<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:media="http://search.yahoo.com/mrss/">
<channel>
<title><![CDATA[QuantBrasil - Rafael Quintanilha]]></title>
<description><![CDATA[Essays about software engineering, web development, artificial intelligence, quantitative analysis, financial markets, books and tradition.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/</link>
<image><url>https://rafaelquintanilha.com/content/images/2022/12/Logo-Design--2-.png</url><title>QuantBrasil - Rafael Quintanilha</title><link>https://rafaelquintanilha.com/quantbrasil/</link></image>
<lastBuildDate>Sat, 26 Oct 2024 14:13:03 GMT</lastBuildDate>
<atom:link href="https://rafaelquintanilha.com/quantbrasil/rss/" rel="self" type="application/rss+xml"/>
<ttl>60</ttl>
<item>
<title><![CDATA[Entenda Como Interpretar o Fator de Lucro de um Backtest]]></title>
<description><![CDATA[Aprenda como esse indicador se diferencia de outros e quais vantagens um trader pode ter ao analisá-lo.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/entenda-como-interpretar-o-fator-de-lucro-de-um-backtest/</link>
<guid isPermaLink="false">671a507c1ae5920001424b23</guid>
<category><![CDATA[Quantitative Analysis]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Thu, 24 Oct 2024 17:05:28 GMT</pubDate>

<content:encoded><![CDATA[<p>Analisar a eficiência de uma estratégia quantitativa é mais complicado do que parece. À primeira vista, poderia ser tão simples quanto olhar o retorno – afinal, não estamos interessados em maximizar os lucros de um investimento?</p>
<p>O problema dessa abordagem é que nem sempre o investimento que der o maior retorno é o melhor a ser feito. Por exemplo: quantas <em>altcoins</em> surgiram com retornos estratosféricos, simplesmente para morrer em sequência e levar muitos à ruína?</p>
<p>Quando falamos de estratégias quantitativas, queremos uma certa <em>previsibilidade</em> (na medida do possível). Portanto, não adianta somente olhar o retorno de um investimento sem entender o <em>risco</em>. Ou além, não adianta desenvolver uma estratégia automatizada se há pouquíssimos trades a serem feitos. Ou se o resultado é fruto de um <em>big win</em> em meio a vários <em>losses</em>.</p>
<p>Por isso, precisamos analisar um conjunto de métricas, indicadores que contam melhor a história desse backtest. Métricas comuns são: <strong>retorno total, taxa de acerto (win rate), drawdown,</strong> <a href="https://quantbrasil.com.br/blog/entenda-o-que-e-valor-esperado-ev-e-sua-utilidade-para-um-trader/" rel="noopener noreferrer" target="_blank"><strong>valor esperado (EV)</strong></a><strong>, número de trades</strong>, etc.</p>
<p>Hoje gostaria de apresentar outro indicador, o <strong>Fator de Lucro</strong> (<em>profit factor)</em> e realçar como ele se diferencia de outras métricas comuns e existentes no <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank">Simulador de Backtests do QuantBrasil</a> (no final desse post irei falar sobre nossa tentativa de gerar um indicador único, o <a href="https://quantbrasil.com.br/backtests/score" rel="noopener noreferrer" target="_blank">Backtest Score</a>).</p>
<h2 id="o-fator-de-lucro">O Fator de Lucro</h2>
<p>O Fator de Lucro, ou <em>Profit Factor</em>, é uma métrica bastante comum em sistemas de backtesting, e também utilizado como forma de medir a eficiência de um trader. Seu cálculo é trivial:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mtext>FL</mtext><mo>=</mo><mstyle scriptlevel="0" displaystyle="true"><mfrac><mrow><mo>∑</mo><mtext>Lucro Bruto</mtext></mrow><mrow><mo>∑</mo><mrow><mi mathvariant="normal">∣</mi><mrow><mtext>Preju</mtext><mover accent="true"><mtext>ı</mtext><mo>ˊ</mo></mover><mtext>zo Bruto</mtext></mrow><mi mathvariant="normal">∣</mi></mrow></mrow></mfrac></mstyle></mrow><annotation encoding="application/x-tex">\text{FL} = \dfrac{\sum{\text{Lucro Bruto}}}{\sum{|\text{Prejuízo Bruto}|}}</annotation></semantics></math></span></span></span>
<p>Ou seja: soma-se o resultado de todos os trades positivos e divide-se pelo módulo (o fator de lucro é sempre positivo) da soma de todos os trades negativos.</p>
<h3 id="exemplo-prático">Exemplo Prático</h3>
<p>Vamos calcular o Fator de Lucro para um determinado trade fictício, assumindo uma conta com Saldo Inicial de R$ 10.000.</p>
<table>
<thead>
<tr>
<th>Trade #</th>
<th>Resultado (R$)</th>
<th>Saldo Acumulado (R$)</th>
</tr>
</thead>
<tbody>
<tr>
<td>1</td>
<td>-500</td>
<td>9500</td>
</tr>
<tr>
<td>2</td>
<td>-500</td>
<td>9000</td>
</tr>
<tr>
<td>3</td>
<td>1500</td>
<td>10500</td>
</tr>
<tr>
<td>4</td>
<td>-500</td>
<td>10000</td>
</tr>
<tr>
<td>5</td>
<td>-500</td>
<td>9500</td>
</tr>
<tr>
<td>6</td>
<td>1500</td>
<td>11000</td>
</tr>
<tr>
<td>7</td>
<td>-500</td>
<td>10500</td>
</tr>
<tr>
<td>8</td>
<td>-500</td>
<td>10000</td>
</tr>
<tr>
<td>9</td>
<td>1500</td>
<td>11500</td>
</tr>
<tr>
<td>10</td>
<td>-500</td>
<td>11000</td>
</tr>
</tbody>
</table>
<p>Veja que:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mo>∑</mo><mtext>Lucro Bruto</mtext><mo>=</mo><mn>1500</mn><mo>+</mo><mn>1500</mn><mo>+</mo><mn>1500</mn><mo>=</mo><mn>4500</mn></mrow><annotation encoding="application/x-tex">\sum{\text{Lucro Bruto}} = 1500 + 1500 + 1500 = 4500</annotation></semantics></math></span></span></span>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mo>∑</mo><mrow><mi mathvariant="normal">∣</mi><mrow><mtext>Preju</mtext><mover accent="true"><mtext>ı</mtext><mo>ˊ</mo></mover><mtext>zo Bruto</mtext></mrow><mi mathvariant="normal">∣</mi></mrow><mo>=</mo><mi mathvariant="normal">∣</mi><mo stretchy="false">(</mo><mo>−</mo><mn>500</mn><mo>−</mo><mn>500</mn><mo>−</mo><mn>500</mn><mo>−</mo><mn>500</mn><mo>−</mo><mn>500</mn><mo>−</mo><mn>500</mn><mo>−</mo><mn>500</mn><mo stretchy="false">)</mo><mi mathvariant="normal">∣</mi><mo>=</mo><mn>3500</mn></mrow><annotation encoding="application/x-tex">\sum{|\text{Prejuízo Bruto}|} = |(-500 - 500 - 500 - 500 - 500 - 500 - 500)| = 3500</annotation></semantics></math></span></span></span>
<p>Logo:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mtext>FL</mtext><mo>=</mo><mstyle scriptlevel="0" displaystyle="true"><mfrac><mn>4500</mn><mn>3500</mn></mfrac></mstyle><mo>≈</mo><mn>1.28</mn></mrow><annotation encoding="application/x-tex">\text{FL} = \dfrac{4500}{3500} \approx 1.28</annotation></semantics></math></span></span></span>
<h2 id="interpretando-o-fator-de-lucro">Interpretando o Fator de Lucro</h2>
<p>Certo, calcular o Fator de Lucro é bem simples: somamos todos os <em>gains</em> e dividimos por todos os <em>losses.</em> Mas exatamente que informações podemos tirar desse número?</p>
<p>A primeira interpretação mais óbvia é que <strong>fator de lucro &#x3C; 1 significa prejuízo</strong>. Isso vem naturalmente pois a soma dos prejuízos nesse caso é <em>maior</em> que a soma dos lucros.</p>
<p>Uma interpretação mais interessante é que <strong>o fator de lucro mede quanto de dinheiro você faz pra cada real perdido</strong>. Ou seja, no exemplo acima, a estratégia faz R$ 1,28 para cada R$ 1 de prejuízo.</p>
<p>Segue-se então que quanto maior o Fator de Lucro, melhor. Se <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>F</mi><mi>L</mi><mo>=</mo><mn>2</mn></mrow><annotation encoding="application/x-tex">FL = 2</annotation></semantics></math></span></span> , então sabemos que para cada 1 real perdido a estratégia faz 2 reais.</p>
<h2 id="vantagens-do-fator-de-lucro">Vantagens do Fator de Lucro</h2>
<p>Tudo bem, já sabemos interpretar o resultado da conta que origina o Fator de Lucro. Mas qual sua principal vantagem? Destaco duas principais, e em seguida compararei-as na prática.</p>
<h3 id="eficiência-de-uma-estratégia">Eficiência de uma estratégia</h3>
<p>O Fator de Lucro é primariamente uma métrica de <em>eficiência</em>. Ou seja, quanto maior esse número, mais <em>eficiente</em> é o trade. Uma estratégia que retorna 2 reais para cada real perdido é bastante eficiente, por exemplo.</p>
<p>Compare:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mrow><mtext>Estrat</mtext><mover accent="true"><mtext>e</mtext><mo>ˊ</mo></mover><mtext>gia 1</mtext></mrow><mo>=</mo><mo>−</mo><mn>1000</mn><mo>−</mo><mn>1000</mn><mo>−</mo><mn>1000</mn><mo>−</mo><mn>1000</mn><mo>+</mo><mn>5000</mn><mo>→</mo><mtext>FL</mtext><mo>=</mo><mn>1</mn><mo separator="true">,</mo><mn>25</mn></mrow><annotation encoding="application/x-tex">\text{Estratégia 1} = -1000 - 1000 - 1000 - 1000 + 5000 \rightarrow \text{FL} = 1,25</annotation></semantics></math></span></span></span>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mrow><mtext>Estrat</mtext><mover accent="true"><mtext>e</mtext><mo>ˊ</mo></mover><mtext>gia 2</mtext></mrow><mo>=</mo><mn>2000</mn><mo>−</mo><mn>1000</mn><mo>+</mo><mn>2000</mn><mo>−</mo><mn>1000</mn><mo>→</mo><mtext>FL</mtext><mo>=</mo><mn>2</mn><mo separator="true">,</mo><mn>00</mn></mrow><annotation encoding="application/x-tex">\text{Estratégia 2} = 2000 - 1000 + 2000 - 1000 \rightarrow \text{FL} = 2,00</annotation></semantics></math></span></span></span>
<p>Fica claro nos exemplos que a Estratégia 1 perde R$ 4,000 pra fazer R$ 5,000 enquanto a estratégia 2 "arrisca" R$1,000 pra ganhar R$2,000. Esse número tende a acompanhar o <em>fator de risco</em> de uma estratégia de risco fixo (ex: risco sempre R$ 1,000 com alvo em 2x o risco), mas é menos óbvia quando os riscos são variáveis.</p>
<h3 id="informação-sobre-o-risco">Informação sobre o risco</h3>
<p>O ponto mais relevante sobre o Fator de Risco em minha opinião é que ele <strong>embute o risco da estratégia</strong>. Considere duas estratégias cujo retorno foi +20%. Somente com essa afirmação, não temos como saber qual é a mais <em>arriscada</em>.</p>
<p>Outras métricas também não ajudam nesse quesito: win rate (taxa de acerto) e EV, são indicadores importantes, mas não versam sobre a volatilidade.</p>
<p>Para ilustrar esse exemplo melhor, considere os seguintes trades exibidos no <a href="https://quantbrasil.com.br/feed" rel="noopener noreferrer" target="_blank">Feed Quantitativo do QuantBrasil</a>:</p>
<figure class="image"><img alt="Estratégia 1 – Fator de Lucro de 1.85" loading="lazy" decoding="async" width="1642" height="1770" src="https://rafaelquintanilha.com/_astro/image.D4l6sY8L_127ofX.webp"><figcaption>Estratégia 1 – Fator de Lucro de 1.85</figcaption></figure>
<figure class="image"><img alt="Estratégia 2 – Fator de Lucro quase 3x maior" loading="lazy" decoding="async" width="1626" height="1732" src="https://rafaelquintanilha.com/_astro/image-1.CZvkza0I_ZTK8nc.webp"><figcaption>Estratégia 2 – Fator de Lucro quase 3x maior</figcaption></figure>
<p>Para facilitar, vamos colocar em uma tabela os principais indicadores:</p>
<table>
<thead>
<tr>
<th>Estratégia</th>
<th>Operações</th>
<th>Acertos</th>
<th>Retorno</th>
<th>EV</th>
<th>Drawdown</th>
<th>Fator de Lucro</th>
</tr>
</thead>
<tbody>
<tr>
<td>1</td>
<td>36</td>
<td>72%</td>
<td>24.91%</td>
<td>0.69%</td>
<td>8.18%</td>
<td>1.85</td>
</tr>
<tr>
<td>2</td>
<td>33</td>
<td>70%</td>
<td>20.45%</td>
<td>0.62%</td>
<td>2.15%</td>
<td>5.02</td>
</tr>
</tbody>
</table>
<p>Consegue visualizar a principal diferença?</p>
<p>Note que <em>Operações, Acertos, Retorno e EV</em> são muito semelhantes, inclusive ligeiramente melhores para a Estratégia 1. Mas falta algo importante aqui – o risco. E como o drawdown de 1 é quase 4x maior que o de 2, o Fator de Lucro é severamente punido.</p>
<p><a href="https://quantbrasil.com.br/blog/entenda-o-drawdown-e-calcule-essa-medida-de-volatilidade-para-qualquer-ativo/" rel="noopener noreferrer" target="_blank">Dúvidas sobre o drawdown? Leia mais.</a></p>
<p>Assim, <strong>o Fator de Lucro é uma métrica indicada para aqueles que querem analisar o risco da estratégia como um todo</strong>.</p>
<h2 id="conclusão-sobre-o-fator-de-lucro">Conclusão sobre o Fator de Lucro</h2>
<p>Ora, o Fator de Lucro tem a vantagem de incluir informação sobre o <em>risco</em> de uma estratégia, mas podemos tirar algumas outras lições importantes.</p>
<h4 id="retorno-alto-não-significa-fator-de-lucro-alto">Retorno alto não significa fator de lucro alto</h4>
<p>Uma estratégia pode ter um alto retorno e um baixo fator de lucro. Por quê? Pois não é <em>eficiente</em>, perde muito dinheiro para poder fazer algum, ainda que faça muito. Em geral, essa situação pode mascarar uma estratégia ruim mas que tem alguns poucos <em>big wins</em>, o que é sempre arriscado de operar.</p>
<h4 id="um-alto-fator-de-lucro-pode-ser-obtido-com-ganhos-moderados-mas-constantes">Um alto fator de lucro pode ser obtido com ganhos moderados mas constantes</h4>
<p>Simetricamente ao ponto anterior, uma estratégia pode não ter um alto retorno, mas constantemente dar lucros moderados. No âmbito das estratégias quantitativas esse cenário é excelente! Portanto, o Fator de Lucro é amigo daqueles que buscam retornos constantes e com baixa volatilidade.</p>
<h4 id="atenção-a-fatores-de-lucro-muito-altos">Atenção a fatores de lucro muito altos</h4>
<p>Tipicamente considera-se fatores de lucro > 2 um excelente valor, mas se o indicador for muito alto (por exemplo, > 3), é recomendado uma certa cautela. Isso ocorre pois na prática é difícil que existam estratégias <strong>tão</strong> lucrativas assim (leia: alto retorno com baixo risco). Portanto, sempre confira se aquela estratégia cujo Fator de Risco estratosférico não tem algum erro.</p>
<h2 id="apêndice-o-backtest-score">Apêndice: o Backtest Score</h2>
<p>Se existem vários indicadores, não seria ideal unificá-los em uma única métrica, objetiva, que fosse capaz de dizer <em>qual</em> estratégia é superior?</p>
<p>Foi pensando nisso que desenvolvemos o <a href="https://quantbrasil.com.br/backtests/score/" rel="noopener noreferrer" target="_blank">Backtest Score no QuantBrasil</a>. De forma simplificada, levamos em consideração as principais métricas de um backtest na confecção de um <em>score</em> que possa objetivamente comparar duas estratégias.</p>
<p>É claro que a própria elaboração do score embute preferências subjetivas, portanto o problema não está 100% resolvido. Além do mais, o score que desenvolvemos só faz sentido dentro de um mesmo <em>timeframe</em>, pois se compararmos estratégias com horizontes diferentes, suas métricas merecem ser colocadas em perspectiva também. Por exemplo, um swing trade vai ter bem menos operações que um day trade, mas dentro de cada horizonte de investimento quanto mais trades melhor.</p>
<p>Para testar o Backtest Score do QuantBrasil na prática, basta <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank"><strong>criar uma conta no QuantBrasil</strong></a>.</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Descobrindo as Tendências do Ibovespa Utilizando o Expoente de Hurst]]></title>
<description><![CDATA[O Expoente de Hurst é um indicador que nos permite identificar tendências em uma série temporal.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/descobrindo-as-tendencias-do-ibovespa-utilizando-o-expoente-de-hurst/</link>
<guid isPermaLink="false">65dc9053f70eda0001d598be</guid>
<category><![CDATA[Quantitative Analysis]]></category><category><![CDATA[Python]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Mon, 17 Jul 2023 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>Uma tarefa hercúlea, para não dizer impossível, é tentar <em>prever</em> o comportamento do mercado financeiro. Sabemos que quanto menor o timeframe de análise, mais próximo de um passeio aleatório será o comportamento do ativo.</p>
<p>No entanto, é possível medir <em>quão</em> aleatório. Uma das formas de fazer isso é através do cálculo do <strong>Expoente de Hurst</strong>.</p>
<p>O Expoente de Hurst é um número entre 0 e 1 que mede a <em>persistência</em> de um processo estocástico. Um processo estocástico é dito <strong>persistente</strong> se ele tem uma <em>tendência a se mover na mesma direção</em> do seu passado recente. Por outro lado, um processo estocástico é dito <strong>anti-persistente</strong> se ele tem uma <em>tendência a se mover na direção oposta</em> do seu passado recente. Por fim, um processo estocástico é dito <strong>aleatório</strong> se ele <em>não tem tendência</em> a se mover em nenhuma direção.</p>
<p>Mas qual a vantagem de determinar se um processo estocástico é <em>persistente</em>, <em>anti-persistente</em> ou <em>aleatório</em>? Ora, entendendo o comportamento de um ativo, é possível determinar qual a melhor estratégia de investimento.</p>
<p>Por exemplo, se identificamos uma persistência, então uma estratégia de <strong>momentum</strong> (comprar ativos que estão subindo e vender ativos que estão caindo) seria mais adequada, enquanto que em um ativo anti-persistente, estratégias de <strong>reversão à média</strong> (comprar ativos que estão caindo e vender ativos que estão subindo) se tornam mais atrativas.</p>
<p><a href="https://quantbrasil.com.br/hurst" rel="noopener noreferrer" target="_blank">➡️ <strong>Veja: Screening do Expoente de Hurst</strong></a></p>
<h2 id="calculando-o-expoente-de-hurst">Calculando o Expoente de Hurst</h2>
<p>De forma simplificada, o Expoente de Hurst é derivado da autocorrelação de uma série temporal. Para calculá-lo, precisamos computar a autocorrelação de um processo estocástico para diferentes <em>lags</em>, ou seja, a relação daquela série com ela mesma em diferentes momentos no tempo.</p>
<p>Existem duas formas principais de se calcular o Expoente de Hurst: utilizando o <a href="https://en.wikipedia.org/wiki/Rescaled_range" rel="noopener noreferrer" target="_blank">Rescaled Range</a> ou o <a href="https://en.wikipedia.org/wiki/Detrended_fluctuation_analysis" rel="noopener noreferrer" target="_blank">Detrended Fluctuation Analysis (DFA)</a>. Neste post, utilizaremos o método <strong>DFA</strong>, uma vez que ele não pressupõe que a série temporal seja estacionária.</p>
<h3 id="detrended-fluctuation-analysis-dfa">Detrended Fluctuation Analysis (DFA)</h3>
<p>A ideia por trás do DFA é a seguinte: primeiro definimos um <em>range</em> de <em>lags</em> <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>τ</mi></mrow><annotation encoding="application/x-tex">\tau</annotation></semantics></math></span></span> que queremos analisar (por exemplo, entre 2 e 200). Em seguida, calculamos a diferença entre o valor da série temporal no momento <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi></mrow><annotation encoding="application/x-tex">t</annotation></semantics></math></span></span> e o valor da série temporal no momento <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi><mo>+</mo><mi>τ</mi></mrow><annotation encoding="application/x-tex">t + \tau</annotation></semantics></math></span></span> para cada <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>τ</mi></mrow><annotation encoding="application/x-tex">\tau</annotation></semantics></math></span></span> no <em>range</em> definido anteriormente. Por fim calculamos o desvio-padrão <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>σ</mi><mi>τ</mi></msub></mrow><annotation encoding="application/x-tex">\sigma_\tau</annotation></semantics></math></span></span>​ dessas diferenças.</p>
<p>Uma vez que temos o desvio-padrão <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>σ</mi><mi>τ</mi></msub></mrow><annotation encoding="application/x-tex">\sigma_\tau</annotation></semantics></math></span></span> para cada <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>τ</mi></mrow><annotation encoding="application/x-tex">\tau</annotation></semantics></math></span></span>, podemos calcular o Expoente de Hurst <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> através da seguinte relação:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><msub><mi>σ</mi><mi>τ</mi></msub><mo>∝</mo><msup><mi>τ</mi><mi>H</mi></msup></mrow><annotation encoding="application/x-tex">\sigma_\tau \propto \tau^H</annotation></semantics></math></span></span></span>
<p>Ou seja, se plotarmos <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>log</mi><mo>⁡</mo><mo stretchy="false">(</mo><msub><mi>σ</mi><mi>τ</mi></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\log(\sigma_\tau)</annotation></semantics></math></span></span> em função de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>log</mi><mo>⁡</mo><mo stretchy="false">(</mo><mi>τ</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\log(\tau)</annotation></semantics></math></span></span>, o Expoente de Hurst <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> será o coeficiente angular da reta que melhor se ajusta aos pontos.</p>
<p>Embora a escolha dos <em>lags</em> seja de certa forma arbitrária, mais para frente vamos analisar o impacto dessa escolha no cálculo do Expoente de Hurst.</p>
<h3 id="interpretando-o-expoente-de-hurst">Interpretando o Expoente de Hurst</h3>
<p>Vimos que <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> é um número entre 0 e 1 que mede a persistência de um processo estocástico. Mas como interpretar esse número?</p>
<p>Embora a análise matemática esteja fora do escopo desse post, podemos dizer que:</p>
<ul>
<li>Se <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi><mo>=</mo><mn>0.5</mn></mrow><annotation encoding="application/x-tex">H = 0.5</annotation></semantics></math></span></span>, então a série é dita aleatória.</li>
<li>Se <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi><mo>></mo><mn>0.5</mn></mrow><annotation encoding="application/x-tex">H > 0.5</annotation></semantics></math></span></span>, então a série é dita persistente (<em>em tendência</em>).</li>
<li>Se <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi><mo>&#x3C;</mo><mn>0.5</mn></mrow><annotation encoding="application/x-tex">H &#x3C; 0.5</annotation></semantics></math></span></span>, então a série é dita anti-persistente (<em>em reversão</em>).</li>
</ul>
<p>Quanto mais próximo de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>1</mn></mrow><annotation encoding="application/x-tex">1</annotation></semantics></math></span></span> ou <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>0</mn></mrow><annotation encoding="application/x-tex">0</annotation></semantics></math></span></span>, mais forte é a tendência ou reversão, respectivamente. Do mesmo modo, quanto mais nas "redondezas" de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>0.5</mn></mrow><annotation encoding="application/x-tex">0.5</annotation></semantics></math></span></span>, mais próximo de um passeio aleatório é o comportamento do ativo.</p>
<h3 id="calculando-o-expoente-de-hurst-com-python">Calculando o Expoente de Hurst com Python</h3>
<p>Todo cálculo descrito acima pode ser sumarizado na seguinte função em Python:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> numpy </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> np</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">def</span><span style="color:#EDCC95"> hurst</span><span style="color:#ECEBE8">(price, min_lag</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">, max_lag</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">100</span><span style="color:#ECEBE8">):</span></span>
<span class="line"><span style="color:#ECEBE8">  lags </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">arange(min_lag, max_lag </span><span style="color:#A1C1E4">+</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  sigmas </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [np.</span><span style="color:#EDCC95">std(np.subtract(price[tau:], price[:</span><span style="color:#A1C1E4">-</span><span style="color:#EDCC95">tau]))</span><span style="color:#A1C1E4"> for</span><span style="color:#ECEBE8"> tau </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> lags]</span></span>
<span class="line"><span style="color:#ECEBE8">  H, c </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">polyfit(np.log10(lags), np.log10(sigmas), </span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#A1C1E4">  return</span><span style="color:#ECEBE8"> H, c, lags, sigmas</span></span></code></pre></figure>
<p>Repare que a função acima recebe como parâmetros a série de preços <code>price</code> e o intervalo para o cálculo dos <em>lags</em> representado como <code>min_lag</code> e <code>max_lag</code>.</p>
<p>A função <code>np.polyfit</code> calcula a regressão linear dos logs de <code>lags</code> e <code>sigmas</code> e retorna a tupla <code>(H, c)</code> onde <code>H</code> é o Expoente de Hurst e <code>c</code> é o coeficiente linear da reta.</p>
<p><em><strong>Atenção</strong></em>: <em>uma vez que estamos utilizando o método DFA, não precisamos nos preocupar com a estacionariedade da série temporal. Em outras palavras, podemos utilizar diretamente a série de preços. Outros métodos como o Rescaled Range pressupõe uma estacionariedade, de modo que nesses casos utiliza-se tanto uma série de retornos ou a log diferença dos preços.</em></p>
<h2 id="analisando-o-expoente-de-hurst-do-ibovespa">Analisando o Expoente de Hurst do Ibovespa</h2>
<p>Agora que já entendemos o conceito do Expoente de Hurst e temos uma função para cálculá-lo, chegou a hora de vermos sua aplicabilidade na prática.</p>
<p>Para esse estudo vamos utilizar dados do Ibovespa de 1995 até 2022. A ideia responder a pergunta: <strong>no longo prazo, existem padrões de comportamento consistentes na bolsa brasileira?</strong></p>
<p>Começaremos carregando os dados necessários:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> pandas </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> pd</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">read_csv(</span><span style="color:#97CCAE">'../data/IBOV_1995_2022.csv'</span><span style="color:#EDCC95">, index_col</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">, header</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Close</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">1995-01-02</td>
<td align="center">4301.00</td>
</tr>
<tr>
<td align="center">1995-01-03</td>
<td align="center">4098.00</td>
</tr>
<tr>
<td align="center">1995-01-04</td>
<td align="center">3967.90</td>
</tr>
<tr>
<td align="center">1995-01-05</td>
<td align="center">4036.70</td>
</tr>
<tr>
<td align="center">1995-01-06</td>
<td align="center">3827.40</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-12-23</td>
<td align="center">109697.57</td>
</tr>
<tr>
<td align="center">2022-12-26</td>
<td align="center">108737.75</td>
</tr>
<tr>
<td align="center">2022-12-27</td>
<td align="center">108578.20</td>
</tr>
<tr>
<td align="center">2022-12-28</td>
<td align="center">110236.71</td>
</tr>
<tr>
<td align="center">2022-12-29</td>
<td align="center">109734.60</td>
</tr>
</tbody>
</table>
<p>6931 rows × 1 columns</p>
<p>Certo! Já temos nosso <em>dataframe</em> carregado. Vamos então testar a função <code>hurst</code> definida anteriormente:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">series </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Close"</span><span style="color:#ECEBE8">].values</span></span>
<span class="line"><span style="color:#ECEBE8">H, c, lags, sigmas </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">200</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Hurst IBOV:</span><span style="color:#97CCAE">\t{</span><span style="color:#EDCC95">H</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>Hurst IBOV:	0.4426</p>
<p>Vamos entender o que foi feito. Em primeiro lugar transformamos o <em>dataframe</em> em uma <em>série</em> de preços, compatível com a função definida. Fazemos isso através da propriedade <code>.values</code>.</p>
<p>Depois, chamamos a função <code>hurst</code> utilizando o range de 2 a 200. Isso significa que, no cálculo do DFA, o <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>τ</mi></mrow><annotation encoding="application/x-tex">\tau</annotation></semantics></math></span></span> assumirá todos os valores dentro desse intervalo.</p>
<p>Por fim, a variável <code>H</code> é o valor do Expoente de Hurst dessa série. Como vimos acima, o valor de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>0.4426</mn></mrow><annotation encoding="application/x-tex">0.4426</annotation></semantics></math></span></span> classifica o Ibovespa, nesse período e para esses <em>lags</em>, como uma série essencialmente de <strong>reversão à média</strong>.</p>
<h3 id="verificando-a-regressão-linear">Verificando a Regressão Linear</h3>
<p>Lembre-se que <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> é o coeficiente angular da regressão linear do gráfico <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>log</mi><mo>⁡</mo><mo stretchy="false">(</mo><mi>τ</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\log(\tau)</annotation></semantics></math></span></span> vs <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>log</mi><mo>⁡</mo><mo stretchy="false">(</mo><msub><mi>σ</mi><mi>τ</mi></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\log(\sigma_\tau)</annotation></semantics></math></span></span>. Vamos verificar se, de fato, a regressão é visível:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.pyplot </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> plt</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">fig, ax </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> plt.</span><span style="color:#EDCC95">subplots(</span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">8</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">))</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(ax</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">ax[</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">], rot</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">45</span><span style="color:#EDCC95">, xlabel</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">""</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">ax[</span><span style="color:#97CCAE">0</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_title(</span><span style="color:#97CCAE">"IBOV"</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(np.log10(lags), H </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> np.log10(lags) </span><span style="color:#A1C1E4">+</span><span style="color:#EDCC95"> c, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"red"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">scatter(np.log10(lags), np.log10(sigmas))</span></span>
<span class="line"><span style="color:#ECEBE8">ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_title(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"IBOV (H = </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">H</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_xlabel(</span><span style="color:#A1C1E4">r</span><span style="color:#97CCAE">"log($\tau$)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_ylabel(</span><span style="color:#A1C1E4">r</span><span style="color:#97CCAE">"log($\sigma_\tau$)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">subplots_adjust(hspace</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.4</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">show()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1404" height="1771" src="https://rafaelquintanilha.com/_astro/data-src-image-dfcadc8f-3288-4126-85b1-4a10897fad0a.Cdp6xRwx_ZqT43o.webp"></p>
<p>No gráfico superior plotamos o valor do Ibovespa no período. Abaixo, temos o <em>scatter plot</em> das nossas séries logarítimicas, enquanto a linha vermelha é a reta que melhor se adequa a esses pontos. Visualmente vemos que, de fato, a regressão é coerente, e o coeficiente angular <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi><mo>=</mo><mn>0.4426</mn></mrow><annotation encoding="application/x-tex">H = 0.4426</annotation></semantics></math></span></span> decreta então que a série é de reversão à média.</p>
<h3 id="a-influência-do-lag">A Influência do Lag</h3>
<p>Quando calculamos <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span>, definimos de forma arbirária um <code>max_lag = 200</code>. Será que a classificação da série mudaria para diferentes valores de <code>max_lag</code>?</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Hurst (Max Lag = 20):</span><span style="color:#97CCAE">\t{</span><span style="color:#EDCC95">hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">20</span><span style="color:#EDCC95">)[</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">]</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Hurst (Max Lag = 50):</span><span style="color:#97CCAE">\t{</span><span style="color:#EDCC95">hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">50</span><span style="color:#EDCC95">)[</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">]</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Hurst (Max Lag = 100):</span><span style="color:#97CCAE">\t{</span><span style="color:#EDCC95">hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">100</span><span style="color:#EDCC95">)[</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">]</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Hurst (Max Lag = 500):</span><span style="color:#97CCAE">\t{</span><span style="color:#EDCC95">hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">500</span><span style="color:#EDCC95">)[</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">]</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>Hurst (Max Lag = 20):	0.5195<br>
Hurst (Max Lag = 50):	0.5315<br>
Hurst (Max Lag = 100):	0.4967<br>
Hurst (Max Lag = 500):	0.3668</p>
<p>Aqui chegamos ao nosso primeiro problema. De fato, parece que o cálculo do Expoente de Hurst é sensível à escolha dos lags. Vemos que para <code>max_lag = 20</code> e <code>max_lag = 50</code> a série é <em>persistente</em>, praticamente aleatória para <code>max_lag = 100</code>, e fortemente <em>anti-persistente</em> quando <code>max_lag = 500</code>. Como podemos intepretar esse fenômeno?</p>
<p>Recordemos que o Hurst é oriundo da <em>autocorrelação</em> da série. Ora, quando mudamos o <em>lag</em>, mudamos a janela onde estamos olhando essa autocorrelação. É perfeitamente possível que em uma janela menor, por exemplo quando <code>max_lag = 20</code>, observemos uma certa propriedade, mas quando olhamos uma janela maior (por exemplo <code>max_lag = 200</code>), observamos <em>outra</em> propriedade.</p>
<p>Isso é intuitivo quando pensamos nos gráficos dos ativos. Não é comum termos um determinado ativo em uma tendência de curto prazo totalmente diferente da de longo prazo? Na prática, a nossa escolha do <code>max_lag</code> nos diz <em>sob qual lente</em> queremos análisar a <em>memória</em> da série.</p>
<p>Vamos observar o comportamento do Hurst quando variamos <code>max_lag</code>:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">max_lags </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">arange(</span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">1000</span><span style="color:#A1C1E4"> +</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">all_hursts </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span><span style="color:#EDCC95">hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, max_lag)</span><span style="color:#ECEBE8">[</span><span style="color:#97CCAE">0</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> max_lag </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> max_lags]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">figure(figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">12</span><span style="color:#EDCC95">,</span><span style="color:#97CCAE">6</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(max_lags, all_hursts, marker</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'o'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">axhline(y</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.52</span><span style="color:#EDCC95">, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'pink'</span><span style="color:#EDCC95">, linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">axhline(y</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.50</span><span style="color:#EDCC95">, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'r'</span><span style="color:#EDCC95">, linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">axhline(y</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.48</span><span style="color:#EDCC95">, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'pink'</span><span style="color:#EDCC95">, linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">xlabel(</span><span style="color:#97CCAE">'Max Lags'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">ylabel(</span><span style="color:#97CCAE">'Hurst Values'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">title(</span><span style="color:#97CCAE">'Hurst Values vs Max Lags'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">show()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="2051" height="1151" src="https://rafaelquintanilha.com/_astro/data-src-image-807c1a4a-7376-49e4-9512-ff2f51ba7976.0b4snLQz_1fbS9m.webp"></p>
<p>Aqui plotamos todos os valores de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> quando <code>max_lag</code> varia entre 10 e 1000.</p>
