Dashboard de Análise de Assimetria e Curtose no Python

Vamos continuar a série de postagens sobre como construir um Dashboard de métricas relacionadas a avaliação de ações e construção de um Portfolio de investimentos no Python. Trazemos nessa semana um componente importante para avaliação do risco: o cálculo da Assimetria e Curtose.

Assimetria e Curtose como medida de Volatilidade

Definindo Assimetria

A assimetria pode ser definida como o *grau* em que os retornos desviam em torno da média. Dado que a distribuição normal é *simétrica* em torno da média, a *assimetria* pode ser entendida como uma medida de como os retornos não são normalmente distribuídos. Abaixo a equação da assimetria:

$\begin{align*} Skew = \frac{\sum_{t=1}^{n} (x_i - \bar{x})^3/n}{ \left (\sum_{t=1}^{n}(x_i - \bar{x})^2/n \right )^{3/2}} \end{align*}$

Definindo Curtose

Curtose é uma medida do grau em que os retornos da carteira aparecem nas caudas da distribuição. Uma distribuição normal tem curtose igual a 3, o que deriva do fato de que a distribuição normal tem parte de sua massa nas caudas. Uma distribuição com curtose maior do que 3 tem mais retorno nas caudas do que a distribuição normal, já uma distribuição com curtose menor do que 3 tem menos retornos nas caudas do que a distribuição normal. Isso importa para os investidores porque mais retornos ruins nas caudas significa que o portfólio pode estar em risco de um raro, mas enorme evento negativo.

Curtose é em geral descrita como excesso negativo ou excesso positivo, em comparação a uma curtose igual a 3. Por exemplo, uma distribuição com curtose de excesso negativo igual a $-1$ tem uma curtose com valor absoluto igual a 2. Portanto, Curtose negativa significa menos retornos nas caudas, o que implica em menos risco.

Abaixo, uma equação para excesso de curtose:

$\begin{align*} Kurtosis = \frac{\sum_{t=1}^{n} (x_i - \bar{x})^4/n}{\left (\sum_{t=1}^{n} (x_i - \bar{x})^{2}/n \right )^2} - 3 \end{align*}$

Para obter o código do Dashboard abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Dashboard de Assimetria e Curtose

Para facilitar todo o trabalho de verificar essas métricas, é possível criar um Dashboard, que automatiza todo o processo de coleta, tratamento, criação das métricas e a visualização de dado. No Dashboard abaixo, o processo de coleta de dados financeiros foi feito por meio da biblioteca yfinance. O Dashboard é construído no ambiente da biblioteca Shiny e os gráficos construídos por meio do Plotly.

_____________________

Quer saber mais?

Veja nossa trilha de cursos de Finanças Quantitativas

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Como analisar o Núcleo de Inflação no Brasil usando Python?

Propensity Score com Múltiplas Variáveis no R

Análise regional da inflação com dados do IBGE usando Python

Como coletar dados do Banco Central do Chile usando a API com o Python?

Como analisar a relação de risco-retorno de ações?

Retropolando a série do desemprego no Brasil

Outros artigos relacionados

Como analisar o Núcleo de Inflação no Brasil usando Python?

O Python se destaca como uma ferramenta robusta para análise de dados, permitindo a aplicação de uma ampla gama de técnicas em dados econômico-financeiros. Neste exercício, destacamos como a linguagem oferece uma facilidade muito grande na coleta de dados dos núcleos do IPCA diretamente do site do Banco Central, na manipulação eficiente desses dados e na construção de gráficos que facilitam a compreensão dos indicadores.

Propensity Score com Múltiplas Variáveis no R

O escore de propensão é provavelmente a maneira mais comum de agregar múltiplas variáveis de correspondência em um único valor que pode ser correspondido, ou seja, muito útil para a realização de pareamento.

O escore de propensão é a probabilidade estimada de que uma determinada observação teria sido tratada. A correspondência de escore de propensão muitas vezes significa selecionar um conjunto de observações de controle correspondidas com valores semelhantes do escore de propensão.

Análise regional da inflação com dados do IBGE usando Python

Os dados desagregados do IPCA fornecem informações detalhadas sobre o comportamento de preços no Brasil a nível de região metropolitana e município, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.