Como criar um Portfólio de Investimentos no vectorbt

O que é 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 algorítmico e na realização de backtesting de estratégias de investimento. Realizamos uma introdução a biblioteca conforme o post "Primeiros Passos com o vectorbt".

Como criar um Portfólio de Investimentos?

Um portfólio de investimentos refere-se a uma coleção de ativos financeiros, como ações, títulos, fundos mútuos, imóveis e outros instrumentos financeiros, detidos por um investidor. O objetivo principal de construir um portfólio é diversificar os investimentos para reduzir o risco total. A diversificação permite que os investidores alcancem um equilíbrio entre risco e retorno, pois diferentes ativos reagem de maneira diferente às mudanças do mercado.

Assim sendo, criar um portfólio de investimentos reside na gestão eficaz do risco e na busca de retornos ajustados ao risco. Ao diversificar os investimentos em várias classes de ativos, setores e regiões geográficas, os investidores podem reduzir a exposição a eventos adversos específicos e aumentar as chances de obter retornos consistentes ao longo do tempo. Além disso, a construção de um portfólio alinhado aos objetivos financeiros e ao perfil de risco do investidor ajuda a alcançar metas específicas.

O cálculo do retorno de um portfólio envolve a ponderação dos retornos individuais de cada ativo pelo seu peso no portfólio. A fórmula básica para calcular o retorno de um portfólio ponderado é:

    \[\text{Retorno do Portfólio} = (W_1 \times R_1) + (W_2 \times R_2) + \ldots + (W_n \times R_n)\]

Onde:
- (W_1, W_2, \ldots, W_n) são os pesos dos ativos no portfólio (expressos como porcentagens do valor total do portfólio).
- (R_1, R_2, \ldots, R_n) são os retornos dos ativos individuais.

Por exemplo, se um investidor possui 50% de seu portfólio em ações com um retorno de 10% e 50% em títulos com um retorno de 5%, o retorno do portfólio seria:

*** QuickLaTeX cannot compile formula:
(0,5 \times 0,10) + (0,5 \times 0,05) = 0,075 \text{ ou 7,5%}

*** Error message:
File ended while scanning use of \text@.
Emergency stop.

É importante notar que esse cálculo é uma simplificação, pois não considera outros fatores como custos, impostos e o efeito de rebalanceamento do portfólio ao longo do tempo.

O que iremos criar?

Usando o vectorbt, iremos realizar a construção de 2000 Portfólio de Investimentos simulados, com base em 4 ativos escolhidos de forma aleatória (apenas para exemplificar o exercício). São eles: ITSA4, WEGE3, VALE3 e PETR4.

O período da amostra segue de 2019 até fim de 2023.

A ideia é gerar 8000 pesos aleatórios diferentes dos ativos e realizar a construção de 2000 Portfólio. Iremos escolher o Portfólio que melhor performou baseado em uma medida de risco-retorno (Índice de Sharpe). Ao fim, verificamos as principais estatísticas do Portfólio.

Abaixo, construímos com o vectorbt, o preço normalizado (retorno bruto acumulado) dos ativos individuais.


Verificamos as principais estatísticas descritivas de cada ativo.

Vemos que a média do retorno diário do ativo PETR4 performou melhor que os seus pares, enquanto a ITSA4 teve o pior desempenho.

Código
symbol
ITSA4.SA    0.034657
WEGE3.SA    0.144166
VALE3.SA    0.094184
PETR4.SA    0.159173
dtype: float64 Em relação a volatilidade, verificamos que a PETR4 foi a mais arriscada, enquanto ITSA4 a que possuiu menor desvio padrão.
Código
symbol
ITSA4.SA    1.852222
WEGE3.SA    2.412038
VALE3.SA    2.549426
PETR4.SA    2.845702
dtype: float64 A matriz de correlação demonstra que os ativos são todos positivamente correlacionados, indicando uma trajetória comum de seus retornos.
Código
symbol ITSA4.SA WEGE3.SA VALE3.SA PETR4.SA
symbol
ITSA4.SA 1.000000 0.375203 0.365221 0.555038
WEGE3.SA 0.375203 1.000000 0.251787 0.338850
VALE3.SA 0.365221 0.251787 1.000000 0.466736
PETR4.SA 0.555038 0.338850 0.466736 1.000000

Criando o Portfólio com alocação em um único tempo

Simulamos os 2000 Portfólios, e verificamos os resultados em um gráfico de dispersão que demonstra a relação de retorno anualizado x risco anualizado. As cores são construídas conforme o Índice de Sharpe.

Escolhemos o melhor Portfólio, conforme o melhor Índice de Sharpe e verificamos os resultados abaixo.

Pesos dos ativos (em sequência):

Código
array([0.00721164, 0.36543672, 0.09805157, 0.52930007])
Código
Start                         2019-01-02 02:00:00+00:00
End                           2023-11-30 03:00:00+00:00
Period                               1222 days 00:00:00
Start Value                                       100.0
End Value                                    392.031083
Total Return [%]                             292.031083
Benchmark Return [%]                         190.328172
Max Gross Exposure [%]                            100.0
Total Fees Paid                                     0.0
Max Drawdown [%]                              51.129977
Max Drawdown Duration                 396 days 00:00:00
Total Trades                                          4
Total Closed Trades                                   0
Total Open Trades                                     4
Open Trade PnL                               292.031083
Win Rate [%]                                        NaN
Best Trade [%]                                      NaN
Worst Trade [%]                                     NaN
Avg Winning Trade [%]                               NaN
Avg Losing Trade [%]                                NaN
Avg Winning Trade Duration                          NaT
Avg Losing Trade Duration                           NaT
Profit Factor                                       NaN
Expectancy                                          NaN
Sharpe Ratio                                    1.03282
Calmar Ratio                                    0.63646
Omega Ratio                                    1.211264
Sortino Ratio                                  1.431265
Name: 210, dtype: object
Código
Retorno Total: 292.03%
Drawdown Máximo: -51.13%
Código
Performance Individual dos ativos
weights   symbol_group  symbol  
0.007212  210           ITSA4.SA      0.171749
0.365437  210           WEGE3.SA    112.037095
0.098052  210           VALE3.SA     10.972734
0.529300  210           PETR4.SA    168.849505
Name: total_return, dtype: float64 

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar o Google AI Studio e o Gemini?

Na corrida da IA, novas ferramentas e modelos são lançados quase que diariamente. Neste artigo mostramos como o Google tem competido neste mercado através do AI Studio e do Gemini e damos um exemplo de integração em Python.

Analisando a ancoragem das expectativas de inflação no Python

Se expectativas de inflação ancoradas com a meta são importantes para a economia, analisar o grau de ancoragem é imperativo para economistas e analistas de mercado. Neste exercício mostramos uma forma de aplicar esta análise com uma metodologia desenvolvida pelo FMI. Desde a coleta dos dados, passando pelo modelo e pela visualização de dados, mostramos como analisar a política monetária usando o Python.

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.