<p>Sem surpresas, observamos que valores menores do <code>lag</code> vivem mais perto da "zona de aleatoriedade" (digamos entre 0.48 e 0.52). O máximo da tendência ocorre por volta de <code>max_lag = 50</code>, e a partir daí o Expoente de Hurst cai vertiginosamente passando por 0.5 mais ou menos em <code>max_lag = 100</code>, e buscando seu mínimo por volta de <code>max_lag = 600</code>.</p>
<h3 id="intepretando-o-comportamento-do-expoente-de-hurst">Intepretando o Comportamento do Expoente de Hurst</h3>
<p>O gráfico acima nos deixa algumas lições. Primeiro, que no curtíssimo prazo a série se aproxima de um passeio aleatório, ou seja, é inútil buscar algum comportamento persistente ou anti-persistente.</p>
<p>No entanto, vemos que por volta dos 50 períodos (digamos entre 2 e 3 meses), é sim possível identificar uma <strong>persistência</strong> no Ibovespa. Em outras palavras, existem <em>tendências de 2 a 3 meses</em> que podem ser aproveitadas.</p>
<p>Por fim, fica bastante claro que no <em>longo prazo</em> o Ibovespa apresenta um comportamento anti-persistente, ou seja, de <strong>reversão à média</strong>, especialmente se olhamos janelas acima de 200 períodos (digamos a partir de 1 ano.)</p>
<h3 id="a-influência-do-tamanho-da-série">A Influência do Tamanho da Série</h3>
<p>Vimos que a escolha do <code>lag</code> impacta drasticamente a classificação da série. Mas e o tamanho do <em>dataset</em> em si? Aqui calculamos a propriedade ao longo de 28 anos. Mas e se olhássemos em intervalos menores, por exemplo de 4 em 4 anos?</p>
<p>Pelas mesmas razões expostas acimas, também devemos esperar variações. Afinal, já vimos que mesmo que em um longo período a série seja anti-persistente, é perfeitamente possível que ela tenha janelas de persistência. Assim, se em 28 anos temos a predominância de uma característica, pode ser que em 4 anos específicos seja outra característica que impere.</p>
<p>Vamos verificar se há alguma característica que se mantenha constante quando dividimos nosso dataset. Para isso, irei dividir os 28 anos em 7 períodos de 4 anos, representando os mandatos presidenciais, normalmente associados a mudanças macroeconômicas.</p>
<p>Comecemos criando uma forma de agrupar nosso <em>dataframe</em> por ano:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df.index </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">to_datetime(df.index)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Create a year column for grouping</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">'Year'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.index.year</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Create a period column for grouping every 4 years</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">'Period'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> (df[</span><span style="color:#97CCAE">'Year'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE"> 1995</span><span style="color:#ECEBE8">) </span><span style="color:#A1C1E4">//</span><span style="color:#97CCAE"> 4</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Group the DataFrame into chunks of 4 years</span></span>
<span class="line"><span style="color:#ECEBE8">groups </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.</span><span style="color:#EDCC95">groupby(</span><span style="color:#97CCAE">'Period'</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Close</th>
<th align="center">Year</th>
<th align="center">Period</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">1995-01-02</td>
<td align="center">4301.00</td>
<td align="center">1995</td>
<td align="center">0</td>
</tr>
<tr>
<td align="center">1995-01-03</td>
<td align="center">4098.00</td>
<td align="center">1995</td>
<td align="center">0</td>
</tr>
<tr>
<td align="center">1995-01-04</td>
<td align="center">3967.90</td>
<td align="center">1995</td>
<td align="center">0</td>
</tr>
<tr>
<td align="center">1995-01-05</td>
<td align="center">4036.70</td>
<td align="center">1995</td>
<td align="center">0</td>
</tr>
<tr>
<td align="center">1995-01-06</td>
<td align="center">3827.40</td>
<td align="center">1995</td>
<td align="center">0</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-12-23</td>
<td align="center">109697.57</td>
<td align="center">2022</td>
<td align="center">6</td>
</tr>
<tr>
<td align="center">2022-12-26</td>
<td align="center">108737.75</td>
<td align="center">2022</td>
<td align="center">6</td>
</tr>
<tr>
<td align="center">2022-12-27</td>
<td align="center">108578.20</td>
<td align="center">2022</td>
<td align="center">6</td>
</tr>
<tr>
<td align="center">2022-12-28</td>
<td align="center">110236.71</td>
<td align="center">2022</td>
<td align="center">6</td>
</tr>
<tr>
<td align="center">2022-12-29</td>
<td align="center">109734.60</td>
<td align="center">2022</td>
<td align="center">6</td>
</tr>
</tbody>
</table>
<p>6931 rows × 3 columns</p>
<p>Agora que cada linha foi classificada como um período indo de 0 a 6 (pertencente a cada uma das janelas de 4 anos a partir de 1995), podemos ir adiante e calcular o Expoente de Hurst utilizando <code>max_lag = 200</code>.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> name, period_df </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> groups:</span></span>
<span class="line"><span style="color:#ECEBE8">  max_year </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> period_df[</span><span style="color:#97CCAE">'Year'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">max()</span></span>
<span class="line"><span style="color:#ECEBE8">  min_year </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> period_df[</span><span style="color:#97CCAE">'Year'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">min()</span></span>
<span class="line"><span style="color:#ECEBE8">  series </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> period_df[</span><span style="color:#97CCAE">"Close"</span><span style="color:#ECEBE8">].values</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  H, c, lags, sigmas </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">200</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  fig, ax </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> plt.</span><span style="color:#EDCC95">subplots(</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">8</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">16</span><span style="color:#EDCC95">))</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # First plot the price series during the period</span></span>
<span class="line"><span style="color:#ECEBE8">  period_df[</span><span style="color:#97CCAE">"Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(ax</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">ax[</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">], rot</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">45</span><span style="color:#EDCC95">, xlabel</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">""</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">0</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_title(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"IBOV (</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">min_year</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">-</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">max_year</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Then plot the linear regression</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(np.log10(lags), H </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> np.log10(lags) </span><span style="color:#A1C1E4">+</span><span style="color:#EDCC95"> c, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"red"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">scatter(np.log10(lags), np.log10(sigmas))</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_title(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"H = </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">H</span><span style="color:#A1C1E4">:.4f</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE"> (</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">min_year</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">-</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">max_year</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_xlabel(</span><span style="color:#A1C1E4">r</span><span style="color:#97CCAE">"log($\tau$)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_ylabel(</span><span style="color:#A1C1E4">r</span><span style="color:#97CCAE">"log($\sigma_\tau$)"</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Finally plot the Hurst values for different max lags  </span></span>
<span class="line"><span style="color:#ECEBE8">  max_lags </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">arange(</span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">250</span><span style="color:#A1C1E4"> +</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  all_hursts </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span><span style="color:#EDCC95">hurst(series, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">, max_lag)</span><span style="color:#ECEBE8">[</span><span style="color:#97CCAE">0</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> max_lag </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> max_lags]</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(max_lags, all_hursts, marker</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'o'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">axhline(y</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.52</span><span style="color:#EDCC95">, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'pink'</span><span style="color:#EDCC95">, linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">axhline(y</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.50</span><span style="color:#EDCC95">, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'r'</span><span style="color:#EDCC95">, linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">axhline(y</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.48</span><span style="color:#EDCC95">, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'pink'</span><span style="color:#EDCC95">, linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_xlabel(</span><span style="color:#97CCAE">'Max Lags'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_ylabel(</span><span style="color:#97CCAE">'Hurst Values'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  ax[</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">set_title(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">'Hurst Values vs Max Lags (</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">min_year</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">-</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">max_year</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">)'</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  plt.</span><span style="color:#EDCC95">subplots_adjust(hspace</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">0.6</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1416" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-1f0188de-19cd-4a1b-bc99-cb766afcd702.CSqjP9Y9_Z2n6a7p.webp"></p>
<p><img alt="" loading="lazy" decoding="async" width="1416" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-147e2607-8de8-411c-a9e4-10f0d2550a01.899vjrrS_2ePkXI.webp"></p>
<p><img alt="" loading="lazy" decoding="async" width="1431" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-7dfcc3dc-1795-4f4a-8dce-59ff62ad2b2d.BTbCKVUS_2gb6Lm.webp"></p>
<p><img alt="" loading="lazy" decoding="async" width="1416" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-04975839-087b-47f4-8dc4-a92266ac4324.C0ep5w39_Z1Jtj5j.webp"></p>
<p><img alt="" loading="lazy" decoding="async" width="1416" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-caaf6071-006e-45bb-9e72-2774c402f5e5.BkZz6tzB_1A40OD.webp"></p>
<p><img alt="" loading="lazy" decoding="async" width="1416" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-e282b386-91ea-4f0b-851c-5cb23d13f757.ig3smoza_2fIw86.webp"></p>
<p><img alt="" loading="lazy" decoding="async" width="1416" height="2403" src="https://rafaelquintanilha.com/_astro/data-src-image-389565fa-4e46-4520-905c-74dfa06270aa.9i8oNCuR_Z2w0Vi0.webp"></p>
<p>O código acima é uma junção do que fizemos até agora. Repare que plotamos 3 gráficos:</p>
<ol>
<li>O gráfico do Ibovespa no período</li>
<li>O Expoente de Hurst para <code>max_lag = 200</code></li>
<li>O comportamento de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> para cada valor de <code>max_lags</code> de 10 até 250.</li>
</ol>
<p>Podemos tirar várias interpretações interessantes desses gráficos.</p>
<h4 id="nossos-olhos-pregam-peças">Nossos olhos pregam peças</h4>
<p>Em diversas situações o gráfico parece claramente em tendência. No entanto, a análise de Hurst o classifica como reversão à média. Observe em especial o período entre 2003-2006: a bolsa mais que triplicou, mas <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi><mo>=</mo><mn>0.3822</mn></mrow><annotation encoding="application/x-tex">H = 0.3822</annotation></semantics></math></span></span>, indicando uma forte anti-persistência. Por quê? Não se esqueça que estamos olhando uma janela de 200 períodos <em>dentro de um intervalo de 1000 data points</em>. Ou seja, por mais que haja momentos de <em>forte alta</em>, ainda assim pode-se observar longos períodos de reversão.</p>
<p>Similarmente, entre 2007-2010 o gráfico parece estar de lado, embora na realidade foi o momento de maior tendência.</p>
<h4 id="o-ibovespa-reverte-à-média">O Ibovespa reverte à média</h4>
<p>Dos 7 intervalos calculados, em 6 (!!) podemos classificar a série como <em>anti-persistente</em>. Isso é condizente com nossa análise no dataset inteiro. Veja que aqui utilizamos <code>max_lag = 200</code>, ou seja, observamos que mesmo em diversos recortes o Ibovespa reverteu à média dentro do período de 1 ano.</p>
<p><em>Importante</em>: "reversão à média" não significa necessariamente que o ativo volta ao preço anterior, mas sim que, entrando nessa "fase", dentro do período estudado, quedas tem maior probabilidade de serem acompanhadas por altas, e vice-versa.</p>
<h4 id="as-maiores-tendências-ocorrem-entre-2-3-meses">As maiores tendências ocorrem entre 2-3 meses</h4>
<p>Analisando o gráfico de Hurst x Max Lag, vemos que a história se repete: há uma máxima entre 40-60 períodos (em dias corridos, por volta de 2 e 3 meses). Consistentemente esse é o ponto onde o Ibovespa assume sua tendência mais forte (com exceção de 2007-2010).</p>
<p>Isso confirma nossa tese original: embora o Ibovespa tenha um forte componente de reversão em janelas maiores, há períodos de 2 a 3 meses de duração onde observa-se uma maior tendência (ou no mínimo, um enfraquecimento da reversão).</p>
<h2 id="como-operar-o-expoente-de-hurst">Como Operar o Expoente de Hurst?</h2>
<p>Bem, todo esse papo é bastante interessante e saber se o Ibovespa está em tendência é legal mas, <em>na prática</em>, como podemos utilizar o Hurst nas tomadas de decisão?</p>
<h4 id="hurst-como-critério-de-escolha-de-estratégias">Hurst como critério de escolha de estratégias</h4>
<p>A forma mais intuitiva é utilizá-lo como critério para se escolher o <em>tipo de estratégia</em> a ser aplicada. Por exemplo, no nosso <a href="https://quantbrasil.com.br/estrategias" rel="noopener noreferrer" target="_blank">Guia de Estratégias</a> classificamos diversas estratégias quantitativas como <em>tendência</em> ou <em>volatilidade</em>.</p>
<p>Utilizando o Expoente de Hurst você pode determinar em qual regime o ativo se encontra, e daí buscar a estratégia mais adequada. Isso faz com que você evite aplicar uma estratégia de tendência em um ativo em reversão, por exemplo. Confira o <a href="https://quantbrasil.com.br/estrategias" rel="noopener noreferrer" target="_blank">Guia de Estratégias</a> para saber qual estratégia melhor se encaixa no ativo que você quer operar!</p>
<h4 id="hurst-como-filtro-de-momentum">Hurst como filtro de momentum</h4>
<p>Outra vantagem do Expoente de Hurst é utilizá-lo como um filtro de momentum. Ora, em uma estratégia de Factor Investing esse cálculo pode ser feito para montar um portfólio que se encaixe nesse perfil. Nosso <a href="https://quantbrasil.com.br/momentum" rel="noopener noreferrer" target="_blank">screening de Momentum</a> também pode ser utilizado para fortalecer a análise.</p>
<p>É possível montar uma estratégia onde compra-se (ou vende-se) os ativos em maior tendência, fazendo um rebalanceamento periódico. Note, no entanto, que o horizonte do trade deve ser compatível com o valor de <code>max_lags</code> escolhido.</p>
<h4 id="hurst-como-validação-de-estratégias">Hurst como validação de estratégias</h4>
<p>É comum que uma estratégia quantitativa passe por momentos onde ela não performa. Ora, se a sua estratégia é de tendência e o ativo entrou em um regime de <em>mean reversal</em>, é esperado que os resultados não sejam tão bons. Portanto, na hora de avaliar a eficácia de uma estratégia, é interessante utilizar o <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> para entender em que momento do mercado aquele trade foi executado.</p>
<h2 id="limitações">Limitações</h2>
<p>Fica claro desde o início que o Expoente de Hurst é sensível a duas variáveis:</p>
<ol>
<li>O tamanho do dataset</li>
<li>O valor de <code>max_lag</code></li>
</ol>
<p>Portanto, toda análise deve levar esses dois parâmetros em consideração. Utilizar o Hurst em timeframes conflitantes pode fazer você perder dinheiro.</p>
<p>Por fim, o Expoente de Hurst por si só não tem nenhum valor preditivo. É claro que, da mesma forma como no cálculo de <a href="https://quantbrasil.com.br/momentum" rel="noopener noreferrer" target="_blank">momentum</a>, espera-se que um ativo que esteja em tendência, <em>tudo mais constante</em>, continue em tendência (1ª Lei de Newton). É <em>razoável</em> assumir que a propriedade vá se manter, mas apenas uma análise detalhada em diversos recortes como fizemos aqui pode dar mais robustez ao cálculo.</p>
<h4 id="o-expoente-de-hurst-não-determina-a-direção-da-tendência">O Expoente de Hurst não determina a direção da tendência</h4>
<p>Embora utilizemos Hurst para descobrir se um ativo está em tendência, ele <strong>não</strong> faz juízo sobre sua <strong>direção</strong>. Ou seja, um ativo em tendência pode significar tanto tendência de alta quanto de baixa.</p>
<p>Para determinar a direção podem ser utilizadas outras técnicas:</p>
<ul>
<li>Verifica-se se o ativo está no <a href="https://quantbrasil.com.br/eden-dos-traders" rel="noopener noreferrer" target="_blank">Éden dos Traders</a>;</li>
<li>Verifica-se a variação do preço do ativo em uma janela compatível. Para isso, pode-se utilizar o <a href="https://quantbrasil.com.br/ranking" rel="noopener noreferrer" target="_blank">ranking de ativos</a> do QuantBrasil;</li>
<li>Direção de alguma média móvel (ex: a direção onde a MM50 está apontada).</li>
</ul>
<h2 id="screening-do-expoente-de-hurst">Screening do Expoente de Hurst</h2>
<p>No QuantBrasil é <a href="https://quantbrasil.com.br/hurst" rel="noopener noreferrer" target="_blank">possível visualizar qual o valor de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>H</mi></mrow><annotation encoding="application/x-tex">H</annotation></semantics></math></span></span> para os ativos mais líquidos do Ibovespa</a>.</p>
<p>Esse screening é atualizado diariamente e leva em consideração os preços dos ativos no último ano, e um <code>max_lag</code> de 50 períodos.</p>
<p>Esses valores foram escolhidos pois favorecem trades de curto e médio prazo. Assim, traders podem utilizar o <a href="https://quantbrasil.com.br/estrategias" rel="noopener noreferrer" target="_blank">Guia de Estratégias</a> para buscar uma estratégia compatível com a classificação do ativo nesse período.</p>
<p>De forma resumida, o <a href="https://quantbrasil.com.br/hurst" rel="noopener noreferrer" target="_blank">screening do Expoente de Hurst</a> diz se, ao longo do último ano, analisando-se janelas de 50 dias, há alguma propriedade que possa ser explorada (persistência ou anti-persistência).</p>
<p>Se você gostaria de ter acesso a uma ferramenta capaz de calcular a mesma análise que fizemos para o Ibovespa, mas para os seus ativos favoritos, <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">crie sua conta</a> no QuantBrasil e fique ligado nas novidades!</p>
<h2 id="conclusão">Conclusão</h2>
<p>O Expoente de Hurst pode ser utilizado para classificar um processo estocástico (como uma série de preços) em <em>persistente</em>, <em>anti-persistente</em> e <em>aleatório</em>. Uma série persistente é dita em <em>tendência</em>, enquanto uma série anti-persistente é dita em <em>reversão à média</em>.</p>
<p>Verificamos que ao longo de 28 anos o Ibovespa apresenta consistentes intervalos de reversão à média em prazos maiores (acima de 200 períodos). Isso significa que, mesmo em períodos de forte alta como entre 2003-2006, a bolsa brasileira apresenta longos momentos de reversão.</p>
<p>Por fim, constatamos que o Ibovespa apresenta maior probabilidade de tendência em janelas de 2 a 3 meses. Essa informação pode ser utilizada como filtro para se buscar as <a href="https://quantbrasil.com.br/estrategias" rel="noopener noreferrer" target="_blank">melhores estratégias</a> para o momento de um ativo, além de ajudar na montagem da carteira.</p>
<p>Se você tem interesse em aprofundar as análises do Expoente de Hurst, <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">crie sua conta</a> no QuantBrasil e aguarde as novidades. Abraços e até a próxima!</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Projetando o Desempenho do Ibovespa para 2023 Utilizando Métodos Quantitativos]]></title>
<description><![CDATA[Descubra as zonas de suporte e resistência, o Value-at-Risk, e gere uma simulação de Monte Carlo para o IBOV utilizando Python.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/projetando-o-desempenho-do-ibovespa-para-2023-utilizando-metodos-quantitativos/</link>
<guid isPermaLink="false">65dc8f96f70eda0001d598af</guid>
<category><![CDATA[Quantitative Analysis]]></category><category><![CDATA[Python]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Fri, 30 Dec 2022 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>O ano de 2022 está chegando ao fim e com ele vêm as expectativas e projeções para o novo ano. E nós, claro, não poderíamos deixar passar essa oportunidade de aplicar métodos quantitativos e estatísticos para responder o que todos querem saber: <strong>pra onde vai o IBOV em 2023?</strong></p>
<p>Para responder essa pergunta, vamos utilizar uma combinação de duas abordagens quantitativas:</p>
<ol>
<li>Projetar zonas de suporte e resistência utilizando a volatilidade de 2022;</li>
<li>Rodar uma simulação de Monte Carlo para calcular intervalos de confiança para o preço ao final de 2023 utilizando as mesmas propriedades estatísticas de 2022.</li>
</ol>
<p>Mãos à obra!</p>
<h2 id="projetando-zonas-de-suporte-e-resistência">Projetando Zonas de Suporte e Resistência</h2>
<p>Para gerar as zonas de suporte e resistência para 2023, irei me basear no paper <a href="https://www.outspokenmarket.com/uploads/8/8/2/3/88233040/supply_and_demand_levels_forecasting_based_on_returns_volatility.pdf" rel="noopener noreferrer" target="_blank">Supply and Demand Levels Forecasting Based on Returns Volatility</a>, do meu amigo Leandro Guerra, criador do <a href="https://www.outspokenmarket.com/" rel="noopener noreferrer" target="_blank">Outspoken Market</a>.</p>
<p>De forma simplificada, na abordagem proposta pelo Leandro nós geramos os <em>retornos</em> de um ativo no corrente ano e calculamos o <strong>desvio-padrão</strong> de uma <em>janela móvel</em> de nnn dias. Para <em>anualizar</em> esse valor, multiplicamos por √250, aproximadamente o número de dias de trade em um ano (ou seja, a quantidade de candles). Essa técnica de anualização é a mesma que utilizamos para <a href="https://quantbrasil.com.br/beta/" rel="noopener noreferrer" target="_blank">calcular o beta</a> das ações.</p>
<p>Curioso para ver as zonas de suporte e resistência na prática? Nós disponibilizamos <a href="https://quantbrasil.com.br/suportes-e-resistencias/" rel="noopener noreferrer" target="_blank">uma ferramenta onde você pode gerá-las</a>, para qualquer ativo, de graça. Confere lá!</p>
<p>Dito isso, vamos ao código.</p>
<h3 id="baixando-os-dados-do-ibov-em-2022">Baixando os dados do IBOV em 2022</h3>
<p>A primeira coisa que precisamos, naturalmente, é dos dados relativos aos preços do Ibovespa em 2022. Por sorte, esses dados são facilmente encontrados na internet, por exemplo no <a href="https://stooq.com/q/d/?s=%5Ebvp&#x26;i=d&#x26;d1=20220101&#x26;d2=20221229" rel="noopener noreferrer" target="_blank">Stooq</a>.</p>
<p>Baixe os dados diários e importe-os em um DataFrame:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> pandas </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> pd</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> numpy </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> np</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">read_csv(</span><span style="color:#97CCAE">'../data/ibov_2022.csv'</span><span style="color:#EDCC95">, index_col</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'Date'</span><span style="color:#EDCC95">, parse_dates</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Open</th>
<th align="center">High</th>
<th align="center">Low</th>
<th align="center">Close</th>
<th align="center">Volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-01-03</td>
<td align="center">104823.40</td>
<td align="center">106125.50</td>
<td align="center">103413.40</td>
<td align="center">103921.60</td>
<td align="center">1.127626e+09</td>
</tr>
<tr>
<td align="center">2022-01-04</td>
<td align="center">103921.60</td>
<td align="center">104276.30</td>
<td align="center">103096.30</td>
<td align="center">103513.60</td>
<td align="center">1.149161e+09</td>
</tr>
<tr>
<td align="center">2022-01-05</td>
<td align="center">103513.60</td>
<td align="center">103513.60</td>
<td align="center">100849.60</td>
<td align="center">101005.60</td>
<td align="center">1.288369e+09</td>
</tr>
<tr>
<td align="center">2022-01-06</td>
<td align="center">101005.80</td>
<td align="center">102234.70</td>
<td align="center">100999.90</td>
<td align="center">101561.10</td>
<td align="center">1.174921e+09</td>
</tr>
<tr>
<td align="center">2022-01-07</td>
<td align="center">101561.10</td>
<td align="center">102719.50</td>
<td align="center">101104.00</td>
<td align="center">102719.50</td>
<td align="center">1.173341e+09</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-12-23</td>
<td align="center">107551.70</td>
<td align="center">109994.23</td>
<td align="center">107551.70</td>
<td align="center">109697.57</td>
<td align="center">1.284711e+09</td>
</tr>
<tr>
<td align="center">2022-12-26</td>
<td align="center">109698.84</td>
<td align="center">109755.23</td>
<td align="center">108308.77</td>
<td align="center">108737.75</td>
<td align="center">5.219539e+08</td>
</tr>
<tr>
<td align="center">2022-12-27</td>
<td align="center">108739.34</td>
<td align="center">109352.67</td>
<td align="center">107418.40</td>
<td align="center">108578.20</td>
<td align="center">1.115808e+09</td>
</tr>
<tr>
<td align="center">2022-12-28</td>
<td align="center">108578.38</td>
<td align="center">110535.56</td>
<td align="center">108578.38</td>
<td align="center">110236.71</td>
<td align="center">1.119396e+09</td>
</tr>
<tr>
<td align="center">2022-12-29</td>
<td align="center">110237.41</td>
<td align="center">111177.50</td>
<td align="center">109560.30</td>
<td align="center">109734.60</td>
<td align="center">NaN</td>
</tr>
</tbody>
</table>
<p>250 rows × 5 columns</p>
<h3 id="calculando-a-volatilidade">Calculando a Volatilidade</h3>
<p>De posse dos dados, já podemos calcular os <em>retornos</em> e a <em>volatilidade</em> no ano:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"Returns"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">'Close'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">pct_change()</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Rolling window period</span></span>
<span class="line"><span style="color:#ECEBE8">period </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 20</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Approximate number of data points in an year</span></span>
<span class="line"><span style="color:#ECEBE8">trading_days </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 250</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"Vol"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">round(df[</span><span style="color:#97CCAE">"Returns"</span><span style="color:#EDCC95">].rolling(period).std() </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> np.sqrt(trading_days), </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Open</th>
<th align="center">High</th>
<th align="center">Low</th>
<th align="center">Close</th>
<th align="center">Volume</th>
<th align="center">Returns</th>
<th align="center">Vol</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-01-03</td>
<td align="center">104823.40</td>
<td align="center">106125.50</td>
<td align="center">103413.40</td>
<td align="center">103921.60</td>
<td align="center">1.127626e+09</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2022-01-04</td>
<td align="center">103921.60</td>
<td align="center">104276.30</td>
<td align="center">103096.30</td>
<td align="center">103513.60</td>
<td align="center">1.149161e+09</td>
<td align="center">-0.003926</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2022-01-05</td>
<td align="center">103513.60</td>
<td align="center">103513.60</td>
<td align="center">100849.60</td>
<td align="center">101005.60</td>
<td align="center">1.288369e+09</td>
<td align="center">-0.024229</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2022-01-06</td>
<td align="center">101005.80</td>
<td align="center">102234.70</td>
<td align="center">100999.90</td>
<td align="center">101561.10</td>
<td align="center">1.174921e+09</td>
<td align="center">0.005500</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2022-01-07</td>
<td align="center">101561.10</td>
<td align="center">102719.50</td>
<td align="center">101104.00</td>
<td align="center">102719.50</td>
<td align="center">1.173341e+09</td>
<td align="center">0.011406</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-12-23</td>
<td align="center">107551.70</td>
<td align="center">109994.23</td>
<td align="center">107551.70</td>
<td align="center">109697.57</td>
<td align="center">1.284711e+09</td>
<td align="center">0.019954</td>
<td align="center">0.2224</td>
</tr>
<tr>
<td align="center">2022-12-26</td>
<td align="center">109698.84</td>
<td align="center">109755.23</td>
<td align="center">108308.77</td>
<td align="center">108737.75</td>
<td align="center">5.219539e+08</td>
<td align="center">-0.008750</td>
<td align="center">0.2247</td>
</tr>
<tr>
<td align="center">2022-12-27</td>
<td align="center">108739.34</td>
<td align="center">109352.67</td>
<td align="center">107418.40</td>
<td align="center">108578.20</td>
<td align="center">1.115808e+09</td>
<td align="center">-0.001467</td>
<td align="center">0.2126</td>
</tr>
<tr>
<td align="center">2022-12-28</td>
<td align="center">108578.38</td>
<td align="center">110535.56</td>
<td align="center">108578.38</td>
<td align="center">110236.71</td>
<td align="center">1.119396e+09</td>
<td align="center">0.015275</td>
<td align="center">0.2137</td>
</tr>
<tr>
<td align="center">2022-12-29</td>
<td align="center">110237.41</td>
<td align="center">111177.50</td>
<td align="center">109560.30</td>
<td align="center">109734.60</td>
<td align="center">NaN</td>
<td align="center">-0.004555</td>
<td align="center">0.2087</td>
</tr>
</tbody>
</table>
<p>250 rows × 7 columns</p>
<p>Nada de novo por aqui se você já acompanha <a href="https://quantbrasil.com.br/blog" rel="noopener noreferrer" target="_blank">nosso blog</a>. De forma simplificada, traduzimos o que explicamos na seção anterior em código. Repare que assumimos uma janela móvel de 20 dias, valor que pode ser alterado a gosto (disponível para assinantes Premium no nosso <a href="https://quantbrasil.com.br/suportes-e-resistencias/" rel="noopener noreferrer" target="_blank">Simulador de Suportes e Resistências</a>).</p>
<p>Vamos agora utilizar a última volatilidade do ano para projetar as zonas de suporte e resistência:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Let's isolate the yearly close</span></span>
<span class="line"><span style="color:#ECEBE8">last_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">'Close'</span><span style="color:#ECEBE8">][</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># The last volatility is the final volatility for the year</span></span>
<span class="line"><span style="color:#ECEBE8">vol </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">'Vol'</span><span style="color:#ECEBE8">][</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Factors will be used to multiply the volatility and generate multiple zones</span></span>
<span class="line"><span style="color:#ECEBE8">factors </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">, </span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">, </span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">2</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> factor </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> factors:</span></span>
<span class="line"><span style="color:#ECEBE8">  price_zone </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> round((</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#EDCC95"> factor </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> vol) </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> last_close, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">  print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Price zone </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">factor</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">σ: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">price_zone</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>Price zone 2σ: 155537.822<br>
Price zone 1σ: 132636.211<br>
Price zone -1σ: 86832.989<br>
Price zone -2σ: 63931.378</p>
<p>E aí está: geramos as zonas de forma bem simples. Multiplicamos o valor de fechamento do ano por um <em>múltiplo</em> (fator) da última volatilidade observada. Podemos interpretar as zonas de preço da seguinte forma:</p>
<ul>
<li>132k é a primeira resistência por volatilidade, e 155k a segunda;</li>
<li>86k é o primeiro suporte por volatilidade, e 63k o segundo.</li>
</ul>
<p>Em outras palavras, podemos dizer que o IBOV deve transitar entre <strong>86k e 132k</strong> (-1 e +1 desvio-padrão) com ~68% de chance, e entre <strong>155k e 63k</strong> com 95% de chance. Em breve vamos analisar se esses números fazem sentido empíricamente.</p>
<h2 id="simulando-preços-com-monte-carlo">Simulando Preços com Monte-Carlo</h2>
<p>A primeira etapa do nosso estudo já foi. Agora, iremos complementá-lo com uma <strong>simulação de Monte-Carlo</strong>. Se você ainda não é familiar com o termo, recomendo a leitura do nosso artigo <a href="https://quantbrasil.com.br/como-criar-uma-simulacao-de-monte-carlo-no-mercado-financeiro-utilizando-python/" rel="noopener noreferrer" target="_blank">Como Criar uma Simulação de Monte Carlo no Mercado Financeiro Utilizando Python</a>.</p>
<p>De forma resumida, para realizar uma simulação de Monte-Carlo precisamos gerar uma distribuição de retornos com as mesmas propriedades estatísticas observadas em 2022: média e desvio-padrão. Uma vez que essa distribuição esteja estabelecida, geramos retornos sintéticos (simulados) para os próximos 250 dias.</p>
<p>Vamos começar calculando as propriedades estatísticas do IBOV em 2022:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Get the list of all returns, excluding the first value which is NaN</span></span>
<span class="line"><span style="color:#ECEBE8">returns_list </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Returns"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">to_list()</span><span style="color:#ECEBE8">[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">:]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Compute mean and standar deviation</span></span>
<span class="line"><span style="color:#ECEBE8">mean </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">mean(returns_list)</span></span>
<span class="line"><span style="color:#ECEBE8">std_dev </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">std(returns_list)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Mean: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">mean</span><span style="color:#A1C1E4">:.4%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Std: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">std_dev</span><span style="color:#A1C1E4">:.4%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>Mean: 0.0306%<br>
