Análise de ativos usando Python e análise de dados

Olá, sou Helvio Siqueira, estudante de Ciencia de Dados. Nos ultimos meses me interessei em investimentos pela bolsa, e para metodo de treino comprei algumas ações e fundos imobiliarios usando análise fundamentalista(ou tentando), e decidi agora usar o Python para uma análise de retornos. Fiz a compra desses ativos em momentos que achei propicio para obter algum lucro, mas como todo bom analista sabe, o mercado é extremamente volatil podendo não corresponder às nossa expectativas :)

Faço aqui uma análise de ativos usando Python e algumas bibliotecas para análise de dados (Pandas, numpy, matplotlib, seaborn), deixo claro que a análise desses ativos não compõe nenhuma especie de recomendação. Desde já digo que aceito criticas e sugestões à respeito do código ;)

Nesse inicio de codigo importo todas as bibliotecas que serão necessarias para fazer a análise(Pandas, Numpy) e plotar graficos(Matplotlib, Seaborn), a biblioteca pandas_datareader é responsavel por extrair os dados da API do Yahoo Finance(ainda ativa em 17/03/2021), API gratuita para a extração de dados do mercado financeiro.

import pandas as pd
import pandas_datareader as web
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

sns.set(style= 'whitegrid')

Os ativos que vou fazer a análise seram: ITUB3(Itaú), TAEE3(Taesa), MXRF11(Fundo Maxi Renda), RECT11(Fundo UBS (BR) OFFICE), onde obtenho o fechamento do dia ajustado(com rendimentos, e JCP) desde 2015

ativos = ['ITUB3.SA', 'TAEE3.SA', 'MXRF11.SA', 'RECT11.SA']

dados = pd.DataFrame()

for a in ativos:
    dados[a] = web.DataReader(a, 'yahoo', '2015')['Adj Close']

dados.reset_index(inplace= True)

dados

	Date	ITUB3.SA	TAEE3.SA	MXRF11.SA	RECT11.SA
0	2015-01-02	12.297894	6.219817	7.886515	NaN
1	2015-01-05	12.159048	6.219817	7.782810	NaN
2	2015-01-06	12.278060	6.219817	7.753180	NaN
3	2015-01-07	12.555760	6.219817	7.754168	NaN
4	2015-01-08	12.734275	6.219817	7.756143	NaN
...	...	...	...	...	...
1539	2021-03-22	25.158648	11.840000	10.310000	85.790001
1540	2021-03-23	24.729525	11.880000	10.310000	85.959999
1541	2021-03-24	24.450094	11.790000	10.420000	86.040001
1542	2021-03-25	24.809361	11.950000	10.470000	86.739998
1543	2021-03-26	24.830000	11.960000	10.500000	86.680000

1544 rows × 5 columns

Aqui colho uma amostra de 10% dos dados sem reposição e reorganizo-os pela data para criar um grafico de linha mais resumido e bonito de se olhar.

resumo_itub= dados[['ITUB3.SA', 'Date']].sample(frac= 0.1, replace= False).sort_values(by= 'Date')
resumo_taesa= dados[['TAEE3.SA', 'Date']].sample(frac= 0.1, replace= False).sort_values(by= 'Date')
resumo_mxrf= dados[['MXRF11.SA', 'Date']].sample(frac= 0.1, replace= False).sort_values(by= 'Date')
resumo_rect= dados[['RECT11.SA', 'Date']].sample(frac= 0.1, replace= False).sort_values(by= 'Date')

resumo_itub.set_index('Date', inplace= True)
resumo_taesa.set_index('Date', inplace= True)
resumo_mxrf.set_index('Date', inplace= True)
resumo_rect.set_index('Date', inplace= True)

fig= plt.figure(figsize= (20, 5))

ax= fig.add_subplot(1, 1, 1)

resumo_itub.plot(ax= ax)

ax.set_ylabel('Preço(R$)', fontdict = {'fontsize':15})

resumo_taesa.plot(ax= ax)

ax.tick_params(axis= 'x', labelrotation= 0)

fig= plt.figure(figsize= (20, 5))

ax= fig.add_subplot(1, 2, 1)

ax.set_ylabel('Preço(R$)', fontdict = {'fontsize':15})

resumo_mxrf.plot(ax= ax)

ax= fig.add_subplot(1, 2, 2)

resumo_rect.plot(ax= ax, color= 'red', alpha= 0.6)

<AxesSubplot:xlabel='Date'>

Retorno dos ativos

Começo a análise calculando o retorno dos ativos, que é exatamente o retorno diarios que os ativos dão, para anualizar esse valor basta tirar a media(.mean()) e multiplicar por 246(que é a quantidade de pregões medio em um ano). O retorno dos ativos foi obtido usando retorno logaritmico, mas a função .pct_change() que todo objeto DataFrame do pandas tem tambem poderia ser usada.

