Criando um Dashboard de Índices de Sharpe 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 Índice de Sharpe.

Definindo o Sharpe

Cálculo do Índice de Sharpe

O Índice de Sharpe pode ser desmembrado em dois tipos: ex post e ex ante, isto é, a medida que tem como base comparar investimentos no passado, e aquela que tem como objetivo comparar investimentos de forma prospectiva, respectivamente.

As implementações práticas usam resultados ex post, enquanto as discussões teóricas focam em valores ex ante. Implícita ou explicitamente, assume-se que os resultados históricos têm pelo menos alguma capacidade preditiva, apostando que o que é visto no passado, ocorrerá no futuro.

Abaixo citamos como é possível calcular ambos os tipos, entretanto, como exemplo, criaremos somente o ex post no Python.

Ex ante

Para o cálculo ex ante, temos que $R_i$ seja o retorno projetado do investimento i e $R_f$ seja o retorno projetado do benchmark ou taxa de juros livre de risco. Os tildes na equação abaixo significam que não é conhecido com certeza os valores, portanto, chamados de retornos esperados. Definimos $\tilde{d}$ como o retorno diferencial.

$\tilde{d} = \tilde{R_i} - \tilde{R_f}$

$\tilde{d}$ será o valor esperado de d e $\sigma_d$ será o valor previsto do desvio padrão, portanto, o índice de Sharpe será

$S = \frac{\tilde{d}}{\sigma_d}$

Nessa versão, o Sharpe indica o diferencial do retorno esperado por unidades de risco associado ao retorno diferencial.

Ex post

Para o ex post, considere $R_{it}$ o retorno do investimento i no tempo t, e $R_{ft}$ o retorno do benchmark ou taxa de juros livre de risco no período t e $D_t$ o diferencial de retorno no período t.

$$D_t = R_it - R_ft$

Calculamos a média de $D_t$ obtendo $\bar{D}$ , que será o valor médio de D no período t=1 até T, e também o desvio padrão de $D_t$ .

Com isso, o índice de Sharpe ex post será

$S_h = \frac{D}{\sigma_D}$

Para tornar fácil a comparação de diferentes investimentos em diferentes janelas de tempo, é aconselhável utilizar o índice de Sharpe anualizado, obtido por meio do seguinte cálculo:

$S_T = \sqrt{T} S_t$

Em que T é o período para anualizar, e que pode tomar o valor de 252 dias para dados diários e 12 meses para dados mensais.

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.

Dashboard de Índice de Sharpe

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.

_____________________

Quer saber mais?

Veja nossa trilha de cursos de Finanças Quantitativas

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Como usar Modelos de Linguagem no R com o pacote {elmer}

Introdução ao AutoGen: Agentes Inteligentes na Análise Financeira

Como usar LangGraph e LLMs para prever a inflação no Brasil

O que é GraphRAG e implementar usando LangChain

Shiny + Agentes de IA: como criar aplicativos web inteligentes

Criando um Retriever para Textos Econômicos com Adaptive RAG e LangGraph

Outros artigos relacionados

Como usar Modelos de Linguagem no R com o pacote {elmer}

Na análise de dados contemporânea, o uso de Modelos de Linguagem (LLMs) vem se consolidando como uma ferramenta poderosa para automatizar e aprimorar tarefas analíticas. Ao integrarmos LLMs a pacotes como o ellmer, podemos ampliar nossas capacidades de extração, interpretação e automação de dados no ambiente R. Neste post, exploramos o papel desses modelos e detalhamos como o ellmer opera dentro do universo da linguagem de programação R.

Introdução ao AutoGen: Agentes Inteligentes na Análise Financeira

O AutoGen é um framework da Microsoft que permite criar agentes de IA colaborativos. Na área financeira, pode automatizar a coleta de dados, cálculos de indicadores e geração de relatórios. Este artigo apresenta os conceitos básicos e um exemplo aplicado a ações de empresas.

Como usar LangGraph e LLMs para prever a inflação no Brasil

Este post apresenta um estudo de caso sobre como utilizar o LangGraph e modelos de linguagem para estruturar um sistema multiagente voltado à previsão do IPCA. O exercício cria um sistema que utiliza-se de personas analíticas que trabalham em paralelo, permitindo validar previsões, calcular métricas de erro e consolidar relatórios automatizados. A abordagem demonstra como fluxos multiagentes podem apoiar a análise econômica, oferecendo múltiplas perspectivas e maior consistência nos resultados.

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!