Std: 1.3241%</p>
<p>De posse das propriedades estatísticas, os próximos passos são muito simples. Primeiro, nós definiremos <code>simulations</code> como o número de simulações desejadas. Quanto maior esse número, mais fidedigno o resultado (até certo ponto).</p>
<p>Depois, para cada simulação nós geraremos um conjunto de retornos sintéticos observando as propriedades estatísticas calculadas. A composição desses retornos ao longo de mais 250 dias dará o valor final, projetado, do IBOV em 2023. Simples, não?</p>
<p>Para gerar os retornos sintéticos, utilizaremos a biblioteca <a href="https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.norm.html" rel="noopener noreferrer" target="_blank">scipy.stats.norm</a>, que providencia diversos métodos estatísticos para a curva normal.</p>
<p>Em particular, estamos interessados na <strong>ppf, ou Percent Point Function</strong>, que retorna o valor da distribuição requerido para uma determinada probabilidade.</p>
<p>Ficou confuso? Vamos de novo. Se gerarmos uma curva normal com média e desvio-padrão específicos, podemos então gerar uma probabilidade aleatória (um valor entre 0 e 1), e descobrir <em>qual valor</em>, na distribuição, <em>gera tal probabilidade</em>. Para os versados em estatística, a ppf é a <em>função inversa</em> da cdf (Cumulative Distribution Function).</p>
<p>Vamos entender com código:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> scipy.stats </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> norm</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">mean </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 0</span></span>
<span class="line"><span style="color:#ECEBE8">std </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 1</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Create curve with normal params</span></span>
<span class="line"><span style="color:#ECEBE8">norm.</span><span style="color:#EDCC95">cdf(</span><span style="color:#97CCAE">0</span><span style="color:#EDCC95">, loc</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">mean, scale</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">std)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>0.5</span></span></code></pre></figure>
<p>Numa distribuição normal com <code>mean = 0</code> e <code>std = 1</code>, sabemos que metade dos valores estão após o 0 e metade depois do 0 (por isso 0 é a média.)</p>
<p>Ou seja, o valor da <code>cdf</code> é justamente esse: a probabilidade de que uma variável aleatória seja <strong>menor ou igual</strong> a um determinado valor na distribuição (nesse caso, 50%). O gráfico a seguir deixa tudo mais claro.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.pyplot </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> plt</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">num_points </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 100</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Generate 100 points between the deviations </span></span>
<span class="line"><span style="color:#ECEBE8">x </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">linspace(mean </span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE"> 2</span><span style="color:#A1C1E4"> *</span><span style="color:#EDCC95"> std, mean </span><span style="color:#A1C1E4">+</span><span style="color:#97CCAE"> 2</span><span style="color:#A1C1E4"> *</span><span style="color:#EDCC95"> std, num_points)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Plot the normal distribution</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(x, norm.pdf(x, mean, std))</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Plot the vertical line right at the mean </span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot([mean] </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> num_points, norm.pdf(x, mean, std))</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">show()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="556" height="413" src="https://rafaelquintanilha.com/_astro/data-src-image-b1093284-b78c-45c2-a14a-93d6ef9e25ee.ByLAW8-__1SIFg8.webp"></p>
<p>Já a ppf é a função inversa, ou seja: qual valor corresponde a uma probabilidade de 50%? Como vimos anteriormente, para essa distribuição, esse valor é 0.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> scipy.stats </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> norm</span></span>
<span class="line"><span style="color:#ECEBE8">norm.</span><span style="color:#EDCC95">ppf(</span><span style="color:#97CCAE">0.5</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>0.0</span></span></code></pre></figure>
<p>Muito bem! Agora que já entendemos o que é uma ppf vamos ao código que gera retornos sintéticos e calcula o valor final de fechamento do IBOV em 2023. Primeiro vamos gerar a curva original:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Generate list with all closes in the current year </span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># and the corresponding trading day</span></span>
<span class="line"><span style="color:#ECEBE8">closes_list </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">to_list()</span></span>
<span class="line"><span style="color:#ECEBE8">days </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [i </span><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> i </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, len(df[</span><span style="color:#97CCAE">'Close'</span><span style="color:#EDCC95">]) </span><span style="color:#A1C1E4">+</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Plot closing prices</span></span>
<span class="line"><span style="color:#ECEBE8">fig </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> plt.</span><span style="color:#EDCC95">figure(figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(days, closes_list)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>[&#x3C;matplotlib.lines.Line2D at 0x7fd7fa540390>]</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="857" height="351" src="https://rafaelquintanilha.com/_astro/data-src-image-c5cb0ba8-6097-401b-ac48-8afe18a561b4.xNB675tL_2tdvAx.webp"></p>
<p>Agora podemos gerar nossa simulação:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> scipy.stats </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> norm</span></span>
<span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> random </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> random</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Plot closes again</span></span>
<span class="line"><span style="color:#ECEBE8">fig </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> plt.</span><span style="color:#EDCC95">figure(figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">12</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">6</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(days, closes_list)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Number of simulations, i.e., curves that will be projected</span></span>
<span class="line"><span style="color:#ECEBE8">simulations </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 500</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">all_synthetic_closes </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> []</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Generate synthetic trading days</span></span>
<span class="line"><span style="color:#ECEBE8">num_days </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [days[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> i </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(trading_days)</span><span style="color:#ECEBE8">:</span></span>
<span class="line"><span style="color:#ECEBE8">  num_days.</span><span style="color:#EDCC95">append(num_days[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">+</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> i </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(simulations)</span><span style="color:#ECEBE8">:</span></span>
<span class="line"><span style="color:#ECEBE8">  closes </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [last_close]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Generate synthetic closes</span></span>
<span class="line"><span style="color:#A1C1E4">  for</span><span style="color:#ECEBE8"> j </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(trading_days)</span><span style="color:#ECEBE8">:</span></span>
<span class="line"><span style="color:#ECEBE8">    pct_change </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> norm.</span><span style="color:#EDCC95">ppf(random(), loc</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">mean, scale</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">std_dev)</span></span>
<span class="line"><span style="color:#ECEBE8">    synthetic_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> closes[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> (</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#ECEBE8"> pct_change)</span></span>
<span class="line"><span style="color:#ECEBE8">    closes.</span><span style="color:#EDCC95">append(synthetic_close)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  last_synthetic_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> closes[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">  all_synthetic_closes.</span><span style="color:#EDCC95">append(last_synthetic_close)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  plt.</span><span style="color:#EDCC95">plot(num_days, closes)</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1012" height="505" src="https://rafaelquintanilha.com/_astro/data-src-image-fd6ba05e-7f90-4625-9b70-c53efeed38d0.dH0-0znC_Z2i2Rmx.webp"></p>
<p>Excelente! Nós geramos 500 curvas utilizando as mesmas propriedades estatísticas do IBOV em 2022. O valor do último fechamento, é, portanto, o valor projetado de cada simulação.</p>
<h3 id="calculando-o-var-da-simulação">Calculando o VaR da Simulação</h3>
<p>As linhas projetadas são legais, mas ainda precisamos tirar a informação mais importante: o <a href="https://quantbrasil.com.br/utilizando-o-var-value-at-risk-no-gerenciamento-de-risco-de-um-portfolio/" rel="noopener noreferrer" target="_blank">VaR, ou Value-at-Risk</a>.</p>
<p>De forma simplificada, pegamos o 5º percentil de todos os fechamentos sintéticos para dizer, <strong>com 95% de confiança</strong>, que o valor do IBOV em 2023 <em>não deve cair abaixo desse valor</em>.</p>
<p>Você pode calcular o VaR de um ativo ou portfólio na <a href="https://quantbrasil.com.br/value-at-risk/" rel="noopener noreferrer" target="_blank">nossa ferramenta de cálculo de VaR</a>.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Generate VaR line</span></span>
<span class="line"><span style="color:#ECEBE8">confidence </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 95</span></span>
<span class="line"><span style="color:#ECEBE8">var </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">percentile(all_synthetic_closes, </span><span style="color:#97CCAE">100</span><span style="color:#A1C1E4"> -</span><span style="color:#EDCC95"> confidence)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"VaR = </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">round(var, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">)</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE"> with confidence = </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">confidence</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">%"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>VaR = 75444.66 with confidence = 95%</p>
<h3 id="calculando-o-break-even-com-a-selic">Calculando o Break-Even com a SELIC</h3>
<p>Uma análise importante que podemos fazer é: em quantos % das vezes a simulação gerou um resultado que foi <strong>melhor</strong> que a SELIC? Isso é importante para podermos julgar a vantagem (ou não) de se ficar exposto à bolsa.</p>
<p>Para efeitos de projeção, vamos considerar uma SELIC média de 13% para 2023.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Generate breakeven risk free line</span></span>
<span class="line"><span style="color:#ECEBE8">projected_risk_free </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 0.13</span></span>
<span class="line"><span style="color:#ECEBE8">breakeven_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> last_close </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> (</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#ECEBE8"> projected_risk_free)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Breakeven compared with projected Selic: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">round(breakeven_close, </span><span style="color:#97CCAE">2</span><span style="color:#EDCC95">)</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">above_breakeven </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [close </span><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> all_synthetic_closes </span><span style="color:#A1C1E4">if</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">></span><span style="color:#ECEBE8"> breakeven_close]</span></span>
<span class="line"><span style="color:#ECEBE8">pct_above_breakeven </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(above_breakeven)</span><span style="color:#A1C1E4"> /</span><span style="color:#EDCC95"> len(all_synthetic_closes)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Probability above breakeven: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">pct_above_breakeven</span><span style="color:#A1C1E4">:.2%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>Breakeven compared with projected Selic: 124000.1<br>
Probability above breakeven: 22.00%</p>
<p>Reparem a importância da análise. Não basta que a bolsa fique positiva, mas sim que seja superior à taxa livre de risco. Nesse caso, e para a simulação atual, vemos que o IBOV ficaria acima dos 124k apenas em 22% das vezes.</p>
<h2 id="plotando-todos-os-gráficos">Plotando todos os gráficos</h2>
<p>Vamos recapitular o que fizemos até agora:</p>
<ol>
<li>Geramos as zonas de suportes e resistências projetadas, com até 2 desvios-padrão, para 2023;</li>
<li>Calculamos 500 curvas sintéticas utilizando Monte-Carlo;</li>
<li>Geramos o VaR dessas curvas com 95% de confiança;</li>
<li>Calculamos o break-even projetado considerando a taxa livre de risco projetada para 2023.</li>
</ol>
<p>Para visualizarmos melhor, vamos unir tudo em um mesmo gráfico:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> scipy.stats </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> norm</span></span>
<span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> random </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> random</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Plot closes again</span></span>
<span class="line"><span style="color:#ECEBE8">fig </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> plt.</span><span style="color:#EDCC95">figure(figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">12</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">6</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(days, closes_list)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Number of simulations, i.e., curves that will be projected</span></span>
<span class="line"><span style="color:#ECEBE8">simulations </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 500</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">all_synthetic_closes </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> []</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Generate synthetic trading days</span></span>
<span class="line"><span style="color:#ECEBE8">num_days </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [days[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> i </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(trading_days)</span><span style="color:#ECEBE8">:</span></span>
<span class="line"><span style="color:#ECEBE8">  num_days.</span><span style="color:#EDCC95">append(num_days[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">+</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> i </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(simulations)</span><span style="color:#ECEBE8">:</span></span>
<span class="line"><span style="color:#ECEBE8">  closes </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [last_close]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Generate synthetic closes</span></span>
<span class="line"><span style="color:#A1C1E4">  for</span><span style="color:#ECEBE8"> j </span><span style="color:#A1C1E4">in</span><span style="color:#EDCC95"> range(trading_days)</span><span style="color:#ECEBE8">:</span></span>
<span class="line"><span style="color:#ECEBE8">    pct_change </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> norm.</span><span style="color:#EDCC95">ppf(random(), loc</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">mean, scale</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">std_dev)</span></span>
<span class="line"><span style="color:#ECEBE8">    synthetic_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> closes[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> (</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#ECEBE8"> pct_change)</span></span>
<span class="line"><span style="color:#ECEBE8">    closes.</span><span style="color:#EDCC95">append(synthetic_close)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  last_synthetic_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> closes[</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">  all_synthetic_closes.</span><span style="color:#EDCC95">append(last_synthetic_close)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  plt.</span><span style="color:#EDCC95">plot(num_days, closes)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Generate supply and demand zones</span></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> factor </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> factors:</span></span>
<span class="line"><span style="color:#ECEBE8">  price_zone </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> round((</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#EDCC95"> factor </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> vol) </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> last_close, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  zones </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [price_zone] </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> trading_days</span></span>
<span class="line"><span style="color:#ECEBE8">  color </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 'darkred'</span><span style="color:#A1C1E4"> if</span><span style="color:#ECEBE8"> factor </span><span style="color:#A1C1E4">></span><span style="color:#97CCAE"> 0</span><span style="color:#A1C1E4"> else</span><span style="color:#97CCAE"> 'darkgreen'</span></span>
<span class="line"><span style="color:#ECEBE8">  plt.</span><span style="color:#EDCC95">plot(</span></span>
<span class="line"><span style="color:#EDCC95">      num_days[</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">:], </span></span>
<span class="line"><span style="color:#EDCC95">      zones, </span></span>
<span class="line"><span style="color:#EDCC95">      linewidth</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      color</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">color, </span></span>
<span class="line"><span style="color:#EDCC95">      label</span><span style="color:#A1C1E4">=</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">factor</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">σ"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  </span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Generate VaR line</span></span>
<span class="line"><span style="color:#ECEBE8">confidence </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 95</span></span>
<span class="line"><span style="color:#ECEBE8">var </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [np.</span><span style="color:#EDCC95">percentile(all_synthetic_closes, </span><span style="color:#97CCAE">100</span><span style="color:#A1C1E4"> -</span><span style="color:#EDCC95"> confidence)</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> trading_days</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(</span></span>
<span class="line"><span style="color:#EDCC95">      num_days[</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">:], </span></span>
<span class="line"><span style="color:#EDCC95">      var, </span></span>
<span class="line"><span style="color:#EDCC95">      linewidth</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"black"</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      label</span><span style="color:#A1C1E4">=</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"VaR </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">confidence</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">%"</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8"> </span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Generate breakeven risk free line</span></span>
<span class="line"><span style="color:#ECEBE8">projected_risk_free </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 0.13</span></span>
<span class="line"><span style="color:#ECEBE8">breakeven_close </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> last_close </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> (</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#ECEBE8"> projected_risk_free)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(</span></span>
<span class="line"><span style="color:#EDCC95">      num_days[</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">:], </span></span>
<span class="line"><span style="color:#EDCC95">      [breakeven_close] </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> trading_days, </span></span>
<span class="line"><span style="color:#EDCC95">      linewidth</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      linestyle</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'--'</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"gold"</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">      label</span><span style="color:#A1C1E4">=</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Selic </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">projected_risk_free</span><span style="color:#A1C1E4">:.0%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">legend(loc</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'upper left'</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">show()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1012" height="505" src="https://rafaelquintanilha.com/_astro/data-src-image-f02a80b2-5a8f-4acd-afe6-8b51b3552835.DZ0IEpju_Z1sVt0D.webp"></p>
<p>E agora você sabe os pontos de interesse para 2023! Veja de fato como o 2º suporte é bem significativo (pouquíssimas curvas caem abaixo dele), e como a maior parte das simulações ficam, de fato, entre as duas zonas de suporte e resistência principais.</p>
<p>Para finalizar, vamos calcular essas probabilidades:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">upper_limit_2 </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> round((</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#97CCAE"> 2</span><span style="color:#A1C1E4"> *</span><span style="color:#EDCC95"> vol) </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> last_close, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">upper_limit_1 </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> round((</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> +</span><span style="color:#97CCAE"> 1</span><span style="color:#A1C1E4"> *</span><span style="color:#EDCC95">vol) </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> last_close, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">lower_limit_1 </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> round((</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> -</span><span style="color:#97CCAE"> 1</span><span style="color:#A1C1E4"> *</span><span style="color:#EDCC95"> vol) </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> last_close, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">lower_limit_2 </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> round((</span><span style="color:#97CCAE">1</span><span style="color:#A1C1E4"> -</span><span style="color:#97CCAE"> 2</span><span style="color:#A1C1E4"> *</span><span style="color:#EDCC95"> vol) </span><span style="color:#A1C1E4">*</span><span style="color:#EDCC95"> last_close, </span><span style="color:#97CCAE">4</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">in_between_1 </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [close </span><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> all_synthetic_closes </span><span style="color:#A1C1E4">if</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">>=</span><span style="color:#ECEBE8"> lower_limit_1 </span><span style="color:#A1C1E4">and</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">&#x3C;=</span><span style="color:#ECEBE8"> upper_limit_1]</span></span>
<span class="line"><span style="color:#ECEBE8">in_between_2 </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [close </span><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> all_synthetic_closes </span><span style="color:#A1C1E4">if</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">>=</span><span style="color:#ECEBE8"> lower_limit_2 </span><span style="color:#A1C1E4">and</span><span style="color:#ECEBE8"> close </span><span style="color:#A1C1E4">&#x3C;=</span><span style="color:#ECEBE8"> upper_limit_2]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">pct_between_1 </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(in_between_1)</span><span style="color:#A1C1E4"> /</span><span style="color:#EDCC95"> len(all_synthetic_closes)</span></span>
<span class="line"><span style="color:#ECEBE8">pct_between_2 </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(in_between_2)</span><span style="color:#A1C1E4"> /</span><span style="color:#EDCC95"> len(all_synthetic_closes)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Probability between -1 and +1 std: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">pct_between_1</span><span style="color:#A1C1E4">:.2%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Probability between -2 and +2 std: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">pct_between_2</span><span style="color:#A1C1E4">:.2%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p>Probability between -1 and +1 std: 69.40%<br>
Probability between -2 and +2 std: 95.00%</p>
<p>Como esperado, as primeiras zonas de suporte e resistência, por serem baseadas no desvio-padrão, compreendem ~68% das curvas.</p>
<p>Se ampliarmos essas zonas utilizando 2 desvios-padrão, então vemos que exatas 95% das simulações se encaixam nesse <em>range</em>.</p>
<h2 id="conclusão">Conclusão</h2>
<p>Projetar o futuro é sempre complexo, e muitas reputações foram perdidas nesse processo. Nosso objetivo aqui, no entanto, é prover as bases estatísticas que nos deem uma <em>noção</em> do que pode acontecer no próximo ano, de modo que possamos utilizar essas informações para tomar as melhores decisões de investimento.</p>
<p>Por exemplo, vimos que 133k é um ponto de resistência importante, e que qualquer coisa abaixo de 124k é pior que aplicar no Tesouro Direto. Também, 86k é um cenário factível e é importante estar preparado para esse cenário.</p>
<p>No QuantBrasil nós providenciamos diversas ferramentas quantitativas de gestão de risco:</p>
<ul>
<li><a href="https://quantbrasil.com.br/var" rel="noopener noreferrer" target="_blank">Cálculo do VaR (Value-at-Risk)</a></li>
<li><a href="https://quantbrasil.com.br/suportes-e-resistencias" rel="noopener noreferrer" target="_blank">Simulador de Suportes e Resistências</a></li>
<li><a href="https://quantbrasil.com.br/beta-da-carteira" rel="noopener noreferrer" target="_blank">Beta da Carteira</a></li>
</ul>
<p>Crie sua conta no QuantBrasil em menos de 1 minuto para aproveitar essas e outras ferramentas quantitativas. Considere assinar o <a href="https://quantbrasil.com.br/planos" rel="noopener noreferrer" target="_blank">Plano Premium</a> para desbloquear tudo que o QuantBrasil tem a oferecer.</p>
<p>Abraços e um feliz 2023 a todos!</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Baixando Dados de Bitcoin, Ethereum e Outras Criptomoedas com Python]]></title>
<description><![CDATA[Utilize a API da Coinbase para ter acesso aos dados atualizados das criptomoedas.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/baixando-dados-de-bitcoin-ethereum-e-outras-criptomoedas-com-python/</link>
<guid isPermaLink="false">638d058c24336d003d59fe4f</guid>
<category><![CDATA[Quantitative Analysis]]></category><category><![CDATA[Python]]></category><category><![CDATA[Crypto]]></category><category><![CDATA[Data Science]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Wed, 01 Jun 2022 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>Queridas por muitos, odiadas por outros, as criptomoedas dividem opiniões. O que é inegável, no entanto, é que pela sua natureza mais recente e tecnológica, é consideravelmente mais simples acessar uma base de dados de criptomoedas do que é tipicamente com os ativos brasileiros.</p>
<p>No QuantBrasil nós já ensinamos a <a href="https://quantbrasil.com.br/criando-uma-base-de-dados-de-precos-de-ativos-utilizando-python-e-sql" rel="noopener noreferrer" target="_blank">criar sua própria base de dados de ações</a> e até a <a href="https://quantbrasil.com.br/como-exportar-dados-do-profitchart-para-um-banco-de-dados-utilizando-python-e-sql" rel="noopener noreferrer" target="_blank">exportar valores atualizados do ProfitChart</a>. Hoje nós continuaremos nossa saga à procura da base de dados perfeita e aprenderemos como acessar dados de preços de criptos.</p>
<p>Se tudo que você está atrás, porém, é baixar os preços para executar estratégias, nós já lhe poupamos esse trabalho. No <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank"><strong>Simulador de Estratégias</strong></a> do QuantBrasil você pode realizar backtests em várias criptomoedas, das mais famosas como Bitcoin e Ethereum, até as mais voláteis como Dogecoin.</p>
<p>No entanto, se você é partidário do <em>Do It Yourself</em>, sem problemas. Mãos à obra!</p>
<h2 id="escolhendo-a-api"><strong>Escolhendo a API</strong></h2>
<p>Talvez a parte mais sensível desse projeto é escolher qual <em>API</em> utilizar. API, do inglês <strong>A</strong>pplication <strong>P</strong>rogramming <strong>I</strong>nterface, é uma forma que corretoras e outros serviços disponibilizam para que você se comunique com eles. Existem diversas por aí:</p>
<ul>
<li><a href="https://www.coinapi.io/" rel="noopener noreferrer" target="_blank">CoinAPI</a></li>
<li><a href="https://binance-docs.github.io/apidocs/spot/en/#change-log" rel="noopener noreferrer" target="_blank">API da Binance</a></li>
<li><a href="https://docs.cloud.coinbase.com/" rel="noopener noreferrer" target="_blank">API da Coinbase</a></li>
</ul>
<p>Não é objetivo desse post fazer um apanhado sobre pontos fortes e fracos de cada uma delas e é capaz que todas (e outras não mencionadas) suportem o que pretendemos fazer hoje de forma simples. No entanto, a Coinbase lançou recentemente a <a href="https://www.coinbase.com/cloud" rel="noopener noreferrer" target="_blank">Coinbase Cloud</a>, com diversos serviços de suporte para produtos de cripto e decidi utilizá-la.</p>
<p>Note que a API da Coinbase possui <em>endpoints</em> que podem ser classificados como <strong>públicos</strong> ou <strong>privados</strong>. Os <em>endpoints</em> públicos são aqueles de conhecimento geral, por exemplo os dados históricos do Ethereum ou o book de negociações do Bitcoin. Já os privados contém dados relativos a um usuário específico: por exemplo, todos os seus trades executados no mês de Abril.</p>
<p>Como estamos interessados apenas em dados públicos, nosso código ficará ainda mais simples. Fosse o caso de querermos dados privados, precisaríamos de uma <em>API key</em>.</p>
<p>Vamos ao que interessa então e aprender a baixar os dados históricos de criptomoedas.</p>
<h2 id="baixando-dados-do-bitcoin"><strong>Baixando dados do Bitcoin</strong></h2>
<p>A API da Coinbase é bastante robusta e eu convido você a explorá-la. Para fins de dados históricos, porém, estamos interessados apenas na área de <a href="https://docs.cloud.coinbase.com/exchange/docs" rel="noopener noreferrer" target="_blank"><strong>Exchange</strong></a>.</p>
<p>Existem duas formas de se acessar os dados: através de uma <em>API REST</em> ou utilizando <em>websockets</em>.</p>
<h3 id="rest-api-vs-websockets"><strong>REST API vs WebSockets</strong></h3>
<p>Se você é mais familiarizado com desenvolvimento de software, já deve ter se deparado com esses termos anteriormente. Se não, não tem problema! Vamos explicar rapidamente a diferença entre esses dois protocolos de modo que você possa fazer a melhor decisão para o seu caso de uso.</p>
<p>Uma <strong>API REST</strong> é a forma mais tradicional de se comunicar com um serviço. Nela, o provedor expõe uma URL, também chamada de <em>endpoint</em>, onde o consumidor (ou cliente) faz uma <em>requisição HTTP</em> utilizando parâmetros previamente acordados (por exemplo, na documentação da API).</p>
<p>Tecnicamente falando, uma API REST deve seguir alguns princípios, como ser <em>idempotente</em>. Sem entrar em muitos detalhes técnicos, esse tipo de comunicação é tradicional no sentido que utiliza-se o padrão <em>cliente - servidor</em>. Ou seja, o cliente faz uma requisição para o servidor, espera uma resposta, e fecha a comunicação. Se dali a pouco o dado mudou (como é o caso com APIs de ativos financeiros), outra requisição tem que ser feita.</p>
<p>Já na abordagem via <strong>WebSockets</strong> o cliente <em>abre uma conexão</em> com o servidor, mas ela não necessariamente é fechada. Ou seja, abre-se uma espécie de "pipeline" de dados que são atualizados em tempo real sem que o cliente precise solicitar os dados mais recentes.</p>
<p>É como se você comparasse ter uma cascata de água natural na sua casa (WebSockets) <em>versus</em> ter que ir na cozinha apertar o botão do filtro (API REST).</p>
<p><img alt="" loading="lazy" decoding="async" width="643" height="331" src="https://rafaelquintanilha.com/_astro/websocket.BoVUEbmD_1c1EdT.webp"></p>
<p>Qual é melhor? Como sempre na computação, depende do seu caso de uso. Você precisa de uma fonte de água natural na sua casa? Provavelmente não. A decisão entre API REST vs WebSockets depende de quão frequente você deseja que os dados sejam atualizados.</p>
<p>Por exemplo, se você quer o dado da última negociação do Bitcoin em <em>real time</em>, então WebSockets serão uma melhor solução. Por outro lado, se sua aplicação permite um <em>delay</em> de 15 minutos, então é mais que suficiente fazer uma requisição nesse período utilizando a API REST.</p>
<p>No nosso exemplo de hoje, não estamos tão preocupados em termos dados em <em>real time</em>, portanto utilizaremos a API REST.</p>
<h3 id="descobrindo-o-product-id"><strong>Descobrindo o</strong> <em><strong>product id</strong></em></h3>
<p>Agora que decidimos qual serviço utilizaremos, podemos nos aprofundar na API da Coinbase.</p>
<p>De forma simplificada, todos os <em>pares</em> presentes na plataforma são chamados de <strong>produtos</strong>, e consequentemente possuem um <em>product id</em>. Esse <em>id</em> será utilizado para recuperar os dados históricos mais pra frente.</p>
<p>Existe um <a href="https://docs.cloud.coinbase.com/exchange/reference/exchangerestapi_getproducts" rel="noopener noreferrer" target="_blank">endpoint específico</a> para retornar todos os <em>trading pairs</em>, e eu convido você a explorá-lo. Uma outra forma de vê-los é ir na página de <a href="https://pro.coinbase.com/markets" rel="noopener noreferrer" target="_blank">Market Information</a> da Coinbase e ver alguns dos pares mais famosos, além de outros detalhes.</p>
<p>Sendo assim, o <em>product id</em> do Bitcoin é <strong>BTC-USD</strong>, do Ethereum é <strong>ETH-USD</strong>, da Dogecoin é <strong>DOGE-USD</strong>, etc. Anote esse <em>id</em> sempre que quiser acessar a base de preços.</p>
<h3 id="baixando-candles"><strong>Baixando</strong> <em><strong>candles</strong></em></h3>
<p>Já falei demais: agora checou a hora de escrever algum código. Utilizaremos o endpoint de <a href="https://docs.cloud.coinbase.com/exchange/reference/exchangerestapi_getproductcandles" rel="noopener noreferrer" target="_blank"><em>product candles</em></a> para recuperar os dados de um par.</p>
<p>Antes, porém, precisamos descobrir quais são os <em>parâmetros</em> do <em>endpoint</em>, ou seja, quais dados precisamos enviar para a Coinbase para recuperar exatamente os dados que queremos.</p>
