Construindo um Dashboard de medidas de Desvio-Padrão no Python

Vamos continuar a série de postagens sobre como construir um Dashboard de métricas relacionadas a avaliação de ações e construção de um Portfolio de investimentos no Python. Trazemos nessa semana um componente importante para avaliação do risco: o cálculo do Desvio Padrão.

Desvio Padrão como medida de Volatilidade

A volatilidade é uma medida de risco que indica o grau de variação dos retornos de um ativo ou portfolio em relação à sua média. Para calcular a volatilidade de um ativo individual, utilizamos a seguinte fórmula:
σ = √(∑(ri - r)^2 / (n - 1))

Onde σ é a volatilidade, ri é o retorno do ativo no período i, r é a média dos retornos e n é o número de observações.

Já para calcular a volatilidade de um portfolio, a fórmula é um pouco mais complexa e leva em conta as volatilidades dos ativos individuais e suas correlações. A fórmula geral é dada por:

σp = √(w1^2σ1^2 + w2^2σ2^2 + 2w1w2σ1σ2ρ12 + ... + 2w1wnσ1σnρ1n + ... + w2n^2σn^2)

Onde σp é a volatilidade do portfolio, σi é a volatilidade do ativo i, wi é o peso do ativo i no portfolio e ρij é a correlação entre os retornos dos ativos i e j.

Vale destacar a volatilidade permite avaliar o quão arriscado um ativo é ao longo do tempo, portanto, a criação de métricas para a sua avaliação é extremamente importante para aqueles que desejam realizar a gestão do risco de uma carteira.

Para facilitar todo o trabalho de verificar essas métricas, é possível criar um Dashboard, que automatiza todo o processo de coleta, tratamento, criação das métricas e a visualização de dado. No Dashboard abaixo, o processo de coleta de dados financeiros foi feito por meio da biblioteca yfinance. O Dashboard é construído no ambiente da biblioteca Shiny e os gráficos construídos por meio do Plotly.

Para obter o código do Dashboard abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Veja que no Dashboard é possível inserir o ativo que se deseja, o peso relativo no Portfólio do ativo, a data inicial da amostra, e o tamanho da janela da amostra.

_____________________

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

Previsão do Desemprego: Redes Neurais vs. Previsões do Focus

Não é de hoje que técnicas de machine learning vêm sendo usadas para explorar características não lineares de séries temporais (econômicas), especialmente para finalidade de previsão. Como exemplo, apresentamos uma abordagem híbrida do modelo NNAR e comparamos suas previsões com as de mercado, encontrando resultados em linha com a literatura recente.

Incorporando IA na previsão do PIB

O PIB é uma variável econômica complexa e de difícil previsão. Neste artigo, mostramos que unir métodos simples e métodos avançados pode aumentar significativamente a previsibilidade do crescimento da economia.

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.