Construindo um Dashboard do Modelo FAMA-French 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 modelo de 3 fatores de Fama-French.

O que é o modelo de 3 fatores de Fama-French?

O modelo de três fatores de Fama-French é um modelo de precificação de ativos que foi proposto por Eugene Fama e Kenneth French na década de 1990. Esse modelo ampliou o modelo de precificação de ativos de capital (CAPM), acrescentando dois fatores adicionais para explicar os retornos de ações.

O modelo de três fatores de Fama-French argumenta que os retornos de uma ação são influenciados por três fatores principais:

  1. Retorno do mercado de ações (fator de mercado): Esse fator captura a variação dos retornos do mercado como um todo. Ele reflete a ideia de que as ações tendem a se mover em conjunto com o mercado como um todo. É representado pela diferença entre o retorno do mercado e uma taxa livre de risco, como os títulos do governo.
  2. Prêmio de tamanho (SMB: fator de tamanho): Esse fator captura a diferença de retorno entre ações de empresas com diferentes tamanhos de capitalização de mercado. Ele sugere que ações de empresas menores têm maior potencial de retorno do que ações de empresas maiores.
  3. Prêmio de valor (HML: fator de valor): Esse fator captura a diferença de retorno entre ações de empresas com valores de mercado baixos em relação aos seus fundamentos (como o valor contábil) em comparação com ações de empresas com valores de mercado altos em relação aos seus fundamentos. Ele sugere que ações consideradas "baratas" em termos de múltiplos de avaliação têm maior potencial de retorno do que ações consideradas "caras".

Estimando o modelo de 3 fatores de Fama-French

Como uma extensão do CAPM, o modelo de Fama French relaciona o excesso de retorno (diferença do retorno do ativo com o retorno livre de risco) em relação ao prêmio pelo risco do mercado, além também de dois outro fatores: HML (High minus Low), sendo a diferença entre os retornos das firmas que tenham um alto book-to-market e baixo book-to-market; e SMB (Small minus Big Factor), sendo a diferença entre empresas grandes e pequenas.

    \[r_{i} = \alpha_i +  \beta^M_{i,t} +  \beta^{SMB}_{i,t} + \beta^{HML}_{i,t} + \epsilon_{i,t}\]

A sensitividade de cada fator é medido pelos $\beta$ da equação, sendo possível mensurar os riscos que uma carteira de ativos sofrem, bem como traçar estratégias com as informações da influência de cada fator de risco.

Dashboard do Modelo 3 fatores de Fama-French no Python

Para facilitar todo o trabalho de estimar o modelo de 3 fatores de Fama-French, é possível criar um Dashboard, que automatiza todo o processo de coleta, tratamento, e a visualização de dados. No Dashboard abaixo, o processo de coleta de dados financeiros foi feito por meio da biblioteca yfinance e de dados do NEFIN. O Dashboard é construído no ambiente da biblioteca Shiny e os gráficos construídos por meio do Plotly.

_____________________

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

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

Transformers para Análise de Séries Temporais

Neste tutorial, mostramos passo a passo como aplicar dados de séries temporais em modelos baseados na arquitetura Transformer, utilizando a biblioteca Darts no Python. Você aprenderá como transformar dados temporais em um formato compatível, ajustar o modelo e gerar previsões. Uma introdução prática e didática à união entre Deep Learning e análise de séries temporais.

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.