retorno = np.log(dados[['ITUB3.SA', 'TAEE3.SA', 'MXRF11.SA', 'RECT11.SA']] / dados[['ITUB3.SA', 'TAEE3.SA', 'MXRF11.SA', 'RECT11.SA']].shift(1))

ret_anual = retorno.mean() * 246

ret_anual

ITUB3.SA     0.112019
TAEE3.SA     0.104239
MXRF11.SA    0.045632
RECT11.SA   -0.074453
dtype: float64

plt.figure(figsize= (10, 5))

sns.barplot(x= ret_anual.index, y= ret_anual.values)

<AxesSubplot:>

Risco dos ativos

O risco dos ativos é a quantificação da chance de que um ativo tem de apresentar risco, nessa análise eu utilizo o calculo de desvio padrão(.std()), e anualizo esse valor multiplicando por 246 elevado a 0.5(é preciso tirar a raiz da quantidade de pregões medio já que o calculo de desvio padrão também contém uma raiz).

desvio = retorno.std()

desv_anual = retorno.std() * (246 ** 0.5)

desv_anual

ITUB3.SA     0.298538
TAEE3.SA     0.312209
MXRF11.SA    0.153066
RECT11.SA    0.201556
dtype: float64

retorno

	ITUB3.SA	TAEE3.SA	MXRF11.SA	RECT11.SA
0	NaN	NaN	NaN	NaN
1	-0.011354	0.000000	-0.013237	NaN
2	0.009740	0.000000	-0.003814	NaN
3	0.022366	0.000000	0.000127	NaN
4	0.014118	0.000000	0.000255	NaN
...	...	...	...	...
1539	0.004771	0.009334	-0.001938	-0.001980
1540	-0.017204	0.003373	0.000000	0.001980
1541	-0.011364	-0.007605	0.010613	0.000930
1542	0.014587	0.013480	0.004787	0.008103
1543	0.000832	0.000836	0.002861	-0.000692

1544 rows × 4 columns

Plotando em um grafico

plt.subplots(1, 2, figsize= (15, 5))

plt.subplot(1, 2, 1)
sns.barplot(x= ret_anual.index, y= ret_anual.values)

plt.subplot(1, 2, 2)
sns.barplot(x= desv_anual.index, y= desv_anual.values)

<AxesSubplot:>

Correlação e covariancia dos ativos

Correlação e covariancia são medidas para quantificar o comportamento de um ativo em relação a outro, podendo ter uma relação positiva(se um ativo sobre, o outro ativo também sobe), negativa(se um ativo sobre, o outro ativo desce) ou neutra(sem nenhuma relação entre o dois ativos). Todo objeto DataFrame do pandas tem um metodo .corr() e .cov() responsavel por calcular a correlação e a covariancia respectivamente.

correlacao = retorno.corr()

covarian = retorno.cov()

covarian

	ITUB3.SA	TAEE3.SA	MXRF11.SA	RECT11.SA
ITUB3.SA	0.000362	0.000037	0.000041	0.000081
TAEE3.SA	0.000037	0.000396	0.000014	0.000049
MXRF11.SA	0.000041	0.000014	0.000095	0.000068
RECT11.SA	0.000081	0.000049	0.000068	0.000165

correlacao

	ITUB3.SA	TAEE3.SA	MXRF11.SA	RECT11.SA
ITUB3.SA	1.000000	0.098071	0.218484	0.283149
TAEE3.SA	0.098071	1.000000	0.069794	0.243353
MXRF11.SA	0.218484	0.069794	1.000000	0.420135
RECT11.SA	0.283149	0.243353	0.420135	1.000000

O grafico heatmap é um grafico para a visualização de uma tabela de correlação, onde o espaço com a cor mais clara representa uma maior correlação entre os ativos e com a cor mais escura uma correlação negativa.

plt.figure(figsize= (9, 8))

sns.heatmap(correlacao, vmax= 1, vmin= -1, annot= True, linewidths= 1)

<AxesSubplot:>

ret_anual

ITUB3.SA     0.112019
TAEE3.SA     0.104239
MXRF11.SA    0.045632
RECT11.SA   -0.074453
dtype: float64

desv_anual

ITUB3.SA     0.298538
TAEE3.SA     0.312209
MXRF11.SA    0.153066
RECT11.SA    0.201556
dtype: float64

Sharpe Ratio

Sharpe Ratio é uma variavel criada para auxiliar na comparação de dois ativos, um ativo com uma taxa de retorno alta e taxa de risco baixa resulta em um Sharpe ratio alto.

sharpe_ratio = ((ret_anual - 0.027) / desv_anual)

sharpe_ratio.sort_values(ascending= False, inplace= True)

sharpe_ratio

ITUB3.SA     0.284785
TAEE3.SA     0.247397
MXRF11.SA    0.121726
RECT11.SA   -0.503347
dtype: float64

sns.barplot(x= sharpe_ratio.values, y= sharpe_ratio.index)

<AxesSubplot:>

Beta dos ativos

Variavel para quantificar o risco do ativo com relação ao mercado(IBOVESPA), quanto maior o Beta maior é a variancia do ativo em relação ao mercado, ou seja o ativo tem maior exposição ao mercado.