<p>Além do <em>product id</em> que já vimos, a API suporta os parâmetros <code>start</code>, <code>end</code> e <code>granularity</code>.</p>
<p>Os dois primeiros são óbvios: eles representam o intervalo que queremos buscar os dados.</p>
<p>Já a <strong>granularidade</strong> nada mais é do que o <em>timeframe</em> do dado. Uma <code>granularity</code> de 900 representa 900 segundos, ou 15 minutos (M15). Já 86400 equivaleria ao timeframe diário (D1).</p>
<p>Atente que nem todas as granularidades são suportadas. Por exemplo, o valor de 7200 (ou 120 minutos) não é aceito. Há uma saída, porém: no final desse tutorial nós aprenderemos a utilizar a função <em>resample</em> para gerar timeframes customizados.</p>
<p>A tabela a seguir representam as granularidades aceitas pela Coinbase no momento da escrita deste post:</p>
<table>
<thead>
<tr>
<th>Granularidade</th>
<th>Período</th>
<th>Timeframe</th>
<th></th>
<th></th>
</tr>
</thead>
<tbody>
<tr>
<td>60</td>
<td>1 minuto</td>
<td>M1</td>
<td></td>
<td></td>
</tr>
<tr>
<td>300</td>
<td>5 minutos</td>
<td>M5</td>
<td></td>
<td></td>
</tr>
<tr>
<td>900</td>
<td>15 minutos</td>
<td>M15</td>
<td></td>
<td></td>
</tr>
<tr>
<td>3600</td>
<td>1 hora</td>
<td>H1</td>
<td></td>
<td></td>
</tr>
<tr>
<td>21600</td>
<td>6 horas</td>
<td>H6</td>
<td></td>
<td></td>
</tr>
<tr>
<td>86400</td>
<td>1 dia</td>
<td>D1</td>
<td></td>
<td></td>
</tr>
</tbody>
</table>
<h3 id="importando-as-bibliotecas-necessárias"><strong>Importando as bibliotecas necessárias</strong></h3>
<p>Agora que já sabemos todos os parâmetros necesśarios, vamos realizar nosso primeiro teste e baixar os <strong>dados de preço diários do Bitcoin no 1º trimestre de 2022</strong>.</p>
<p>Para isso, vamos importar a biblioteca <a href="https://pypi.org/project/requests/" rel="noopener noreferrer" target="_blank">requests</a> do Python e realizar a nossa primeira requisição HTTP.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> requests</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Mount URL</span></span>
<span class="line"><span style="color:#ECEBE8">product_id </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 'BTC-USD'</span></span>
<span class="line"><span style="color:#ECEBE8">url </span><span style="color:#A1C1E4">=</span><span style="color:#A1C1E4"> f</span><span style="color:#97CCAE">"https://api.exchange.coinbase.com/products/</span><span style="color:#97CCAE">{</span><span style="color:#ECEBE8">product_id</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">/candles"</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Define parameters</span></span>
<span class="line"><span style="color:#ECEBE8">granularity </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 86400</span></span>
<span class="line"><span style="color:#ECEBE8">start_date </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "2022-01-01T00:00:00"</span></span>
<span class="line"><span style="color:#ECEBE8">end_date </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "2022-03-31T23:59:59"</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Make sure to pass dates as ISO</span></span>
<span class="line"><span style="color:#ECEBE8">params </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {</span></span>
<span class="line"><span style="color:#97CCAE">    "start"</span><span style="color:#ECEBE8">: start_date,</span></span>
<span class="line"><span style="color:#97CCAE">    "end"</span><span style="color:#ECEBE8">: end_date,</span></span>
<span class="line"><span style="color:#97CCAE">    "granularity"</span><span style="color:#ECEBE8">: granularity</span></span>
<span class="line"><span style="color:#ECEBE8">}</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Define request headers</span></span>
<span class="line"><span style="color:#ECEBE8">headers </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {</span><span style="color:#97CCAE">"content-type"</span><span style="color:#ECEBE8">: </span><span style="color:#97CCAE">"application/json"</span><span style="color:#ECEBE8">}</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> requests.</span><span style="color:#EDCC95">get(url, params</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">params, headers</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">headers)</span></span>
<span class="line"><span style="color:#ECEBE8">data</span></span></code></pre></figure>
<p>Algumas coisas aconteceram aqui. Primeiro, construíamos a URL final que receberá nossa requisição (lembra dos <em>endpoints</em>?). Depois, ajustamos a granularidade para 86400 (ou seja, 1 dia de acordo com a nossa tabela) e definimos as datas como sendo o primeiro trimestre de 2022 no formato <a href="https://en.wikipedia.org/wiki/ISO_8601" rel="noopener noreferrer" target="_blank">ISO 8601</a>.</p>
<p><em><strong>Importante</strong></em><em>: a API da Coinbase trabalha com datas em UTC, ou seja, 3 horas a mais que o horário de Brasília.</em></p>
<p>Fazemos uma requisição simples passando nossos parâmetros e definindo o <em>content-type</em> como <em>JSON</em> e recebemos um HTTP Status Code 200, ou seja, <em>sucesso</em>! Nossos dados foram baixados.</p>
<p>Ainda assim, esse não é o formato mais útil de todos. Em muitos casos, vamos querer analisar esses dados como um JSON ou, já que estamos no Python, como um <em>DataFrame</em>. Vamos então transformar os dados em JSON:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data.</span><span style="color:#EDCC95">json()</span></span>
<span class="line"><span style="color:#ECEBE8">data[:</span><span style="color:#97CCAE">5</span><span style="color:#ECEBE8">]</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>[[1648684800, 45211, 47624.09, 47078.02, 45528.45, 17454.79144251], [1648598400, 46544.89, 47717.01, 47448.41, 47078.03, 12672.44584707], [1648512000, 46589, 48124.94, 47146.92, 47454.19, 15776.65108647], [1648425600, 46662.28, 48240, 46850.01, 47144.92, 18787.66318707], [1648339200, 44437.22, 46950, 44538.21, 46850.01, 10356.10317002]]</span></span></code></pre></figure>
<p>Agora sim. Recebemos uma <em>lista de listas</em> (exibidas apenas as 5 primeiras), onde os dados obedecem a ordem: <em>timestamp</em>, <em>low</em>, <em>high</em>, <em>open</em>, <em>close</em>, <em>volume</em>. <strong>Note que a ordem é diferente do formato OHLCV que costumamos ver por aí!</strong></p>
<p>Finalmente, vamos transformar nossa lista de listas em uma DataFrame respeitando a ordem dos elementos nas listas:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> pandas </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> pd</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">columns </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"low"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"high"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"close"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"volume"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Create a dataframe with results</span></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">DataFrame(data</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">data, columns</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">columns)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Create datetime column, set it as index and drop timestamp column</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">'datetime'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">to_datetime(df[</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#EDCC95">], unit</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'s'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df.</span><span style="color:#EDCC95">set_index(</span><span style="color:#97CCAE">'datetime'</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df.</span><span style="color:#EDCC95">drop(</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#EDCC95">, axis</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-03-31</td>
<td align="center">45211.00</td>
<td align="center">47624.09</td>
<td align="center">47078.02</td>
<td align="center">45528.45</td>
<td align="center">17454.791443</td>
</tr>
<tr>
<td align="center">2022-03-30</td>
<td align="center">46544.89</td>
<td align="center">47717.01</td>
<td align="center">47448.41</td>
<td align="center">47078.03</td>
<td align="center">12672.445847</td>
</tr>
<tr>
<td align="center">2022-03-29</td>
<td align="center">46589.00</td>
<td align="center">48124.94</td>
<td align="center">47146.92</td>
<td align="center">47454.19</td>
<td align="center">15776.651086</td>
</tr>
<tr>
<td align="center">2022-03-28</td>
<td align="center">46662.28</td>
<td align="center">48240.00</td>
<td align="center">46850.01</td>
<td align="center">47144.92</td>
<td align="center">18787.663187</td>
</tr>
<tr>
<td align="center">2022-03-27</td>
<td align="center">44437.22</td>
<td align="center">46950.00</td>
<td align="center">44538.21</td>
<td align="center">46850.01</td>
<td align="center">10356.103170</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-01-05</td>
<td align="center">42500.00</td>
<td align="center">47076.55</td>
<td align="center">45817.13</td>
<td align="center">43436.04</td>
<td align="center">25067.674768</td>
</tr>
<tr>
<td align="center">2022-01-04</td>
<td align="center">45515.00</td>
<td align="center">47532.89</td>
<td align="center">46459.57</td>
<td align="center">45814.61</td>
<td align="center">16320.327129</td>
</tr>
<tr>
<td align="center">2022-01-03</td>
<td align="center">45700.00</td>
<td align="center">47583.33</td>
<td align="center">47299.06</td>
<td align="center">46459.56</td>
<td align="center">10841.810205</td>
</tr>
<tr>
<td align="center">2022-01-02</td>
<td align="center">46633.36</td>
<td align="center">47990.00</td>
<td align="center">47733.43</td>
<td align="center">47299.07</td>
<td align="center">6833.498455</td>
</tr>
<tr>
<td align="center">2022-01-01</td>
<td align="center">46205.00</td>
<td align="center">47967.12</td>
<td align="center">46211.24</td>
<td align="center">47733.43</td>
<td align="center">9463.661711</td>
</tr>
</tbody>
</table>
<p>90 rows × 5 columns</p>
<p>E pronto! Repare que criamos uma nova coluna <code>datetime</code> onde trabalhamos com a data num formato mais amigável, transformando-a no índice no DataFrame. Por fim, como a coluna <code>timestamp</code> não nos será mais necessária, a deletamos.</p>
<p>Você já pode aproveitar o poder dos DataFrames com seus dados de cripto!</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">max_value </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">'high'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">max()</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Max BTC price between </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">start_date[:</span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE"> and </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">end_date[:</span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE"> was $</span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">max_value</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>Max BTC price between 2022-01-01 and 2022-03-31 was $48240.0</span></span></code></pre></figure>
<h2 id="baixando-dados-de-períodos-maiores"><strong>Baixando dados de períodos maiores</strong></h2>
<p>Nosso código funcionou perfeitamente, mas ainda não terminamos nossa exploração. Para facilitar daqui pra frente, vamos encapsular o que fizemos até agora em uma função <code>get_crypto_data</code>:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">def</span><span style="color:#EDCC95"> get_crypto_data</span><span style="color:#ECEBE8">(product_id, start_date, end_date, granularity):</span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Mount URL</span></span>
<span class="line"><span style="color:#ECEBE8">  url </span><span style="color:#A1C1E4">=</span><span style="color:#A1C1E4"> f</span><span style="color:#97CCAE">"https://api.exchange.coinbase.com/products/</span><span style="color:#97CCAE">{</span><span style="color:#ECEBE8">product_id</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">/candles"</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Make sure to pass dates as ISO</span></span>
<span class="line"><span style="color:#ECEBE8">  params </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {</span></span>
<span class="line"><span style="color:#97CCAE">      "start"</span><span style="color:#ECEBE8">: start_date,</span></span>
<span class="line"><span style="color:#97CCAE">      "end"</span><span style="color:#ECEBE8">: end_date,</span></span>
<span class="line"><span style="color:#97CCAE">      "granularity"</span><span style="color:#ECEBE8">: granularity</span></span>
<span class="line"><span style="color:#ECEBE8">  }</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Define request headers</span></span>
<span class="line"><span style="color:#ECEBE8">  headers </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {</span><span style="color:#97CCAE">"content-type"</span><span style="color:#ECEBE8">: </span><span style="color:#97CCAE">"application/json"</span><span style="color:#ECEBE8">}</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">  data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> requests.</span><span style="color:#EDCC95">get(url, params</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">params, headers</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">headers)</span></span>
<span class="line"><span style="color:#ECEBE8">  data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data.</span><span style="color:#EDCC95">json()</span></span>
<span class="line"><span style="color:#ECEBE8">  </span></span>
<span class="line"><span style="color:#ECEBE8">  columns </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"low"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"high"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"close"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"volume"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Create a dataframe with results</span></span>
<span class="line"><span style="color:#ECEBE8">  df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">DataFrame(data</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">data, columns</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">columns)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Create datetime column, set it as index and drop timestamp column</span></span>
<span class="line"><span style="color:#ECEBE8">  df[</span><span style="color:#97CCAE">'datetime'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">to_datetime(df[</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#EDCC95">], unit</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'s'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  df.</span><span style="color:#EDCC95">set_index(</span><span style="color:#97CCAE">'datetime'</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  df.</span><span style="color:#EDCC95">drop(</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#EDCC95">, axis</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">  return</span><span style="color:#ECEBE8"> df</span></span></code></pre></figure>
<p>Nossa função recebe todos os parâmetros necessários para baixar os dados. Sendo assim, vamos testá-la utilizando uma granularidade de 900, ou seja, 15 minutos:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"BTC-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-01T00:00:00"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-03-31T23:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">900</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
</table>
<p>Ora, o DataFrame está vazio! Isso acontece pois a Coinbase <em>limita</em> a quantidade de <em>data points</em> retornados por requisição. Isso faz sentido, caso contrário algum usuário poderia solicitar todos os dados no timeframe de 1 minuto a cada segundo, fritando os servidores da empresa.</p>
<p>Segundo a documentação, o <strong>máximo de data points são 300 candles</strong>. Vamos reajustar nossos parâmetros de data para confirmar:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"BTC-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-03-29T00:00:00"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-03-31T23:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">900</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-03-31 23:45:00</td>
<td align="center">45211.00</td>
<td align="center">45586.97</td>
<td align="center">45447.81</td>
<td align="center">45528.45</td>
<td align="center">331.390427</td>
</tr>
<tr>
<td align="center">2022-03-31 23:30:00</td>
<td align="center">45380.00</td>
<td align="center">45746.51</td>
<td align="center">45696.32</td>
<td align="center">45447.30</td>
<td align="center">167.929201</td>
</tr>
<tr>
<td align="center">2022-03-31 23:15:00</td>
<td align="center">45563.33</td>
<td align="center">45715.25</td>
<td align="center">45698.97</td>
<td align="center">45696.32</td>
<td align="center">164.113664</td>
</tr>
<tr>
<td align="center">2022-03-31 23:00:00</td>
<td align="center">45669.26</td>
<td align="center">45819.98</td>
<td align="center">45806.53</td>
<td align="center">45700.78</td>
<td align="center">102.271951</td>
</tr>
<tr>
<td align="center">2022-03-31 22:45:00</td>
<td align="center">45707.38</td>
<td align="center">45845.09</td>
<td align="center">45707.79</td>
<td align="center">45809.89</td>
<td align="center">71.263482</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-03-29 01:00:00</td>
<td align="center">47356.36</td>
<td align="center">47470.99</td>
<td align="center">47414.82</td>
<td align="center">47445.39</td>
<td align="center">73.969876</td>
</tr>
<tr>
<td align="center">2022-03-29 00:45:00</td>
<td align="center">47355.60</td>
<td align="center">47630.71</td>
<td align="center">47425.12</td>
<td align="center">47411.67</td>
<td align="center">154.791100</td>
</tr>
<tr>
<td align="center">2022-03-29 00:30:00</td>
<td align="center">47350.84</td>
<td align="center">47445.43</td>
<td align="center">47357.64</td>
<td align="center">47425.08</td>
<td align="center">93.277072</td>
</tr>
<tr>
<td align="center">2022-03-29 00:15:00</td>
<td align="center">47252.04</td>
<td align="center">47519.09</td>
<td align="center">47297.04</td>
<td align="center">47357.62</td>
<td align="center">205.391625</td>
</tr>
<tr>
<td align="center">2022-03-29 00:00:00</td>
<td align="center">47048.55</td>
<td align="center">47356.05</td>
<td align="center">47146.92</td>
<td align="center">47297.04</td>
<td align="center">315.522117</td>
</tr>
</tbody>
</table>
<p>288 rows × 5 columns</p>
<p>Agora sim. Selecionando um período de <em>3 dias</em> com a granularidade ajustada para 15 minutos, recuperamos 288 data points, praticamente no limite permitido por requisição.</p>
<p>Já andamos grande parte do caminho mas ainda não chegamos ao fim. 300 candles não fazem um verão, e portanto precisamos de um jeito de buscar quantos dados forem necessários, independente da limitação.</p>
<p>Vejamos o que a documentação nos sugere:</p>
<blockquote>
<p>If you wish to retrieve fine granularity data over a larger time range, you will need to make multiple requests with new start/end ranges.</p>
</blockquote>
<p>Trocando em miúdos: para recuperar mais dados que o limite precisamos iterar sobre o intervalo desejado e "quebrá-lo" em pedaços de 300 em 300 candles. Vamos resolver esse problema.</p>
<h3 id="iterando-sobre-o-intervalo-de-tempo"><strong>Iterando sobre o intervalo de tempo</strong></h3>
<p>Vamos retomar nosso intervalo original: o 1º trimestre de 2022. Conseguimos baixar os dados no timeframe diário, uma vez que existem menos de 300 pontos nessas configurações. Mas não fomos capazes de receber os dados no timeframe de 15 minutos por termos estourado o limite de 300 data points por requisição.</p>
<p>Para <em>bypassar</em> essa regra, criaremos o seguinte algoritmo:</p>
<ol>
<li>Inicializamos no início do intervalo;</li>
<li>Incrementamos o intervalo com o número máximo de candles permitidos para a granularidade em questão;</li>
<li>Baixamos os dados nesse subintervalo;</li>
<li>Se o final do subintervalo for <em>menor</em> que o final do intervalo original, repetimos o passo 1;</li>
<li>Ao final do loop, concatenamos os dados baixados em cada iteração.</li>
</ol>
<p>Por exemplo, se o início do intervalo é <strong>2022-01-01T00:00:00</strong> (ou seja, meia noite do dia 01/01/2022 em UTC) e granularidade é <strong>900</strong> (ou seja, 15 minutos), sabemos que temos 4 blocos de 15 minutos por hora e 24 horas, sendo assim 96 candles de 15 minutos em um dia.</p>
<p>Em 3 dias, temos 288 candles (não é coincidência que nosso dataframe anterior tenha exatamente esse número de linhas).</p>
<p>Como sobram ainda 12 candles para o limite de 300, e cada candle tem 15 minutos, então ainda podemos "andar" mais 180 minutos (ou 3 horas). Sendo assim, poderíamos escrever:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"BTC-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-01T00:00:00"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-04T03:00:00"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">900</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-01-04 03:00:00</td>
<td align="center">46023.08</td>
<td align="center">46144.92</td>
<td align="center">46102.58</td>
<td align="center">46041.94</td>
<td align="center">94.959678</td>
</tr>
<tr>
<td align="center">2022-01-04 02:45:00</td>
<td align="center">46088.57</td>
<td align="center">46238.24</td>
<td align="center">46201.38</td>
<td align="center">46104.69</td>
<td align="center">97.587071</td>
</tr>
<tr>
<td align="center">2022-01-04 02:30:00</td>
<td align="center">46077.15</td>
<td align="center">46263.46</td>
<td align="center">46130.41</td>
<td align="center">46201.38</td>
<td align="center">91.763870</td>
</tr>
<tr>
<td align="center">2022-01-04 02:15:00</td>
<td align="center">45950.00</td>
<td align="center">46155.20</td>
<td align="center">45984.17</td>
<td align="center">46132.18</td>
<td align="center">85.814546</td>
</tr>
<tr>
<td align="center">2022-01-04 02:00:00</td>
<td align="center">45951.46</td>
<td align="center">46149.43</td>
<td align="center">46060.37</td>
<td align="center">45985.43</td>
<td align="center">132.597476</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-01-01 01:15:00</td>
<td align="center">46736.81</td>
<td align="center">46931.00</td>
<td align="center">46762.51</td>
<td align="center">46800.00</td>
<td align="center">231.691797</td>
</tr>
<tr>
<td align="center">2022-01-01 01:00:00</td>
<td align="center">46573.65</td>
<td align="center">46762.51</td>
<td align="center">46656.85</td>
<td align="center">46760.66</td>
<td align="center">133.183740</td>
</tr>
<tr>
<td align="center">2022-01-01 00:45:00</td>
<td align="center">46566.17</td>
<td align="center">46744.99</td>
<td align="center">46603.71</td>
<td align="center">46656.85</td>
<td align="center">165.301353</td>
</tr>
<tr>
<td align="center">2022-01-01 00:30:00</td>
<td align="center">46334.08</td>
<td align="center">46664.91</td>
<td align="center">46359.10</td>
<td align="center">46603.64</td>
<td align="center">151.375780</td>
</tr>
<tr>
<td align="center">2022-01-01 00:15:00</td>
<td align="center">46211.35</td>
<td align="center">46394.44</td>
<td align="center">46315.46</td>
<td align="center">46359.09</td>
<td align="center">188.236630</td>
</tr>
</tbody>
</table>
<p>300 rows × 5 columns</p>
<p>Embora o DataFrame tenha exatos 300 pontos, note que estamos "deslocados" de 1 ponto, uma vez que a contagem está começando em <em>00:15</em>, e não às <em>00:00</em> como seria esperado. Podemos corrigir subtraindo 1 segundo das nossas datas inicial e final:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"BTC-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2021-12-31T23:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-04T02:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">900</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-01-04 02:45:00</td>
<td align="center">46088.57</td>
<td align="center">46238.24</td>
<td align="center">46201.38</td>
<td align="center">46104.69</td>
<td align="center">97.587071</td>
</tr>
<tr>
<td align="center">2022-01-04 02:30:00</td>
<td align="center">46077.15</td>
<td align="center">46263.46</td>
<td align="center">46130.41</td>
<td align="center">46201.38</td>
<td align="center">91.763870</td>
</tr>
<tr>
<td align="center">2022-01-04 02:15:00</td>
<td align="center">45950.00</td>
<td align="center">46155.20</td>
<td align="center">45984.17</td>
<td align="center">46132.18</td>
<td align="center">85.814546</td>
</tr>
<tr>
<td align="center">2022-01-04 02:00:00</td>
<td align="center">45951.46</td>
<td align="center">46149.43</td>
<td align="center">46060.37</td>
<td align="center">45985.43</td>
<td align="center">132.597476</td>
</tr>
<tr>
<td align="center">2022-01-04 01:45:00</td>
<td align="center">46044.31</td>
<td align="center">46205.05</td>
<td align="center">46132.80</td>
<td align="center">46060.38</td>
<td align="center">98.783973</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-01-01 01:00:00</td>
<td align="center">46573.65</td>
<td align="center">46762.51</td>
<td align="center">46656.85</td>
<td align="center">46760.66</td>
<td align="center">133.183740</td>
</tr>
<tr>
<td align="center">2022-01-01 00:45:00</td>
<td align="center">46566.17</td>
<td align="center">46744.99</td>
<td align="center">46603.71</td>
<td align="center">46656.85</td>
<td align="center">165.301353</td>
</tr>
<tr>
<td align="center">2022-01-01 00:30:00</td>
<td align="center">46334.08</td>
<td align="center">46664.91</td>
<td align="center">46359.10</td>
<td align="center">46603.64</td>
<td align="center">151.375780</td>
</tr>
<tr>
<td align="center">2022-01-01 00:15:00</td>
<td align="center">46211.35</td>
<td align="center">46394.44</td>
<td align="center">46315.46</td>
<td align="center">46359.09</td>
<td align="center">188.236630</td>
</tr>
<tr>
<td align="center">2022-01-01 00:00:00</td>
<td align="center">46205.00</td>
<td align="center">46500.00</td>
<td align="center">46211.24</td>
<td align="center">46316.17</td>
<td align="center">317.402547</td>
</tr>
</tbody>
</table>
<p>300 rows × 5 columns</p>
<p>Agora sim! Nossa requisição retorna exatamente os 300 primeiros <em>data points</em> de 2022 no timeframe de 15 minutos.</p>
<p>Como cada intervalo comporta 3 dias e 3 horas de dados, podemos utilizar o final do subintervalo como início do próximo, e "andar" mais 3 dias e 3 horas no final do subintervalo:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"BTC-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-04T02:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-07T05:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">900</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-01-07 05:45:00</td>
<td align="center">41615.81</td>
<td align="center">41850.00</td>
<td align="center">41711.20</td>
<td align="center">41834.30</td>
<td align="center">290.354053</td>
</tr>
<tr>
<td align="center">2022-01-07 05:30:00</td>
<td align="center">41642.21</td>
<td align="center">41945.65</td>
<td align="center">41791.36</td>
<td align="center">41712.43</td>
<td align="center">459.702018</td>
</tr>
<tr>
<td align="center">2022-01-07 05:15:00</td>
<td align="center">41704.82</td>
<td align="center">41893.85</td>
<td align="center">41713.97</td>
<td align="center">41788.88</td>
<td align="center">284.561626</td>
</tr>
<tr>
<td align="center">2022-01-07 05:00:00</td>
<td align="center">41522.31</td>
<td align="center">41746.54</td>
<td align="center">41691.63</td>
<td align="center">41718.69</td>
<td align="center">282.162749</td>
</tr>
<tr>
<td align="center">2022-01-07 04:45:00</td>
<td align="center">41404.00</td>
<td align="center">41772.31</td>
<td align="center">41416.31</td>
<td align="center">41689.99</td>
<td align="center">575.720724</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-01-04 04:00:00</td>
<td align="center">46181.09</td>
<td align="center">46398.41</td>
<td align="center">46319.99</td>
<td align="center">46248.78</td>
<td align="center">85.736188</td>
</tr>
<tr>
<td align="center">2022-01-04 03:45:00</td>
<td align="center">46300.00</td>
<td align="center">46385.20</td>
<td align="center">46342.60</td>
<td align="center">46319.84</td>
<td align="center">88.525080</td>
</tr>
<tr>
<td align="center">2022-01-04 03:30:00</td>
<td align="center">46180.23</td>
<td align="center">46342.60</td>
<td align="center">46192.33</td>
<td align="center">46342.60</td>
<td align="center">98.737794</td>
</tr>
<tr>
<td align="center">2022-01-04 03:15:00</td>
<td align="center">46015.89</td>
<td align="center">46211.75</td>
<td align="center">46041.85</td>
<td align="center">46192.33</td>
<td align="center">106.962232</td>
</tr>
<tr>
<td align="center">2022-01-04 03:00:00</td>
<td align="center">46023.08</td>
<td align="center">46144.92</td>
<td align="center">46102.58</td>
<td align="center">46041.94</td>
<td align="center">94.959678</td>
</tr>
</tbody>
</table>
<p>300 rows × 5 columns</p>
<p>E aí está. Recomeçamos exatamente de onde paramos e andamos os 300 candles permitidos.</p>
<p>Agora que você já entendeu o algoritmo podemos alterar <code>get_crypto_data</code> para fazer isso automaticamente:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> datetime </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> datetime, timedelta</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">def</span><span style="color:#EDCC95"> get_crypto_data</span><span style="color:#ECEBE8">(product_id, start_date, end_date, granularity):</span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Mount URL</span></span>
<span class="line"><span style="color:#ECEBE8">  url </span><span style="color:#A1C1E4">=</span><span style="color:#A1C1E4"> f</span><span style="color:#97CCAE">"https://api.exchange.coinbase.com/products/</span><span style="color:#97CCAE">{</span><span style="color:#ECEBE8">product_id</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">/candles"</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Delta is the increment in time from one candle to another</span></span>
<span class="line"><span style="color:#ECEBE8">  delta </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> timedelta(seconds</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">granularity)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Coinbase's limitation</span></span>
<span class="line"><span style="color:#ECEBE8">  max_candles </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 300</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Start from the last second of last day to prevent duplications</span></span>
<span class="line"><span style="color:#ECEBE8">  current_date </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> datetime.</span><span style="color:#EDCC95">strptime(start_date, </span><span style="color:#97CCAE">'%Y-%m-%dT%H:%M:%S'</span><span style="color:#EDCC95">)</span><span style="color:#A1C1E4"> -</span><span style="color:#EDCC95"> timedelta(seconds</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  end_date </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> datetime.</span><span style="color:#EDCC95">strptime(end_date, </span><span style="color:#97CCAE">'%Y-%m-%dT%H:%M:%S'</span><span style="color:#EDCC95">)</span><span style="color:#A1C1E4"> -</span><span style="color:#EDCC95"> timedelta(seconds</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # We'll add results in each iteration to this list</span></span>
<span class="line"><span style="color:#ECEBE8">  results </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> []</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Iterate over interval</span></span>
<span class="line"><span style="color:#A1C1E4">  while</span><span style="color:#ECEBE8"> current_date </span><span style="color:#A1C1E4">&#x3C;</span><span style="color:#ECEBE8"> end_date:</span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">    # Get next date. It's the current date + increment if still within the interval,</span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">    # else it's the end date</span></span>
<span class="line"><span style="color:#ECEBE8">    next_date </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> current_date </span><span style="color:#A1C1E4">+</span><span style="color:#ECEBE8"> max_candles </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> delta</span></span>
<span class="line"><span style="color:#ECEBE8">    next_date </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> next_date </span><span style="color:#A1C1E4">if</span><span style="color:#ECEBE8"> next_date </span><span style="color:#A1C1E4">&#x3C;</span><span style="color:#ECEBE8"> end_date </span><span style="color:#A1C1E4">else</span><span style="color:#ECEBE8"> end_date</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">    # Make sure to pass dates as ISO</span></span>
<span class="line"><span style="color:#ECEBE8">    params </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {</span></span>
<span class="line"><span style="color:#97CCAE">        "start"</span><span style="color:#ECEBE8">: current_date.</span><span style="color:#EDCC95">isoformat()</span><span style="color:#ECEBE8">,</span></span>
<span class="line"><span style="color:#97CCAE">        "end"</span><span style="color:#ECEBE8">: next_date.</span><span style="color:#EDCC95">isoformat()</span><span style="color:#ECEBE8">,</span></span>
<span class="line"><span style="color:#97CCAE">        "granularity"</span><span style="color:#ECEBE8">: granularity</span></span>
<span class="line"><span style="color:#ECEBE8">    }</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">    headers </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {</span><span style="color:#97CCAE">"content-type"</span><span style="color:#ECEBE8">: </span><span style="color:#97CCAE">"application/json"</span><span style="color:#ECEBE8">}</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">    data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> requests.</span><span style="color:#EDCC95">get(url, params</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">params, headers</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">headers)</span></span>
<span class="line"><span style="color:#ECEBE8">    data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data.</span><span style="color:#EDCC95">json()</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">    # Make sure to add more recent data to the top of the list</span></span>
<span class="line"><span style="color:#ECEBE8">    results </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data </span><span style="color:#A1C1E4">+</span><span style="color:#ECEBE8"> results</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">    # Update cursor</span></span>
<span class="line"><span style="color:#ECEBE8">    current_date </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> next_date</span></span>
<span class="line"><span style="color:#ECEBE8">  </span></span>
<span class="line"><span style="color:#ECEBE8">  columns </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"low"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"high"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"close"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"volume"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Create a dataframe with results</span></span>
<span class="line"><span style="color:#ECEBE8">  df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">DataFrame(data</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">results, columns</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">columns)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic">  # Create datetime column, set it as index and drop timestamp column</span></span>
<span class="line"><span style="color:#ECEBE8">  df[</span><span style="color:#97CCAE">'datetime'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">to_datetime(df[</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#EDCC95">], unit</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'s'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  df.</span><span style="color:#EDCC95">set_index(</span><span style="color:#97CCAE">'datetime'</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">  df.</span><span style="color:#EDCC95">drop(</span><span style="color:#97CCAE">'timestamp'</span><span style="color:#EDCC95">, axis</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">  return</span><span style="color:#ECEBE8"> df</span></span></code></pre></figure>
<p>Algumas coisas importantes aqui:</p>
<ul>
<li>Utilizamos a função <code>timedelta</code> para manipular a data, subtraindo 1 segundo dos intervalos;</li>
<li>Definimos <code>max_candles</code> como o limite de <em>data points</em> em cada iteração;</li>
<li>Definimos <code>next_date</code> como o final do subintervalo;</li>
<li>Baixamos os dados e os adicionamos a uma lista;</li>
