Transformando preços em log-retornos mensais com o R tidyquant

No post anterior, eu mostrei como é possível coletar os preços de ações com o R através do pacote quantmod, utilizando a base de dados do Yahoo Finance. Essa representação dos dados, contudo, não é a mais conveniente para a gestão de portfólios, como veremos no nosso Novo Curso Mercado Financeiro e Gestão de Portfólios. Para fins de construção de portfólios, é conveniente usarmos os retornos ou log-retornos dos ativos. De fato, uma grande parte dos estudos financeiros envolve retorno, ao invés de preço, de ativos. Isto porque, retorno de ativos pode ser um completo sumário para oportunidades de investimento, bem como séries de retorno são mais fáceis de lidar do que séries de preço porque aquelas possuem propriedades estatísticas mais atrativas.

Há, entretanto, diversas definições de retorno de ativos. Tomando P_t como o preço de um ativo no tempo t, considerando que a princípio o ativo não paga dividendos, ao manter um ativo por um período de t-1 a t, isso resultaria em um retorno bruto simples de

(1)   \begin{align*} 1 + R_t = \frac{P_t}{P_{t-1}} \end{align*}

O retorno líquido ou simples então será de

(2)   \begin{align*} R_t = \frac{P_t}{P_{t-1}} - 1 = \frac{P_t - P_{t-1}}{P_{t-1}} \end{align*}

Já o logaritmo natural do retorno bruto simples de um ativo é chamado de retorno composto continuamente ou simplesmente log-retorno:

(3)   \begin{align*} r_t = \text{ln} (1+R_t) = \text{ln} \frac{P_t}{P_{t-1}} = p_t - p_{t-1} \end{align*}

onde p_t = ln (P_t).  A seguir, pegamos nossas ações coletadas no post anterior e calculamos os log-retornos mensais com o pacote tidyquant.


library(tidyverse)
library(tidyquant)
library(timetk)
library(scales)
library(quantmod)

prices = getSymbols(symbols, src='yahoo',
from='2019-01-01',
to='2020-04-20',
warning=FALSE) %>%
map(~Cl(get(.))) %>%
reduce(merge) %>%
`colnames<-` (symbols) %>%
tk_tbl(preserve_index = TRUE,
rename_index = 'date') %>%
drop_na()

returns = prices %>%
gather(asset, prices, -date) %>%
group_by(asset) %>%
tq_transmute(mutate_fun = periodReturn,
period='monthly',
type='log') %>%
spread(asset, monthly.returns) %>%
select(date, symbols)

A seguir, construímos um gráfico desses retornos.


ggplot(returns, aes(x=date))+
geom_line(aes(y=PETR4.SA, colour='PETR4'))+
geom_line(aes(y=ABEV3.SA, colour='ABEV3'))+
geom_line(aes(y=MGLU3.SA, colour='MGLU3'))+
geom_line(aes(y=VVAR3.SA, colour='VVAR3'))+
scale_colour_manual('',
values=c('PETR4'='blue',
'ABEV3'='red',
'MGLU3'='orange',
'VVAR3'='green'))+
scale_x_date(breaks = date_breaks("1 month"),
labels = date_format("%b/%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
legend.position = 'bottom',
plot.title = element_text(size=10, face='bold'))+
labs(x='', y='',
title='Log-Retornos mensais de ações brasileiras selecionadas',
caption='Fonte: analisemacro.com.br com dados do Yahoo Finance')

Observa-se uma queda forte no mês de março por conta da pandemia do coronavírus, como era esperado.

(*) Isso e muito mais você irá aprender no nosso Novo Curso Mercado Financeiro e Gestão de Portfólios.


Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Aplicando o Time Series Transformer para prever inflação (IPCA)

Neste exercício, exploramos a previsão de séries temporais utilizando o Temporal Fusion Transformer (TFT). O TFT é uma arquitetura de Deep Learning baseada em mecanismos de atenção, desenhada especificamente para lidar com múltiplas variáveis e horizontes de previsão longos, mantendo a interpretabilidade — uma característica frequentemente ausente em modelos de "caixa-preta".

Análise do Payroll norte-americano com Python

O Payroll norte-americano é o termômetro da economia global. No post de hoje, mostro como analisar esse indicador usando Python e as bibliotecas Pandas e Plotnine. Saia do básico e aprenda a visualizar a geração de empregos nos EUA de forma profissional.

O papel da credibilidade do Banco Central na desinflação da economia

O objetivo deste trabalho é mensurar a credibilidade da política monetária brasileira através de diferentes métricas e verificar empiricamente se uma maior credibilidade contribui para a redução da inflação. Realizamos a modelagem econométrica usando o pacote {systemfit} disponível na linguagem. Ao fim, criamos um relatório reprodutível com a combinação Quarto + R.

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.