3 a −0,6 entre 2000 e 2021) — a base do portfólio 60/40. Quando ações caem (risk-off), investidores buscam bonds como refúgio. Em 2022, essa correlação tornou-se positiva pela primeira vez em décadas — inflação elevada fez ambos caírem. Mudança de regime crítica para gestores de portfólio.
Correlação muito negativa (r ≈ −0,75 a −0,85 historicamente). O VIX mede a volatilidade implícita das opções sobre o S&P 500 — quando o mercado cai, investidores compram puts (proteção), elevando a volatilidade implícita. A correlação negativa é quase mecânica. VIX acima de 30 sinaliza estresse severo; acima de 40, pânico.
Correlação positiva (r ≈ +0,5 a +0,7 em janelas de 12 meses). O Brasil é grande exportador de petróleo e commodities — quando o Brent sobe, os termos de troca melhoram, a entrada de dólares aumenta e o real se aprecia. Também captura o sentiment global por commodities. Vínculo reforçado em ciclos de alta de petróleo pós-2021.
Correlação positiva em horizonte de 3–6 meses. Choques de oferta agrícola (seca, guerra, fertilizantes) elevam preços de alimentos, componente relevante dos índices de preço ao consumidor em emergentes. A invasão da Ucrânia em 2022 elevou trigo +70% e elevou inflação alimentar global.
Correlação negativa historicamente (r ≈ −0,2 a −0,4). Energia cara eleva custos operacionais de data centers e comprime margens de empresas tech intensivas em eletricidade — ao mesmo tempo que beneficia o setor energético. Relação que ganhou relevância com a explosão de demanda de energia por IA em 2024–26.
Correlação negativa forte (r ≈ −0,6 a −0,8). Dólar forte significa fluxo de capital saindo de emergentes — dívida em dólar fica mais cara, pressão sobre câmbios locais, saída de capital. Um dos pares mais monitorados em geoeconomia para risco-país em economias com dívida externa em USD.
Correlação positiva (r ≈ +0,5 a +0,7). Bancos tomam emprestado no curto prazo e emprestam no longo — quando o spread aumenta (curva inclinada), a margem de intermediação (NIM) cresce. Curva invertida comprime margens e sinaliza recessão — negativamente correlacionada com ações bancárias.
O princípio de Markowitz. A grande insight da Teoria Moderna do Portfólio (1952) é que o risco de um portfólio depende não apenas das volatilidades individuais, mas das correlações entre os ativos. Dois ativos com mesma volatilidade mas correlação baixa produzem portfólio com risco total menor que a soma ponderada — a volatilidade "cancela" parcialmente. Quanto mais negativa a correlação, maior o benefício da diversificação.
A fronteira eficiente. Markowitz demonstrou que, para qualquer nível de retorno esperado, existe uma combinação de ativos que minimiza o risco (volatilidade) — e vice-versa. O conjunto dessas combinações ótimas forma a "fronteira eficiente". A correlação entre ativos é o parâmetro mais determinante de onde a fronteira se situa — baixas correlações deslocam a fronteira para a esquerda, permitindo menos risco para o mesmo retorno.
O problema prático. Na teoria, diversificar bem requer estimar correlações precisamente — mas correlações variam no tempo. A correlação histórica de 3 anos entre ações americanas e bonds era −0,4 (2019–2021); em 2022, virou +0,6. Usar correlações históricas para construir portfólios "a prova de futuro" é problemático — especialmente em mudanças de regime inflacionário, geopolítico ou de taxa de juros.
O número de ativos importa, mas só até certo ponto. Adicionar ativos ao portfólio reduz risco idiossincrático — o risco específico de cada empresa ou ativo. Mas o risco sistemático (risco de mercado, que afeta todos os ativos correlacionados) não é reduzido pela diversificação. Com 20–30 ativos descorrelacionados, a maior parte do benefício de diversificação já foi capturada; ativos adicionais trazem retorno marginal decrescente de redução de risco.
