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

As diferentes formas de avaliar o erro de um modelo de previsão

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Previsão do CPI usando text mining

Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.

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.