Índice de Turbulência: Como Detecto que o Mercado Saiu do Normal

Atualizado em 07/08/2026

A distância de Mahalanobis é uma ideia de 1936 que só virou ferramenta de risco em 2010, quando Kritzman e Li a batizaram de índice de turbulência. A intuição é direta: em vez de perguntar “o mercado caiu muito hoje?”, ela pergunta “o padrão de movimento de hoje é parecido com o que eu costumava ver?”. Um dia em que dois ativos que sempre andaram juntos de repente andam separados conta como turbulento mesmo que cada um tenha se mexido pouco. Isso liga direto ao que já escrevi sobre VIX e regimes de volatilidade, sobre modelos GARCH de volatilidade e, principalmente, sobre o spillover de volatilidade entre sistemas que parecem separados, que foi onde eu senti esse risco na pele com dinheiro de verdade.

O que a pesquisa mostra: Kritzman e Li (2010) documentaram que os retornos médios durante os dias mais turbulentos são sistematicamente piores e mais voláteis em ações, moedas e títulos, e que a turbulência é persistente, dias turbulentos vêm em grupo, o que dá tempo de reagir depois que o alarme dispara [SSRN 1691756].

Turbulência é a distância de hoje até o normal, pesando as correlações

O índice de turbulência mede o “incomum estatístico” do vetor de retornos de um conjunto de ativos. A conta pega os retornos de hoje, subtrai a média histórica e divide (no sentido matricial) pela matriz de covariância, que guarda tanto a volatilidade de cada ativo quanto as correlações entre eles. O resultado é um único número: quanto maior, mais estranho está o dia frente ao histórico.

O detalhe que faz toda a diferença está nesse “dividir pela covariância”. Ele desconta duas coisas ao mesmo tempo. Primeiro, movimentos grandes em ativos naturalmente voláteis contam menos, porque já era esperado que eles balançassem. Segundo, e aqui mora a mágica, movimentos que violam a correlação histórica contam muito mais. Um dia em que ações e títulos sobem 1% juntos pode ser perfeitamente comum. Um dia em que ações sobem 1% e títulos caem 1%, com a mesma magnitude, pode ser turbulento, porque rompe o padrão de como esses dois costumam se relacionar. É essa capacidade de enxergar a quebra da estrutura, e não só o tamanho do tranco, que separa a turbulência de uma medida de volatilidade comum.

Existe até uma régua teórica: se os retornos fossem uma gaussiana multivariada perfeita, a turbulência seguiria uma distribuição qui-quadrado, e daria para cortar o “calmo” nos 80% de dias menos turbulentos por fórmula. Na vida real os retornos têm cauda gorda, então a régua teórica erra a mão. A recomendação prática dos próprios autores é calibrar o limiar pelo percentil empírico da sua própria série, e não pela fórmula. Aprendi a desconfiar de régua teórica em cauda do jeito mais caro possível, e vou chegar nisso.

O VIX vê um eixo, a turbulência vê a sala inteira

O VIX é uma leitura de regime excelente, mas univariada: ele lê a volatilidade implícita das opções de um único mercado, o S&P 500. Num livro que roda vários ativos ao mesmo tempo, isso deixa um ponto cego enorme. O VIX pode estar comportado enquanto a estrutura de correlações entre os meus pares está se rompendo silenciosamente. Ele mede a intensidade de um eixo. A turbulência de Mahalanobis mede a geometria da sala inteira: quantos ativos, se movendo em quais direções, contra quais relações históricas.

Para quem opera um portfólio multi-ativo, essa diferença não é acadêmica. O evento que me quebra não é “a volatilidade de um mercado subiu”. É “cinco posições que eu achava independentes descobriram que sempre foram o mesmo fator de risco”. Uma régua univariada nunca vai acusar isso. Uma régua multivariada acusa por construção, porque o rompimento de correlação é justamente o que ela foi feita para capturar. Foi por isso que fui atrás dessa família de medidas depois de levar um susto no meu próprio livro.

