Fazendo Backtesting no Python

Imagine-se na seguinte situação: você cria uma estratégia de investimentos, baseadas em diversos fatores de risco de um conjunto de ações, bem como uma análise acurada de diversas outras classes de ativos. Porém, ainda falta uma forma de conseguir evidenciar se a estratégia pode de fato dar certo. Para isso, é possível realizar um Backtest através do Python.

Existem diversas métricas e indicadores possíveis de se utilizar para obter o conhecimento de o quanto uma estratégia de investimentos se comportou no passado. Dentre elas, as mais importantes seguem como:

  • Retorno Acumulado
  • Comparação com um benchmark
  • Drawdown - isto é - os períodos de queda do valor da ação
  • Distribuição do Retorno
  • Índice de Sharpe, entre outros índices
  • Volatilidade dos retornos
  • Beta

Existem diversos outros tipos de métricas, que seriam muito bem utilizadas para o propósito, sendo cada uma melhor atendendo os gostos de cada investidor a depender da estratégia.

Mas como podemos realizar todos estes testes utilizando o Python? É possível utilizar a biblioteca vectorbt, que oferece uma gama de funções para conseguir criar o Backtest.

Antes de continuar com o backtest, importaremos os dados para criar um estratégia da qual possamos analisar. Com a biblioteca PyPortfolioOpt, iremos criar um portfólio de fronteira eficiente de forma que consigamos criar uma estratégia e possamos avaliá-la com o vectorbt.

vectorbt

O vectorbt é um pacote do Python que permite realizar análises quantitativas, montagem de estratégias de investimentos e backtesting. O ponto do forte do pacote é justamente pela sua operação com outros pacotes para análises de dados do Python.

Abaixo, demonstraremos através do cálculo da fronteira eficiente de um portfólio de três ativos algumas funções úteis para obter métricas de backtesting utilizando o vectorbt.

Veja que após criar os pesos ótimos, utilizamos eles para realizar a alocação somente em um primeiro momento do portfólio, sem rebalanceamento. Em seguida, com o método stats, verificamos os principais indicadores e a comparação do benchmark (Ibovespa). É possível alterar diversas configurações dos indicadores utilizando o argumento settings.


Para os gráficos, vemos o plot para todos os subplots possíveis da função. Por óbvio, devido a estratégia montada, alguns não fariam sentido, apesar de serem úteis para diversas outras.

Quer saber mais?

Veja nossos cursos de Python aplicado: R e Python para Economistas, Econometria usando R e Python e Estatística usando R e Python

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.