Decompondo o Retorno de Portfólios Setoriais por Fatores de Risco
O investimento baseado em fatores tem se tornado uma prática comum na pesquisa e nas estratégias de investimento adotadas por diversas instituições de pesquisa e gestoras financeiras. A teoria subjacente a essa abordagem sugere que os retornos de ativos financeiros são influenciados por diversos fatores de risco, que podem ser de natureza macroeconômica, contábil e estatística, impactando a empresa ou o portfólio em análise. Neste artigo, apresentamos como é possível estimar a sensibilidade ao longo do tempo para cada fator de risco em diferentes portfólios setoriais. Em seguida, detalhamos o processo de decomposição dos retornos do portfólio, permitindo identificar quais fatores contribuíram positiva ou negativamente em cada período. Vale destacar que toda a análise de dados foi conduzida utilizando a linguagem de programação Python como ferramenta principal.
Fama-Macbeth Regression: explorando o mercado acionário brasileiro
A regressão Fama-MacBeth é um método utilizado para estimar parâmetros em modelos de precificação de ativos, como o Modelo de Precificação de Ativos de Capital (CAPM). O método estima os betas e prêmios de risco para quaisquer fatores de risco que se espera que determinem os preços dos ativos. O método opera com vários ativos ao longo do tempo (dados em painel). Os parâmetros são estimados em duas etapas. Vamos aplicar a regressão Fama-Macbeth para dados do mercado acionário brasileiro utilizando o Python.
Lei de Okun: qual a relação entre crescimento econômico e desemprego?
A Lei de Okun é uma relação empírica que busca quantificar a relação entre a taxa de desemprego e a taxa de crescimento econômico. Ela foi proposta pelo economista Arthur Okun na década de 1960 e está presente em diversos livros textos de graduação. Buscamos através deste artigo investigar duas formas da Lei de Okun, descrevendo-a utilizando dados do Brasil. Usamos o Python para realizar todo o processo de análise de dados.
Contribuição para a Volatilidade [Python]
A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.
Inflação de Serviços vs. Desemprego
A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.
