Análise de Fundos Imobiliários com R e Python

Fundos Imobiliários são fundos de investimentos que compreendem empreendimentos imobiliarios, sejam em sua forma física (tijolo) ou em títulos financeiros viculados ao mercado imobiliário (papel). No post de hoje, mostraremos como criar um análise dos retornos de fundos imobiliário utilizando o R e o Python.

O objetivo do post será construir um código em R e Python para analisar o retorno e o risco de cinco fundos imobiliários escolhidos aleatoriamente no período de 01/07/2021 até 01/07/2022. Trataremos da importação dos preços dos fundos, do calculo do retorno mensal, anualizado e acumulado, e por fim do desvio padrão anualizado (como medida de risco passado). Iremos também construir gráficos para entender os resultados obtido.

Análise com o R

No R, iremos utilizar o pacote {tidyquant}, que funciona como um wrapper de funções de outro pacotes de manipulação e cálculo de dados financeiros. O {tidyquant} permitirá utilizarmos os dados em uma estrutura tidy.

Análise com o Python

No Python, importaremos os dados com a biblioteca pandas datareader e o yfinance, bem como utilizaremos o pandas e o numpy para realizar o cálculos dos retornos e do desvio padrão.

__________________________________________________

Quer saber mais?

Veja nossos cursos da trilha de Finanças Quantitativas.

_________________________________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

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.