Modelos Multifatores usando VAR [R e Python]

Vamos investigar os fatores que representam mudanças inesperadas de variáveis macroeconômicas em retornos de ações. A ideia será denotar a mudança inesperada como o resíduo de variáveis macroeconômicas após a remoção de sua dependência dinâmica por meio do uso de um VAR e utilizar uma regressão linear para modelar a relação com o mercado acionário. Fazemos o uso das variáveis Câmbio real, Embi BR, PIB Mensal, Selic e IPCA. Para verificar a relação, usamos o R e o Python como ferramentas de construção do exercício.

Variáveis macroeconômicas contém informações relevantes para a formação do preço de uma ação, entretanto, os preços de ações são comumente sensíveis a novas noticias econômicas, principalmente aquelas não esperadas.

Uma forma interessante de obter essa "informação não esperada" pode ser usando os erros de um VAR para um conjunto de variáveis macroeconômicas estabelecidas.

Neste exercício, escolhemos: Câmbio real, Embi BR, PIB Mensal, Selic e IPCA para obter as informações não conhecidas, usando o resíduo do modelo. Com a obtenção do resíduo de cada variável, as regredimos e obtemos a relação dessas surpresas em relação aos log retornos de quatro ativos do mercado acionário brasileiro: WEGE3, CMIG4, ITSA4 e BRFS3.

Para entender como foi criado o gráfico e o modelo abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

No gráfico abaixo, verificamos os resultados dos coeficientes estimados de cada fator de supressa macroeconômica para cada surpresa.

_____________________

Quer saber mais?

Veja nossa trilha de cursos de Finanças Quantitativas

Referências

Chen, N. F., Roll, R., & Ross, S. A. (1986). Economic forces and the stock market. Journal of business, 383-403.

Tsay, Ruey S. Analysis of Financial Time Series 3rd Edition (2010)

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar IA para ler as atas do FED

Os “AI Assistants” são ferramentas que permitem automatizar e agilizar o processo de análise de dados e tomada de decisão. Neste artigo, mostramos como usar IA Generativa para criar um AI Assistant simples que analisa as decisões sobre a política de juros do FED.

Devemos usar a métrica MAPE em previsão de demanda?

A previsão de demanda é um componente essencial da análise econômica e empresarial. Para avaliar a precisão das previsões, diversas métricas de erro são utilizadas. Entre elas, o Erro Percentual Absoluto Médio (MAPE - Mean Absolute Percentage Error) é uma das mais conhecidas. Neste artigo discutimos suas vantagens e desvantagens com exemplos.

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.