Fatores Macroeconômicos: qual a relação com as ações da PETR4 e VALE3

É comum pensarmos no efeito da divulgação de pesquisas e indicadores macroeconômicos sobre as ações de empresas. De fato, efeitos conjunturais da economia podem afetar o fluxo de caixa de uma companhia, consequentemente afetando os retornos de suas ações. Na literatura das finanças, tem-se muito estudado os efeitos das características das firmas e fatores que afetam suas operações, com isso, o intuito do post de hoje é buscar o relacionamento de fatores macroeconômicos com as ações da PETR4 e VALE3.

Existem diversos fatores que justificam a o prêmio pelo risco de uma ação. Essa área de estudo se compreende no factor investing, que compreende as diversas características da variação do retorno de um ativo. Essas características são representados por fatores de risco, isto é, dados contábeis e financeiros de uma empresas, ancoragem do investidor e também variações macroeconômicas.

Como forma de apresentar essa discussão de forma bem introdutória, visto os vasto campo de estudos que podemos nos adentra nesta área, calculamos a matriz de correlação entre PETR4, VALE3, volume marginal da indústria extrativa medido pela pesquisa mensal de indústria e também com o IBC. Os dados são mensais compreendendo o período de 2012 a fevereiro de 2022.

O primeiro passo será buscar os preços das ações de ambas as empresas e calcular o retorno em período mensal.

<br />

Para os fatores macroeconômicos, buscamos a PIM através do Sidra, e o IBC-br através do SGS.

<br />

Por fim, juntamos os dados e realizamos o calculo da matriz de correlação com o pacote {correlation}

<br />

Os resultados não foram significativos. Portanto, em período mensal, não podemos dizer que há um relacionamento com as variáveis macroeconômicas. É possível que o efeito dos indicadores macroeconômicos afete o retorno da ação apenas nos dias ao redor da divulgação, se diluindo no período mensal. Para tanto, um estudo de eventos poderia se encaixar melhor na busca deste relacionamento.

__________________________________________________

Quer saber mais?

Veja nossos cursos da trilha de Finanças Quantitativas.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Coletando dados do Google Trends no R e no Python

Contribuição para a Volatilidade [Python]

Inflação de Serviços vs. Desemprego

Modelo de previsão para grupos do IPCA

Text mining dos comunicados do FOMC: prevendo mudanças na política

Analisando a inflação por faixa de renda no Python

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.