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

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.