La correlación no es alfa

Has dedicado cursos enteros a aprender a predecir retornos con honestidad: desinflar el Sharpe, purgar la validación cruzada, desconfiar del zoo de factores. Y todo era necesario. Pero aquí va una verdad incómoda que ninguna de esas herramientas aborda: una predicción perfectamente honesta, totalmente fuera de muestra y desinflada por todos lados sigue sin ser una razón para asignar capital. La predicción te dice que la señal y el retorno se mueven juntos. La asignación apuesta a que activar la señal hará que el retorno aparezca. Son afirmaciones distintas, y la segunda — la causal — es la única que de verdad le importa a tu cuenta de resultados.

Este es el salto que demuele en silencio más estrategias de las que el sobreajuste jamás derribó, porque sobrevive a todas las pruebas de sobreajuste. Tu ventaja puede ser real, estable y fuera de muestra, y aun así evaporarse en el instante en que la operas — no porque la hayas minado de los datos, sino porque una tercera cosa movía a la vez tu señal y el retorno, y esa tercera cosa acaba de cambiar.

Esta lección instala la única mejora mental sobre la que se construye todo el curso: aprender a ver un backtest como un estudio observacional, no como un experimento.

Un backtest mide asociación, no efecto

Analogía. Un backtest es una cámara de seguridad que grabó, durante 15 años, que cada vez que la furgoneta de los helados aparcaba fuera, más gente se ahogaba en la playa ese día. Las imágenes son reales, fuera de muestra y replicables. Prohibir las furgonetas de helados no salvará a ni un solo bañista, porque una tercera cosa — el calor — mueve a la vez las ventas de helados y los baños. Tu backtest es esa cámara. Registra fielmente el co-movimiento; no puede, por sí solo, decirte qué flecha apunta hacia dónde.

Definición. Un efecto causal de una señal $X$ sobre un retorno $Y$ es la diferencia entre el retorno que obtendrías si actuaras según $X$ y el que obtendrías si no lo hicieras, manteniendo todo lo demás fijo. Un backtest nunca observa ambos mundos para el mismo periodo — solo observa el mundo que ocurrió. Lo que estima es la asociación $\text{Corr}(X, Y)$, que equivale al efecto causal solo cuando ninguna tercera variable mueve a ambos. Ese “solo cuando” es toda la materia de estudio.

Ejemplo resuelto. Supón que una variable de régimen $Z$ (digamos, “risk-on frente a risk-off”) mueve a la vez tu señal y los retornos del próximo mes. Dentro de cualquier régimen aislado la señal no hace nada — su pendiente sobre los retornos es plana. Pero el régimen risk-on tiene a la vez una señal media más alta y un retorno medio más alto, y el régimen risk-off tiene ambos más bajos. Junta los dos regímenes y la nube de puntos se inclina hacia arriba:

La pendiente combinada de $+0{,}8$ es la “ventaja” de tu backtest. Está compuesta por completo de la diferencia entre regímenes — el factor de confusión — y nada de ella es un efecto causal de la señal. Opérala, y el día que cambie la mezcla de regímenes, tu ventaja se invierte.

Cuándo usarlo

Aplica la lente del “estudio observacional” antes de cada decisión de asignación de capital, no solo las exóticas. La pregunta siempre es la misma: si supiera que nada cambió salvo que activé esta señal, ¿seguiría apareciendo el retorno? Si la respuesta honesta es “solo si el régimen / la liquidez / la masificación se mantienen como estaban en la muestra”, tienes una correlación, no un efecto — dimensiónala en consecuencia, o ve a buscar el factor de confusión.

Asignar capital es una apuesta causal

Analogía. Un meteorólogo predice lluvia; un bailarín de la lluvia afirma causarla. Ambos pueden tener un historial impresionante de “bailé, y luego llovió”. Solo uno de ellos hace una afirmación que sobrevive a ser puesta a prueba por intervención — bailar de verdad en un día seco. Cuando asignas capital dejas de ser el meteorólogo y te conviertes en el bailarín de la lluvia: ya no lees el co-movimiento, actúas y exiges la consecuencia.

Definición. Una intervención (el operador $do(\cdot)$ de Pearl, que la próxima lección formaliza) es fijar deliberadamente el tratamiento, rompiendo el proceso que normalmente lo determina. La cantidad que de verdad te importa es $\mathbb{E}[Y \mid do(X{=}1)] - \mathbb{E}[Y \mid do(X{=}0)]$ — el retorno cuando fuerzas la señal a activarse frente a desactivarse. Un backtest te da $\mathbb{E}[Y \mid X{=}1] - \mathbb{E}[Y \mid X{=}0]$ — el retorno cuando la señal resultó estar activa frente a inactiva. El $do$ y el condicional simple son iguales solo bajo supuestos causales que debes argumentar de forma explícita.

Ejemplo resuelto. Dos mesas reportan cada una una señal correlacionada con los retornos del día siguiente con la misma fuerza.

Backtests idénticos, destinos opuestos. Lo único que los separa es el mecanismo, y el backtest es ciego al mecanismo. No puedes distinguir A de B mirando con más fuerza la curva de capital; solo puedes distinguirlos razonando sobre qué causa qué — que es la caja de herramientas de la inferencia causal.

