Modelos Multifatores usando VAR [R e Python]

Vamos investigar os fatores que representam mudanças inesperadas de 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. Fazemos o uso das variáveis Câmbio real, Embi BR, PIB Mensal, Selic e IPCA. Para verificar a relação, usamos o R e o Python como ferramentas de construção do exercício.

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.

Neste exercício, 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, verificamos os resultados dos coeficientes estimados de cada fator de supressa macroeconômica para cada surpresa.

_____________________

Quer saber mais?

Veja nossa trilha de cursos de Finanças Quantitativas

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

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Frameworks para criar AI Agents

Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.

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.