A diversificação dos dias calmos morreu no unwind do iene

Em 2024 eu tinha dois sistemas rodando USDJPY, um de grid e um de tendência, com correlação diária de retornos entre 0,06 e 0,08. Para qualquer análise padrão, isso é diversificação de manual: dois métodos diferentes, praticamente independentes no dia a dia. Aí veio a janela de 25 de julho a 12 de agosto de 2024, o unwind do carry do iene, e os dois perderam juntos. O par sozinho fez −$683 na janela e puxou o livro inteiro para o vermelho.

Quando fui investigar, o mais assustador foi o que não apareceu. A hipótese óbvia seria a correlação diária dos dois robôs explodindo para perto de 1 durante o evento. Medi dentro da própria janela: ela foi de 0,06 para 0,08. Praticamente nada. Se eu tivesse parado na régua da correlação diária, teria concluído que o risco compartilhado era imaginário. Ele era muito real, só que não morava na frequência diária. Morava num viés direcional que os dois sistemas acumularam ao longo de duas semanas, e que a correlação de curto prazo é cega para enxergar.

Foi aí que juntei os pontos com o índice de turbulência. Quando separei os 32 piores dias do livro (os 5% mais dolorosos), eles concentravam 354% do rebaixamento do período, e só 2 caíram dentro daquele unwind famoso. O resto estava espalhado por outros episódios de estresse. A correlação diária nunca ia me contar isso, porque a diversificação dos dias calmos é uma ilusão que só se desfaz nos dias em que a estrutura do mercado se aperta. A turbulência de Mahalanobis é precisamente o alarme que enxerga esse aperto de estrutura, que é o mesmo fenômeno que descrevi no artigo sobre spillover de volatilidade: risco que atravessa sistemas que parecem separados.

O que estava concentrado era o fator, não o par

A leitura errada é “eu tinha iene demais no livro”. A leitura certa é “quanto do meu risco se move junto quando o dólar se move”. Medindo pela contribuição real de risco, e não pela soma ingênua de volatilidades, o iene respondia por cerca de 55% do risco total do livro, e os pares que eu tratava como proteção co-caíam nos piores dias em vez de compensar. Quando decompus os fatores de risco de verdade, a minha fatia só de tendência valia 2,46 fatores de risco independentes, com o fator dólar explicando 67% de tudo. Cinco robôs, três blocos de ativo, e no fim das contas dois fatores e meio.

Esse é exatamente o tipo de degeneração que uma régua multivariada pega e uma régua univariada não. A turbulência não me diria “você tem 2,46 fatores”, mas acenderia o alarme no dia em que esses 2,46 fatores resolvessem virar 1. É o dia que decide o ano inteiro. Quando adicionei um comportamento genuinamente diferente ao livro, o grid, com correlação de −0,15 contra a tendência, o N efetivo subiu para 5,69 fatores de risco independentes. Diversificar por comportamento aumentou a dimensão real do risco de um jeito que multiplicar pares de forex nunca conseguiu.

Onde a turbulência encaixa no meu jeito de operar regime hoje

Aqui vem a parte honesta. Eu não rodo um índice de turbulência ao vivo hoje. A minha detecção de regime é feita por outro caminho: um walk-forward honesto, com 5 dobras cobrindo 2019 a 2026, onde eu seleciono numa era e meço na era seguinte, nunca vista. Foi esse teste que provou que o meu controle de risco sobrevive para frente (percentil 90 na maioria das dobras), e foi ele também que me mostrou o limite. Em choque de regime de verdade, como o chicote de 2022, a seleção sozinha não segura. O que segura nesse cenário é o disjuntor de perda cortando a posição, mais a lógica de regenerar a safra quando o regime vira.

O índice de turbulência entrou no meu roteiro de manutenção com endereço certo. A pergunta que decide esse ciclo é quando colher uma safra de robôs, ou seja, quando o regime que a sustentava saiu de cena. Hoje eu respondo isso por decaimento medido no walk-forward, que é um retrovisor. Uma régua multivariada de turbulência é candidata natural a virar um sinal mais rápido de “o regime mudou agora”, porque ela lê a quebra de estrutura no dia em que acontece, não meses depois. Casada com a leitura de volatilidade condicional que discuti nos modelos GARCH e com o filtro de regime por regras, ela completaria um painel de saída de regime que hoje ainda é incompleto.