Correlação entre classes vs. dentro das classes. A diversificação mais eficiente ocorre entre classes de ativos diferentes (ações, bonds, commodities, imóveis, moedas) — as correlações inter-classes são menores que as intra-classes. Dentro de uma mesma classe (ex: ações do mesmo setor), as correlações são tipicamente altas, oferecendo pouco benefício de diversificação.
| Estratégia | Correlação típica | Benefício de diversificação | Risco em crises |
|---|---|---|---|
| Ações + Bonds (60/40) | −0,3 a −0,6 (ciclos normais) | Alto em ciclos normais | Falha em stagflação (2022) |
| Ações + Ouro | −0,1 a −0,3 | Moderado — ouro protege em crises | Relativamente robusto |
| Ações globais diversificadas | +0,5 a +0,8 em crises | Moderado em ciclos normais | Fraco — correlações convergem |
| All Weather (Dalio) | Projetado para baixa correlação | Alto em múltiplos regimes | Mais robusto que 60/40 |
| Commodities + Ações | 0 a +0,4 (varia por commodity) | Bom hedge inflacionário | Dependente do tipo de crise |
O paradoxo da correlação em crises. A diversificação parece funcionar perfeitamente nos back-tests históricos — e falha exatamente no momento mais necessário: nas crises severas. O fenômeno é chamado de correlation breakdown ou "todos vendem tudo" (everything sells off): em pânico de liquidez, correlações entre classes de ativos distintas convergem para +1. Ações, commodities, bonds high yield e moedas emergentes caem juntas porque investidores precisam de caixa e vendem o que têm, independente da classe.
Por que acontece. Em crises, dois mecanismos elevam a correlação: (1) liquidity spiral — investidores alavancados recebem margin calls e liquidam posições em todos os ativos indiscriminadamente; (2) flight to safety concentrado — toda demanda migra para poucos ativos de refúgio (Treasuries curtos, USD, CHF), esvaziando todos os outros simultaneamente. O resultado é correlação artificialmente elevada durante o stress.
Após a falência do Lehman Brothers (15 set 2008), correlações entre ações globais, high yield, commodities e moedas emergentes convergiram para valores próximos de +1 em semanas. Ouro e Treasuries foram os únicos diversificadores eficazes — e mesmo o ouro sofreu vendas iniciais de liquidez antes de se valorizar. O LTCM em 1998 já havia demonstrado o mesmo padrão. Fundos Long/Short sofreram porque a separação entre longs e shorts também colapsou.
Em março de 2020, o crash pandêmico replicou o padrão: ações, ouro, bonds high yield, commodities e criptomoedas caíram simultaneamente nas primeiras semanas. A velocidade do bear market (−34% do S&P em 33 dias) foi sem precedente — e tão foi a velocidade de restauração das correlações normais após o Fed intervir com QE ilimitado. O episódio demonstrou que intervenção de banco central pode "reset" as correlações mais rapidamente do que qualquer ciclo histórico.
O fenômeno mais revelante dos últimos 30 anos em termos de correlação: em 2022, a combinação de inflação de 9% + alta agressiva do Fed produziu queda simultânea de ações e bonds. A correlação ações/bonds foi de −0,4 (2019–21) para +0,6 em 2022 — reversão que destruiu a premissa central do portfólio 60/40. Gestor de fundos que não viveu a stagflação dos anos 1970 nunca havia experimentado esse regime. Mostrou que correlações são regime-dependentes, não constantes.
O economista David X. Li desenvolveu em 2000 a "Gaussian Copula" para modelar correlação de default entre hipotecas — permitindo precificar CDOs com rating AAA. O problema: o modelo usava dados de mercado de crédito imobiliário de um período historicamente benigno, subestimando dramaticamente a correlação de defaults em recessão. Quando o mercado imobiliário americano colapsou, defaults tornaram-se altamente correlacionados — e CDOs com rating AAA tornaram-se lixo. A crise mostrou que correlação de cauda (em eventos extremos) é muito maior que correlação no centro da distribuição.
