El ratio de Sharpe: qué mide, cómo se calcula y por qué desconfiar de un 3

El ratio de Sharpe es la cifra que aparece en toda ficha de fondo, en todo informe de gestión y en todo backtest que alguien te enseña con orgullo. También es la cifra que más gente calcula mal y casi nadie interpreta bien. Un mismo fondo puede lucir un 0,4 o un 1,9 según cómo se anualice el dato, y ninguno de los dos números es mentira: lo que cambia es el método.

Este artículo explica qué mide exactamente, cómo se calcula sin equivocarse en el paso donde casi todo el mundo se equivoca, qué valores son creíbles y cuáles son una señal de alarma, y —lo más importante— qué riesgos no ve. Porque el Sharpe es una buena primera pregunta y una pésima última palabra.

Qué mide el ratio de Sharpe

William F. Sharpe lo propuso en 1966, estudiando el rendimiento de los fondos de inversión estadounidenses. Lo llamó reward-to-variability ratio, y su idea era simple y entonces poco habitual: comparar fondos por su rentabilidad a secas no dice nada, porque siempre se puede subir la rentabilidad esperada asumiendo más riesgo. Lo interesante es cuánta rentabilidad extra obtienes por cada unidad de riesgo que aceptas. Sharpe recibiría el Nobel de Economía en 1990, aunque por su trabajo en el CAPM más que por este ratio.

La fórmula tiene tres ingredientes:

Sharpe = (Rentabilidad de la cartera − Tasa libre de riesgo) / Volatilidad de la cartera

• La rentabilidad de la cartera: lo que ha ganado, o lo que se espera que gane.
• La tasa libre de riesgo: lo que habrías obtenido sin asumir riesgo, normalmente letras del Tesoro a corto plazo. Se resta porque esa parte no te la has ganado: te la daba el mercado por no hacer nada.
• La volatilidad: la desviación típica de los rendimientos, que hace de medida del riesgo.

El numerador se llama exceso de rentabilidad y es la única parte que de verdad se atribuye a la gestión. Si un fondo ganó un 4 % en un año en el que las letras del Tesoro pagaban un 3,8 %, su exceso es de dos décimas: prácticamente todo su resultado venía de tener el dinero invertido, no de decidir bien.

El error que casi todo el mundo comete: anualizar mal

Aquí es donde se rompen la mayoría de los cálculos caseros. Si trabajas con datos diarios y quieres un Sharpe anual —que es como se publica siempre—, hay que escalar. Y rentabilidad y volatilidad no escalan igual:

• La rentabilidad escala de forma lineal con el tiempo: se multiplica por 252, el número aproximado de sesiones bursátiles al año.
• La volatilidad escala con la raíz cuadrada del tiempo: se multiplica por √252 ≈ 15,87.

El motivo es que la varianza es aditiva en el tiempo, y la volatilidad es la raíz de la varianza. Como el numerador crece por 252 y el denominador solo por 15,87, el ratio completo se anualiza multiplicando por √252:

Sharpe anual = Sharpe diario × √252

El error habitual es multiplicar la volatilidad diaria por 252 en lugar de por su raíz. Con eso el denominador se infla casi dieciséis veces y el Sharpe se hunde. El error contrario —anualizar la rentabilidad pero no la volatilidad— produce el efecto inverso y mucho más peligroso, porque el número sale absurdamente alto y a nadie le apetece dudar de un buen resultado.

Método sobre los mismos datos	Resultado	¿Correcto?
Sharpe diario sin anualizar	0,05	Correcto, pero no comparable con nada publicado
Rentabilidad ×252, volatilidad ×√252	0,79	Correcto
Rentabilidad ×252, volatilidad ×252	0,05	No: infla el denominador dieciséis veces
Rentabilidad ×252, volatilidad sin anualizar	12,60	No: es el error que produce cifras de fantasía

Ejemplo con una estrategia cuyo exceso de rentabilidad diario medio es del 0,04 % y cuya volatilidad diaria es del 0,8 %.

Qué valores son creíbles

Una vez calculado bien, hay que saber leerlo. La escala que se maneja en la industria es aproximadamente esta:

Sharpe anual	Lectura
Menos de 1	Flojo. No compensa especialmente el riesgo asumido
1 a 2	Bueno. Es donde viven los fondos que de verdad funcionan
2 a 3	Muy bueno, y raro de sostener en el tiempo
Más de 3	Excelente… o una señal de que algo está mal medido

Conviene interiorizar la parte incómoda de esta tabla: un índice bursátil amplio a largo plazo se mueve en torno a 0,4-0,6. Los mejores fondos diversificados del mundo sostienen entre 1 y 2 después de comisiones. Cuando alguien enseña un backtest con un 4, no está enseñando una estrategia mejor que la de los mejores gestores del planeta: está enseñando un error de medición que todavía no ha encontrado.

Por qué un Sharpe alto en un backtest es mala señal

Esto es lo que separa a quien usa el ratio de quien lo entiende. En una simulación sobre datos pasados, un Sharpe muy alto casi nunca significa una estrategia excepcional. Suele significar una de estas cuatro cosas:

• Costes no descontados. Comisiones, horquilla, deslizamiento e impuestos no aparecen en la curva salvo que los metas a mano, y en estrategias que rotan mucho se comen el resultado entero. Lo desarrollamos en los cuatro costes que nadie simula.
• Información del futuro. Basta con que la señal de hoy se ejecute hoy en lugar de mañana para que el resultado se dispare. Es el error más común y el más difícil de ver: en tu primer backtest en Python una sola línea convierte un 1,28 % anual en un 7,10 %.
• Sobreajuste. Cuantos más parámetros ajustas, mejor se ve el pasado y peor se comporta el futuro. El óptimo sobre datos históricos rara vez es el óptimo sobre datos nuevos.
• Pruebas múltiples. Si pruebas cien estrategias con un nivel de significación del 5 %, esperas que unas cinco parezcan buenas por puro azar. La pregunta correcta ante un Sharpe de 1,5 no es «qué bien», sino «¿cuántas probaste antes de quedarte con esta?».

