Dashboard de Análise de Assimetria e Curtose 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 da Assimetria e Curtose.

Assimetria e Curtose como medida de Volatilidade

Definindo Assimetria

A assimetria pode ser definida como o *grau* em que os retornos desviam em torno da média. Dado que a distribuição normal é *simétrica* em torno da média, a *assimetria* pode ser entendida como uma medida de como os retornos não são normalmente distribuídos. Abaixo a equação da assimetria:

$\begin{align*} Skew = \frac{\sum_{t=1}^{n} (x_i - \bar{x})^3/n}{ \left (\sum_{t=1}^{n}(x_i - \bar{x})^2/n \right )^{3/2}} \end{align*}$

Definindo Curtose

Curtose é uma medida do grau em que os retornos da carteira aparecem nas caudas da distribuição. Uma distribuição normal tem curtose igual a 3, o que deriva do fato de que a distribuição normal tem parte de sua massa nas caudas. Uma distribuição com curtose maior do que 3 tem mais retorno nas caudas do que a distribuição normal, já uma distribuição com curtose menor do que 3 tem menos retornos nas caudas do que a distribuição normal. Isso importa para os investidores porque mais retornos ruins nas caudas significa que o portfólio pode estar em risco de um raro, mas enorme evento negativo.

Curtose é em geral descrita como excesso negativo ou excesso positivo, em comparação a uma curtose igual a 3. Por exemplo, uma distribuição com curtose de excesso negativo igual a $-1$ tem uma curtose com valor absoluto igual a 2. Portanto, Curtose negativa significa menos retornos nas caudas, o que implica em menos risco.

Abaixo, uma equação para excesso de curtose:

$\begin{align*} Kurtosis = \frac{\sum_{t=1}^{n} (x_i - \bar{x})^4/n}{\left (\sum_{t=1}^{n} (x_i - \bar{x})^{2}/n \right )^2} - 3 \end{align*}$

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 Assimetria e Curtose

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

Regimes da Política Monetária Brasileira com Markov Switching no Python

Como criar janelas móveis de séries temporais usando o Python

Como incorporar choques em cenários de previsão?

Como preparar os dados para um modelo preditivo?

Transfer Learning para Previsão de Séries Temporais com o Python

Como usar o Python para tratar e manipular dados financeiros

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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!