Correlações não vivem no vácuo macroeconômico. Eventos geopolíticos — guerras, sanções, crises de energia, conflitos comerciais — podem alterar correlações historicamente estáveis de forma abrupta e duradoura. Para analistas de geoeconomia, monitorar a dinâmica de correlação em torno de eventos geopolíticos é tão importante quanto entender o evento em si.
Guerra na Ucrânia (2022) — reconfigurações múltiplas. A invasão russa de fevereiro de 2022 alterou correlações em múltiplas dimensões simultaneamente: (1) Energia e inflação tornaram-se muito mais correlacionadas — gás europeu subiu 10x, elevando CPI; (2) Rublo e petróleo tornaram-se positivamente correlacionados com o ouro (todos beneficiados pelo choque de oferta e sanções); (3) Grãos (trigo, milho, girassol) tornaram-se correlacionados com risco geopolítico de uma forma sem precedente moderno — Ucrânia e Rússia respondem por ~30% do trigo global; (4) A correlação negativa ações/bonds — a mais crítica do 60/40 — tornou-se positiva pelo choque inflacionário.
Sanções e descorrelação forçada. Quando a Rússia foi excluída do SWIFT e suas reservas congeladas, os ativos russos tornaram-se descorrelacionados do sistema financeiro global — não porque os fundamentos mudaram, mas porque o acesso foi bloqueado. Para investidores com exposição, a correlação efetiva com qualquer coisa tornou-se zero (os ativos simplesmente ficaram inacessíveis). É uma forma extrema de descorrelação — destruição de valor, não diversificação.
Tensões EUA-China e semicondutores. A guerra comercial e as restrições de exportação de chips criaram novas correlações: TSMC (Taiwan) tornou-se correlacionada com índices de tensão geopolítica do Estreito de Taiwan; empresas de semicondutores americanas correlacionaram-se com notícias de controles de exportação. Correlações que não existiam antes de 2018 tornaram-se relevantes para gestores de portfólio globais.
Petróleo e moedas de exportadores. BRL, RUB, CAD, NOK, SAR (riyal saudita) compartilham correlação positiva com o preço do petróleo — quanto mais dependente da exportação de commodities energéticas, maior a correlação. Em ciclos de alta de petróleo (2021–22), essas moedas apreciaram juntas contra USD e EUR.
Risco-país e correlação cruzada. Em momentos de stress de emergentes, países com fundamentos distintos mas percepção de risco similar tornam-se correlacionados via "contágio" de sentimento. Brasil e Argentina, ou Turquia e África do Sul, podem ter correlações de 0,6+ em períodos de flight-to-safety global — mesmo com diferenças fundamentais relevantes.
Estratégia Long/Short que seleciona dois ativos historicamente correlacionados que divergiram temporariamente — long no "barato" da relação, short no "caro". Aposta na reversão à média da correlação. Funciona até que a correlação mude estruturalmente.
O modelo de risco padrão em bancos e gestoras depende de matrizes de correlação para estimar perdas potenciais de portfólio. Correlações subestimadas (ou desatualizadas) levaram bancos a subestimar risco sistêmico em 2007–08 — o "correlation breakdown" destruiu os modelos VaR.
Portfólios como o "All Weather" de Ray Dalio alocam baseados na contribuição de risco de cada ativo — não no capital. Dependem de estimativas de correlação para equilibrar o risco entre classes. Em 2022, correlação ações/bonds positiva comprometeu os modelos de risk parity.
Reguladores (Fed, BCE, BCB) exigem que bancos testem portfólios com cenários de "correlação de crise" — assumindo que correlações sobem para +0,8 ou +0,9 entre ativos normalmente não correlacionados. É o reconhecimento regulatório de que diversificação falha em crises.
Hedge funds buscam retornos descorrelacionados do mercado ("alfa") — por isso monitoram a correlação de suas estratégias com o S&P 500 (beta). Um fundo com beta próximo de zero é "market neutral"; com beta alto, cobra alfa premium sem entregar descorrelação real.
