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

Modelo de Previsão da Dívida Bruta do Governo Geral (DBGG) para 2025

Modelo de Previsão do Resultado Primário para 2025

Estimando o Hiato do Produto do Brasil usando a linguagem R

Investigando o problema de fim de amostra na estimativa do Hiato do Produto usando a linguagem R

DeepSeek: como usar a IA chinesa no Python

Como incorporar mudanças climáticas na previsão da inflação?

Outros artigos relacionados

Modelo de Previsão da Dívida Bruta do Governo Geral (DBGG) para 2025

Neste exercício, contruímos um algoritmo simples de cenarização para a Dívida Bruta do Governo Geral (DBGG) em % do PIB, usando apenas dados públicos, simulações estatísticas, a literatura recente e a linguagem R. Em uma abordagem semi-automatizada, as simulações do modelo se aproximam das previsões do mercado para o ano de 2025.

Modelo de Previsão do Resultado Primário para 2025

Neste exercício, contruímos um modelo simples de previsão para o Resultado Primário do Setor Público Consolidado (acumulado em 12 meses, % PIB), usando apenas dados públicos, modelos econométricos, a literatura recente e a linguagem R. Em uma abordagem automatizada, as previsões do modelo se aproximam das previsões do mercado para o ano de 2025.

Estimando o Hiato do Produto do Brasil usando a linguagem R

Este exercício estima o Hiato do Produto do Brasil utilizando quatro métodos univariados distintos. Para lidar com o problema de fim de amostra causado por filtros univariados, incorporamos previsões do PIB provenientes de agentes econômicos e projeções simples, estendendo a série temporal além da amostra original. Todo o processo de coleta, tratamento, estimação e visualização dos hiatos foi realizado na linguagem de programação R.

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!