Spillover de Volatilidade: Por Que Meus Robôs Descorrelacionados Perderam Juntos

Atualizado em 07/08/2026

Eu sempre tratei grid e tendência no mesmo par como coisas diferentes. Métodos diferentes, lógica de entrada diferente, correlação diária de retornos perto de zero. Na minha cabeça isso era diversificação de verdade, o tipo que aparece em qualquer análise de correlação de portfólio feita do jeito padrão. O problema é que a correlação diária mede como os retornos se movem de um dia pro outro, e os dois sistemas podem estar posicionados na mesma direção estrutural sem que isso apareça na métrica.

O que a pesquisa mostra: Diebold e Yilmaz mediram como choques de volatilidade se propagam entre mercados usando decomposição de variância de um VAR, e o achado central é que dois ativos podem ter correlação de retorno baixa no dia a dia e ainda assim compartilhar exposição ao mesmo fator de risco, que só aparece quando esse fator se move com força (Diebold e Yilmaz, 2012).

Spillover de volatilidade é o risco que atravessa sistemas que parecem separados

Spillover de volatilidade é o nome que Diebold e Yilmaz (2009, 2012) deram a essa propagação, e o jeito como eles medem explica por que a correlação não enxerga o problema. Eles montam um VAR com as séries de volatilidade dos mercados, jogam um choque em uma delas e decompõem a variância do erro de previsão das outras: a fatia da variância de B que vem do choque em A é o spillover de A para B. A conta olha para a variância do erro em horizonte de vários dias, enquanto a correlação olha para o produto dos retornos de cada dia isolado. São contas diferentes.

Essa diferença de horizonte é o ponto. Nos dias em que o fator comum se move pouco, cada sistema responde ao próprio ruído e a correlação diária fica perto de zero. No dia em que o fator se move com força, os dois respondem à mesma variável e perdem no mesmo pregão. A correlação diária, calculada sobre centenas de dias, dilui esse punhado de dias dentro da média.

Testei a hipótese nas minhas próprias listas de operações, não em teoria

Em vez de aceitar isso como um argumento abstrato, rodei o teste nas listas de operações reais do meu livro (lote 0,01, 2024 a 2026). Separei a janela de desmontagem do carry trade do iene de julho e agosto de 2024, quando quem estava tomado em iene barato para comprar ativo de juro alto teve que recomprar iene às pressas e o USDJPY caiu rápido. Olhei o que cada perna do portfólio fez ali dentro.

A primeira coisa que confirmei é que o mecanismo que eu temia (correlação diária “explodindo” pra perto de 1 durante o evento) simplesmente não aconteceu. Medindo a correlação dos robôs individuais de iene dentro da própria janela, ela foi de 0,06 pra 0,08. Praticamente nada. Se eu tivesse parado nessa métrica, teria concluído que o risco compartilhado era imaginário.

Onde eu errei primeiro: um Sharpe de cauda que mentia por causa da anualização

Separei os 32 piores dias do livro inteiro no período (cerca de 5% dos dias) e comparei o desempenho neles contra o resto. Nesses 32 dias o resultado combinado foi de −$74, contra +$246 nos dias normais. Na minha primeira conta, anualizei o Sharpe desses dias de cauda com a fórmula padrão (multiplicando por raiz de 252) e cheguei a um número dramático: −39,7. Parecia prova de catástrofe.

Estava errado. Multiplicar por raiz de 252 supõe que aqueles 32 dias se repetiriam pelo ano inteiro, e infla o número em cerca de 16 vezes. O Sharpe honesto ali é o diário: +0,24 no livro inteiro, +0,42 nos dias normais, e −2,46 nos dias de cauda. A cauda continua gorda, e agora vem com um tamanho que dá pra dimensionar. A regra que levo daqui pra frente: nunca reportar Sharpe anualizado de uma janela curta. Reporto o diário e digo qual é a janela.

A concentração real estava no fator dólar

A pergunta certa é quanto do risco do meu livro se move junto quando o dólar se move. Medindo pela contribuição real de risco (a matriz de covariância, e não a soma simples de volatilidade de cada perna), o iene sozinho respondia por algo entre 55% e 71% do risco total do livro, dependendo do método de cálculo. Dois terços do risco num par só. E o EURUSD, que eu tratava como proteção porque tinha fechado positivo naquela janela específica (+$148), não se sustentou quando olhei os piores dias do período inteiro: nos 15 piores dias, o EUR só ficou positivo em 1. Nos outros 14, caiu junto com o iene. É o mesmo fator dólar aparecendo dos dois lados.

Isso muda a pergunta que eu fazia. Eu perguntava “esse par está descorrelacionado do outro?”. Agora eu pergunto quanto do meu risco total está exposto ao mesmo fator macro, mesmo em pares que parecem diferentes. Um exercício parecido de decompor risco por fator em vez de por ativo aparece também na literatura de ajuste de risco de cauda via Cornish-Fisher, que parte do mesmo princípio: a distribuição normal engana justamente nos dias que importam.

O que eu mudei depois disso

A primeira coisa é que parei de calibrar limite de risco olhando só correlação diária entre robôs. Agora capo por exposição de fator, a concentração em dólar e iene, que é o que se move junto na cauda. O gatilho passou de “os dois robôs estão descorrelacionados?” para “quanto por cento do risco da carteira responde ao dólar?”.

A segunda é que parei de contar com o gatilho intra-dia do disjuntor como defesa contra evento de fim de semana ou gap. O disjuntor que eu descrevi no capítulo sobre o disjuntor de drawdown reage a preço que se move durante o pregão. Um gap de abertura de domingo passa por baixo dele, porque não houve negociação nos níveis do meio. O disjuntor não falhou, ele nunca foi projetado pra isso.

A terceira é que parei de tratar agosto de 2024 como o pior caso possível só porque foi o evento que eu tinha registrado. Pré-registrei o limite de exposição por fator antes de testar contra outros períodos de estresse. Calibrar olhando pra um único evento entrega um número que descreve o passado e me deixa confortável com ele. Um evento não é amostra.

Correlação diária baixa entre dois robôs garante que eles não vão perder juntos?

Não garante. Correlação diária mede como os retornos se movem no dia a dia normal; ela pode ficar perto de zero mesmo quando os dois sistemas compartilham exposição ao mesmo fator macro, que só aparece com força numa janela rara e concentrada, como um evento de desmontagem de carry trade.

O que é spillover de volatilidade, na prática?

É a propagação de choque de risco entre mercados ou entre sistemas que operam mercados diferentes, mesmo quando a correlação de retorno do dia a dia entre eles é baixa. Foi formalizado por Diebold e Yilmaz usando decomposição de variância. Na prática de portfólio, aparece quando dois sistemas “descorrelacionados” perdem ao mesmo tempo num evento raro, porque os dois estão expostos ao mesmo fator sem que a métrica diária revele.

Como medir a concentração de risco por fator em vez de por ativo?

Usando a contribuição real de risco de cada posição dentro da matriz de covariância do portfólio inteiro, e não a volatilidade isolada de cada perna somada. Esse cálculo revela concentração que a soma simples esconde, porque a soma simples não enxerga como as pernas se movem juntas.

Referências

• Diebold, F. X.; Yilmaz, K. (2009). Measuring Financial Asset Return and Volatility Spillovers, with Application to Global Equity Markets. The Economic Journal. onlinelibrary.wiley.com.
• Diebold, F. X.; Yilmaz, K. (2012). Better to Give than to Receive: Predictive Directional Measurement of Volatility Spillovers. International Journal of Forecasting. sciencedirect.com.