Aplicação de PCA em finanças usando o R

A análise de componentes principais ou Principal component analysis, consiste em uma técnica popular que visa reduzir a dimensionalidade de um conjunto de variáveis. No post de hoje, iremos realizar uma aplicação da técnica em finanças utilizando o R.

O objetivo do uso da análise de componentes principais consiste em reduzir um número significante de variáveis que explicam uma variável resposta, de forma a encontrar a variabilidade em torno de cada variável latente, isto é, uma variável "oculta" que explica a variável resposta.

A partir disso é possível compreender quais as variáveis latentes, isto é, quantos fatores de risco representam a variabilidade de um conjunto de ações ou índices de investimentos.

Vejamos a aplicação utilizando o R. Selecionamos 6 ações, 3 compreendendo o setor de tecnologia e 3 o setor de financeiro. Ao aplicar o PCA, vemos o primeiro componente principal explica 54,19% da variabilidade dos retornos. Pelo gráfico abaixo, fica fácil de perceber que o PCA1 é apenas uma proxy do risco de mercado.

A construção de todos os procedimentos para a criação dos gráficos abaixo você pode obter fazendo parte do Clube AM, o repositório especial de códigos da Análise Macro.

 

Além disso, fica fácil perceber a relação dos fatores entre os ativos. Isso pode permitir o avanço na construção de uma carteira diversificada.

_____________________________________

Quer saber mais?

Veja nossa trilha de cursos 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 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.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

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.