<li>No final, convertermos a lista para <em>DataFrame</em>.</li>
</ul>
<p>Chegou a hora de testar nossa intenção original: baixar todos os candles de 15 minutos do Bitcoin no 1º trimestre de 2022.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"BTC-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-01T00:00:00"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-03-31T23:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">900</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-03-31 23:45:00</td>
<td align="center">45211.00</td>
<td align="center">45586.97</td>
<td align="center">45447.81</td>
<td align="center">45528.45</td>
<td align="center">331.390427</td>
</tr>
<tr>
<td align="center">2022-03-31 23:30:00</td>
<td align="center">45380.00</td>
<td align="center">45746.51</td>
<td align="center">45696.32</td>
<td align="center">45447.30</td>
<td align="center">167.929201</td>
</tr>
<tr>
<td align="center">2022-03-31 23:15:00</td>
<td align="center">45563.33</td>
<td align="center">45715.25</td>
<td align="center">45698.97</td>
<td align="center">45696.32</td>
<td align="center">164.113664</td>
</tr>
<tr>
<td align="center">2022-03-31 23:00:00</td>
<td align="center">45669.26</td>
<td align="center">45819.98</td>
<td align="center">45806.53</td>
<td align="center">45700.78</td>
<td align="center">102.271951</td>
</tr>
<tr>
<td align="center">2022-03-31 22:45:00</td>
<td align="center">45707.38</td>
<td align="center">45845.09</td>
<td align="center">45707.79</td>
<td align="center">45809.89</td>
<td align="center">71.263482</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-01-01 01:00:00</td>
<td align="center">46573.65</td>
<td align="center">46762.51</td>
<td align="center">46656.85</td>
<td align="center">46760.66</td>
<td align="center">133.183740</td>
</tr>
<tr>
<td align="center">2022-01-01 00:45:00</td>
<td align="center">46566.17</td>
<td align="center">46744.99</td>
<td align="center">46603.71</td>
<td align="center">46656.85</td>
<td align="center">165.301353</td>
</tr>
<tr>
<td align="center">2022-01-01 00:30:00</td>
<td align="center">46334.08</td>
<td align="center">46664.91</td>
<td align="center">46359.10</td>
<td align="center">46603.64</td>
<td align="center">151.375780</td>
</tr>
<tr>
<td align="center">2022-01-01 00:15:00</td>
<td align="center">46211.35</td>
<td align="center">46394.44</td>
<td align="center">46315.46</td>
<td align="center">46359.09</td>
<td align="center">188.236630</td>
</tr>
<tr>
<td align="center">2022-01-01 00:00:00</td>
<td align="center">46205.00</td>
<td align="center">46500.00</td>
<td align="center">46211.24</td>
<td align="center">46316.17</td>
<td align="center">317.402547</td>
</tr>
</tbody>
</table>
<p>8640 rows × 5 columns</p>
<p>E aí está. Nos <em>90 dias</em> do 1º trimestre existem <em>90 * 96 = 8640</em> candles, justamente o tamanho do nosso DataFrame. Vitória!</p>
<h2 id="baixando-dados-em-outros-timeframes"><strong>Baixando dados em outros timeframes</strong></h2>
<p>Nossa última missão do dia é descobrir como fazer para utilizar granularidades customizadas. Ora, pode ser que o seu timeframe favorito não esteja na lista!</p>
<p>Felizmente existe a poderosíssima função <a href="https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.resample.html" rel="noopener noreferrer" target="_blank">resample</a> no pandas. Suponhamos que nosso objetivo é baixar todos os dados de <em>Ethereum</em> no 1º trimestre de 2022, porém no timeframe de 120 minutos.</p>
<p>No entanto, a granularidade suportada mais próxima disso é <strong>3600</strong>, ou 1 hora. Vamos começar então baixando os dados no timeframe de <em>granularidade mais próxima</em>:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_crypto_data(</span></span>
<span class="line"><span style="color:#EDCC95">  product_id</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"ETH-USD"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  start_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-01-01T00:00:00"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  end_date</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2022-03-31T23:59:59"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">  granularity</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3600</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-03-31 23:00:00</td>
<td align="center">3263.42</td>
<td align="center">3298.72</td>
<td align="center">3291.51</td>
<td align="center">3283.08</td>
<td align="center">5846.861734</td>
</tr>
<tr>
<td align="center">2022-03-31 22:00:00</td>
<td align="center">3274.34</td>
<td align="center">3294.20</td>
<td align="center">3288.29</td>
<td align="center">3291.30</td>
<td align="center">5073.242391</td>
</tr>
<tr>
<td align="center">2022-03-31 21:00:00</td>
<td align="center">3288.10</td>
<td align="center">3307.39</td>
<td align="center">3300.57</td>
<td align="center">3288.27</td>
<td align="center">6042.383361</td>
</tr>
<tr>
<td align="center">2022-03-31 20:00:00</td>
<td align="center">3280.00</td>
<td align="center">3305.00</td>
<td align="center">3284.27</td>
<td align="center">3300.58</td>
<td align="center">9915.034122</td>
</tr>
<tr>
<td align="center">2022-03-31 19:00:00</td>
<td align="center">3283.32</td>
<td align="center">3312.90</td>
<td align="center">3309.73</td>
<td align="center">3284.17</td>
<td align="center">11106.793949</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-01-01 04:00:00</td>
<td align="center">3705.09</td>
<td align="center">3727.34</td>
<td align="center">3723.01</td>
<td align="center">3706.87</td>
<td align="center">6879.855088</td>
</tr>
<tr>
<td align="center">2022-01-01 03:00:00</td>
<td align="center">3721.99</td>
<td align="center">3736.08</td>
<td align="center">3728.01</td>
<td align="center">3722.96</td>
<td align="center">3711.649049</td>
</tr>
<tr>
<td align="center">2022-01-01 02:00:00</td>
<td align="center">3722.01</td>
<td align="center">3737.38</td>
<td align="center">3724.81</td>
<td align="center">3727.94</td>
<td align="center">5135.417450</td>
</tr>
<tr>
<td align="center">2022-01-01 01:00:00</td>
<td align="center">3709.15</td>
<td align="center">3748.11</td>
<td align="center">3722.79</td>
<td align="center">3724.22</td>
<td align="center">9223.416393</td>
</tr>
<tr>
<td align="center">2022-01-01 00:00:00</td>
<td align="center">3675.44</td>
<td align="center">3728.87</td>
<td align="center">3675.81</td>
<td align="center">3722.78</td>
<td align="center">8114.958722</td>
</tr>
</tbody>
</table>
<p>2160 rows × 5 columns</p>
<p>Nossa função retornou os dados corretamente, porém precisamos agrupá-los de forma que se encaixe no nosso timeframe. Como queremos combiná-los em intervalos de 2 horas, precisamos <em>agregar</em> cada 2 linhas em uma nova, utilizando as seguintes regras:</p>
<ul>
<li>Queremos o <em>menor</em> valor na coluna <em>low</em>;</li>
<li>Queremos o <em>maior</em> valor na coluna <em>high</em>;</li>
<li>Queremos o <em>primeiro</em> valor na coluna <em>open</em>;</li>
<li>Queremos o <em>último</em> valor na coluna <em>close</em>;</li>
<li>Queremos a <em>soma</em> dos valores na coluna <em>volume</em>.</li>
</ul>
<p>Por exemplo, os dois primeiros candles do DataFrame (<em>2022-01-01 00:00:00</em> e <em>2022-01-01 01:00:00</em>) devem ser <strong>agregados</strong> em um candle cujo <em>datetime</em> é 2022-01-01 00:00:00, <em>low</em> seja 3675.44, <em>high</em> seja 3748.11, <em>open</em> seja 3675.81, <em>close</em> seja 3724.22 <em>e _volume</em> seja 17338.36.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.</span><span style="color:#EDCC95">resample(</span><span style="color:#97CCAE">'120 min'</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.</span><span style="color:#EDCC95">agg({</span></span>
<span class="line"><span style="color:#97CCAE">  "low"</span><span style="color:#EDCC95">: </span><span style="color:#97CCAE">"min"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#97CCAE">  "high"</span><span style="color:#EDCC95">: </span><span style="color:#97CCAE">"max"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#97CCAE">  "open"</span><span style="color:#EDCC95">: </span><span style="color:#97CCAE">"first"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#97CCAE">  "close"</span><span style="color:#EDCC95">: </span><span style="color:#97CCAE">"last"</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#97CCAE">  "volume"</span><span style="color:#EDCC95">: </span><span style="color:#97CCAE">"sum"</span></span>
<span class="line"><span style="color:#EDCC95">})</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">low</th>
<th align="center">high</th>
<th align="center">open</th>
<th align="center">close</th>
<th align="center">volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2022-01-01 00:00:00</td>
<td align="center">3675.44</td>
<td align="center">3748.11</td>
<td align="center">3675.81</td>
<td align="center">3724.22</td>
<td align="center">17338.375115</td>
</tr>
<tr>
<td align="center">2022-01-01 02:00:00</td>
<td align="center">3721.99</td>
<td align="center">3737.38</td>
<td align="center">3724.81</td>
<td align="center">3722.96</td>
<td align="center">8847.066499</td>
</tr>
<tr>
<td align="center">2022-01-01 04:00:00</td>
<td align="center">3702.43</td>
<td align="center">3763.83</td>
<td align="center">3723.01</td>
<td align="center">3735.00</td>
<td align="center">12822.868144</td>
</tr>
<tr>
<td align="center">2022-01-01 06:00:00</td>
<td align="center">3700.00</td>
<td align="center">3742.87</td>
<td align="center">3735.01</td>
<td align="center">3714.27</td>
<td align="center">13458.744710</td>
</tr>
<tr>
<td align="center">2022-01-01 08:00:00</td>
<td align="center">3708.25</td>
<td align="center">3733.47</td>
<td align="center">3714.88</td>
<td align="center">3718.44</td>
<td align="center">3064.374500</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2022-03-31 14:00:00</td>
<td align="center">3336.36</td>
<td align="center">3389.15</td>
<td align="center">3381.40</td>
<td align="center">3351.14</td>
<td align="center">26798.403425</td>
</tr>
<tr>
<td align="center">2022-03-31 16:00:00</td>
<td align="center">3265.53</td>
<td align="center">3354.96</td>
<td align="center">3350.97</td>
<td align="center">3296.00</td>
<td align="center">38338.470086</td>
</tr>
<tr>
<td align="center">2022-03-31 18:00:00</td>
<td align="center">3260.99</td>
<td align="center">3312.90</td>
<td align="center">3295.71</td>
<td align="center">3284.17</td>
<td align="center">23085.379080</td>
</tr>
<tr>
<td align="center">2022-03-31 20:00:00</td>
<td align="center">3280.00</td>
<td align="center">3307.39</td>
<td align="center">3284.27</td>
<td align="center">3288.27</td>
<td align="center">15957.417484</td>
</tr>
<tr>
<td align="center">2022-03-31 22:00:00</td>
<td align="center">3263.42</td>
<td align="center">3298.72</td>
<td align="center">3288.29</td>
<td align="center">3283.08</td>
<td align="center">10920.104125</td>
</tr>
</tbody>
</table>
<p>1080 rows × 5 columns</p>
<p>Aposto que você não acreditava que seria tão simples. Sim, passando a <em>string</em> <code>'120 min'</code> o pandas é esperto o suficiente para reagrupar as linhas utilizando as funções específicas para cada coluna. Note como o novo DataFrame é metade do original. Elegante.</p>
<h2 id="conclusão"><strong>Conclusão</strong></h2>
<p>Graças à natureza tecnológica das criptomoedas existem diversas APIs públicas com seus dados históricos. A <strong>Coinbase</strong>, uma das maiores exchanges americanas e que é listada na NASDAQ, disponibiliza sua API através da Coinbase Cloud.</p>
<p>Aprendemos que a Coinbase limita em 300 dados por requisição. Sendo assim, devemos fazer múltiplas requisições iterativamente se queremos baixar mais dados que isso.</p>
<p>Por fim, nem todos os timeframes são aceitos. Apenas certas <em>granularidades</em> são permitidas, como M15, H1 e D1. No entanto, utilizando o poderoso <em>resample</em> podemos agregar candles de acordo com regras específicas.</p>
<p>Se você tem interesse em <strong>estratégias quantitativas para criptomoedas</strong>, considere <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">criar sua conta no QuantBrasil</a>. No QuantBrasil oferecemos o <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank">Simulador de Estratégias</a>, onde você pode realizar backtests em criptomoedas e outros ativos de forma simples e rápida.</p>
<p>Sendo membro <strong>Premium</strong> você desbloqueia todas as estratégias, ativos e timeframes no nosso simulador, além de outras ferramentas imprescindíveis para investidores e traders. <a href="https://quantbrasil.com.br/planos" rel="noopener noreferrer" target="_blank">Confira nossos planos!</a></p>
<p>Até a próxima!</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Entenda o que é Valor Esperado (EV) e Sua Utilidade Para um Trader]]></title>
<description><![CDATA[Aprenda sobre o EV em diferentes contextos e como aplicar esse conceito na prática.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/entenda-o-que-e-valor-esperado-ev-e-sua-utilidade-para-um-trader/</link>
<guid isPermaLink="false">638d008e24336d003d59fdcd</guid>
<category><![CDATA[Quantitative Analysis]]></category><category><![CDATA[Math]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Tue, 21 Dec 2021 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>No seu famoso livro <em>Iludidos Pelo Acaso</em> (<a href="https://amzn.to/3p9JjoO" rel="noopener noreferrer" target="_blank">Fooled by Randomness</a> no original), o autor Nassim Taleb descreve uma situação onde um colega de trabalho questiona se ele acha que o mercado vai subir ou descer. "Acho que sobe", diz Taleb. No dia seguinte, o amigo retorna furioso ao perceber que Taleb havia embolsado uma boa grana efetuando um <em>trade</em> na direção contrária, isto é, que o mercado ia <em>cair</em>. Questionado por ter dito uma coisa e feito outra, o trader responde que havia uma chance maior de ser um dia de alta, porém, caso fosse um dia de baixa, o mercado cairia com força.</p>
<p>Se você, como o colega do autor, ainda vê uma contradição na ação do trader, não se preocupe. Nesse artigo, exploraremos o conceito de <strong>Valor Esperado</strong> (também conhecido como <em>Esperança</em> ou <em>Expectativa Matemática</em>), e aprenderemos como utilizar esse importante conceito de forma prática no dia-a-dia de um trader.</p>
<h2 id="definindo-o-valor-esperado"><strong>Definindo o Valor Esperado</strong></h2>
<p>Imagine a seguinte situação: um amigo propõe uma aposta, onde vocês rolarão os dados. Se o número for par, você ganha R$10. Se for ímpar, você precisa pagá-lo R$11. Você aceitaria essa aposta?</p>
<p>Mesmo que você ainda não saiba o que é Valor Esperado (EV), a resposta provavelmente é <strong>não</strong>. Não parece justo que ele ganhe mais do que você, considerando que a <em>chance de vitória é a mesma para ambos</em>.</p>
<p>Intuitivamente fica simples perceber que essa aposta é ruim para você. Matemáticamente, como podemos ter certeza? Daí o conceito de Valor Esperado.</p>
<p>Definimos o <strong>Valor Esperado</strong> como a soma das probabilidades de um determinado evento acontecer <em>ponderadas</em> por quanto você ganha (ou perde) em cada situação. Em outras palavras:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><msub><mi>P</mi><mrow><mi>g</mi><mi>a</mi><mi>i</mi><mi>n</mi></mrow></msub><mo>×</mo><mi>p</mi><mi>a</mi><mi>y</mi><mi>o</mi><mi>f</mi><mi>f</mi><mo>+</mo><msub><mi>P</mi><mrow><mi>l</mi><mi>o</mi><mi>s</mi><mi>s</mi></mrow></msub><mo>×</mo><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi></mrow><annotation encoding="application/x-tex">EV = P_{gain} \times payoff + P_{loss} \times risk</annotation></semantics></math></span></span></span>
<p>Onde <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>P</mi><mrow><mi>g</mi><mi>a</mi><mi>i</mi><mi>n</mi></mrow></msub></mrow><annotation encoding="application/x-tex">P_{gain}</annotation></semantics></math></span></span> é a <em>probabilidade de acerto</em>, <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>P</mi><mrow><mi>l</mi><mi>o</mi><mi>s</mi><mi>s</mi></mrow></msub></mrow><annotation encoding="application/x-tex">P_{loss}</annotation></semantics></math></span></span> é a <em>probabilidade de erro</em>, <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>p</mi><mi>a</mi><mi>y</mi><mi>o</mi><mi>f</mi><mi>f</mi></mrow><annotation encoding="application/x-tex">payoff</annotation></semantics></math></span></span> é <em>quanto você ganha se acertar</em> e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi></mrow><annotation encoding="application/x-tex">risk</annotation></semantics></math></span></span> é <em>quanto você perde se errar</em>.</p>
<p>Podemos então calcular o <em>valor esperado</em> da aposta substituindo os valores na fórmula:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>0.5</mn><mo>×</mo><mn>10</mn><mo>+</mo><mn>0.5</mn><mo>×</mo><mo>−</mo><mn>11</mn><mo>=</mo><mo>−</mo><mn>0.5</mn></mrow><annotation encoding="application/x-tex">EV = 0.5 \times 10 + 0.5 \times -11 = -0.5</annotation></semantics></math></span></span></span>
<p>O valor esperado <em>negativo</em> nos indica que a aposta, no longo prazo, é <em>perdedora</em>, e que é "esperado" que percamos R$0.50 cada vez que jogamos os dados. Isso é extremamente, pois significa que mesmo que haja uma sequência de eventos onde ganhemos 3x seguidas (o que tem uma probabilidade não-desprezível de 12,5%), <em>ainda assim</em> estamos fazendo um mau negócio.</p>
<h2 id="valor-esperado-na-prática"><strong>Valor Esperado na prática</strong></h2>
<p>Agora que o conceito de EV já foi definido, vamos explorá-lo em algumas situações típicas.</p>
<h3 id="apostas-esportivas"><strong>Apostas esportivas</strong></h3>
<p>Talvez o exemplo mais flagrante da utilidade do Valor Esperado se dá nas <em>apostas esportivas</em>. Apostas esportivas normalmente são eventos <em>binários</em>, ou seja, ou uma situação acontece, ou outra <em>mutuamente excludente</em>. Por exemplo:</p>
<ul>
<li>Ou o Vasco ganha, ou o Vasco não ganha (empata ou perde).</li>
<li>Ou o Charles do Bronx finaliza por guilhotina no 3º round, ou ele não finaliza por guilhotina no 3º round.</li>
</ul>
<p>Ou o Trump é eleito, ou ele não é eleito.</p>
<ul>
<li>Embora tecnicamente uma eleição não seja um evento <em>esportivo</em>, seu resultado é binário, então vamos usar a licença-poética aqui para entender "esportivas" como "<em>recreativas</em>".</li>
</ul>
<p>Como o evento é binário, se definirmos <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>P</mi><mrow><mi>g</mi><mi>a</mi><mi>i</mi><mi>n</mi></mrow></msub><mo>=</mo><mi>p</mi></mrow><annotation encoding="application/x-tex">P_{gain} = p</annotation></semantics></math></span></span>, naturalmente segue que <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>P</mi><mrow><mi>l</mi><mi>o</mi><mi>s</mi><mi>s</mi></mrow></msub><mo>=</mo><mn>1</mn><mo>−</mo><mi>p</mi></mrow><annotation encoding="application/x-tex">P_{loss} = 1 - p</annotation></semantics></math></span></span>, uma vez que a soma dos dois eventos precisa ser 1.</p>
<p>O que resta agora é definir quanto que recebemos em retorno por uma aposta, ou seja, o valor que estamos <em>arriscando</em> (<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi></mrow><annotation encoding="application/x-tex">risk</annotation></semantics></math></span></span>). Essa proporção é o que chamamos de <strong>odds</strong>. Uma <em>odd</em> de 2:1 significa que, para cada real apostado, recebemos 2 de volta caso ganhemos. Usando os termos que vimos anteriormente, <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi><mo>=</mo><mn>1</mn></mrow><annotation encoding="application/x-tex">risk = 1</annotation></semantics></math></span></span> e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>p</mi><mi>a</mi><mi>y</mi><mi>o</mi><mi>f</mi><mi>f</mi><mo>=</mo><mn>2</mn></mrow><annotation encoding="application/x-tex">payoff = 2</annotation></semantics></math></span></span>.</p>
<p>Nesse exemplo, substituindo na nossa fórmula do EV, segue que:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mi>p</mi><mo>×</mo><mn>2</mn><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>p</mi><mo stretchy="false">)</mo><mo>×</mo><mo stretchy="false">(</mo><mo>−</mo><mn>1</mn><mo stretchy="false">)</mo><mo>=</mo><mn>3</mn><mi>p</mi><mo>−</mo><mn>1</mn></mrow><annotation encoding="application/x-tex">EV = p \times 2 + (1 - p) \times (-1) = 3p - 1</annotation></semantics></math></span></span></span>
<p>Onde <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>p</mi></mrow><annotation encoding="application/x-tex">p</annotation></semantics></math></span></span> é a probabilidade de acerto.</p>
<p>Tá, mas até agora isso não quer dizer muito. Como podemos interpretar essa equação?</p>
<h4 id="descobrindo-seu-edge"><strong>Descobrindo seu edge</strong></h4>
<p>Se um EV negativo significa que você irá <em>perder</em> dinheiro no longo prazo e um EV positivo significa que você irá <em>ganhar</em> dinheiro no longo prazo, naturalmente um <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>0</mn></mrow><annotation encoding="application/x-tex">EV = 0</annotation></semantics></math></span></span> representa o seu <strong>break-even</strong>, ou seja, o limite onde sua aposta passa a ser vencedora ou perdedora.</p>
<p>Aplicando essa condição na equação anterior, temos:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>3</mn><mi>p</mi><mo>−</mo><mn>1</mn><mo>=</mo><mn>0</mn></mrow><annotation encoding="application/x-tex">EV = 3p - 1 = 0</annotation></semantics></math></span></span></span>
<p>De onde segue que <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>p</mi><mo>=</mo><mstyle scriptlevel="0" displaystyle="true"><mfrac><mn>1</mn><mn>3</mn></mfrac></mstyle></mrow><annotation encoding="application/x-tex">p = \dfrac{1}{3}</annotation></semantics></math></span></span>, ou <em>33.3%</em>.</p>
<p>Isso significa que, para as odds apresentadas (2:1), o <em>break-even</em> da aposta é 33.3%. Se a chance de sucesso for maior que isso, sua aposta tem uma expectativa matemática <em>positiva</em>. Se for menor, <em>negativa</em>. À diferença entre a probabilidade de sucesso e o break-even damos o nome de <strong>edge</strong>.</p>
<p>Sendo assim, se o seu julgamento para um determinado evento é uma chance de 50% de acerto e as odds estão 2:1, você tem um <em>edge</em> sobre a casa e portanto a aposta é matematicamente aceitável. Substituindo na fórmula do EV para essas odds:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>3</mn><mi>p</mi><mo>−</mo><mn>1</mn><mo>=</mo><mn>3</mn><mo>×</mo><mn>0.5</mn><mo>−</mo><mn>1</mn><mo>=</mo><mn>0.5</mn></mrow><annotation encoding="application/x-tex">EV = 3p - 1 = 3 \times 0.5 - 1  = 0.5</annotation></semantics></math></span></span></span>
<p>Em outras palavras, no longo prazo, para cada real investido você é <em>esperado</em> de obter R$0,50 de retorno.</p>
<h3 id="exemplo-final-da-libertadores"><strong>Exemplo: Final da Libertadores</strong></h3>
<p>Certo, já aprendemos o que é Valor Esperado e como podemos utilizar as <em>odds</em> para determinarmos se temos um <em>edge</em>, ou seja, uma vantagem competitiva em relação à nossa contraparte. Vou ilustrar agora como um apostador (ou trader) pode utilizar esse conceito na prática.</p>
<p>A final da Libertadores de 2021 foi entre Palmeiras e Flamengo, este último sendo considerado o <em>favorito</em>, algo que eu também acreditava. A questão então era: <strong>quão</strong> favorito? Existe um <em>edge</em> nas odds oferecidas?</p>
<p>Fui então ao site do <a href="https://sportsbet.io" rel="noopener noreferrer" target="_blank">Sportsbet</a> e descobri que eles estavam oferecendo odds de <em>10:1</em> no título do Flamengo, limitado a R$10. Essas odds obviamente são fora da realidade, já que se substituirmos na nossa fórmula do EV, descobriremos que o <em>break-even</em> da casa ficaria em <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mstyle scriptlevel="0" displaystyle="true"><mfrac><mn>1</mn><mn>11</mn></mfrac></mstyle></mrow><annotation encoding="application/x-tex">\dfrac{1}{11}</annotation></semantics></math></span></span>, ou 9%, algo incompatível com o favoritismo do rubro-negro.</p>
<p>Isso não passou de uma inteligentíssima ação de marketing da empresa, que provavelmente aumentou significativamente sua base de usuários a um risco controlado. Essas odds já seriam suficientes para que eu, que considerava o Flamengo favorito, fizesse a aposta. Porém, pensei: e se eu usar essa aposta, que tem capital limitado, como <strong>hedge</strong> (proteção, não confundir com <em>edge</em>) de uma aposta maior? Em outras palavras: consigo abater essas odds irreais de uma aposta <em>contrária</em> no Palmeiras de modo a embolsar um prêmio maior?</p>
<p>A mesma casa pagava odds de <em>2.63:1</em> no título do Palmeiras, o que correspondia a <em>27,5%</em> de probabilidade. Por si só, isso já me parecia uma odd bastante atrativa: certamente o Flamengo era favorito, mas não nessa proporção!</p>
<h4 id="o-resultado"><strong>O Resultado</strong></h4>
<p>No final, essas foram as apostas que eu fiz:</p>
<p><img alt="" loading="lazy" decoding="async" width="679" height="490" src="https://rafaelquintanilha.com/_astro/fla-pal.CNF_3nHf_Z1e6FE1.webp"></p>
<p>Vamos entender a aposta e calcular as <em>odds</em> reais que a casa de apostas estava oferecendo:</p>
<ul>
<li><em>R$10</em> no título do Flamengo, que caso se concretizasse me retornaria <em>R$100</em>;</li>
<li><em>R$200</em> no título do Palmeiras, que caso se concretizasse me retornaria <em>R$526</em>.</li>
</ul>
<p>Assim, haviam duas possibilidades:</p>
<p><strong>Possibilidade 1</strong>: Flamengo campeão, eu ganho R$100 da aposta vencedora mas perco R$200 da aposta feita no Palmeiras. Resultado: aposto R$210 e fico com R$100, um <em>prejuízo</em> de <strong>-R$110</strong>.</p>
<p><strong>Possibilidade 2</strong>: Palmeiras campeão, eu perco R$10 da aposta no Flamengo mas embolso R$526 da aposta no Palmeiras. Resultado: aposto R$210 e fico com R$526, um <em>lucro líquido</em> de <strong>R$316</strong>.</p>
<p>Resumidamente, eu estava arriscando R$110 (Flamengo campeão) para ganhar R$526 (Palmeiras campeão), <em>odds</em> de quase 5:1!</p>
<p>Vamos descobrir o <em>break-even</em> da aposta:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mi>p</mi><mo>×</mo><mn>526</mn><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>p</mi><mo stretchy="false">)</mo><mo>×</mo><mo stretchy="false">(</mo><mo>−</mo><mn>110</mn><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">EV = p \times 526 + (1 - p) \times (-110)</annotation></semantics></math></span></span></span>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>636</mn><mi>p</mi><mo>−</mo><mn>110</mn><mo>=</mo><mn>0</mn></mrow><annotation encoding="application/x-tex">EV = 636p - 110 = 0</annotation></semantics></math></span></span></span>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>p</mi><mo>=</mo><mstyle scriptlevel="0" displaystyle="true"><mfrac><mn>110</mn><mn>636</mn></mfrac></mstyle><mo>≈</mo><mn>0.173</mn></mrow><annotation encoding="application/x-tex">p = \dfrac{110}{636} \approx 0.173</annotation></semantics></math></span></span></span>
<p>Ou seja: a casa estava "precificando" o título do Palmeiras em <strong>17,3%</strong>. Se o meu julgamento inicial era um favoritismo de 60-40 para o Flamengo, eu fui praticamente obrigado a fazer a aposta no <em>underdog</em>.</p>
<h3 id="valor-esperado-no-poker"><strong>Valor Esperado no Poker</strong></h3>
<p>Outra aplicabilidade bastante comum do EV é como critério de aposta no jogo de <em>Poker</em>. Nesse jogo de cartas, os jogadores fazem apostas a cada turno, e o total apostado é acrescentado ao <em>pot</em>. O vencedor da mão leva todo o valor do <em>pot</em>.</p>
<p>Assim, à medida que os turnos avançam, o <em>pot</em> cresce e portanto o prêmio fica maior. Dessa forma, ao ser confrontado com a decisão de pagar ou não uma determinada aposta, o jogador precisa calcular qual o <em>EV</em> da jogada, isso é, se pagar a aposta é matematicamente positivo no longo prazo (<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>E</mi><mi>V</mi><mo>></mo><mn>0</mn></mrow><annotation encoding="application/x-tex">EV > 0</annotation></semantics></math></span></span>).</p>
<p>Suponha que o <em>pot</em> contenha R$1000 no <em>flop</em> e um adversário vai <em>all-in</em> apostando R$800. Você julga possuir <em>6 outs</em>, isto é, 6 cartas que melhoram a sua mão e tornam-a vencedora. Sem entrar em muitos detalhes do jogo, isso equivale aproximadamente a uma chance de <em>24%</em> de que alguma dessas 6 cartas irá aparecer até o fim. Deve você pagar a aposta?</p>
<p>Bem, nesse caso <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi><mo>=</mo><mn>800</mn></mrow><annotation encoding="application/x-tex">risk = 800</annotation></semantics></math></span></span> e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>p</mi><mi>a</mi><mi>y</mi><mi>o</mi><mi>f</mi><mi>f</mi><mo>=</mo><mn>1000</mn><mo>+</mo><mn>800</mn><mo>+</mo><mn>800</mn><mo>=</mo><mn>2600</mn></mrow><annotation encoding="application/x-tex">payoff = 1000 + 800 + 800 = 2600</annotation></semantics></math></span></span> (R$1000 já estavam no <em>pot</em>, R$800 apostados pelo adversário e R$800 apostados por você). Assumindo uma chance de vitória de 24%, seu EV então é:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>0.24</mn><mo>×</mo><mn>2600</mn><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mn>0.24</mn><mo stretchy="false">)</mo><mo>×</mo><mo stretchy="false">(</mo><mo>−</mo><mn>800</mn><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">EV = 0.24 \times 2600 + (1 - 0.24) \times (-800)</annotation></semantics></math></span></span></span>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>624</mn><mo>−</mo><mn>608</mn><mo>=</mo><mn>16</mn><mo>></mo><mn>0</mn></mrow><annotation encoding="application/x-tex">EV = 624 - 608 = 16 > 0</annotation></semantics></math></span></span></span>
<p>Sendo o EV positivo, o jogador está "matematicamente autorizado" a pagar a aposta.</p>
<h2 id="problemas-do-valor-esperado"><strong>Problemas do Valor Esperado</strong></h2>
<p>Sempre que calculamos o Valor Esperado devemos nos atentar a alguns problemas típicos. Alguns deles:</p>
<ul>
<li>Pressupomos um <em>longo prazo</em>. Assim, nada adianta justificar uma decisão pelo EV se é uma situação atípica ou marginalmente vencedora;</li>
<li>Nosso julgamento das probabilidades pode ser <em>enviesado</em>. Por exemplo, o fato de ter achado a probabilidade de 17,3% do Palmeiras ser campeão um escândalo pode ter sido enviesado pelo fato de eu ser vascaíno e estar fervorosamente torcendo contra;</li>
<li><strong>Não há Valor Esperado se há chance de ruína</strong>. Um exemplo clássico é a roleta russa: mesmo que você ganhe R$1 bilhão para apertar o gatilho com uma probabilidade de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mstyle scriptlevel="0" displaystyle="true"><mfrac><mn>5</mn><mn>6</mn></mfrac></mstyle></mrow><annotation encoding="application/x-tex">\dfrac{5}{6}</annotation></semantics></math></span></span>​ de sucesso, o <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi></mrow><annotation encoding="application/x-tex">risk</annotation></semantics></math></span></span> (colocar uma bala na cabeça) inviabiliza a operação.</li>
</ul>
<p>No mundo do trading é bastante comum cometermos o primeiro erro, influenciados principalmente por situações atípicas ou um espaço amostral pequeno. Portanto, um backtest realizado com poucas operações é extremamente sensível a ruídos, o que na prática significa que aquela probabilidade não representa a realidade.</p>
<p>Já a chance de ruína é muito comum nos jogos de poker: por mais que uma jogada tenha o EV positivo, às vezes é melhor esperar uma melhor oportunidade, mais segura, do que correr o risco de ser prematuramente eliminado.</p>
<p>No mundo dos investimentos, essa é a razão pela qual nunca devemos ir <em>all-in</em> em uma única operação. Por mais certos que estejamos e por mais positivo que seja o nosso EV, o risco de ser tirado do jogo não compensa o resultado.</p>
<h2 id="valor-esperado-para-traders"><strong>Valor Esperado para Traders</strong></h2>
<p>Agora que já aprendemos a calcular e aplicar o EV e entendemos suas limitações, podemos nos aprofundar no seu uso para <em>traders</em>.</p>
<p>Na plataforma do QuantBrasil temos um <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank">Simulador de Estratégias</a> onde qualquer um pode realizar o <strong>backtest</strong> de sua estratégia favorita.</p>
<p>O resultado a seguir é o resultado da estratégia do <strong>123 de Compra</strong> para <em>JBSS3</em> nos <em>120 minutos</em> quando esse ativo está no <a href="https://quantbrasil.com.br/eden-dos-traders" rel="noopener noreferrer" target="_blank">Éden dos Traders</a>:</p>
<p><img alt="" loading="lazy" decoding="async" width="1020" height="1152" src="https://rafaelquintanilha.com/_astro/backtest-123-jbs.DQnXcPwF_1VnEhY.webp"></p>
<p><strong>Quer rodar os seus próprios backtests?</strong> <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank"><strong>Crie sua conta no QuantBrasil.</strong></a> <strong>Não leva nem 1 minuto!</strong></p>
<p>O resultado é bastante positivo e o EV (Valor Esperado) é de <em>0.58%</em>. Como chegamos a esse número?</p>
<p>Bem, veja que acertamos 29/44 de operações, o que corresponde a <em>66% de assertividade</em>. Como limitamos o nosso risco a 2% do capital inicial de R$100,000, nosso <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>r</mi><mi>i</mi><mi>s</mi><mi>k</mi></mrow><annotation encoding="application/x-tex">risk</annotation></semantics></math></span></span> vai girar em torno de R$2,000 (na prática o valor sempre será diferente, pois há gaps, o lote precisa ser múltiplo de 100 ações, etc).</p>
<p>A <em>perda média</em> acabou ficando em R$1897,80 (próximo ao nosso risco máximo teórico estabelecido) e o ganho médio foi de R$1860,86. No final, é como se o "mercado" estivesse nos oferecendo odds bem próximas de 1:1 para aplicar essa estratégia.</p>
<p>Substituindo todos esses valores na fórmula do EV, segue que:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>0.66</mn><mo>×</mo><mn>1860</mn><mo separator="true">,</mo><mn>86</mn><mo>+</mo><mn>0.34</mn><mo>×</mo><mo stretchy="false">(</mo><mo>−</mo><mn>1897</mn><mo separator="true">,</mo><mn>80</mn><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">EV = 0.66 \times 1860,86 + 0.34 \times (-1897,80)</annotation></semantics></math></span></span></span>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>1228</mn><mo separator="true">,</mo><mn>17</mn><mo>−</mo><mn>645</mn><mo separator="true">,</mo><mn>25</mn><mo>=</mo><mn>582</mn><mo separator="true">,</mo><mn>92</mn></mrow><annotation encoding="application/x-tex">EV = 1228,17 - 645,25 = 582,92</annotation></semantics></math></span></span></span>
<p>Isso significa que, para um capital de R$100,000 a um risco máximo de 2%, o <strong>valor esperado por trade</strong> é de R$582, ou <strong>0.58%</strong> do capital.</p>
<h3 id="o-ev-não-é-a-única-coisa-que-importa"><strong>O EV não é a única coisa que importa</strong></h3>
<p>Observadas todas as ressalvas feitas ao Valor Esperado, é inegável que esse seja uma das métricas mais importantes na tomada de decisão de um trader. Ainda assim, o EV por si só não carrega todas as informações.</p>
<p>Considere o seguinte backtest, também realizado para <em>JBSS3</em> nos <em>120 minutos</em>, mas dessa vez sem o filtro de Éden dos Traders e com um <em>risco fixo</em> de 2:1.</p>
<p><img alt="" loading="lazy" decoding="async" width="1017" height="968" src="https://rafaelquintanilha.com/_astro/backtest-123-fixed.Bq93_-rw_PWgxQ.webp"></p>
<p>Aqui, temos um EV impressionante de <strong>0.96%</strong>, o que significa que um trader executando essa estratégia durante esse período tinha uma expectativa matemática de aumentar o seu patrimônio em praticamente 1% <em>a cada trade</em>.</p>
<p>Tão bom quanto pareça, essa performance impressionante não vem de graça. Primeiro, a taxa de erro aumentou de 34% para 41%. Segundo e principal, o <a href="https://quantbrasil.com.br/entenda-o-drawdown-e-calcule-essa-medida-de-volatilidade-para-qualquer-ativo" rel="noopener noreferrer" target="_blank">drawdown</a> mais que dobrou, atingindo quase 12% (a maior sequência de <em>perdas</em> indo de 3 para 7).</p>
<p>Em outras palavras, nosso <em>retorno</em> aumentou, mas também o nosso <em>risco</em>. A combinação que melhor funciona sempre será uma função do seu apetite ao risco e força mental durante os trades. Pergunte a si mesmo: continuaria mantendo a mesma estratégia depois dela falhar 7x em sequência?</p>
<h3 id="atenção-a-dinâmica-do-mercado-muda"><strong>Atenção: a dinâmica do mercado muda</strong></h3>
<p>Você fez o dever de casa: estudou a estratégia, realizou o backtest, aferiu o EV, e agora? Deve colocar todo seu dinheiro na estratégia em questão?</p>
