Tag

correlação Archives - Análise Macro

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

By | mercado financeiro

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.

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

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

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.

Google Trends e Mercado Financeiro

By | mercado financeiro

Com o consequente aumento do uso de mecanismos de buscas para se obter informações sobre qualquer objeto de interesse, foi criado uma nova forma de obter relações entre diversas variáveis através dos dados. Essa questão também pode ser aplicada ao mercado financeiro. Com a inserção de mais brasileiros no mundo das finanças, o aumento de pesquisas sobre termos relacionados a empresas podem ser úteis na investigação dos movimentos de seus preços. No post de hoje iremos realizar um exercício, no qual iremos ver a relação entre a pesquisa do termo "Ibovespa" no Google com a cotação mensal da Ibovespa.

Primeiro, devemos obter nossos dados. Um forma simples de extrair o número de pesquisa de um termo se dá através do Google Trends, e em que podemos utilizar o pacote {gtrendsR}. Para extrair os dados da Ibovespa, utilizamos o pacote {quantmod}.

library(gtrendsR)
library(tidyverse)
library(timetk)
library(quantmod)
library(astsa)
</pre>
# Busca o termo "Ibovespa"

data_gtrends = gtrends(keyword = c("Ibovespa"),
geo = "BR", time='all', onlyInterest=TRUE)

# Tratamos os dados, seleciona o período e transforma em time series

ibov_gtrends <- purrr::map_df(data_gtrends, ~ .x) %>%
dplyr::select(date,hits) %>%
filter(date > "2018-01-01") %>%
tk_ts(start = 2018, frequency = 12)
<pre>
</pre>
# Busca a cotação da Ibovespa

getSymbols("^BVsp",
warnings = FALSE,
from = "2018-01-01",
src = "yahoo")

# Transforma os dados em mensais

ibovespa_monthly <- BVSP %>%
to.period(period = "months",
OHLC = TRUE)

# Transforma em objeto time series, retirando a cotação ajustada

ibovespa_ts <- ts(Ad(ibovespa_monthly), start = c(2018, 01), freq = 12)
<pre>
</pre>
# Junta os dois objetos time series

ibov_all <- ts.intersect(ibov_gtrends, ibovespa_ts)

# Junta em um objeto data frame

ibov_df <- data.frame(date = as.Date(time(ibov_all)),
ibov_gtrends = ibov_all[,1],
ibovespa = ibov_all[,2]/1000)
<pre>

Vemos o comportamento das séries ao longo do tempo.

</pre>
# Plota os gráficos em conjunto

ggplot(ibov_df, aes(x = date))+
geom_line(aes(y = ibovespa, colour= 'Ibovespa'), size = .8)+
geom_line(aes(y = ibov_gtrends, colour = 'Ibovespa Gtrends'), size = .8)+
scale_y_continuous(sec.axis = sec_axis(~., name= 'Ibov Gtrends Hits'))+
scale_colour_manual('',
values=c('darkblue', 'red'))+
theme(legend.position = c(.2, .3))+
xlab('')+ylab('Ibovespa (mil pontos)')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
labs(title='Ibovespa vs. Buscas por Ibovespa no Google',
caption='Fonte: analisemacro.com.br')
<pre>

 


Podemos ver a correlação entre as séries e em relação a sua defasagens. Há um correlação positiva entre ambas, porém, não podemos inferir um evento causal, sendo necessário maiores investigações.

lag2.plot(ibov_all[,"ibov_gtrends"], ibov_all[,"ibovespa_ts"], max.lag = 3)

________________________

(*) Para conhecer mais sobre as relações entre variáveis do mundo das finanças, veja nossos Cursos de Finanças Quantitativas.

________________________

 

 

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

Assinar Gratuitamente