Criando o Fator de Momentum para o Brasil [Python]

Como criar o Fator Momentum para o Mercado Acionário Brasileiro? No post, apresentamos uma forma de criação do Fator usando o Python.O factor investing refere-se à abordagem de investir com base em fatores específicos do mercado que influenciam o desempenho dos ativos. Esses fatores podem incluir características como tamanho da empresa, valor, qualidade e momentum.

Diferentemente de uma abordagem tradicional centrada na diversificação, o factor investing busca estrategicamente capturar retornos superiores, concentrando-se em fatores que historicamente demonstraram impactar positivamente os investimentos.Uma estratégia notável dentro do factor investing é o fator momentum, que se baseia na ideia de que ativos que apresentaram bom desempenho no passado continuarão a ter desempenho forte no futuro, enquanto ativos com desempenho fraco continuarão a ter um desempenho inferior.

O Fator baseia-se na prerrogativa da visão popular sustentada por muitos jornalistas, psicólogos e economistas de que os indivíduos tendem a reagir excessivamente à informação. Uma extensão direta dessa visão, proposta por De Bondt e Thaler (1985, 1987), é que os preços das ações também reagem excessivamente à informação, sugerindo que estratégias contrárias (comprar ações que tiveram desempenho ruim no passado e vender aquelas que tiveram desempenho bom) alcançam retornos anormais, enquanto Jagadeesh e Titman (1993) encontram evidências de que a estratégia se altera em diferentes horizontes de tempo, em um prazo de poucos meses comprar ações em altas passadas e vender ações em baixo passadas gera retornos anormais.

A estratégia "vencedores menos perdedores" envolve a compra de ativos que mostraram força recente e a venda ou evitação de ativos que mostraram fraqueza. Esta abordagem procura explorar tendências de curto e médio prazo nos preços dos ativos, aproveitando o momentum observado nos mercados financeiros. A ideia subjacente é que os preços dos ativos tendem a persistir em suas tendências antes de se inverterem, proporcionando oportunidades de ganho para os investidores que seguem a estratégia de momentum.O Fator Momentum é muito utilizado em estratégias de investimentos, e sua construção segue próximo ao trabalhos iniciais do fator estudado por Jagadeesh e Titman (1993) e Carhart (1997).

Os alunos do curso de  Mercado Financeiro e Gestão de Portfólio usando o Python, têm a oportunidade de adquirir um conhecimento abrangente em todas as fases do processo, desde a coleta e a preparação dos dados até a análise, o desenvolvimento de modelos econométricos e a comunicação dos resultados, tudo isso utilizando Python como ferramenta principal.

 Exercício

Para criar o fator Momentum no Python devemos seguir os seguintes passos:

1) Obtenção de dados de ativos brasileiros: usamos as empresas que pertencem a composição do Ibovespa do dia 30/10/2023. Usamos o yfinance para a obtenção dos preços.

2) Calcula-se o retorno conforme a regra do NEFIN: "A cada mês 't', ordenamos (em ordem ascendente) as ações elegíveis* em tercis com base em seus retornos acumulados dos meses 't-12' e 't-2'. Em seguida, mantemos as carteiras durante o mês 't'. Portanto, precisamos calcular os retornos de 't-12' e 't-2'.

*O NEFIN realiza um filtro para as empresas, aqui não nos preocupamos com isso, portanto, veremos que haverá diferenças grandes no valor.

3) Calcula-se o retorno mensal e cria-se os portfólios conforme os retorno médio dos tercis: "winners", "neutral" e "losers". Obtemos o WML pela diferença entre "winners" e "losers".

4) Comparamos o fator momentum réplica com o fator momentum do NEFIN.

Por meio dos passos acima, foi obtido o gráfico abaixo, que compara o Fator Momentum replicado com o criado pela NEFIN. Vemos que de fato há diferença nos valores, entretanto, seguem um mesmo padrão e tendência. Obviamente, tais discrepâncias ocorreria por diferenças de seleção da amostra.

_____________________________________

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Previsão do Desemprego: Redes Neurais vs. Previsões do Focus

Não é de hoje que técnicas de machine learning vêm sendo usadas para explorar características não lineares de séries temporais (econômicas), especialmente para finalidade de previsão. Como exemplo, apresentamos uma abordagem híbrida do modelo NNAR e comparamos suas previsões com as de mercado, encontrando resultados em linha com a literatura recente.

Incorporando IA na previsão do PIB

O PIB é uma variável econômica complexa e de difícil previsão. Neste artigo, mostramos que unir métodos simples e métodos avançados pode aumentar significativamente a previsibilidade do crescimento da economia.

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.