<p>Antes de sair fazendo isso, lembre-se que o mercado é dinâmico e <strong>backtests sempre representam o passado</strong>. Em outras palavras, não é porque uma estratégia teve <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>0.98</mn></mrow><annotation encoding="application/x-tex">EV = 0.98</annotation></semantics></math></span></span> nos últimos 2 anos que ela continuará tendo pelos próximos 2. Por exemplo, <em>JBSS3</em> foi um dos papeis mais fortes do Ibovespa em 2021, então naturalmente a maior parte das estratégias nesse ativo foi lucrativa.</p>
<p>Se o EV não é garantia de nada, por que me preocupar em calculá-lo então?</p>
<p>Essa pergunta é bastante pertinente e não nos cabe explicar com rigor matemático nesse momento. No entanto, é importante entender que um papel que teve a <em>dinâmica</em> que <em>JBSS3</em> apresentou naquele período, observados os mesmos parâmetros da estratégia, teve um EV tão alto quanto 0,98%. É possível presumir, então, que se formos capazes de identificar papeis apresentando uma <em>dinâmica</em> parecida, o resultado <em>pode</em> ser parecido.</p>
<p>No QuantBrasil, a cada semana atualizamos o <a href="https://quantbrasil.com.br/app/melhores-backtests" rel="noopener noreferrer" target="_blank">ranking</a> com os ativos que melhor performaram em uma determinada estratégia nos últimos 500 dias (<a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">crie sua conta para visualizar o ranking de backtests</a>). Essa é uma forma de estar sempre acompanhando os ativos cuja estratégia está funcionando.</p>
<p>Além disso, nosso screening de <a href="https://quantbrasil.com.br/momentum" rel="noopener noreferrer" target="_blank">momentum</a> gera sempre uma lista atualizada dos ativos que estão performando melhor nos últimos meses. Sendo a estratégia de 123 de compra majoritariamente <em>seguidora de tendência</em>, é razoável assumir que ativos com maior <em>momentum</em> apresentem um resultado melhor no backtest dessa estratégia (no momento de escrita desse artigo JBSS3 é o 3º na lista de <em>momentum</em>).</p>
<h2 id="conclusão"><strong>Conclusão</strong></h2>
<p>O <strong>Valor Esperado</strong> (ou Esperança/Expectativa Matemática) é uma métrica extremamente relevante para tomadas de decisão. Vimos que sua aplicabilidade é diversa no cotidiano, indo desde apostas esportivas, passando pelo poker e sendo crucial para <em>traders</em>.</p>
<p>No QuantBrasil é possível <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank">rodar backtests</a> de diversas estratégias e saber exatamente o EV, ou quanto você é <em>esperado</em> de ganhar por trade, considerando a dinâmica do mercado no período de teste.</p>
<p>Ainda assim, o EV precisa ser observado com atenção: ele é irrelevante caso haja <strong>risco de ruína</strong> e estará sempre sujeito a alteração nas probabilidades. Ferramentas como o <a href="https://quantbrasil.com.br/app/melhores-backtests" rel="noopener noreferrer" target="_blank">ranking de backtests</a> e o <a href="https://quantbrasil.com.br/momentum" rel="noopener noreferrer" target="_blank">screening de momentum</a> são úteis para minimizar a chance de calcular um EV que já não representa a realidade.</p>
<p>Por fim e mais importante, o EV nos ajuda a entender qual é o <em>payoff</em> de uma estratégia e porquê podemos achar que um determinado evento é mais provável e ainda assim fazer uma aposta na direção contrária. Como diria Nassim Taleb no seu livro <a href="https://amzn.to/3GS7a20" rel="noopener noreferrer" target="_blank">Skin in the Game</a>:</p>
<blockquote>
<p>What matters in life isn't how frequently one is "right" about outcomes, but how much one makes when one is right.</p>
</blockquote>]]></content:encoded>
</item>
<item>
<title><![CDATA[Apresentando a Área de Membros do QuantBrasil]]></title>
<description><![CDATA[Um resumo de uma plataforma dedicada ao trader quantitativo brasileiro.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/apresentando-a-area-de-membros-do-quantbrasil/</link>
<guid isPermaLink="false">638cfe5b24336d003d59fdbd</guid>

<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Thu, 18 Nov 2021 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>Há pouco mais de 1 ano, o QuantBrasil nasceu como um blog. A grande vantagem era transformar um <em>Jupyter Notebook</em>, ou um estudo de Data Science, em um artigo palatável para o público e que pudesse ser publicado e lido rapidamente.</p>
<p>Com o tempo, fomos precisando de dados mais confiáveis. Logo estávamos criando nossa própria estrutura de aquisição e tratamento de dados, adquiridos em tempo real. Com tantos dados na mão, era natural criar algum tipo de screening ou listas que fossem de interesse da comunidade. Sem surpresas, em poucos meses já tínhamos uma estrutura com banco de dados e uma API que nos permitisse adicionar mais funcionalidades ao site.</p>
<p>O caminho natural era virar uma plataforma, sem perder o apelo educacional, mas permitindo que cada usuário do QuantBrasil tivesse sua experiência personalizada. A primeira etapa desse plano foi cumprida hoje!</p>
<p>Hoje abrimos para o público a versão <em>beta</em> da plataforma do QuantBrasil, apoiada em 4 pilares:</p>
<ol>
<li>Simulador de Estratégias</li>
<li>Ranking de Estratégias</li>
<li>Portfólios Personalizados</li>
<li>Alertas de Sinais</li>
</ol>
<p>Antes de vermos cada um desses pilares individualmente, é importante ressaltar que <strong>QuantBrasil é de graça</strong> e nenhuma funcionalidade existente será descontinuada. Apenas estamos criando a área de membros, <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">cujo cadastro não leva 1 minuto</a>, para os usuários que desejam uma experiência mais personalizada.</p>
<p>Vamos à parte boa!</p>
<h2 id="1-simulador-de-estratégias"><strong>1. Simulador de Estratégias</strong></h2>
<p>O <em>core</em> do QuantBrasil sempre foram os backtests. Como as soluções existentes não são muito confiáveis, decidimos ensinar no nosso <a href="https://quantbrasil.com.br/blog" rel="noopener noreferrer" target="_blank">blog</a> como cada um poderia programar sua própria estratégia utilizando Python.</p>
<p>Essa abordagem, embora acadêmica, não é muito prática. Muitas vezes um sinal está se desenhando na sua frente e você deseja saber se ele é matemáticamente positivo ou não. Para essas situações, criamos o <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank">Simulador de Estratégias</a>.</p>
<p>No Simulador, você poderá escolher os seguintes parâmetros:</p>
<ul>
<li>Estratégia;</li>
<li>Timeframe (Semanal até 15 minutos);</li>
<li>Período;</li>
<li>Ativo;</li>
<li>Capital disponível;</li>
<li>Parâmetros específicos de cada estratégia (ex: valor de IFR2, stop no tempo, etc).</li>
</ul>
<p><em>Estamos trabalhando para adicionar cada vez mais estratégias, e customizar ainda mais as que já existem. Fiquem ligados para novidades!</em></p>
<p>Uma vez que a estratégia for executada, você terá todas as estatísticas relevantes, como taxa de acerto, lucro, drawdown, EV, etc. Além disso, poderá acompanhar a evolução do capital em gráficos detalhados.</p>
<p><strong>Veja um exemplo de utilização do simulador:</strong></p>
<p><img alt="" loading="lazy" decoding="async" width="1019" height="810" src="https://rafaelquintanilha.com/_astro/backtests.DKHNxmTW_13YBb4.webp"></p>
<p>Novamente, fiquem atentos para novas estratégias, parâmetros e ativos. Quer testar a plataforma? É só <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">fazer o cadastro no QuantBrasil</a>.</p>
<h2 id="2-ranking-de-estratégias"><strong>2. Ranking de Estratégias</strong></h2>
<p>Rodar seu próprio backtest é legal, mas e se quiséssemos ordenar <em>todos</em> os ativos pelo seu desempenho em uma determinada estratégia? É para isso que criamos o <a href="https://quantbrasil.com.br/app/melhores-backtests" rel="noopener noreferrer" target="_blank">Ranking de Estratégias</a>.</p>
<p>Com o ranking você pode selecionar apenas os ativos que satisfaçam seus requisitos: sejam eles sobre números de operações, drawdown, lucro, e muito mais. Por exemplo, esse seria o Top 3 ativos que melhor performaram na estratégia de IFR2, com pelo menos <em>40 trades</em>, acerto mínimo de <em>70%</em> e ordenado pelo menor <em>drawdown</em>. O ranking é atualizado periodicamente.</p>
<p><img alt="" loading="lazy" decoding="async" width="1021" height="890" src="https://rafaelquintanilha.com/_astro/ranking.CcHcw3HE_Z1l9c7r.webp"></p>
<p>Para cada estratégia disponível no simulador, criamos um ranking utilizando os parâmetros-padrão. Ou seja: teremos sempre novos rankings sendo gerados e atualizados. <em>Você não paga nada!</em> Tudo que precisa fazer é <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">criar a sua conta</a> e acessar o <a href="https://quantbrasil.com.br/app/melhores-backtests" rel="noopener noreferrer" target="_blank">Ranking de Estratégias</a>.</p>
<h2 id="3-crie-portfólios"><strong>3. Crie Portfólios</strong></h2>
<p>Uma das ferramentas que nossos usuários mais gostam são os <em>screenings</em>. Nele, conseguimos olhar os ativos que estão dando algum tipo de sinal, como o <a href="https://quantbrasil.com.br/ifr2" rel="noopener noreferrer" target="_blank">IFR2</a> abaixo de 30, ou que estejam no <a href="https://quantbrasil.com.br/eden-dos-traders" rel="noopener noreferrer" target="_blank">Éden dos Traders</a>, ou que estejam entre <a href="https://quantbrasil.com.br/ranking" rel="noopener noreferrer" target="_blank">os mais fortes do ano</a>.</p>
<p>O screening é muito útil, mas ele poderia ser melhor se pudéssemos filtrar sempre pelos nossos ativos favoritos. É justamente isso que nossa tela de <a href="https://quantbrasil.com.br/app/portfolios" rel="noopener noreferrer" target="_blank">Portfólios</a> permite.</p>
<p>Crie quantos portfólios quiser e adicione ativos a ele. Por exemplo, baseado no ranking acima com os filtros aplicados, poderíamos criar um portfólio como esse:</p>
<p><img alt="" loading="lazy" decoding="async" width="1022" height="661" src="https://rafaelquintanilha.com/_astro/portfolio.CPfCcQK8_Z7adr7.webp"></p>
<p>Uma vez criado, você perceberá que a tela de screening apresentará uma nova opção: <strong>Aplicar nos meus porfólios</strong>. Basta selecionar o seu portfólio para ter uma rápida visão do screening para o seus ativos de interesse:</p>
<p><img alt="" loading="lazy" decoding="async" width="1021" height="883" src="https://rafaelquintanilha.com/_astro/apply-portfolio.EDNyHizB_1cgs68.webp"></p>
<p>Combine com o <a href="https://quantbrasil.com.br/backtests" rel="noopener noreferrer" target="_blank">Simulador de Estratégias</a> para observar as estatísticas mais atualizadas e para ajustar os parâmetros, se necessário.</p>
<h2 id="4-acompanhe-alertas"><strong>4. Acompanhe Alertas</strong></h2>
<p>Quem nos acompanha há um tempo sabe emitimos múltiplos alertas diariamente no <a href="https://t.me/quantbrasil_alertas" rel="noopener noreferrer" target="_blank">Telegram</a>. Pois bem, agora você pode filtrar, rever e, combinando com o Simulador, testar o resultado para cada alerta dado.</p>
<p>Até o momento que escrevo esse post, foram dados os seguintes alertas no Telegram e na plataforma:</p>
<p><img alt="" loading="lazy" decoding="async" width="1018" height="1017" src="https://rafaelquintanilha.com/_astro/alertas.DCfU2QiQ_1gG3Ka.webp"></p>
<p>Estamos trabalhando para colocar cada vez mais alertas, e, num futuro não tão distante, avisar <em>diretamente no seu celular</em> a formação de um padrão de interesse. Gostou? É só <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">criar sua conta</a> e acessar a nossa <a href="https://quantbrasil.com.br/alertas" rel="noopener noreferrer" target="_blank">página de alertas</a>!</p>
<h2 id="é-só-o-começo"><strong>É só o começo...</strong></h2>
<p>O QuantBrasil só existe porque é usado e faz a diferença na vida dos investidores pessoa física. O nosso objetivo é levar o melhor da análise quantitativa para cada um, e é isso que vamos continuar fazendo.</p>
<p>Lembre-se que ainda estamos em <em>beta</em>! Isso significa que estamos testando o limite da plataforma e em rápido processo de melhoria. Até por isso, se você é cadastrado, existe um pequeno botão no canto direito da sua tela chamado <em>Feedback</em>. Todo feedback enviado é rapidamente analisado pelo nosso time.</p>
<p>Outra alternativa é falar diretamente com a gente no <a href="https://t.me/quantbrasil" rel="noopener noreferrer" target="_blank">Telegram</a>. Seja qual for o seu meio preferido, não deixe de nos contatar! Muito do que criamos veio de sugestão de usuários e esse sempre será nosso foco. Enquanto for útil, o QuantBrasil seguirá existindo e se aperfeiçoando.</p>
<p>Se você quer experimentar o melhor do QuantBrasil, <a href="https://quantbrasil.com.br/cadastro" rel="noopener noreferrer" target="_blank">crie sua conta</a>! É sério, não leva nem 1 minuto.</p>
<p>Fiquem ligados nas novidades e não se esqueçam: é só o começo...</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Quanto Ganhei Com Day Trade e Swing Trade no Primeiro Semestre de 2021]]></title>
<description><![CDATA[Uma explicação detalhada sobre um sistema de trading colocado em prática.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/quanto-ganhei-com-day-trade-e-swing-trade-no-primeiro-semestre-de-2021/</link>
<guid isPermaLink="false">638cfc7524336d003d59fd98</guid>
<category><![CDATA[Backtesting]]></category><category><![CDATA[Quantitative Analysis]]></category><category><![CDATA[Risk Management]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Wed, 07 Jul 2021 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>Quando o QuantBrasil nasceu, a ideia não era "brincar" de aplicar Python para o mercado financeiro, mas efetivamente transformar esse estudo em dinheiro. Diferente do que infelizmente ocorre em diversos setores da academia, o objetivo é realizar análises convicentes o suficiente para que eu (e quem mais fosse convencido) colocasse o próprio capital em risco.</p>
<p>Há mais ou menos 1 ano decidi fazer uma gestão mais ativa do meu patrimônio. Não que antes eu não me importasse — já são quase 4 anos de bolsa. No entanto, decidi experimentar novos modelos e buscar abordagens mais técnicas e quantitativas.</p>
<p>Por um bom tempo eu bati minha cabeça buscando achar o melhor modelo de trading, risco x retorno, e descobri falhas que apenas a prática pode ensinar. As causas para essa discrepância são várias, e explorarei-as mais adiante. Fato é, <strong>trading na prática é diferente de trading na estatística</strong>.</p>
<p>No dia 06/01/2021, após assistir <a href="https://www.youtube.com/channel/UCntXeFBe7WME5MEw4LE-tCg" rel="noopener noreferrer" target="_blank">mais um brilhante vídeo do Stormer</a>, decidi montar o meu próprio sistema operacional e segui-lo da forma mais fiel possível. Esse post é o resultado, <strong>com valores reais e dados estatísticos</strong>, de 6 meses de muito aprendizado.</p>
<h2 id="horizontes-de-trade"><strong>Horizontes de trade</strong></h2>
<p>Antes de dissecar o modelo, precisamos separar as diferentes estratégias de trade. Ei-las:</p>
<ul>
<li><strong>Day Trade (DT)</strong>: visa iniciar e terminar uma operação no mesmo dia.</li>
<li><strong>Swing Trade (ST)</strong>: visa iniciar uma operação e terminar alguns dias depois.</li>
<li><strong>Position</strong>: visa iniciar uma operação e terminar semanas ou meses depois.</li>
</ul>
<p>À primeira vista a diferença entre cada horizonte de investimento é apenas o tempo de operação. No entanto, como veremos em números mais pra frente, a dinâmica do trade varia <em>substancialmente</em> dependendo da estratégia.</p>
<p>De modo geral, <strong>quanto maior o horizonte de investimento, mais assertividade no trading</strong>. Essa relação é natural, uma vez que quanto mais tempo o investimento tem para maturar, menos propenso a ruídos ele estará.</p>
<p>Para a análise de hoje desconsiderarei os <em>positions</em>, uma vez que eles existem em menos quantidade (por razões óbvias) e há um claro viés onde os <em>positions</em> encerrados tendem a ser as operações perdedoras (as ganhadoras continuam em aberto em busca de uma rentabilidade mais elevada).</p>
<h2 id="controle-de-risco"><strong>Controle de risco</strong></h2>
<p>Existem diversas formas de se controlar o risco da operação. Alguns traders gostam de usar o conceito de <em>caixas operacionais</em>, onde você separa seu capital em partes iguais e aloca cada parte em um trade diferente.</p>
<p>No entanto, essa estratégia tem um problema: o seu risco varia de acordo com a volatilidade do papel. Explico: um trade em <em>TASA4</em> vai ter um stop muito mais longo (percentualmente) que em <em>VALE3</em>, uma vez que seu <a href="https://quantbrasil.com.br/beta" rel="noopener noreferrer" target="_blank">beta</a> é muito maior. Daí, R$ 20.000,00 alocados em <em>TASA4</em> representará um <strong>risco financeiro</strong> maior que em Vale.</p>
<p>Para mitigar esse problema, eu decidi utilizar um <em>risco fixo financeiro</em> por estratégia. Agora eu sei exatamente o meu risco máximo por trade, independente do papel, e consigo ter uma base de comparação bem mais justa.</p>
<p>Sendo o risco financeiro fixo, a próxima pergunta é: <strong>quanto devo arriscar por trade?</strong></p>
<p>A resposta natural é uma % do seu capital dedicado para essa atividade, e a porcentagem final é extremamente pessoal. De modo geral, acredito que cada um vai chegar no seu risco aceitável entendendo qual é o máximo que você consegue arriscar sem comprometer a execução da operação. Em outras palavras, <strong>não adianta ser um</strong> <em><strong>risco tão grande</strong></em> <strong>ao ponto de deixá-lo ansioso com o resultado, nem</strong> <em><strong>tão pequeno</strong></em> <strong>que lhe torne desleixado</strong>.</p>
<h2 id="valor-esperado"><strong>Valor Esperado</strong></h2>
<p>Todo trade realizado por análise técnica ou quantitativa precisa de uma <em>justificativa</em> para o início da operação. O objetivo é substituir a subjetividade ("eu acho que vai subir") por estatística ("nas últimas 100 vezes que esse padrão ocorreu, em 45% das vezes um alvo de 2x o risco foi atingido").</p>
<p>O exemplo é proposital: repare que um sistema que <em>erra mais do que acerta</em> (55% vs 45%) <em>ainda pode ser lucrativo</em> dependendo do alvo escolhido. E esse talvez seja o principal erro que as pessoas cometem ao desqualificar a análise técnica: você não está preocupado em acertar mais do que erra, mas sim em <strong>fazer mais dinheiro do que perde</strong>.</p>
<blockquote>
<p>One is not paid in probabilities. — Nassim Taleb</p>
</blockquote>
<p>No caso, a estratégia acima tem um <strong>EV</strong> (Expected Value) positivo. Matematicamente:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>E</mi><mi>V</mi><mo>=</mo><mn>0.45</mn><mo>×</mo><mn>2</mn><mi>x</mi><mo>−</mo><mn>0.55</mn><mo>×</mo><mi>x</mi><mo>=</mo><mn>0.35</mn><mi>x</mi></mrow><annotation encoding="application/x-tex">EV = 0.45 \times 2x - 0.55 \times x = 0.35x</annotation></semantics></math></span></span></span>
<p>Onde <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>x</mi></mrow><annotation encoding="application/x-tex">x</annotation></semantics></math></span></span> é o risco por trade. Ora, se meu risco é de <strong>R$ 500,00</strong> por operação, então estatísticamente o modelo operacional, se corretamente executado, é esperado de me retornar <strong>R$ 175,00</strong>.</p>
<p>Entender o conceito de EV é fundamental para um trader, pois além do número dar conforto à operação mesmo que ela seja perdedora, ele pode descartar os sistemas operacionais com EV negativo ou marginalmente positivos.</p>
<p><strong>Quer saber mais?</strong> <a href="https://quantbrasil.com.br/entenda-o-que-e-valor-esperado-ev-e-sua-utilidade-para-um-trader" rel="noopener noreferrer" target="_blank">Entenda o que é Valor Esperado (EV) e Sua Utilidade Para um Trader.</a></p>
<h2 id="na-prática-a-teoria-é-outra"><strong>Na prática a teoria é outra</strong></h2>
<p>Bem, agora que já separamos nossos trades em duas estratégias (ST e DT), que terão um risco proporcional ao capital, o próximo passo é estudar diversas estratégias, calcular seu backtest, descobrir a taxa de acerto, substituir na fórmula do <em>EV</em> e ficar rico. Simples, não?</p>
<p>Como você pode imaginar, não é tão simples assim. Abaixo algumas das razões:</p>
<ul>
<li><strong>Slippage</strong>. Na vida real, dificilmente você conseguirá pagar o melhor valor teórico ("1 centavo acima da máxima do candle sinal") ou ser stopado no valor determinado (a sensação de ter o stop pulado é uma das piores que tem);</li>
<li><strong>Erros operacionais</strong>. Não importa quão disciplinado você seja, invariavelmente você vai executar a técnica de forma incorreta;</li>
<li><strong>Problemas na corretora</strong>. Stops sendo pulados, ordens sendo canceladas, todos os traders vão sofrer com isso um dia;</li>
<li><strong>Impostos</strong>. Não obstante bater o mercado, seu ganho ainda deve ser substancialmente maior que o imposto recolhido para justificar todo esse trabalho.</li>
</ul>
<h2 id="anatomia-de-um-trade"><strong>Anatomia de um trade</strong></h2>
<p>Sabendo que uma operação na prática irá diferir do seu resultado teórico, podemos criar uma forma de mensurar essa discrepância. Nesses últimos 6 meses eu registrei todos os trades efetuados em uma planilha, mais tarde exportando os dados para análise no <a href="https://airtable.com/" rel="noopener noreferrer" target="_blank">Airtable</a>.</p>
<p>Os seguintes parâmetros foram registrados:</p>
<ul>
<li>Ativo</li>
<li>Sinal (123, Inside Bar, Estocástico, Trap, etc)</li>
<li>Timeframe (15 minutos, 60 minutos, Diário, etc)</li>
<li>Estratégia (DT ou ST)</li>
<li>Data de entrada</li>
<li>Preço de entrada</li>
<li>Alvo</li>
<li>Stop</li>
<li>Quantidade</li>
<li>Preço de saída</li>
<li>Data de saída</li>
</ul>
<p>Note que a combinação <strong>(Ativo, Sinal, Timeframe)</strong> é o que normalmente utilizamos nos backtests.</p>
<h2 id="meu-sistema-operacional"><strong>Meu sistema operacional</strong></h2>
<p>Agora que já dissecamos a teoria por trás dos modelos de trading e definimos os parâmetros a serem medidos, chegou a hora de eu explicitar os valores que <em>eu</em> utilizei no período 06/01/2021 a 06/07/2021.</p>
<p>O capital alocado para trading começou em <strong>R$ 150.000,00</strong> e está atualmente em <strong>R$ 200.000,00</strong>. Note que ele não precisa estar sempre alocado, e o dinheiro acaba servindo de caixa quando eu não identifico boas oportunidades.</p>
<p>Para <strong>Day Trade</strong>, meu risco acaba sendo de <strong>R$ 300,00 por operação</strong>, enquanto que para <strong>Swing Trade</strong> ele começou em <strong>R$ 600,00</strong> e hoje está em <strong>R$ 1.200,00 por operação</strong> (você já vai entender o porquê).</p>
<p>Observe que eu opero relativamente "leve" ao capital disponível. <em>O objetivo não é ficar rico do dia pra noite, mas consistentemente bater o mercado.</em></p>
<p>Chega de papo e vamos descobrir o que aconteceu nesses 6 meses de trading!</p>
<h2 id="resultados"><strong>Resultados</strong></h2>
<p>O resultado a seguir foram de trades realizados entre 06/01/2021 e 06/07/2021 e portanto quaisquer valores em Julho estarão distorcidos pela baixa quantidade de trades. Na separação por mês, considera-se a data de <em>fechamento da operação</em> (ex: uma operação iniciada em Abril mas finalizada em Maio entra para a estatística de Maio).</p>
<p><img alt="" loading="lazy" decoding="async" width="1222" height="732" src="https://rafaelquintanilha.com/_astro/trades-0.Cod2nR3o_Zxat0J.webp"></p>
<p>O resultado no período foi de <strong>R$ 38.338,86</strong>, uma média de R$ 6.389,81 / mês. Como o capital alocado disponível no período e alavancagens foram pontualmente utilizadas, a rentabilidade final é um pouco imprecisa. No entanto, considerando um capital de R$ 200.000,00, a rentabilidade seria próxima a <strong>20%</strong>, contra cerca de <strong>6%</strong> do IBOV.</p>
<p>Repare que, embora o resultado final varie de forma irregular, nos últimos 3 meses (e Julho está bem posicionado para continuar a tendência), o <strong>resultado médio</strong> vem aumentando. Ora, mas o <em>resultado médio nada mais é do que o EV</em>. Dessa forma, podemos observar que o <em>EV</em> vem aumentando, o que é uma excelente notícia.</p>
<h3 id="dissecando-o-ev-por-estratégia"><strong>Dissecando o EV por estratégia</strong></h3>
<p>O gráfico acima mostra o resultado financeiro e o EV de todos os trades. Lembre-se, porém, que existem duas estratégias. Vamos analisar o EV de cada uma delas separadamente.</p>
<p><img alt="" loading="lazy" decoding="async" width="609" height="727" src="https://rafaelquintanilha.com/_astro/trades-1.IvruD17E_N8iXD.webp"></p>
<p>E aqui tiramos a informação mais valiosa de todas. <strong>O valor esperado por Swing Trade é muito superior ao do Day Trade</strong>. Na verdade, na maior parte dos meses o Day Trade me deu prejuízo!</p>
<p>No entanto, observe que desde Abril o ST vem em uma saudável melhora de EV, o que corresponde ao melhor resultado financeiro geral.</p>
<h4 id="por-que-o-resultado-no-day-trade-é-tão-ruim"><strong>Por que o resultado no Day Trade é tão ruim?</strong></h4>
<p>Antes de analisarmos melhor os números de cada estratégia, é necessário refletir sobre o porquê dos resultados do DT serem tão consistentemente piores que do ST. Algumas das razões são objetivas, outras eu posso apenas especular:</p>
<ul>
<li><strong>Pior relação risco x retorno</strong>. Como o trade precisa se desenrolar no mesmo dia, um alvo de 2x o risco acaba tendo menos tempo para ser alcançado. Assim, mesmo que se acerte a operação, é bem comum que não haja tempo para o trade chegar no alvo estipulado, o que diminui o retorno médio da operação.</li>
<li><strong>Slippage significante</strong>. Quanto maior o alvo, menos relevante o efeito do <em>slippage</em> (diferença entre quanto você quer pagar e quanto você efetivamente paga) na sua operação. Em compensação, no Day Trade, onde alvos são mais curtos, o efeito do slippage é maior e acaba consumindo grande parte da rentabilidade.</li>
<li><strong>Baixa taxa de acerto</strong>. Se o alvo é muito curto, o slippage "come" parte da rentabilidade. Se o alvo é alongado, dificilmente se alcança ele dentro do dia. Assim, o alvo precisa ser longo o suficiente para não perder rentabilidade, mas curto o suficiente para finalizar a operação no mesmo dia. Isso reduz o alvo médio, o que sugere uma necessidade de se aumentar a taxa de acerto para gerar um EV positivo.</li>
</ul>
<h4 id="se-o-day-trade-é-tão-pior-por-que-continuar-fazendo"><strong>Se o Day Trade é tão pior, por que continuar fazendo?</strong></h4>
<p>A pergunta é válida. Claramente, o Day Trade tem sido uma fonte de perda de dinheiro pra mim. Por que não desistir de fazê-lo completamente então?</p>
<p>Essa provavelmente é a melhor saída, e embora eu não tenha parado completamente, vocês verão mais pra frente como diminuí consideravelmente a quantidade de DTs. No entanto, acredito que a principal razão é <strong>psicológica</strong>: é extremamente satisfatório realizar um trade de poucas horas (ou às vezes, minutos!) e colocar R$ 500 ou R$ 600 no bolso. Essa vontade precisa ser domada, a menos que o Day Trade possua um EV positivo.</p>
<p>Com um EV positivo, o Day Trade vira uma arma relevante para <em>rentabilizar</em> a carteira, ou seja, fazer o seu caixa trabalhar. Isso pode ser um diferencial no seu resultado ao final do ano.</p>
<h3 id="número-de-trades"><strong>Número de trades</strong></h3>
<p>Note que mesmo nos meses onde o EV do DT foi positivo, ainda assim o retorno é bem menor que os STs. Essa diferença é esperada, afinal os alvos são menores.</p>
<p><img alt="" loading="lazy" decoding="async" width="912" height="356" src="https://rafaelquintanilha.com/_astro/trades-2.CYbGdCW6_Z1aKXdt.webp"></p>
<p>Como a <em>quantidade de trades</em> influencia esses resultados? Bem, idealmente queremos buscar <em>menos</em> trades com <em>mais</em> EV, de forma a precisarmos gastar menos tempo de tela. Vejamos o número de trades separados por timeframe:</p>
<p><img alt="" loading="lazy" decoding="async" width="912" height="495" src="https://rafaelquintanilha.com/_astro/trades-3.BfWcg5NK_ZGyjyS.webp"></p>
<p>A primeira informação relevante é que <strong>416</strong> trades foram executados no período (cerca de 70 / mês). Desses, 231 (55%) foram Day Trades, enquanto 45% foram Swing Trades. Sim, eu realizei <em>menos STs</em> e fiz <em>mais dinheiro</em>!</p>
<p>Finalmente, vamos analisar a evolução da quantidade de trades ao longo dos meses:</p>
<p><img alt="" loading="lazy" decoding="async" width="612" height="727" src="https://rafaelquintanilha.com/_astro/trades-5.pH18v5KQ_11CXBs.webp"></p>
<p>De forma positiva, eu tenho operado menos nos últimos meses, o que não impediu que meu EV aumentasse e que o resultado final ficasse acima da média.</p>
<h3 id="taxa-de-acerto"><strong>Taxa de acerto</strong></h3>
<p>Antes de mergulhar mais a fundo na análise de timeframes, podemos analisar nossa taxa de acerto em cada estratégia. Em outras palavras, quantos % de operações de DT e ST são bem-sucedidas?</p>
<p><img alt="" loading="lazy" decoding="async" width="918" height="501" src="https://rafaelquintanilha.com/_astro/trades-4.CtJ98gO2_2sgNdX.webp"></p>
<p>Note que <strong>44.32%</strong> dos ST vão para o lucro, enquanto apenas <strong>37.23%</strong> dos DT tem esse resultado. A conclusão é óbvia: o meu DT é péssimo e se for para eu continuar fazendo, preciso urgentemente rever minha estratégia.</p>
<h4 id="evolução-da-taxa-de-acerto"><strong>Evolução da taxa de acerto</strong></h4>
<p>Um número interessante de se avaliar é como essa taxa de acerto flutuou ao longo dos meses:</p>
<p><img alt="" loading="lazy" decoding="async" width="612" height="717" src="https://rafaelquintanilha.com/_astro/trades-6.0rTpFLix_Z8MJCl.webp"></p>
<p>Desconsiderando os primeiros dias de Julho em virtude da baixa amostragem, temos uma conclusão preocupante: a taxa de acerto vem caindo lentamente, principalmente no ST. Isso pode ser explicado em virtude de se buscar alvos mais longos, que justificam o aumento de EV e comprometem um pouco a taxa de acerto. Definitivamente algo a ser olhado nos próximos meses.</p>
<h4 id="fator-de-lucro"><strong>Fator de Lucro</strong></h4>
<p>Já determinamos a taxa de acerto de cada estratégia, mas qual é o <strong>fator de lucro</strong> de cada uma delas? Em outras palavras, qual a razão entre o <strong>lucro médio</strong> e o <strong>prejuízo médio</strong>, tanto no DT quanto no ST?</p>
<p><img alt="" loading="lazy" decoding="async" width="905" height="279" src="https://rafaelquintanilha.com/_astro/trades-7.Diui6epT_1IGaVW.webp"></p>
<p>Repare que o lucro médio no ST é de R$ 1.396,07, enquanto o prejuízo médio é R$ 707,81. Dividindo um pelo outro, chegamos a um fator de <strong>1.97</strong>. Ou seja, o nosso alvo médio está bem próximo de duas vezes o risco.</p>
<p>Já no DT o lucro médio é de R$ 451,26 com prejuízo médio de R$ 289,95. Esses números representam um fator de <strong>1.55</strong>, muito baixo e que ajuda a explicar o péssimo resultado da estratégia.</p>
<p>Um exercício interessante é descobrir a taxa de acerto necessária para o <em>breakeven</em> da estratégia. No caso do DT, a conta é:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>x</mi><mo>×</mo><mn>1.55</mn><mo>=</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>x</mi><mo stretchy="false">)</mo><mo>×</mo><mn>1</mn><mtext>  </mtext><mo>⟹</mo><mtext>  </mtext><mi>x</mi><mo>≈</mo><mn>0.3921</mn></mrow><annotation encoding="application/x-tex">x \times 1.55 = (1 - x) \times 1 \implies x \approx 0.3921</annotation></semantics></math></span></span></span>
<p>Ou seja, mantendo-se esse fator de lucro, a taxa de acerto precisa subir de 37.23% para <strong>39.21%</strong> para alcançar o <em>breakeven</em>.</p>
<p>No caso do Swing Trade:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>x</mi><mo>×</mo><mn>1.97</mn><mo>=</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>x</mi><mo stretchy="false">)</mo><mo>×</mo><mn>1</mn><mtext>  </mtext><mo>⟹</mo><mtext>  </mtext><mi>x</mi><mo>≈</mo><mn>0.3367</mn></mrow><annotation encoding="application/x-tex">x \times 1.97 = (1 - x) \times 1 \implies x \approx 0.3367</annotation></semantics></math></span></span></span>
<p>Dessa forma, para que o ST deixasse de ser lucrativo, a taxa de acerto, mantendo-se esse fator de lucro, deveria cair de 44.32% para <strong>33.67%</strong>, o que confirma a solidez dos resultados de Swing Trade.</p>
<h3 id="timeframes"><strong>Timeframes</strong></h3>
<p>Um importante fator na análise de qualquer trade é o timeframe no qual o sinal foi identificado. Intuitivamente, quanto mais longo o timeframe, mais robustez no sinal. Vamos entender então como os trades foram distribuídos ao longo dos timeframes:</p>
<p><img alt="" loading="lazy" decoding="async" width="922" height="431" src="https://rafaelquintanilha.com/_astro/trades-8.CkhkEalg_ZlqPYh.webp"></p>
<p>Esse gráfico nos dá algumas informações importantes:</p>
<ul>
<li>Tanto <strong>W1</strong> (Semanal) como <strong>M5</strong> (5 minutos) podem ser desprezados na análise. O primeiro por ser longo de mais pra justificar um trade (embora seja muito usado no <em>position</em>), e o segundo pela falta de liquidez do nosso mercado;</li>
<li>O <strong>M15</strong> (15 minutos) foi a maior fatia ao longo desses meses, embora sua representatividade tenha caído nos últimos 2 meses (num esforço em diminuir o número de DTs);</li>
<li><strong>M30</strong> (30 minutos), <strong>H1</strong> (60 minutos) e <strong>H2</strong> (120 minutos), se mostram relativamente estáveis.</li>
</ul>
<h4 id="resultado-por-timeframe"><strong>Resultado por timeframe</strong></h4>
<p>É natural olhar todos os timeframes e identificar os que apresentaram melhores resultados brutos e médios:</p>
<p><img alt="" loading="lazy" decoding="async" width="1222" height="501" src="https://rafaelquintanilha.com/_astro/trades-9.BjXX_wMZ_ZzM2Ie.webp"></p>
<p>Note como o 15 minutos drenou tempo e dinheiro. Além de ser o timeframe mais usado, foi o que apresentou <strong>pior resultado financeiro</strong>. Surpreendentemente, a média de resultados do <strong>M10</strong> foi bem decente, e se voltarmos algumas imagens pra trás, verificamos que foram realizados 18 DTs nesse timeframe com uma taxa de acerto de 44.44%.</p>
<p>Do lado positivo, <strong>H1</strong>, <strong>H2</strong> e <strong>D1</strong> apresentaram os melhores resultados (sem surpresas, uma vez que são os timeframes mais utilizados no ST). O resultado no 60 minutos é surpreendente, com <strong>48.72% de acerto em 39 trades</strong>. Com 18 trades, o M30 apresentou a melhor taxa de acerto: exatos 50%.</p>
<h4 id="analisando-os-resultados-por-timeframe"><strong>Analisando os resultados por timeframe</strong></h4>
<p>Reparem que em ambas estratégias os timeframes imediatamente anteriores aos tradicionais (M10 no DT e M30/H1 no ST) apresentaram maior taxa de acerto. Uma possível explicação é a antecipação do movimento, iniciando o trade antes que o stop e consequentemente o alvo fiquem longos demais.</p>
<p>Por outro lado veja como a média no <strong>D1</strong> acaba sendo maior. Isso é natural uma vez que timeframes diários permitem muitas vezes alvos mais longos. Note como o <strong>H4</strong> (240 minutos), que teoricamente seria uma antecipação ao D1, tem uma taxa de acerto similar mas um retorno pior. É importante frisar que nossa bolsa tem apenas 2 candles de 240 minutos por pregão, sendo o segundo incompleto, e isso acaba gerando distorções nos candles.</p>
<h3 id="sinais-de-entrada"><strong>Sinais de entrada</strong></h3>
<p>A última parte dessa longa análise serão os <em>sinais de entrada</em> utilizados para justificar os trades. Esses sinais foram retirados em sua maioria de ensinamentos do <a href="https://www.youtube.com/channel/UCntXeFBe7WME5MEw4LE-tCg" rel="noopener noreferrer" target="_blank">Stormer</a>, embora outros tantos de livros e abordagens de outros traders.</p>
<p>No total, foram registrados <strong>28 sinais diferentes</strong>, dos quais apenas <strong>10</strong> foram utilizados em <strong>10 ou mais trades</strong>. Lembrando que um mesmo trade pode apresentar mais de um sinal, mas não mais que 2.</p>
<p><img alt="" loading="lazy" decoding="async" width="487" height="351" src="https://rafaelquintanilha.com/_astro/trades-10.D3aMDgjC_9sK7D.webp"></p>
<p>Note que dos 10 sinais mais utilizados, apenas 2 deram prejuízo no final, com taxas de acerto baixíssimas. O <em>Inside Bar</em>, por sua vez, conseguiu dar lucro mesmo tendo uma taxa de acerto global de 31.82%.</p>
<h4 id="análise-de-sinais-para-swing-trade"><strong>Análise de sinais para Swing Trade</strong></h4>
<p><img alt="" loading="lazy" decoding="async" width="1221" height="430" src="https://rafaelquintanilha.com/_astro/trades-11.C9158gdl_1QNI66.webp"></p>