Cuándo usarlo

Plantea cada estrategia como una intervención con un contrafactual nombrado en la fase de propuesta de investigación, antes de ejecutar un solo backtest. Escribir “tratamiento = X, contrafactual = no-X, mecanismo afirmado = …” fuerza a sacar a la luz la pregunta causal mientras todavía es barato responderla, en lugar de descubrir tras el despliegue que eras un bailarín de la lluvia todo el tiempo.

El zoo de factores de confusión: lo que finge una ventaja

Analogía. Los factores de confusión son los tramoyistas de un backtest — invisibles desde el patio de butacas, pero moviendo todo el decorado. La obra parece que la conduce el actor protagonista (tu señal); en realidad, cuatro tramoyistas tras el telón empujan a su sitio tanto al actor como los objetos. Aprende sus nombres y dejarás de dejarte engañar por la actuación.

Definición. Un factor de confusión es una variable que influye causalmente sobre ambos, el tratamiento (tu señal) y el resultado (el retorno), creando entre ellos un camino “de puerta trasera” no causal. Como el camino de puerta trasera transporta asociación, la correlación observada sobreestima (o inventa) el efecto causal. Los cuatro que acechan la investigación de trading:

Ejemplo resuelto — masificación. Una señal de valor gana un 4% anual en backtest entre 2002 y 2014. Descomponla con honestidad: un 1% era una prima de riesgo genuina, y un 3% era el impacto en precio de las entradas acumuladas a medida que el factor valor se puso de moda — un factor de confusión (la popularidad) moviendo a la vez los retornos medidos del factor y su fuerza aparente. Fuera de muestra, con las entradas agotadas y la masificación causando ahora salidas, ese 3% se convierte en un $-2\%$. La ventaja realizada se desploma del 4% a aproximadamente $1\% - 2\% = -1\%$. Nada se sobreajustó; un factor de confusión simplemente se quedó sin combustible y se invirtió.

Cuándo usarlo

Pasa el zoo de factores de confusión como una lista de comprobación sobre cada señal candidata: ¿podrían el régimen, la liquidez, la masificación o la selección por sí solos producir esta correlación? Por cada “plausiblemente sí”, debes o bien un control (lecciones posteriores), o bien una prueba de robustez (¿sobrevive la ventaja dentro de cada régimen, solo en valores líquidos, antes de que la señal fuera popular?), o bien un recorte honesto a tu retorno esperado. Trata una ventaja inexplicada como un factor de confusión hasta que se demuestre lo contrario.

La predicción aún puede ser útil — solo no la confundas con un efecto

Analogía. Una ventaja confundida es un alquiler, no una escritura. Puedes perfectamente vivir en una casa alquilada y sacarle beneficio — pero serías un necio si la reformaras como si fuera tuya, porque el casero (el factor de confusión) puede acabar el contrato sin previo aviso. La catástrofe es tratar el alquiler como una escritura: apalancarte, concentrar y asumir permanencia en algo que nunca poseíste estructuralmente.

Definición. La taxonomía práctica es de tres vías, no de dos:

Ejemplo resuelto. Dos gestores operan ambos la misma señal de momentum. El gestor A cree que es estructural y la opera a 3x de apalancamiento sin filtro de régimen. El gestor B sabe que es una ventaja confundida-pero-estable (funciona en regímenes con tendencia, muere en los laterales) y la opera a 1x con un filtro de régimen que recorta la exposición cuando la correlación realizada se dispara. Cuando el régimen gira, A cae un 40% y B un 6%. Misma señal, misma correlación, mismo backtest — creencias causales opuestas, y la creencia causal es lo que dimensionó la posición y el filtro. El dinero se ganó y se perdió en el modelo causal, no en el predictivo.

Cuándo usarlo

Clasifica cada ventaja en vivo en los tres cubos y reclasifícala de forma periódica. Una ventaja “confundida pero estable” puede migrar a “confundida y frágil” en silencio a medida que se acumula la masificación o envejece un régimen — así que la clasificación es una tarea de vigilancia, no una etiqueta de una sola vez. El tamaño de la posición y la cobertura deben seguir al cubo, y el cubo debe seguir a la evidencia.

Recapitulación

Llegaste sabiendo predecir retornos con honestidad y te marchas sabiendo que la predicción honesta no basta. Un backtest es una cámara de seguridad, no un experimento: registra que la señal y el retorno se movieron juntos, nunca que la señal causó el retorno. Asignar capital es un baile de la lluvia — una intervención que exige una consecuencia — y la consecuencia solo llega si ningún tramoyista (régimen, liquidez, masificación, selección) movía en secreto a ambos. Las pruebas fuera de muestra y la desinflación del Sharpe, tus viejas armas, combaten el sobreajuste y son ciegas a todo esto. El arreglo no es una mejor partición, sino una pregunta distinta: ¿cuál es el tratamiento, cuál es el contrafactual, y hay una puerta trasera abierta? Aún puedes operar una ventaja confundida — como un alquiler, dimensionada para los caprichos del casero — pero nunca la reformes como si fuera una escritura.