Por que eu não confio nela às cegas antes de testar

A mesma humildade que aprendi com o iene vale para a turbulência. Três cuidados me impedem de plugá-la sem cerimônia. O primeiro é a estabilidade da matriz de covariância: em universo grande, a inversa fica malcondicionada e o índice vira ruído puro, então faz sentido começar com poucos ativos representativos. O segundo é o limiar, que precisa ser empírico e não teórico, pela mesma razão que a régua qui-quadrado erra a proporção de dias calmos quando os retornos têm cauda gorda, e os meus têm.

O terceiro é o mais importante e é uma cicatriz minha. Ligar e desligar exposição tem custo de transação e gera falsos positivos, e a única forma de saber se o ganho líquido existe é medir contra a alternativa de não fazer nada, com backtest honesto e período fora da amostra. Já vi de perto um Sharpe de cauda parecer catástrofe permanente porque eu anualizei uma janela de 32 dias por engano, inflando o número umas 16 vezes. O número honesto ali era o Sharpe diário de −2,46 na cauda, ruim, mas dimensionável. A lição vale para qualquer filtro de regime, incluindo este: a régua que decide dinheiro precisa ser medida com o mesmo rigor que a estratégia que ela protege, senão você troca um risco conhecido por um risco disfarçado.

Os números deste artigo

Perguntas Frequentes

O que é a distância de Mahalanobis no índice de turbulência?

É a distância do vetor de retornos de hoje até a média histórica, normalizada pela matriz de covariância dos ativos. Diferente de uma distância comum, ela desconta a volatilidade de cada ativo e as correlações entre eles, então detecta tanto movimentos grandes quanto quebras da estrutura de correlação. Um dia com movimentos pequenos, mas numa direção que a correlação histórica dizia ser improvável, conta como turbulento.

Qual a diferença entre o índice de turbulência e o VIX?

O VIX é univariado: mede a volatilidade implícita das opções de um único mercado, o S&P 500. O índice de turbulência é multivariado: mede quão incomum é o conjunto inteiro de retornos considerando volatilidades e correlações ao mesmo tempo. Num portfólio de vários ativos, o VIX pode estar calmo enquanto a estrutura de correlações entre as suas posições se rompe, e é justamente essa quebra que a turbulência foi feita para capturar.

O índice de turbulência prevê crises?

Não exatamente. Ele detecta que o regime turbulento já chegou, funcionando como indicador coincidente. O que o torna útil é a persistência documentada por Kritzman e Li (2010): se hoje está turbulento, amanhã provavelmente também estará, então há tempo de reduzir exposição antes do pior trecho. Ele não tira você antes do primeiro tranco, mas pode tirar antes do resto.

Dá para usar a turbulência como filtro de regime num robô?

Dá, com duas ressalvas que eu levo a sério. A matriz de covariância precisa de universo pequeno e bem condicionado, senão a conta vira ruído; e o limiar de corte tem que ser calibrado pelo percentil empírico da própria série, não pela fórmula qui-quadrado, porque retornos reais têm cauda gorda. Antes de confiar no filtro em produção, o ganho líquido dele precisa passar por backtest honesto fora da amostra, descontando custo de transação e falsos positivos.

Referências

• Kritzman, M.; Li, Y. (2010). Skulls, Financial Turbulence, and Risk Management. Financial Analysts Journal, 66(5), 30-41. papers.ssrn.com · rpc.cfainstitute.org.
• Mahalanobis, P. C. (1936). On the Generalised Distance in Statistics. Proceedings of the National Institute of Sciences of India, 2(1), 49-55.
• Kritzman, M.; Li, Y.; Page, S.; Rigobon, R. (2011). Principal Components as a Measure of Systemic Risk (The Absorption Ratio). The Journal of Portfolio Management, 37(4), 112-126.
• Chow, G.; Jacquier, E.; Kritzman, M.; Lowry, K. (1999). Optimal Portfolios in Good Times and Bad. Financial Analysts Journal, 55(3), 65-73.