<p>O gráfico acima nos ajuda a visualizar, à esquerda, quantos % do total de ST foram feitos com cada estratégia, e à direita, a % dos ganhos atribuída a cada sinal. Veja como <em>123</em> e <em>Inside Bar</em>, nesse caso, tem os pesos mais fortes no resultado. Por outro lado, a estratégia do <em>Joe Dinapoli</em> e <em>Bear Trap</em> sequer aparecem.</p>
<p><img alt="" loading="lazy" decoding="async" width="950" height="267" src="https://rafaelquintanilha.com/_astro/trades-13.DALQusSa_ZnfLsw.webp"></p>
<p>Veja como conseguimos alongar bem o alvo no <em>123</em> e no <em>Inside Bar</em> (fatores de 2.52 e 2.92, respectivamente), e como conseguimos uma assertividade bem alta com <em>Trap</em> e <em>Price Action</em>, às custas de um menor fator de lucro. Por fim, <em>Bear Trap</em> foi a única com resultado negativo, e <em>Joe Dinapoli</em> apresentou um EV praticamente zero.</p>
<h4 id="análise-de-sinais-para-day-trade"><strong>Análise de sinais para Day Trade</strong></h4>
<p><img alt="" loading="lazy" decoding="async" width="1215" height="429" src="https://rafaelquintanilha.com/_astro/trades-12.Buh85Eeg_Z2hq9Sl.webp"></p>
<p>Observe como a dinâmica muda radicalmente no caso do DT. A estratégia <em>Joe Dinapoli</em> passa a representar a maior parte do lucro. Já <em>123</em> e <em>Inside Bar</em>, tão poderosas no ST, não deram lucro no DT, como a tabela a seguir deixa claro:</p>
<p><img alt="" loading="lazy" decoding="async" width="884" height="291" src="https://rafaelquintanilha.com/_astro/trades-14.DQEH0R8-_Z2t6oxh.webp"></p>
<p>Aqui as mudanças são bem drásticas. O resultado do <em>Inside Bar</em>, por exemplo, é pífio (sendo um dos sinais mais utilizados) e contribui para o baixo nível global de acerto. <em>Price Action</em> no DT também não funcionou. Menção honrosa para a estratégia de <em>Fox Trap</em> (trap na média móvel exponencial de 8), que obteve a melhor taxa de acerto e EV, muito embora tenha sido utilizada apenas 12 vezes.</p>
<h2 id="conclusão"><strong>Conclusão</strong></h2>
<p>Os primeiros 6 meses do ano foram de muito aprendizado e acredito ter juntado dados suficientes para analisar muito do que deu certo e errado. É importante ressaltar que os modelos são organismos vivos e teremos mudanças significativas no próximo semestre.</p>
<p><em>Trading</em> é um trabalho difícil que exige disciplina, dedicação e estudo, mas pode valer muito a pena no final. Esse post não visa transmitir a mensagem de <em>fique rico, pergunte-me como</em>, mas sim de balizar minha atividade e servir de guia para análises futuras do QuantBrasil.</p>
<p>Alguns aprendizados, no entanto, são muito claros:</p>
<ul>
<li>Focar em <em>Swing Trade</em> é extremamente mais vantajoso que em <em>Day Trade</em>;</li>
<li>Sistemas operacionais podem funcionar em alguns timeframes, mas não em outros;</li>
<li>É difícil alcançar um <em>EV</em> positivo no Day Trade;</li>
<li><em>Menos trades</em> podem implicar <em>melhores resultados</em>;</li>
<li>O importante não é estar certo, mas sim quanto você ganha quando está certo.</li>
</ul>
<p>E você, o que achou dessa explicação detalhada? Ficou alguma dúvida? Conseguiu tirar outra conclusão? <a href="https://t.me/quantbrasil" rel="noopener noreferrer" target="_blank">Entre no nosso grupo do Telegram</a> e debata ideias de trades técnicos e quantitativos com a gente!</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Backtest da Estratégia de Gap Trap de Compra ou Venda]]></title>
<description><![CDATA[Utilizando Python, aprenda a calcular o retorno dessa famosa estratégia de day-trade.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/backtest-da-estrategia-de-gap-trap-de-compra-ou-venda/</link>
<guid isPermaLink="false">638ce86b24336d003d59fc8c</guid>
<category><![CDATA[Data Science]]></category><category><![CDATA[Backtesting]]></category><category><![CDATA[Python]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Thu, 27 May 2021 18:45:00 GMT</pubDate>

<content:encoded><![CDATA[<p>Todos os nossos backtests até hoje foram realizados como <em>swing trades</em>. Hoje, executaremos a primeira estratégia de <em>day trade</em>, ou seja, com a operação sendo iniciada e finalizada no mesmo dia.</p>
<p>A vantagem do <em>day trade</em> é proteger o seu capital de movimentos abruptos que aconteçam fora do período do pregão. Além disso, é uma forma de rentabilizar o seu <em>caixa</em>, ou um capital que você deixa separado para trades oportunísticos. Por fim, algumas corretoras vão permitir o uso da margem, que permite uma alavancagem que pode ser lucrativa se utilizada com responsabilidade.</p>
<p>Por outro lado, o <em>day trade</em> é <strong>extremamente volátil</strong> e a taxa de acerto naturalmente será menor que de <em>swing trades</em>. Finalmente, como o trade tem menos tempo pra evoluir (uma vez que ele precisa ser encerrado até o fim do dia), é difícil capturar altas expressivas.</p>
<p>Hoje nós abordaremos uma estratégia que é bastante eficiente no <em>day trade</em>: o <strong>Gap Trap de Compra ou Venda</strong>.</p>
<h3 id="entendendo-o-gap-trap"><strong>Entendendo o Gap Trap</strong></h3>
<p>O sinal para um <strong>Gap Trap de Compra</strong> acontece quando o primeiro candle do dia abrir <em>abaixo da mínima do dia anterior</em> e fechar <em>positivo</em> (fechamento maior que abertura).</p>
<p>Analogamente, no <strong>Gap Trap de Venda</strong> o primeiro candle do dia abre <em>acima da máxima do dia anterior</em> e fecha <em>negativo</em> (fechamento menor que a abertura).</p>
<p>O primeiro candle pode ser em qualquer timeframe, mas classicamente trabalhamos esse modelo no período de <strong>15 minutos</strong>. A ideia é trabalhar contra os traders que imaginaram que o papel perderia a mínima e afundaria ou romperia a máxima e dispararia, e portanto ficaram <em>trapped</em> e terão que <em>stopar</em> suas posições, gerando uma pressão na ponta contrária.</p>
<h3 id="a-estratégia"><strong>A Estratégia</strong></h3>
<p>Uma vez que o sinal foi dado, a condição para a entrada é que o <strong>candle seguinte</strong> supere a máxima do candle anterior (no caso do Gap Trap de Compra) ou perca a mínima do candle anterior (no caso do Gap Trap de Venda). Caso a superação ou perda não aconteça no candle imediatamente posterior, o sinal está cancelado e a estratégia não é executada.</p>
<p>Se o sinal for ativado, existem algumas formas de conduzir a operação:</p>
<ul>
<li>Carregar a operação até o final do dia;</li>
<li>Estabelecer um alvo de 2x o tamanho do candle inicial;</li>
<li>Definir uma % de ganho e carregar a operação até atingi-la.</li>
</ul>
<p>Caso os pontos 2 e 3 não aconteçam dentro do dia, a operação é encerrada no fechamento.</p>
<p>Para o <em>stop</em>, também podemos pensar em 3 abordagens diferentes:</p>
<ul>
<li>Sem stop (operação necessariamente se encerrará no fechamento do pregão);</li>
<li>Stop na mínima do candle sinal (Gap Trap de Compra) ou máxima do candle sinal (Gap Trap de Venda);</li>
<li>Stop percentual (encerrar a operação se ultrapassar x%x\%x% de <em>loss</em>).</li>
</ul>
<p>Ao longo dessa série de backtests vamos experimentar algumas dessas abordagens. Hoje, trabalharemos a estratégia sem stop e com o alvo sendo o fechamento do dia.</p>
<h2 id="importando-as-bibliotecas-e-os-dados-necessários"><strong>Importando as bibliotecas e os dados necessários</strong></h2>
<p>Como de praxe, vamos importar as bibliotecas a serem utilizadas em nossa análise:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> pandas </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> pd</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> numpy </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> np</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.pyplot </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> plt</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.dates </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> mdates</span></span></code></pre></figure>
<p>Após, vamos carregar a nossa base de dados. Realizaremos o backtest no <em>mini dólar</em> (WDO), de 2020 até hoje. Caso você esteja interessado na base, ela estará disponível para download no nosso <a href="https://t.me/quantbrasil" rel="noopener noreferrer" target="_blank">grupo do Telegram</a>.</p>
<p><em>OBS: Mesmo que o valor da base difira do valor observado, como estamos interessados na diferença entre os preços no intraday, não há impacto no backtest.</em></p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">read_csv(</span><span style="color:#97CCAE">"../data/M15/WDO.csv"</span><span style="color:#EDCC95">, index_col</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'datetime'</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">[[</span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"high"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"low"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"close"</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">open</th>
<th align="center">high</th>
<th align="center">low</th>
<th align="center">close</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-02 09:00:00</td>
<td align="center">4016.5</td>
<td align="center">4017.5</td>
<td align="center">4008.5</td>
<td align="center">4017.5</td>
</tr>
<tr>
<td align="center">2020-01-02 09:15:00</td>
<td align="center">4017.5</td>
<td align="center">4024.0</td>
<td align="center">4016.5</td>
<td align="center">4019.0</td>
</tr>
<tr>
<td align="center">2020-01-02 09:30:00</td>
<td align="center">4019.0</td>
<td align="center">4027.0</td>
<td align="center">4016.0</td>
<td align="center">4019.0</td>
</tr>
<tr>
<td align="center">2020-01-02 09:45:00</td>
<td align="center">4018.5</td>
<td align="center">4020.0</td>
<td align="center">4013.5</td>
<td align="center">4014.5</td>
</tr>
<tr>
<td align="center">2020-01-02 10:00:00</td>
<td align="center">4015.0</td>
<td align="center">4015.5</td>
<td align="center">4008.5</td>
<td align="center">4012.5</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2021-05-27 15:30:00</td>
<td align="center">5249.0</td>
<td align="center">5257.0</td>
<td align="center">5246.5</td>
<td align="center">5255.5</td>
</tr>
<tr>
<td align="center">2021-05-27 15:45:00</td>
<td align="center">5256.0</td>
<td align="center">5258.0</td>
<td align="center">5241.5</td>
<td align="center">5242.0</td>
</tr>
<tr>
<td align="center">2021-05-27 16:00:00</td>
<td align="center">5242.0</td>
<td align="center">5251.0</td>
<td align="center">5241.5</td>
<td align="center">5249.5</td>
</tr>
<tr>
<td align="center">2021-05-27 16:15:00</td>
<td align="center">5249.5</td>
<td align="center">5255.0</td>
<td align="center">5248.0</td>
<td align="center">5254.0</td>
</tr>
<tr>
<td align="center">2021-05-27 16:30:00</td>
<td align="center">5254.5</td>
<td align="center">5254.5</td>
<td align="center">5254.0</td>
<td align="center">5254.0</td>
</tr>
</tbody>
</table>
<p>12559 rows × 4 columns</p>
<h2 id="determinando-os-sinais-de-entrada"><strong>Determinando os sinais de entrada</strong></h2>
<p>Agora que temos nossa base carregada, o primeiro passo é identificar o primeiro candle do dia, pois ele é o responsável por caracterizar o sinal. Existem diversas formas de se fazer isso: nós vamos fazer identificando, para cada candle, se o candle <em>seguinte</em> é de um <em>dia</em> diferente.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># The first 10 chars are the date in the YYYY-MM-DD format</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"day"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.index.str[:</span><span style="color:#97CCAE">10</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"first of day"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"day"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">!=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"day"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">shift(</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df.</span><span style="color:#EDCC95">head(</span><span style="color:#97CCAE">5</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">open</th>
<th align="center">high</th>
<th align="center">low</th>
<th align="center">close</th>
<th align="center">day</th>
<th align="center">first of day</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-02 09:00:00</td>
<td align="center">4016.5</td>
<td align="center">4017.5</td>
<td align="center">4008.5</td>
<td align="center">4017.5</td>
<td align="center">2020-01-02</td>
<td align="center">True</td>
</tr>
<tr>
<td align="center">2020-01-02 09:15:00</td>
<td align="center">4017.5</td>
<td align="center">4024.0</td>
<td align="center">4016.5</td>
<td align="center">4019.0</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
</tr>
<tr>
<td align="center">2020-01-02 09:30:00</td>
<td align="center">4019.0</td>
<td align="center">4027.0</td>
<td align="center">4016.0</td>
<td align="center">4019.0</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
</tr>
<tr>
<td align="center">2020-01-02 09:45:00</td>
<td align="center">4018.5</td>
<td align="center">4020.0</td>
<td align="center">4013.5</td>
<td align="center">4014.5</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
</tr>
<tr>
<td align="center">2020-01-02 10:00:00</td>
<td align="center">4015.0</td>
<td align="center">4015.5</td>
<td align="center">4008.5</td>
<td align="center">4012.5</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
</tr>
</tbody>
</table>
<p>Para definirmos se o candle abriu em <em>gap</em>, precisamos calcular a máxima e a mínima do dia anterior. Vamos aproveitar e calcular também o fechamento de cada dia, uma vez que isso será utilizado na hora de aferirmos o nosso lucro.</p>
<p>Note, porém, que temos vários candles para um mesmo dia, uma vez que estamos trabalhando no gráfico intradiário. Resolveremos esse problema através da função <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.groupby.html" rel="noopener noreferrer" target="_blank">groupby</a>, onde agruparemos nossos dados pela coluna <code>day</code>:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">high_by_day </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.</span><span style="color:#EDCC95">groupby(</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.high.</span><span style="color:#EDCC95">max()</span></span>
<span class="line"><span style="color:#ECEBE8">low_by_day </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.</span><span style="color:#EDCC95">groupby(</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.low.</span><span style="color:#EDCC95">min()</span></span>
<span class="line"><span style="color:#ECEBE8">close_by_day </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.</span><span style="color:#EDCC95">groupby(</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.close.</span><span style="color:#EDCC95">last()</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"High by"</span><span style="color:#EDCC95">, high_by_day.head(</span><span style="color:#97CCAE">5</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"\n"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Low by"</span><span style="color:#EDCC95">, low_by_day.head(</span><span style="color:#97CCAE">5</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"\n"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Close by"</span><span style="color:#EDCC95">, close_by_day.head(</span><span style="color:#97CCAE">5</span><span style="color:#EDCC95">))</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>High by day</span></span>
<span class="line"><span>2020-01-02    4046.0</span></span>
<span class="line"><span>2020-01-03    4075.5</span></span>
<span class="line"><span>2020-01-06    4080.5</span></span>
<span class="line"><span>2020-01-07    4098.5</span></span>
<span class="line"><span>2020-01-08    4083.5</span></span>
<span class="line"><span>Name: high, dtype: float64</span></span>
<span class="line"><span></span></span>
<span class="line"><span></span></span>
<span class="line"><span>Low by day</span></span>
<span class="line"><span>2020-01-02    4008.5</span></span>
<span class="line"><span>2020-01-03    4037.5</span></span>
<span class="line"><span>2020-01-06    4053.0</span></span>
<span class="line"><span>2020-01-07    4061.0</span></span>
<span class="line"><span>2020-01-08    4045.5</span></span>
<span class="line"><span>Name: low, dtype: float64</span></span>
<span class="line"><span></span></span>
<span class="line"><span></span></span>
<span class="line"><span>Close by day</span></span>
<span class="line"><span>2020-01-02    4030.5</span></span>
<span class="line"><span>2020-01-03    4062.5</span></span>
<span class="line"><span>2020-01-06    4067.5</span></span>
<span class="line"><span>2020-01-07    4074.5</span></span>
<span class="line"><span>2020-01-08    4069.0</span></span>
<span class="line"><span>Name: close, dtype: float64</span></span></code></pre></figure>
<p>Finalmente, com os dados relevantes calculados para cada dia, podemos inseri-los no nosso dataframe original. Dessa vez, utilizaremos a função <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.merge.html" rel="noopener noreferrer" target="_blank">merge</a>, definindo a coluna <code>day</code> como a chave comum e adicionando o sufixo <code>of day</code> nas novas colunas:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Save index beforehand so we can reset it after merging</span></span>
<span class="line"><span style="color:#ECEBE8">index </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df.index</span></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">merge(df, close_by_day, on</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">, suffixes</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">[</span><span style="color:#A1C1E4">None</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">" of day"</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">merge(df, high_by_day, on</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">, suffixes</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">[</span><span style="color:#A1C1E4">None</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">" of day"</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">merge(df, low_by_day, on</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">, suffixes</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">[</span><span style="color:#A1C1E4">None</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">" of day"</span><span style="color:#EDCC95">])</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># When merging is done, reset to original index</span></span>
<span class="line"><span style="color:#ECEBE8">df.index </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> index</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">datetime</th>
<th align="center">open</th>
<th align="center">high</th>
<th align="center">low</th>
<th align="center">close</th>
<th align="center">day</th>
<th align="center">first of day</th>
<th align="center">close of day</th>
<th align="center">high of day</th>
<th align="center">low of day</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-02 09:00:00</td>
<td align="center">4016.5</td>
<td align="center">4017.5</td>
<td align="center">4008.5</td>
<td align="center">4017.5</td>
<td align="center">2020-01-02</td>
<td align="center">True</td>
<td align="center">4030.5</td>
<td align="center">4046.0</td>
<td align="center">4008.5</td>
</tr>
<tr>
<td align="center">2020-01-02 09:15:00</td>
<td align="center">4017.5</td>
<td align="center">4024.0</td>
<td align="center">4016.5</td>
<td align="center">4019.0</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
<td align="center">4030.5</td>
<td align="center">4046.0</td>
<td align="center">4008.5</td>
</tr>
<tr>
<td align="center">2020-01-02 09:30:00</td>
<td align="center">4019.0</td>
<td align="center">4027.0</td>
<td align="center">4016.0</td>
<td align="center">4019.0</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
<td align="center">4030.5</td>
<td align="center">4046.0</td>
<td align="center">4008.5</td>
</tr>
<tr>
<td align="center">2020-01-02 09:45:00</td>
<td align="center">4018.5</td>
<td align="center">4020.0</td>
<td align="center">4013.5</td>
<td align="center">4014.5</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
<td align="center">4030.5</td>
<td align="center">4046.0</td>
<td align="center">4008.5</td>
</tr>
<tr>
<td align="center">2020-01-02 10:00:00</td>
<td align="center">4015.0</td>
<td align="center">4015.5</td>
<td align="center">4008.5</td>
<td align="center">4012.5</td>
<td align="center">2020-01-02</td>
<td align="center">False</td>
<td align="center">4030.5</td>
<td align="center">4046.0</td>
<td align="center">4008.5</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2021-05-27 15:30:00</td>
<td align="center">5249.0</td>
<td align="center">5257.0</td>
<td align="center">5246.5</td>
<td align="center">5255.5</td>
<td align="center">2021-05-27</td>
<td align="center">False</td>
<td align="center">5254.0</td>
<td align="center">5313.5</td>
<td align="center">5240.5</td>
</tr>
<tr>
<td align="center">2021-05-27 15:45:00</td>
<td align="center">5256.0</td>
<td align="center">5258.0</td>
<td align="center">5241.5</td>
<td align="center">5242.0</td>
<td align="center">2021-05-27</td>
<td align="center">False</td>
<td align="center">5254.0</td>
<td align="center">5313.5</td>
<td align="center">5240.5</td>
</tr>
<tr>
<td align="center">2021-05-27 16:00:00</td>
<td align="center">5242.0</td>
<td align="center">5251.0</td>
<td align="center">5241.5</td>
<td align="center">5249.5</td>
<td align="center">2021-05-27</td>
<td align="center">False</td>
<td align="center">5254.0</td>
<td align="center">5313.5</td>
<td align="center">5240.5</td>
</tr>
<tr>
<td align="center">2021-05-27 16:15:00</td>
<td align="center">5249.5</td>
<td align="center">5255.0</td>
<td align="center">5248.0</td>
<td align="center">5254.0</td>
<td align="center">2021-05-27</td>
<td align="center">False</td>
<td align="center">5254.0</td>
<td align="center">5313.5</td>
<td align="center">5240.5</td>
</tr>
<tr>
<td align="center">2021-05-27 16:30:00</td>
<td align="center">5254.5</td>
<td align="center">5254.5</td>
<td align="center">5254.0</td>
<td align="center">5254.0</td>
<td align="center">2021-05-27</td>
<td align="center">False</td>
<td align="center">5254.0</td>
<td align="center">5313.5</td>
<td align="center">5240.5</td>
</tr>
</tbody>
</table>
<p>12559 rows × 9 columns</p>
<p>Nós já temos tudo o necessário para determinar os sinais de entrada. Recapitulando:</p>
<p>Gap Trap de <strong>Compra</strong>:</p>
<ul>
<li><em>Primeiro</em> candle do dia tem sua abertura abaixo da mínima do dia anterior;</li>
<li><em>Primeiro</em> candle do dia tem seu fechamento maior que a abertura;</li>
<li><em>Segundo</em> candle do dia supera a máxima do primeiro candle.</li>
</ul>
<p>Gap Trap de <strong>Venda</strong>:</p>
<ul>
<li><em>Primeiro</em> candle do dia tem sua abertura acima da máxima do dia anterior;</li>
<li><em>Primeiro</em> candle do dia tem seu fechamento menor que a abertura;</li>
<li><em>Segundo</em> candle do dia perde a mínima do primeiro candle.</li>
</ul>
<p>Assim, criaremos uma nova coluna <code>signal</code>, onde:</p>
<table>
<thead>
<tr>
<th>signal</th>
<th>descrição</th>
<th></th>
</tr>
</thead>
<tbody>
<tr>
<td>1</td>
<td>representa um Gap Trap de Compra que foi ativado com a superação da máxima do primeiro candle no candle seguinte</td>
<td></td>
</tr>
<tr>
<td>-1</td>
<td>representa um Gap Trap de Venda que foi ativado com a perda da mínima do primeiro candle no candle seguinte</td>
<td></td>
</tr>
<tr>
<td>0</td>
<td>sem Gap Trap no dia</td>
<td></td>
</tr>
</tbody>
</table>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># A bullish gap trap has its open below yesterday's low and closes above its open</span></span>
<span class="line"><span style="color:#ECEBE8">bullish_gap_trap </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> (df[</span><span style="color:#97CCAE">"first of day"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> True</span><span style="color:#ECEBE8">) </span><span style="color:#A1C1E4">&#x26;</span><span style="color:#ECEBE8"> \</span></span>
<span class="line"><span style="color:#ECEBE8">    (df[</span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">&#x3C;</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">'low of day'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">shift(</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">) </span><span style="color:#A1C1E4">&#x26;</span><span style="color:#ECEBE8"> \</span></span>
<span class="line"><span style="color:#ECEBE8">    (df[</span><span style="color:#97CCAE">"close"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">></span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">])</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># A bearish gap trap has its open above yesterday's high and closes below its open</span></span>
<span class="line"><span style="color:#ECEBE8">bearish_gap_trap </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> (df[</span><span style="color:#97CCAE">"first of day"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> True</span><span style="color:#ECEBE8">) </span><span style="color:#A1C1E4">&#x26;</span><span style="color:#ECEBE8"> \</span></span>
<span class="line"><span style="color:#ECEBE8">    (df[</span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">></span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">'high of day'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">shift(</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">) </span><span style="color:#A1C1E4">&#x26;</span><span style="color:#ECEBE8"> \</span></span>
<span class="line"><span style="color:#ECEBE8">    (df[</span><span style="color:#97CCAE">"close"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">&#x3C;</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"open"</span><span style="color:#ECEBE8">])</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Signal is 1 when the next candle exceeds the high of the bulish gap trap</span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># or signal is -1 when the next candle has its low below the low of the</span></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># bearish gap trap. If none occurs, then signal is 0 and no trade is placed</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">where(</span></span>
<span class="line"><span style="color:#EDCC95">    (bullish_gap_trap </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> True</span><span style="color:#EDCC95">) </span><span style="color:#A1C1E4">&#x26;</span><span style="color:#EDCC95"> (df[</span><span style="color:#97CCAE">"high"</span><span style="color:#EDCC95">].shift(</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">) </span><span style="color:#A1C1E4">></span><span style="color:#EDCC95"> df[</span><span style="color:#97CCAE">"high"</span><span style="color:#EDCC95">]), </span></span>
<span class="line"><span style="color:#97CCAE">    1</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">    np.where(</span></span>
<span class="line"><span style="color:#EDCC95">        (bearish_gap_trap </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> True</span><span style="color:#EDCC95">) </span><span style="color:#A1C1E4">&#x26;</span><span style="color:#EDCC95"> (df[</span><span style="color:#97CCAE">"low"</span><span style="color:#EDCC95">].shift(</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">) </span><span style="color:#A1C1E4">&#x3C;</span><span style="color:#EDCC95"> df[</span><span style="color:#97CCAE">"low"</span><span style="color:#EDCC95">]), </span></span>
<span class="line"><span style="color:#A1C1E4">        -</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#97CCAE">        0</span></span>
<span class="line"><span style="color:#EDCC95">    )</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">long_trades </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[df[</span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#97CCAE"> 1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">short_trades </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[df[</span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> -</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Total Gap Trap Compras: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">len(long_trades)</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Total Gap Trap Vendas: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">len(short_trades)</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>Total Gap Trap Compras: 21 Total Gap Trap Vendas: 16</span></span></code></pre></figure>
<p>Como podemos observar, de <code>2020-01-02</code> até <code>2021-05-27</code>, houve <strong>37 trades</strong> utilizando o modelo no mini dólar, dos quais <strong>21</strong> foram na ponta da compra e <strong>16</strong> na ponta da venda. Veja que temos em média 2 trades por mês utilizando o modelo, ou seja, é um sinal pouco frequente.</p>
<h2 id="calculando-a-rentabilidade-e-taxa-de-acerto"><strong>Calculando a Rentabilidade e Taxa de Acerto</strong></h2>
<p>Com os sinais calculados, já temos todas as informações necessárias pra calcular a taxa de acerto e a rentabilidade da estratégia. No post de hoje, vamos ver como ela teria se saído carregando a operação até o fechamento, <em>sem stop</em>.</p>
<p>Para isso, vamos definir como entrada (<code>entry</code>) 1 <em>tick</em> acima da máxima ou mínima do candle sinal. Note que num modelo mais fidedigno deveríamos contar com o <a href="https://www.investopedia.com/terms/s/slippage.asp" rel="noopener noreferrer" target="_blank">slippage</a>, ou a diferença entre o preço onde a ordem foi efetivamente executada e o preço que gostaríamos de executar. No entanto, vamos desconsiderar o efeito do <em>slippage</em> por simplicidade.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">min_tick </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 0.5</span><span style="color:#A7A49E;font-style:italic"> # That's the min variation for this asset</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"entry"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">where(</span></span>
<span class="line"><span style="color:#EDCC95">    df[</span><span style="color:#97CCAE">"signal"</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">==</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">    df[</span><span style="color:#97CCAE">"high"</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">+</span><span style="color:#EDCC95"> min_tick,</span></span>
<span class="line"><span style="color:#EDCC95">    np.where(</span></span>
<span class="line"><span style="color:#EDCC95">        df[</span><span style="color:#97CCAE">"signal"</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> -</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">,</span></span>
<span class="line"><span style="color:#EDCC95">        df[</span><span style="color:#97CCAE">"low"</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">-</span><span style="color:#EDCC95"> min_tick,</span></span>
<span class="line"><span style="color:#EDCC95">        np.nan</span></span>
<span class="line"><span style="color:#EDCC95">    )</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">trades </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#A1C1E4">~</span><span style="color:#ECEBE8">np.</span><span style="color:#EDCC95">isnan(df[</span><span style="color:#97CCAE">"entry"</span><span style="color:#EDCC95">])</span><span style="color:#ECEBE8">][[</span><span style="color:#97CCAE">"day"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"high"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"low"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"entry"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"close of day"</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#ECEBE8">trades[</span><span style="color:#97CCAE">"target"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> trades[</span><span style="color:#97CCAE">"close of day"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">trades.</span><span style="color:#EDCC95">set_index(</span><span style="color:#97CCAE">"day"</span><span style="color:#EDCC95">, inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">trades.</span><span style="color:#EDCC95">head(</span><span style="color:#97CCAE">10</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">day</th>
<th align="center">high</th>
<th align="center">low</th>
<th align="center">signal</th>
<th align="center">entry</th>
<th align="center">close of day</th>
<th align="center">target</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-27</td>
<td align="center">4216.0</td>
<td align="center">4207.0</td>
<td align="center">-1</td>
<td align="center">4206.5</td>
<td align="center">4209.0</td>
<td align="center">4209.0</td>
</tr>
<tr>
<td align="center">2020-01-30</td>
<td align="center">4248.5</td>
<td align="center">4240.5</td>
<td align="center">-1</td>
<td align="center">4240.0</td>
<td align="center">4244.5</td>
<td align="center">4244.5</td>
</tr>
<tr>
<td align="center">2020-02-03</td>
<td align="center">4279.0</td>
<td align="center">4273.0</td>
<td align="center">-1</td>
<td align="center">4272.5</td>
<td align="center">4253.5</td>
<td align="center">4253.5</td>
</tr>
<tr>
<td align="center">2020-02-13</td>
<td align="center">4385.5</td>
<td align="center">4371.5</td>
<td align="center">-1</td>
<td align="center">4371.0</td>
<td align="center">4353.5</td>
<td align="center">4353.5</td>
</tr>
<tr>
<td align="center">2020-02-28</td>
<td align="center">4506.5</td>
<td align="center">4497.5</td>
<td align="center">-1</td>
<td align="center">4497.0</td>
<td align="center">4497.0</td>
<td align="center">4497.0</td>
</tr>
<tr>
<td align="center">2020-03-12</td>
<td align="center">5034.0</td>
<td align="center">4986.0</td>
<td align="center">-1</td>
<td align="center">4985.5</td>
<td align="center">4801.0</td>
<td align="center">4801.0</td>
</tr>
<tr>
<td align="center">2020-03-23</td>
<td align="center">5095.0</td>
<td align="center">5021.0</td>
<td align="center">-1</td>
<td align="center">5020.5</td>
<td align="center">5148.5</td>
<td align="center">5148.5</td>
</tr>
<tr>
<td align="center">2020-04-07</td>
<td align="center">5216.0</td>
<td align="center">5190.0</td>
<td align="center">1</td>
<td align="center">5216.5</td>
<td align="center">5230.5</td>
<td align="center">5230.5</td>
</tr>
<tr>
<td align="center">2020-04-09</td>
<td align="center">5157.0</td>
<td align="center">5114.5</td>
<td align="center">1</td>
<td align="center">5157.5</td>
<td align="center">5114.0</td>
<td align="center">5114.0</td>
</tr>
<tr>
<td align="center">2020-04-27</td>
<td align="center">5582.5</td>
<td align="center">5536.0</td>
<td align="center">1</td>
<td align="center">5583.0</td>
<td align="center">5657.5</td>
<td align="center">5657.5</td>
</tr>
</tbody>
</table>
<p>Veja que a entrada está sendo feita sempre <code>0.50</code> pontos acima da máxima (Gap Trap de Compra) ou <code>0.50</code> pontos abaixo da mínima (Gap Trap de Venda). Nosso <code>target</code> nada mais é que o fechamento do dia.</p>
<p>Com isso, podemos calcular quantos pontos a estratégia capturou no período:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">trades[</span><span style="color:#97CCAE">"result"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> (trades[</span><span style="color:#97CCAE">"target"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">-</span><span style="color:#ECEBE8"> trades[</span><span style="color:#97CCAE">"entry"</span><span style="color:#ECEBE8">]) </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> trades[</span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">trades[</span><span style="color:#97CCAE">"acc"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> trades[</span><span style="color:#97CCAE">"result"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">cumsum()</span></span>
<span class="line"><span style="color:#ECEBE8">trades</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">day</th>
<th align="center">high</th>
<th align="center">low</th>
<th align="center">signal</th>
<th align="center">entry</th>
<th align="center">close of day</th>
<th align="center">target</th>
<th align="center">result</th>
<th align="center">acc</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-27</td>
<td align="center">4216.0</td>
<td align="center">4207.0</td>
<td align="center">-1</td>
<td align="center">4206.5</td>
<td align="center">4209.0</td>
<td align="center">4209.0</td>
<td align="center">-2.5</td>
<td align="center">-2.5</td>
</tr>
<tr>
<td align="center">2020-01-30</td>
<td align="center">4248.5</td>
<td align="center">4240.5</td>
<td align="center">-1</td>
<td align="center">4240.0</td>
<td align="center">4244.5</td>
<td align="center">4244.5</td>
<td align="center">-4.5</td>
<td align="center">-7.0</td>
</tr>
<tr>
<td align="center">2020-02-03</td>
<td align="center">4279.0</td>
<td align="center">4273.0</td>
<td align="center">-1</td>
<td align="center">4272.5</td>
<td align="center">4253.5</td>