A explosão de ETFs elevou a correlação intra-setorial — porque quando um ETF de setor é vendido, todas as ações do índice caem juntas, independente de seus fundamentos individuais. Fenômeno documentado como "ETF-induced correlation" — crítica relevante ao investimento passivo.
A Cboe calcula o índice de correlação implícita (ICJ) — derivado de opções sobre ações individuais vs. o índice S&P 500. Correlação implícita alta indica que o mercado espera que as ações se movam juntas — sinal de stress sistêmico antecipado.
Bitcoin e Ethereum têm correlação positiva alta entre si (r > 0,8) mas correlação variável com ações (r ≈ 0 a +0,5 dependendo do regime). Em crises de liquidez (FTX, 2022), criptos tornaram-se correlacionadas com ativos de risco — destruindo a narrativa de "ouro digital" descorrelacionado.
Commodities têm papel duplo em análise de correlação: servem como ativos de diversificação (correlação historicamente baixa com ações) e como indicadores avançados de pressões inflacionárias e geopolíticas. As correlações no universo de commodities são influenciadas por fatores climáticos, geopolíticos, de oferta e pela dinâmica do dólar — tornando a análise mais complexa que em ativos financeiros tradicionais.
| Par | Correlação típica | Driver principal | Mudança em crises geopolíticas |
|---|---|---|---|
| Petróleo × Gás natural | +0,4 a +0,6 | Demanda de energia, sazonalidade | Divergência em conflitos regionais (ex: Ucrânia dissociou os dois) |
| Ouro × Prata | +0,7 a +0,9 | Metais preciosos / demanda industrial de prata | Mantém-se alta em crises — hedge conjunto |
| Trigo × Milho | +0,5 a +0,7 | Grãos, clima, fertilizantes, ração | Elevou-se para +0,85 durante guerra Ucrânia-Rússia |
| Cobre × China PMI | +0,5 a +0,7 | China consome ~50% do cobre global; PMI captura atividade | Sensível a lockdowns e estímulos chineses |
| Petróleo × USD | −0,4 a −0,6 | Petróleo precificado em USD — dólar forte encarece para não-americanos | Pode enfraquecer com sanções / dedolarização |
| Lítio × Cobre × Transição energética | +0,3 a +0,6 | Demanda EV e armazenamento de energia | Nova correlação — crescente com políticas de descarbonização |
O erro mais clássico e consequente em análise financeira. Dois ativos podem se mover juntos por um fator comum (como taxa de juros) sem nenhuma relação direta. Criar estratégias baseadas em correlação espúria destrói valor quando a relação acidental desaparece.
Correlação histórica não garante correlação futura — especialmente em mudanças de regime macroeconômico. A correlação negativa ações/bonds funcionou por 20 anos e falhou em 2022. Usar correlações de 5–10 anos em ambientes de inflação baixa para construir portfólio em ambiente de inflação alta é erro metodológico.
A Gaussian Copula de David Li — que causou parte da crise de 2008 — subestimou a "tail correlation" (correlação em eventos extremos). Modelos que usam correlação média histórica ignoram que em crises a correlação converge. Risk models precisam de stress scenarios com correlações elevadas.
Séries temporais longas frequentemente geram correlações estatisticamente significativas sem nenhum fundamento econômico — "found in data" é diferente de "explained by logic". A cointegridade (relação de equilíbrio de longo prazo) é um teste mais robusto que correlação simples para pairs trading.
Pearson mede apenas relações lineares. Dois ativos podem ter r ≈ 0 mas comportamento altamente relacionado de forma não-linear — como opções e o ativo subjacente em movimentos extremos. Medidas de tail dependence (cópulas de caudas) capturam melhor o risco conjunto em eventos extremos.
Correlações são calculadas olhando para o passado. Em pairs trading e construção de portfólio, selecionar pares com alta correlação histórica e assumir que essa correlação continuará é um viés de seleção — funciona nos dados, mas pode falhar no futuro.
⚠ Este glossário é informativo e acadêmico. Nada aqui constitui recomendação de investimento.