Modelo Multifatores Macroeconômicos

No post de hoje iremos vasculhar os fatores que representam mudanças inesperadas em variáveis macroeconômicas em retornos de ações. A ideia será denotar a mudança inesperada como o resíduo de variáveis macroeconômicas após a remoção de sua dependência dinâmica por meio do uso de um VAR e utilizar uma regressão linear para modelar a relação com o mercado acionário.

Variáveis macroeconômicas contém informações relevantes para a formação do preço de uma ação, entretanto, os preços de ações são comumente sensíveis a novas noticias econômicas, principalmente aquelas não esperadas.

Uma forma interessante de obter essa "informação não esperada" pode ser usando os erros de um VAR para um conjunto de variáveis macroeconômicas estabelecidas. No exercício de hoje, escolhemos: Câmbio real, Embi BR, PIB Mensal, Selic e IPCA para obter as informações não conhecidas, usando o resíduo do modelo. Com a obtenção do resíduo de cada variável, as regredimos e obtemos a relação dessas surpresas em relação aos log retornos de quatro ativos do mercado acionário brasileiro: WEGE3, CMIG4, ITSA4 e BRFS3.

Para entender como foi criado o gráfico e o modelo abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

No gráfico abaixo, vemos os resultados dos coeficientes estimados de cada fator de supressa macroeconômica para cada surpresa.

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Referências

Chen, N. F., Roll, R., & Ross, S. A. (1986). Economic forces and the stock market. Journal of business, 383-403.

Tsay, Ruey S. Analysis of Financial Time Series 3rd Edition (2010)

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.