No post de hoje, iremos mostrar como é possível calcular a correlação móvel entre ativos financeiros. O objetivo do calculo é acompanhar a relação entre os ativos ao longo do tempo, de forma que, para quem possua uma carteira de ativos saiba quais deles eventualmente se tornem negativamente correlacionado, e portanto, tenham uma carteira diversificada e com baixo risco.
Para quem não sabe, a correlação mede a associação linear entre duas variáveis, ou seja, se há uma correlação positiva entre dois ativos, então ambos, eventualmente se direcionam para a mesma direção, e vice-versa. Importante lembrar que isto não significa qualquer ideia de causalidade.
Para uma carteira de investimentos, estamos obviamente interessados em ativos que se correlacionam negativamente, afim de diminuir o risco da carteira.
Carregamos os pacotes essenciais.
1 2 3 4 5 | library(Quandl)library(quantmod)library(tidyverse)library(timetk)library(tidyquant) |
Para nosso código, primeiro, devemos buscar os preços dos nossos ativos. Neste post, buscamos 3 ações, o dólar e também a ibovespa.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 | # Define os tickers das ações coletadastickers = c('PETR4.SA', 'ABEV3.SA', 'BBDC4.SA')# Define o período da coletastart = '2016-01-01'# Coleta os preços das açõesprices = getSymbols(tickers, src='yahoo', from= start, warning=FALSE) %>% map(~Ad(get(.))) %>% reduce(merge) %>% `colnames<-` (tickers)# Transforma os preços diários em mensais, e os transforma em tibbleprices_monthly <- prices %>% to.monthly(indexAt = "lastof", OHLC = FALSE) %>% tk_tbl(preserve_index = TRUE, rename_index = "date")# Coleta os dados do IBOVESPAibov <- getSymbols("^BVSP", src = "yahoo", from = start, warning = FALSE, auto.assign = FALSE) %>% Ad()# Transforma o IBOV diário em mensal, e o transforma em tibbleibov_monthly <- ibov %>% to.monthly(indexAt = "lastof", OHLC = FALSE) %>% tk_tbl(preserve_index = TRUE, rename_index = "date")# Coleta o preço do Dólar e o transforma em tibblecambio = Quandl('BCB/3697', order='asc', start_date = start) %>% as.tibble() # Junta todos os preços em um tibbleall_prices <- ibov_monthly %>% inner_join(cambio, by = c("date" = "Date")) %>% inner_join(prices_monthly) %>% rename(cambio = "Value", ibov = "BVSP.Adjusted") |
Após realizar toda a coleta e tratamento dos dados, iremos calcular os retornos desses ativos.
1 2 3 4 5 6 7 8 9 | # Calcula o retorno contínuoreturns_long <- all_prices %>% pivot_longer(names_to = "asset", values_to = "prices", -date) %>% group_by(asset) %>% tq_transmute(mutate_fun = periodReturn, type = "log") |
Por fim, criamos a nossa função de correlação móvel, utilizando a função slidify do pacote {timetk}. Em seguida, calculamos a correlação dos ativos em relação ao Ibovespa e visualizamos no gráfico o resultado.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 | # Cria uma função de correlação móvelrolling_cor <- slidify(~cor(.x, .y, use = "complete.obs"), .period = 6, .align = "right")# Transforma em formato widereturns_wide <- returns_long %>% pivot_wider(names_from = "asset", values_from = "monthly.returns") # Calcula a correlação móvel de cada ativo em relação ao Ibovespacorr_ibov <- returns_wide %>% transmute(date = date, Dólar = rolling_cor(ibov, cambio), PETR4 = rolling_cor(ibov, PETR4.SA), ABEV3 = rolling_cor(ibov, ABEV3.SA), BBDC4 = rolling_cor(ibov, BBDC4.SA))# Plotacorr_ibov %>% drop_na() %>% pivot_longer(-date) %>% ggplot(aes(x = date, y = value, color = name))+ geom_line(size = 1)+ theme_minimal()+ labs(x = "", y = "Correlação", title = " Correlação móvel com o IBOVESPA Mensal", cation = "Dados: Yahoo Finance e Banco Central do Brasil | Elaboração: analisemacro.com.br", color = "Ativo") |
________________________
(*) Quer saber mais sobre Mercado Financeiro? Confira nossos curso de Finanças Quantitativas.
________________________
