Mercado Financeiro

Primeiros Passos com o vectorbt

VectorBT é uma biblioteca Python de código aberto para análise quantitativa e backtesting. O intuito da biblioteca é auxiliar na construção de trading algortimico e na realização de backtesting de estratégias de investimento. Neste artigo realizaremos uma breve introdução da biblioteca.

Analisando a Volatilidade de Longo Prazo do Ibovespa usando GARCH(1,1)

Com base no modelo GARCH(1,1), iremos realizar a modelagem da variância condicional dos log retornos diários do Ibovespa, abrangendo o período de janeiro de 2018 até dezembro de 2023. O objetivo principal é compreender a implementação desse modelo utilizando a linguagem de programação Python, além de conduzir uma análise do mercado acionário brasileiro ao longo do período amostral. Ao concluirmos este exercício, teremos a capacidade de obter uma medida representativa da variância de longo prazo da série temporal. Essa medida poderá ser comparada com a variância histórica, permitindo-nos inferir se a volatilidade presente está atualmente inferior ou superior àquela projetada para o futuro. Essa análise contribuirá para uma melhor compreensão da dinâmica da volatilidade no mercado acionário brasileiro.

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.

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.