Construindo um Dashboard do Modelo FAMA-French 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 modelo de 3 fatores de Fama-French.

O que é o modelo de 3 fatores de Fama-French?

O modelo de três fatores de Fama-French é um modelo de precificação de ativos que foi proposto por Eugene Fama e Kenneth French na década de 1990. Esse modelo ampliou o modelo de precificação de ativos de capital (CAPM), acrescentando dois fatores adicionais para explicar os retornos de ações.

O modelo de três fatores de Fama-French argumenta que os retornos de uma ação são influenciados por três fatores principais:

  1. Retorno do mercado de ações (fator de mercado): Esse fator captura a variação dos retornos do mercado como um todo. Ele reflete a ideia de que as ações tendem a se mover em conjunto com o mercado como um todo. É representado pela diferença entre o retorno do mercado e uma taxa livre de risco, como os títulos do governo.
  2. Prêmio de tamanho (SMB: fator de tamanho): Esse fator captura a diferença de retorno entre ações de empresas com diferentes tamanhos de capitalização de mercado. Ele sugere que ações de empresas menores têm maior potencial de retorno do que ações de empresas maiores.
  3. Prêmio de valor (HML: fator de valor): Esse fator captura a diferença de retorno entre ações de empresas com valores de mercado baixos em relação aos seus fundamentos (como o valor contábil) em comparação com ações de empresas com valores de mercado altos em relação aos seus fundamentos. Ele sugere que ações consideradas "baratas" em termos de múltiplos de avaliação têm maior potencial de retorno do que ações consideradas "caras".

Estimando o modelo de 3 fatores de Fama-French

Como uma extensão do CAPM, o modelo de Fama French relaciona o excesso de retorno (diferença do retorno do ativo com o retorno livre de risco) em relação ao prêmio pelo risco do mercado, além também de dois outro fatores: HML (High minus Low), sendo a diferença entre os retornos das firmas que tenham um alto book-to-market e baixo book-to-market; e SMB (Small minus Big Factor), sendo a diferença entre empresas grandes e pequenas.

    \[r_{i} = \alpha_i +  \beta^M_{i,t} +  \beta^{SMB}_{i,t} + \beta^{HML}_{i,t} + \epsilon_{i,t}\]

A sensitividade de cada fator é medido pelos $\beta$ da equação, sendo possível mensurar os riscos que uma carteira de ativos sofrem, bem como traçar estratégias com as informações da influência de cada fator de risco.

Dashboard do Modelo 3 fatores de Fama-French no Python

Para facilitar todo o trabalho de estimar o modelo de 3 fatores de Fama-French, é possível criar um Dashboard, que automatiza todo o processo de coleta, tratamento, e a visualização de dados. No Dashboard abaixo, o processo de coleta de dados financeiros foi feito por meio da biblioteca yfinance e de dados do NEFIN. 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

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Boletim AM

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

Boletim AM

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

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.