Este último problema tiene solución formal: el Deflated Sharpe Ratio que propusieron Bailey y López de Prado en 2014 corrige el valor observado según el número de intentos realizados. Un 1,5 obtenido a la primera y un 1,5 elegido entre mil candidatos no valen lo mismo, y el ajuste lo cuantifica.

Los cuatro riesgos que el Sharpe no ve

El ratio resume el riesgo en un solo número, la volatilidad. Eso es una simplificación potente y, en cuatro situaciones concretas, engañosa.

1. Penaliza igual ganar mucho que perder mucho

La desviación típica mide dispersión, sin distinguir el signo. Una racha de subidas fuertes aumenta la volatilidad y por tanto empeora el Sharpe, aunque a ningún inversor le moleste ganar de golpe. Para estrategias con rendimientos asimétricos, esto castiga precisamente lo que buscabas.

2. No ve la forma de las colas

Vender opciones cubiertas, cobrar primas de seguro o hacer arbitrajes de convergencia produce el mismo patrón: ganancias pequeñas y constantes durante años, con una pérdida enorme y súbita de vez en cuando. Mientras la pérdida no llega, la volatilidad es baja y el Sharpe, magnífico. Es exactamente el perfil que ha hundido fondos enteros en un solo episodio, como recorremos en la historia de los mercados y sus burbujas. Un Sharpe alto y estable no descarta la ruina: a veces la anuncia.

3. No mide el dolor acumulado

Dos carteras con la misma volatilidad pueden tener recorridos muy distintos. Una alterna días buenos y malos; la otra encadena catorce meses de caída. El Sharpe las puntúa parecido, pero solo una de las dos hace que la gente venda en el peor momento. La caída máxima acumulada mide eso, y su aritmética es despiadada: de un −50 % se sale con un +100 %, no con un +50 %. Ahí es donde el ratio se queda mudo y donde manda la psicología del inversor.

4. Premia lo que no cotiza a diario

Este es el más sutil. Los activos que se valoran con poca frecuencia —inmobiliario no cotizado, capital riesgo, algunos productos estructurados— tienen series de rendimientos suavizadas: como el precio no se actualiza cada día, la volatilidad medida sale artificialmente baja y el Sharpe, artificialmente alto. No es que esos activos tengan menos riesgo; es que nadie se lo está midiendo con la misma vara.

Cuándo usar otra cosa

El Sharpe sigue siendo el estándar porque es comparable entre cualquier par de estrategias del mundo. Pero para casos concretos hay medidas mejores, y lo sensato es mirar varias a la vez:

Medida	Qué cambia respecto al Sharpe	Cuándo usarla
Sortino	Solo penaliza la volatilidad a la baja	Rendimientos asimétricos
Calmar	Divide por la caída máxima en lugar de por la volatilidad	Cuando lo que importa es aguantar la peor racha
Ratio de información	Mide el exceso sobre un índice de referencia, no sobre la tasa libre de riesgo	Para juzgar gestión activa frente a su índice

Y una advertencia sobre el Sortino, porque se calcula mal a menudo: la desviación a la baja es la raíz de la media de los cuadrados de las desviaciones por debajo del objetivo, promediando sobre todas las observaciones. Los periodos buenos cuentan como cero, no se descartan. Usar simplemente la desviación típica de los rendimientos negativos es un atajo frecuente que infla el resultado.

Cómo calcularlo bien

Con datos diarios y una tasa libre de riesgo anual, el cálculo correcto cabe en cinco líneas:

import numpy as np

DIAS = 252
rf_diario = 0.03 / DIAS              # tasa libre de riesgo anual del 3 %
exceso = rendimientos - rf_diario     # serie diaria de exceso

sharpe = exceso.mean() / rendimientos.std() * np.sqrt(DIAS)

Tres detalles que marcan la diferencia. El primero: la tasa libre de riesgo se convierte a la misma frecuencia que los datos antes de restarla, no después. El segundo: el np.sqrt(DIAS) del final es lo que anualiza el ratio completo. El tercero, y el más olvidado: el cálculo debe hacerse sobre los rendimientos netos, ya descontados comisiones y costes de ejecución. Un Sharpe bruto no es una versión optimista del real; es otra magnitud distinta.

La conclusión honesta

El ratio de Sharpe hace bien una cosa: impedir que compares rentabilidades sin mirar el riesgo que las produjo. Con eso ya evita el error más caro del inversor particular, que es perseguir el fondo que más subió el año pasado sin preguntar cómo lo hizo.

Lo que no hace es sustituir al juicio. No ve la asimetría, no ve las colas, no ve cuánto tiempo llevas por debajo del máximo anterior y premia a los activos que no se valoran a diario. Y en un backtest, por encima de 3, lo más probable es que no esté midiendo talento sino un fallo todavía sin encontrar.

Si quieres calcularlo tú mismo sobre datos reales, junto con el Sortino, el Calmar, el valor en riesgo y la caída máxima, el Curso Básico para Quants dedica un módulo entero a las métricas de riesgo, con los cálculos en Python y una calculadora interactiva para probarlos sobre cualquier serie de rendimientos.

Este artículo tiene fines exclusivamente educativos y no constituye asesoramiento financiero ni una recomendación de inversión. Rentabilidades pasadas no garantizan rentabilidades futuras.