mercado_bova = web.DataReader('BOVA11.SA', 'yahoo', start= '2015')['Adj Close']

mercado_bova= pd.DataFrame(mercado_bova)

mercado_bova.rename(columns={'Adj Close': 'BOVA'}, inplace= True)

mercado_bova.reset_index(inplace= True)

dados_mercado = pd.merge(dados, mercado_bova)

dados_mercado

	Date	ITUB3.SA	TAEE3.SA	MXRF11.SA	RECT11.SA	BOVA
0	2015-01-02	12.297894	6.219817	7.886515	NaN	47.259998
1	2015-01-05	12.159048	6.219817	7.782810	NaN	46.320000
2	2015-01-06	12.278060	6.219817	7.753180	NaN	46.580002
3	2015-01-07	12.555760	6.219817	7.754168	NaN	48.150002
4	2015-01-08	12.734275	6.219817	7.756143	NaN	48.509998
...	...	...	...	...	...	...
1537	2021-03-18	25.018932	11.570000	10.290000	86.040001	110.498611
1538	2021-03-19	25.038893	11.730000	10.330000	85.959999	111.830147
1539	2021-03-22	25.158648	11.840000	10.310000	85.790001	110.636162
1540	2021-03-23	24.729525	11.880000	10.310000	85.959999	108.985153
1541	2021-03-26	24.830000	11.960000	10.500000	86.680000	109.339996

1542 rows × 6 columns

dados_mercado_retorno= np.log(dados_mercado[['ITUB3.SA', 'TAEE3.SA', 'MXRF11.SA', 'RECT11.SA', 'BOVA']] / dados_mercado[['ITUB3.SA', 'TAEE3.SA', 'MXRF11.SA', 'RECT11.SA', 'BOVA']].shift(1))

cov_com_mercado= dados_mercado_retorno.cov() * 246

mercado_var= dados_mercado_retorno['BOVA'].var() * 246

cov_com_mercado

	ITUB3.SA	TAEE3.SA	MXRF11.SA	RECT11.SA	BOVA
ITUB3.SA	0.089189	0.009112	0.010016	0.019942	0.062749
TAEE3.SA	0.009112	0.097570	0.003361	0.012070	0.015920
MXRF11.SA	0.010016	0.003361	0.023490	0.016843	0.012074
RECT11.SA	0.019942	0.012070	0.016843	0.040800	0.021823
BOVA	0.062749	0.015920	0.012074	0.021823	0.074583

beta_ativos= cov_com_mercado.iloc[4][:4] / mercado_var

beta_ativos

ITUB3.SA     0.841330
TAEE3.SA     0.213457
MXRF11.SA    0.161887
RECT11.SA    0.292599
Name: BOVA, dtype: float64

sns.barplot(x= beta_ativos.index, y= beta_ativos.values)

<AxesSubplot:>

Retorno da carteira

O retorno da carteira é o retorno da carteira de ativos, ele depende muito do peso de cada ativo na carteira. Podendo variar dependendo do retorno de cada ativo naquele momento e da quantidade de cada ativo.

dados.set_index('Date', inplace= True)

preco_ativos= dados.iloc[-1]

preco_ativos

ITUB3.SA     24.83
TAEE3.SA     11.96
MXRF11.SA    10.50
RECT11.SA    86.68
Name: 2021-03-26 00:00:00, dtype: float64

total_ativos= preco_ativos[0] * 2 + preco_ativos[1] * 4 + preco_ativos[2] * 11 + preco_ativos[3] * 1

pesos = np.array([preco_ativos[0] * 2 / total_ativos, preco_ativos[1] * 4 / total_ativos, preco_ativos[2] * 11 / total_ativos, preco_ativos[3] * 1 / total_ativos])

pesos

array([0.16571009, 0.15963695, 0.3854111 , 0.28924186])

ret_anual

ITUB3.SA     0.112019
TAEE3.SA     0.104239
MXRF11.SA    0.045632
RECT11.SA   -0.074453
dtype: float64

retorno_carteira= np.dot(ret_anual, pesos)

print(f'{(retorno_carteira * 100):.2f}%')

3.13%

Risco da carteira

Semelhante ao retorno da carteira, é uma média ponderada do risco de todos os ativos.

Variância

carteira_var= (np.dot(pesos.T, np.dot(retorno.cov() * 246, pesos)))

print(f'{(carteira_var * 100):.2f}%')

2.07%

Volatividade

carteira_vol= (np.dot(pesos.T, np.dot(retorno.cov() * 246, pesos))) ** 0.5

print(f'{(carteira_vol * 100):.2f}%')

14.40%

Risco sistemático e não sistemático da carteira

O risco sistematico é a representação do risco que não é posivel ser controlado(desastres naturais, guerras e pandemias), já o risco não sistemático é a representação do risco inerente ao mercado na carteira(preço do petróleo, preço do dolar, economia interna), ele pode ser reduzido com uma boa diversificação de ativos.

r_diversificavel= carteira_var - ((pesos[0] ** 2 * ret_anual[0]) - (pesos[1] ** 2 * ret_anual[1]) - (pesos[2] ** 2 * ret_anual[2]) - (pesos[3] ** 2 * ret_anual[3]))

r_diversificavel * 100

2.085567989632801

r_n_diversificavel = carteira_var - r_diversificavel

r_n_diversificavel * 100

-0.012991168573479525