<td align="center">4253.5</td>
<td align="center">19.0</td>
<td align="center">12.0</td>
</tr>
<tr>
<td align="center">2020-02-13</td>
<td align="center">4385.5</td>
<td align="center">4371.5</td>
<td align="center">-1</td>
<td align="center">4371.0</td>
<td align="center">4353.5</td>
<td align="center">4353.5</td>
<td align="center">17.5</td>
<td align="center">29.5</td>
</tr>
<tr>
<td align="center">2020-02-28</td>
<td align="center">4506.5</td>
<td align="center">4497.5</td>
<td align="center">-1</td>
<td align="center">4497.0</td>
<td align="center">4497.0</td>
<td align="center">4497.0</td>
<td align="center">-0.0</td>
<td align="center">29.5</td>
</tr>
<tr>
<td align="center">2020-03-12</td>
<td align="center">5034.0</td>
<td align="center">4986.0</td>
<td align="center">-1</td>
<td align="center">4985.5</td>
<td align="center">4801.0</td>
<td align="center">4801.0</td>
<td align="center">184.5</td>
<td align="center">214.0</td>
</tr>
<tr>
<td align="center">2020-03-23</td>
<td align="center">5095.0</td>
<td align="center">5021.0</td>
<td align="center">-1</td>
<td align="center">5020.5</td>
<td align="center">5148.5</td>
<td align="center">5148.5</td>
<td align="center">-128.0</td>
<td align="center">86.0</td>
</tr>
<tr>
<td align="center">2020-04-07</td>
<td align="center">5216.0</td>
<td align="center">5190.0</td>
<td align="center">1</td>
<td align="center">5216.5</td>
<td align="center">5230.5</td>
<td align="center">5230.5</td>
<td align="center">14.0</td>
<td align="center">100.0</td>
</tr>
<tr>
<td align="center">2020-04-09</td>
<td align="center">5157.0</td>
<td align="center">5114.5</td>
<td align="center">1</td>
<td align="center">5157.5</td>
<td align="center">5114.0</td>
<td align="center">5114.0</td>
<td align="center">-43.5</td>
<td align="center">56.5</td>
</tr>
<tr>
<td align="center">2020-04-27</td>
<td align="center">5582.5</td>
<td align="center">5536.0</td>
<td align="center">1</td>
<td align="center">5583.0</td>
<td align="center">5657.5</td>
<td align="center">5657.5</td>
<td align="center">74.5</td>
<td align="center">131.0</td>
</tr>
<tr>
<td align="center">2020-04-29</td>
<td align="center">5479.5</td>
<td align="center">5443.0</td>
<td align="center">1</td>
<td align="center">5480.0</td>
<td align="center">5334.5</td>
<td align="center">5334.5</td>
<td align="center">-145.5</td>
<td align="center">-14.5</td>
</tr>
<tr>
<td align="center">2020-05-04</td>
<td align="center">5622.0</td>
<td align="center">5559.0</td>
<td align="center">-1</td>
<td align="center">5558.5</td>
<td align="center">5554.0</td>
<td align="center">5554.0</td>
<td align="center">4.5</td>
<td align="center">-10.0</td>
</tr>
<tr>
<td align="center">2020-05-19</td>
<td align="center">5705.0</td>
<td align="center">5686.0</td>
<td align="center">1</td>
<td align="center">5705.5</td>
<td align="center">5762.0</td>
<td align="center">5762.0</td>
<td align="center">56.5</td>
<td align="center">46.5</td>
</tr>
<tr>
<td align="center">2020-05-25</td>
<td align="center">5523.5</td>
<td align="center">5487.5</td>
<td align="center">1</td>
<td align="center">5524.0</td>
<td align="center">5445.0</td>
<td align="center">5445.0</td>
<td align="center">-79.0</td>
<td align="center">-32.5</td>
</tr>
<tr>
<td align="center">2020-06-12</td>
<td align="center">5116.0</td>
<td align="center">5080.0</td>
<td align="center">-1</td>
<td align="center">5079.5</td>
<td align="center">5055.5</td>
<td align="center">5055.5</td>
<td align="center">24.0</td>
<td align="center">-8.5</td>
</tr>
<tr>
<td align="center">2020-06-25</td>
<td align="center">5389.0</td>
<td align="center">5352.5</td>
<td align="center">-1</td>
<td align="center">5352.0</td>
<td align="center">5365.0</td>
<td align="center">5365.0</td>
<td align="center">-13.0</td>
<td align="center">-21.5</td>
</tr>
<tr>
<td align="center">2020-07-02</td>
<td align="center">5308.5</td>
<td align="center">5281.0</td>
<td align="center">1</td>
<td align="center">5309.0</td>
<td align="center">5371.5</td>
<td align="center">5371.5</td>
<td align="center">62.5</td>
<td align="center">41.0</td>
</tr>
<tr>
<td align="center">2020-07-06</td>
<td align="center">5289.5</td>
<td align="center">5268.0</td>
<td align="center">1</td>
<td align="center">5290.0</td>
<td align="center">5364.5</td>
<td align="center">5364.5</td>
<td align="center">74.5</td>
<td align="center">115.5</td>
</tr>
<tr>
<td align="center">2020-07-07</td>
<td align="center">5408.0</td>
<td align="center">5378.5</td>
<td align="center">-1</td>
<td align="center">5378.0</td>
<td align="center">5381.0</td>
<td align="center">5381.0</td>
<td align="center">-3.0</td>
<td align="center">112.5</td>
</tr>
<tr>
<td align="center">2020-07-15</td>
<td align="center">5331.0</td>
<td align="center">5305.5</td>
<td align="center">1</td>
<td align="center">5331.5</td>
<td align="center">5370.0</td>
<td align="center">5370.0</td>
<td align="center">38.5</td>
<td align="center">151.0</td>
</tr>
<tr>
<td align="center">2020-08-04</td>
<td align="center">5356.0</td>
<td align="center">5333.0</td>
<td align="center">-1</td>
<td align="center">5332.5</td>
<td align="center">5288.0</td>
<td align="center">5288.0</td>
<td align="center">44.5</td>
<td align="center">195.5</td>
</tr>
<tr>
<td align="center">2020-08-05</td>
<td align="center">5268.5</td>
<td align="center">5241.0</td>
<td align="center">1</td>
<td align="center">5269.0</td>
<td align="center">5299.5</td>
<td align="center">5299.5</td>
<td align="center">30.5</td>
<td align="center">226.0</td>
</tr>
<tr>
<td align="center">2020-09-28</td>
<td align="center">5533.5</td>
<td align="center">5518.5</td>
<td align="center">1</td>
<td align="center">5534.0</td>
<td align="center">5659.5</td>
<td align="center">5659.5</td>
<td align="center">125.5</td>
<td align="center">351.5</td>
</tr>
<tr>
<td align="center">2020-10-01</td>
<td align="center">5607.5</td>
<td align="center">5577.5</td>
<td align="center">1</td>
<td align="center">5608.0</td>
<td align="center">5646.5</td>
<td align="center">5646.5</td>
<td align="center">38.5</td>
<td align="center">390.0</td>
</tr>
<tr>
<td align="center">2020-10-27</td>
<td align="center">5618.0</td>
<td align="center">5600.5</td>
<td align="center">1</td>
<td align="center">5618.5</td>
<td align="center">5709.5</td>
<td align="center">5709.5</td>
<td align="center">91.0</td>
<td align="center">481.0</td>
</tr>
<tr>
<td align="center">2020-11-06</td>
<td align="center">5544.0</td>
<td align="center">5508.5</td>
<td align="center">1</td>
<td align="center">5544.5</td>
<td align="center">5370.0</td>
<td align="center">5370.0</td>
<td align="center">-174.5</td>
<td align="center">306.5</td>
</tr>
<tr>
<td align="center">2020-11-19</td>
<td align="center">5386.0</td>
<td align="center">5353.0</td>
<td align="center">-1</td>
<td align="center">5352.5</td>
<td align="center">5308.0</td>
<td align="center">5308.0</td>
<td align="center">44.5</td>
<td align="center">351.0</td>
</tr>
<tr>
<td align="center">2020-11-20</td>
<td align="center">5309.0</td>
<td align="center">5289.0</td>
<td align="center">1</td>
<td align="center">5309.5</td>
<td align="center">5381.5</td>
<td align="center">5381.5</td>
<td align="center">72.0</td>
<td align="center">423.0</td>
</tr>
<tr>
<td align="center">2020-11-30</td>
<td align="center">5304.5</td>
<td align="center">5271.0</td>
<td align="center">1</td>
<td align="center">5305.0</td>
<td align="center">5331.5</td>
<td align="center">5331.5</td>
<td align="center">26.5</td>
<td align="center">449.5</td>
</tr>
<tr>
<td align="center">2020-12-02</td>
<td align="center">5246.0</td>
<td align="center">5218.0</td>
<td align="center">1</td>
<td align="center">5246.5</td>
<td align="center">5220.0</td>
<td align="center">5220.0</td>
<td align="center">-26.5</td>
<td align="center">423.0</td>
</tr>
<tr>
<td align="center">2020-12-16</td>
<td align="center">5096.5</td>
<td align="center">5061.0</td>
<td align="center">1</td>
<td align="center">5097.0</td>
<td align="center">5083.0</td>
<td align="center">5083.0</td>
<td align="center">-14.0</td>
<td align="center">409.0</td>
</tr>
<tr>
<td align="center">2021-01-18</td>
<td align="center">5314.5</td>
<td align="center">5282.0</td>
<td align="center">-1</td>
<td align="center">5281.5</td>
<td align="center">5302.0</td>
<td align="center">5302.0</td>
<td align="center">-20.5</td>
<td align="center">388.5</td>
</tr>
<tr>
<td align="center">2021-01-21</td>
<td align="center">5251.5</td>
<td align="center">5232.5</td>
<td align="center">1</td>
<td align="center">5252.0</td>
<td align="center">5353.0</td>
<td align="center">5353.0</td>
<td align="center">101.0</td>
<td align="center">489.5</td>
</tr>
<tr>
<td align="center">2021-02-17</td>
<td align="center">5435.5</td>
<td align="center">5406.5</td>
<td align="center">-1</td>
<td align="center">5406.0</td>
<td align="center">5414.0</td>
<td align="center">5414.0</td>
<td align="center">-8.0</td>
<td align="center">481.5</td>
</tr>
<tr>
<td align="center">2021-02-19</td>
<td align="center">5472.0</td>
<td align="center">5460.0</td>
<td align="center">-1</td>
<td align="center">5459.5</td>
<td align="center">5383.0</td>
<td align="center">5383.0</td>
<td align="center">76.5</td>
<td align="center">558.0</td>
</tr>
<tr>
<td align="center">2021-04-23</td>
<td align="center">5440.0</td>
<td align="center">5427.0</td>
<td align="center">1</td>
<td align="center">5440.5</td>
<td align="center">5477.5</td>
<td align="center">5477.5</td>
<td align="center">37.0</td>
<td align="center">595.0</td>
</tr>
<tr>
<td align="center">2021-05-06</td>
<td align="center">5380.0</td>
<td align="center">5344.0</td>
<td align="center">1</td>
<td align="center">5380.5</td>
<td align="center">5290.5</td>
<td align="center">5290.5</td>
<td align="center">-90.0</td>
<td align="center">505.0</td>
</tr>
</tbody>
</table>
<p>Ora, mas cada ponto do mini dólar equivale a R$ 10,00. Dessa forma, podemos calcular o resultado financeiro de um trader operando somente essa estratégia, de janeiro de 2020 até hoje, com 5 contratos:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">number_of_contracts </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 5</span></span>
<span class="line"><span style="color:#ECEBE8">money_per_point </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 10</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">trades[</span><span style="color:#97CCAE">"profit"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> trades[</span><span style="color:#97CCAE">"acc"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> money_per_point </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> number_of_contracts</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">title(</span><span style="color:#97CCAE">"Curva de Capital"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">trades[</span><span style="color:#97CCAE">"profit"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">12</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">5</span><span style="color:#EDCC95">))</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">'Total Profit: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">trades[</span><span style="color:#97CCAE">"profit"</span><span style="color:#EDCC95">][</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">'</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>Total Profit: 25250.0</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1996" height="997" src="https://rafaelquintanilha.com/_astro/data-src-image-1675d514-0756-437a-8cdf-4656f0d09714.BUmDWd2o_1mjqMg.webp"></p>
<p>Nada mal para nossa primeira estratégia! Vamos desmembrar cada trade para identificarmos a taxa de acerto:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">shorts </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> trades[trades[</span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#A1C1E4"> -</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">successful_shorts </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(shorts[shorts[</span><span style="color:#97CCAE">"result"</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">></span><span style="color:#97CCAE"> 0</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">failed_shorts </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(shorts)</span><span style="color:#A1C1E4"> -</span><span style="color:#ECEBE8"> successful_shorts</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">longs </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> trades[trades[</span><span style="color:#97CCAE">"signal"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#97CCAE"> 1</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">successful_longs </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(longs[longs[</span><span style="color:#97CCAE">"result"</span><span style="color:#EDCC95">] </span><span style="color:#A1C1E4">></span><span style="color:#97CCAE"> 0</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">failed_longs </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> len(longs)</span><span style="color:#A1C1E4"> -</span><span style="color:#ECEBE8"> successful_longs</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Total longs: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">len(longs)</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Total shorts: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">len(shorts)</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Successful trades: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">successful_longs </span><span style="color:#A1C1E4">+</span><span style="color:#EDCC95"> successful_shorts</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Successful bullish gap traps: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">successful_longs</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Successful bearish gap traps: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">successful_shorts</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Total Accuracy (%): </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">(successful_longs </span><span style="color:#A1C1E4">+</span><span style="color:#EDCC95"> successful_shorts) </span><span style="color:#A1C1E4">/</span><span style="color:#EDCC95"> len(trades)</span><span style="color:#A1C1E4">:.2%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Bullish Gap Trap Accuracy (%): </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">(successful_longs) </span><span style="color:#A1C1E4">/</span><span style="color:#EDCC95"> len(longs)</span><span style="color:#A1C1E4">:.2%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Bearish Gap Trap Accuracy (%): </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">(successful_shorts) </span><span style="color:#A1C1E4">/</span><span style="color:#EDCC95"> len(shorts)</span><span style="color:#A1C1E4">:.2%</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>Total longs: 21</span></span>
<span class="line"><span>Total shorts: 16</span></span>
<span class="line"><span>Successful trades: 22</span></span>
<span class="line"><span>Successful bullish gap traps: 14</span></span>
<span class="line"><span>Successful bearish gap traps: 8</span></span>
<span class="line"><span>Total Accuracy (%): 59.46%</span></span>
<span class="line"><span>Bullish Gap Trap Accuracy (%): 66.67%</span></span>
<span class="line"><span>Bearish Gap Trap Accuracy (%): 50.00%</span></span></code></pre></figure>
<p>De onde produzimos a seguinte tabela:</p>
<table>
<thead>
<tr>
<th>Tipo</th>
<th>Trades</th>
<th>Acertos</th>
<th>% Acerto</th>
</tr>
</thead>
<tbody>
<tr>
<td>Gap Trap Compra</td>
<td>22</td>
<td>15</td>
<td>66.67%</td>
</tr>
<tr>
<td>Gap Trap Venda</td>
<td>16</td>
<td>8</td>
<td>50.00%</td>
</tr>
<tr>
<td>Total</td>
<td>38</td>
<td>23</td>
<td>59.46%</td>
</tr>
</tbody>
</table>
<p>Por fim, vamos calcular estatísticas básicas da estratégia:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">description </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> trades[</span><span style="color:#97CCAE">"result"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">describe()</span></span>
<span class="line"></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Mean: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'mean'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Median: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'50%'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Std deviation: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'std'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Min: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'min'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"Max: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'max'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"25th percentile: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'25%'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#A1C1E4">f</span><span style="color:#97CCAE">"75th percentile: </span><span style="color:#97CCAE">{</span><span style="color:#EDCC95">description[</span><span style="color:#97CCAE">'75%'</span><span style="color:#EDCC95">]</span><span style="color:#97CCAE">}</span><span style="color:#97CCAE">"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>Mean: 13.64864864864865</span></span>
<span class="line"><span>Median: 19.0</span></span>
<span class="line"><span>Std deviation: 72.23148213910618</span></span>
<span class="line"><span>Min: -174.5</span></span>
<span class="line"><span>Max: 184.5</span></span>
<span class="line"><span>25th percentile: -13.0</span></span>
<span class="line"><span>75th percentile: 56.5</span></span></code></pre></figure>
<h2 id="conclusão"><strong>Conclusão</strong></h2>
<p>A estratégia do Gap Trap de Compra ou Venda é bastante poderosa por sua simplicidade e objetividade. Além disso, a <strong>taxa de acerto fica em tornos dos 60%</strong>, o que é bem interessante. A assertividade na ponta da compra é de 2/3 dos trades no período calculado.</p>
<p>Observe que na média um trader pode esperar aproximadamente <em>14 pontos/trade</em>, ou <strong>R$ 140,00</strong> ao se operar apenas um contrato. Repare, porém, que o desvio padrão é bem grande, o que nos traduz que o resultado oscila bastante.</p>
<p>Observe que algum percentil pode ser utilizado como stop. No caso, podemos usar os dados para considerar o stop toda vez que o <em>loss</em> ultrapassar 13 pontos. Note, porém, que a estratégia deu poucos sinais, e portanto um teste de confiabilidade estatística se faz necessário.</p>
<p>Idealmente, um trader mais rigoroso poderia separar a base em <em>training</em> e <em>test</em> sets e otimizar os parâmetros de saída no intervalo. No entanto, tal prática pode ocasionar em <a href="https://www.investopedia.com/terms/o/overfitting.asp" rel="noopener noreferrer" target="_blank">overfitting</a>. Fique ligado nos próximos posts se quiser saber mais sobre o assunto!</p>
<h3 id="próximos-passos"><strong>Próximos Passos</strong></h3>
<p>Nos próximos posts dessa série vamos explorar a estratégia em diversos ativos, como mini índice e ações, além de testar estratégias diferentes de stop e alvo. Se você se interessa por esse tipo de conteúdo, não deixe de entrar no nosso <a href="https://t.me/quantbrasil" rel="noopener noreferrer" target="_blank">canal do Telegram</a> e se inscrever na nossa newsletter abaixo!</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Entenda o que é o Beta e Aprenda a Calculá-lo Utilizando Python]]></title>
<description><![CDATA[Aprenda, com exemplos, como calcular o beta de uma ação por 3 métodos diferentes.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/entenda-o-que-e-o-beta-e-aprenda-a-calcula-lo-utilizando-python/</link>
<guid isPermaLink="false">638ceb1724336d003d59fcc9</guid>
<category><![CDATA[Python]]></category><category><![CDATA[Data Science]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Thu, 08 Apr 2021 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<figure class="embed embed-youtube" data-url="https://www.youtube.com/watch?v=xm7jYLnCGjk">
<iframe width="200" height="113" src="https://www.youtube.com/embed/xm7jYLnCGjk?feature=oembed" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen title="Gerenciamento de Risco — O que é o Beta de uma ação?" loading="lazy" style="width: 100%; height: auto; aspect-ratio: 200 / 113;"></iframe>
<figcaption>Assista também no YouTube</figcaption>
</figure>
<p>É muito comum, durante a montagem de um portfólio, nos depararmos com o termo <em>beta de um ativo</em> ou <em>beta da carteira</em>. O <strong>beta</strong> é um número que tem como objetivo nos dar uma medida do <em>risco</em> daquele ativo ou portfólio.</p>
<p>No artigo de hoje nós vamos entender a fundo o que é o beta, sua aplicabilidade e limitações, além de calculá-lo de três formas diferentes.</p>
<h2 id="o-que-é-o-beta"><strong>O que é o beta?</strong></h2>
<p>De forma simplificada, <strong>o beta mede a expectativa de quanto um ativo se moverá em relação a um outro ativo subjacente</strong>. É comum que o ativo subjacente seja um <em>benchmark</em>, como por exemplo o IBOV para ativos brasileiros ou o SPX no mercado americano.</p>
<p>Portanto, se um ativo <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>X</mi></mrow><annotation encoding="application/x-tex">X</annotation></semantics></math></span></span> possui <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi><mo>=</mo><mn>1.5</mn></mrow><annotation encoding="application/x-tex">β = 1.5</annotation></semantics></math></span></span>, podemos esperar que pra cada 1% que o ativo subjacente se mova, <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>X</mi></mrow><annotation encoding="application/x-tex">X</annotation></semantics></math></span></span> andará 1.5%. Analogamente, se o beta do ativo <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>Y</mi></mrow><annotation encoding="application/x-tex">Y</annotation></semantics></math></span></span> é <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>0.80</mn></mrow><annotation encoding="application/x-tex">0.80</annotation></semantics></math></span></span>, então a expectativa é que <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>Y</mi></mrow><annotation encoding="application/x-tex">Y</annotation></semantics></math></span></span> terá movimentos com 80% da magnitude que o ativo subjacente.</p>
<p>O beta é a base do <a href="https://www.investopedia.com/terms/c/capm.asp" rel="noopener noreferrer" target="_blank">Capital Asset Princing Model</a>, um modelo que busca descrever a relação entre risco sistemático de um investimento com o seu retorno esperado.</p>
<h2 id="qual-a-importância-do-beta-de-um-ativo"><strong>Qual a importância do beta de um ativo?</strong></h2>
<p>A grande vantagem do cálculo de um beta diz respeito à <em>volatilidade</em> que um investidor deve esperar para aquele ativo. Ativos com <em>beta maior que 1</em> tendem a apresentar volatilidade <em>maior que o mercado</em>, enquanto ativos com <em>beta menor que 1</em> tendem a apresentar volatilidade <em>menor que o mercado</em>. Para conferir o beta e a volatilidade dos ativos do Ibovespa, <a href="https://quantbrasil.com.br/beta" rel="noopener noreferrer" target="_blank">clique aqui</a>.</p>
<p>Dessa forma, na hora da montagem de um portfólio ou na escolha de uma ação, é prudente levar o cálculo do beta em consideração para não ser pego de surpresa. Em momentos <em>risk on</em>, quando o mercado está positivo e direcional, pode ser interessante adicionar ativos de maior beta na carteira, enquanto em momentos de incerteza e proteção, ativos de beta menor tendem a "defender" seu patrimônio.</p>
<p>Por último, assim como o <a href="https://quantbrasil.com.br/entenda-o-drawdown-e-calcule-essa-medida-de-volatilidade-para-qualquer-ativo" rel="noopener noreferrer" target="_blank">drawdown</a>, o beta é extremamente importante em momentos de alavancagem, onde o investidor precisa identificar a volatilidade estimada de seu portfólio para evitar quebrar a conta em momentos de movimentação intensa.</p>
<h2 id="o-que-é-o-coeficiente-beta-de-uma-carteira"><strong>O que é o coeficiente beta de uma carteira?</strong></h2>
<p>O beta pode ser calculado para ativos ou grupos de ativos. Nesse caso, o beta de um portfólio pode ser encontrado ponderando o beta de cada ativo pelo seu peso na carteira.</p>
<p>Ou seja, se um portfólio é composto em 60% pelo ativo <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>A</mi></mrow><annotation encoding="application/x-tex">A</annotation></semantics></math></span></span> cujo beta é igual a <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>1.5</mn></mrow><annotation encoding="application/x-tex">1.5</annotation></semantics></math></span></span> e em 40% pelo ativo <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>B</mi></mrow><annotation encoding="application/x-tex">B</annotation></semantics></math></span></span> cujo beta é igual a <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>0.8</mn></mrow><annotation encoding="application/x-tex">0.8</annotation></semantics></math></span></span>:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>β</mi><mo>=</mo><mn>0.6</mn><mo>×</mo><mn>1.5</mn><mo>+</mo><mn>0.4</mn><mo>×</mo><mn>0.8</mn><mo>=</mo><mn>1.22</mn></mrow><annotation encoding="application/x-tex">\beta = 0.6 \times 1.5 + 0.4 \times 0.8 = 1.22</annotation></semantics></math></span></span></span>
<p>Esse resultado pode ser interpretado como uma <strong>medida de risco da carteira</strong>. Como a carteira assume 22% mais risco que o benchmark, é esperado um <em>retorno</em> maior ao final de um horizonte de investimento adequado.</p>
<h2 id="como-calcular-o-beta"><strong>Como calcular o beta?</strong></h2>
<p>Existem três formas principais para se calcular o beta de um ativo:</p>
<h4 id="método-1"><strong>Método 1</strong></h4>
<p>A primeira forma é a seguinte:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>β</mi><mo>=</mo><mfrac><mrow><mi>C</mi><mi>o</mi><mi>v</mi><mo stretchy="false">(</mo><mi>X</mi><mo separator="true">,</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow><mrow><mi>V</mi><mi>a</mi><mi>r</mi><mo stretchy="false">(</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow></mfrac></mrow><annotation encoding="application/x-tex">\beta = \frac{Cov(X,Y)}{Var(Y)}</annotation></semantics></math></span></span></span>
<p>Onde <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>X</mi></mrow><annotation encoding="application/x-tex">X</annotation></semantics></math></span></span> é o ativo que queremos calcular o beta, <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>Y</mi></mrow><annotation encoding="application/x-tex">Y</annotation></semantics></math></span></span> é o benchmark, <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>V</mi><mi>a</mi><mi>r</mi><mo stretchy="false">(</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">Var(Y)</annotation></semantics></math></span></span> é a variância do benchmark e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>C</mi><mi>o</mi><mi>v</mi><mo stretchy="false">(</mo><mi>X</mi><mo separator="true">,</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">Cov(X,Y)</annotation></semantics></math></span></span> é a covariância entre <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>X</mi></mrow><annotation encoding="application/x-tex">X</annotation></semantics></math></span></span> e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>Y</mi></mrow><annotation encoding="application/x-tex">Y</annotation></semantics></math></span></span>.</p>
<p>Explicar cada um desses conceitos de estatística está fora do escopo desse artigo, porém é importante sua familiaridade ao se aprofundar nas análises quantitativas.</p>
<h4 id="método-2"><strong>Método 2</strong></h4>
<p>A segunda forma, e provavelmente a mais fácil de entender, define o beta como a <strong>razão do desvio padrão de dois ativos multiplicada pela sua correlação</strong>. Matematicamente:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>β</mi><mo>=</mo><mi>C</mi><mi>o</mi><mi>r</mi><mi>r</mi><mo stretchy="false">(</mo><mi>X</mi><mo separator="true">,</mo><mi>Y</mi><mo stretchy="false">)</mo><mo>×</mo><mfrac><mrow><mi>σ</mi><mo stretchy="false">(</mo><mi>X</mi><mo stretchy="false">)</mo></mrow><mrow><mi>σ</mi><mo stretchy="false">(</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow></mfrac></mrow><annotation encoding="application/x-tex">\beta = Corr(X,Y) \times \frac{\sigma(X)}{\sigma(Y)}</annotation></semantics></math></span></span></span>
<p>Onde <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>C</mi><mi>o</mi><mi>r</mi><mi>r</mi><mo stretchy="false">(</mo><mi>X</mi><mo separator="true">,</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">Corr(X,Y)</annotation></semantics></math></span></span> é a correlação entre os ativos <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>X</mi></mrow><annotation encoding="application/x-tex">X</annotation></semantics></math></span></span> e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>Y</mi></mrow><annotation encoding="application/x-tex">Y</annotation></semantics></math></span></span> e <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>σ</mi></mrow><annotation encoding="application/x-tex">\sigma</annotation></semantics></math></span></span> é o desvio padrão.</p>
<p>Se entendermos o desvio padrão como a volatilidade de um ativo, então o beta é definido como a <em>razão entre as volatilidades ponderada pela correlação</em>.</p>
<h4 id="método-3"><strong>Método 3</strong></h4>
<p>Finalmente, a terceira forma de entender o beta e a matematicamente mais elaborada, é como o <strong>coeficiente angular da regressão linear entre das variações dos ativos</strong>.</p>
<p>Apesar de mais elaborada, a regressão linear é importante principalmente para estudos futuros de <a href="https://pt.wikipedia.org/wiki/Cointegra%C3%A7%C3%A3o" rel="noopener noreferrer" target="_blank">cointegração</a> e Machine Learning. De forma simplificada, a regressão linear busca achar a "melhor reta" que descreve a relação entre dois conjuntos de pontos (nesse caso, as variações de preço dos papeis). Uma vez achada essa reta, o coeficiente angular pode ser entendido como a <em>abertura</em> (angulação) da reta em relação ao eixo X.</p>
<p>A seguir nós vamos aprender a calcular o beta das três formas descritas acima.</p>
<h2 id="baixando-as-bibliotecas"><strong>Baixando as bibliotecas</strong></h2>
<p>O primeiro passo é importar as bibliotecas que serão utilizadas no cálculo e visualização do beta. Repare que estamos introduzindo a função <code>LinearRegression</code> da famosa biblioteca <a href="https://scikit-learn.org/stable/" rel="noopener noreferrer" target="_blank">sci-kit learn</a> (<code>sklearn</code>). Como você pode imaginar, ela será utilizada para calcular o beta utilizando o método da regressão linear.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">%%</span><span style="color:#ECEBE8">capture</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> pandas </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> pd</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> numpy </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> np</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.pyplot </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> plt</span></span>
<span class="line"><span style="color:#ECEBE8">!pip install yfinance</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> yfinance </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> yf</span></span>
<span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> sklearn.linear_model </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> LinearRegression</span></span></code></pre></figure>
<p>Com as bibliotecas importadas nós podemos baixar os dados do ativo que queremos calcular o beta e seu respectivo benchmark. Para esse exemplo, usaremos a <code>VALE3</code>, cujo benchmark é o índice Bovespa (<code>BVSP</code>). O período de cálculo será entre 2016 e 2020 (5 anos) e desconsideraremos valores nulos por simplicidade.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">start_date </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "2016-01-01"</span></span>
<span class="line"><span style="color:#ECEBE8">end_date </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "2020-12-31"</span></span>
<span class="line"><span style="color:#ECEBE8">bench_name </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "^BVSP"</span></span>
<span class="line"><span style="color:#ECEBE8">asset_name </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "VALE3.SA"</span></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yf.</span><span style="color:#EDCC95">download([asset_name, bench_name], start </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> start_date, end </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> end_date)</span><span style="color:#ECEBE8">[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">df.columns</span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8">[</span><span style="color:#97CCAE">'Asset'</span><span style="color:#ECEBE8">,</span><span style="color:#97CCAE">'Benchmark'</span><span style="color:#ECEBE8">];</span></span>
<span class="line"><span style="color:#ECEBE8">df.</span><span style="color:#EDCC95">dropna(inplace</span><span style="color:#A1C1E4">=True</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Asset</th>
<th align="center">Benchmark</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2016-01-04</td>
<td align="center">10.387794</td>
<td align="center">42141.0</td>
</tr>
<tr>
<td align="center">2016-01-05</td>
<td align="center">10.248634</td>
<td align="center">42419.0</td>
</tr>
<tr>
<td align="center">2016-01-06</td>
<td align="center">9.495541</td>
<td align="center">41773.0</td>
</tr>
<tr>
<td align="center">2016-01-07</td>
<td align="center">8.930719</td>
<td align="center">40695.0</td>
</tr>
<tr>
<td align="center">2016-01-08</td>
<td align="center">8.627845</td>
<td align="center">40612.0</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2020-12-22</td>
<td align="center">83.192207</td>
<td align="center">116348.0</td>
</tr>
<tr>
<td align="center">2020-12-23</td>
<td align="center">83.594101</td>
<td align="center">117857.0</td>
</tr>
<tr>
<td align="center">2020-12-28</td>
<td align="center">83.546249</td>
<td align="center">119051.0</td>
</tr>
<tr>
<td align="center">2020-12-29</td>
<td align="center">83.316597</td>
<td align="center">119475.0</td>
</tr>
<tr>
<td align="center">2020-12-30</td>
<td align="center">83.680214</td>
<td align="center">119306.0</td>
</tr>
</tbody>
</table>
<p>1236 rows × 2 columns</p>
<p>Repare que o cálculo do beta leva em consideração a <strong>variação percentual</strong>. Podemos rapidamente calculá-la utilizando a função <code>pct_change()</code>. Como o primeiro valor será <code>NaN</code>, podemos aproveitar para desconsiderá-lo também.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Benchmark"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">pct_change()</span></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"% Asset"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Asset"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">pct_change()</span></span>
<span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">1</span><span style="color:#ECEBE8">:]</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Asset</th>
<th align="center">Benchmark</th>
<th align="center">% Benchmark</th>
<th align="center">% Asset</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2016-01-05</td>
<td align="center">10.248634</td>
<td align="center">42419.0</td>
<td align="center">0.006597</td>
<td align="center">-0.013396</td>
</tr>
<tr>
<td align="center">2016-01-06</td>
<td align="center">9.495541</td>
<td align="center">41773.0</td>
<td align="center">-0.015229</td>
<td align="center">-0.073482</td>
</tr>
<tr>
<td align="center">2016-01-07</td>
<td align="center">8.930719</td>
<td align="center">40695.0</td>
<td align="center">-0.025806</td>
<td align="center">-0.059483</td>
</tr>
<tr>
<td align="center">2016-01-08</td>
<td align="center">8.627845</td>
<td align="center">40612.0</td>
<td align="center">-0.002040</td>
<td align="center">-0.033914</td>
</tr>
<tr>
<td align="center">2016-01-11</td>
<td align="center">8.382270</td>
<td align="center">39950.0</td>
<td align="center">-0.016301</td>
<td align="center">-0.028463</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2020-12-22</td>
<td align="center">83.192207</td>
<td align="center">116348.0</td>
<td align="center">0.002862</td>
<td align="center">0.000921</td>
</tr>
<tr>
<td align="center">2020-12-23</td>
<td align="center">83.594101</td>
<td align="center">117857.0</td>
<td align="center">0.012970</td>
<td align="center">0.004831</td>
</tr>
<tr>
<td align="center">2020-12-28</td>
<td align="center">83.546249</td>
<td align="center">119051.0</td>
<td align="center">0.010131</td>
<td align="center">-0.000572</td>
</tr>
<tr>
<td align="center">2020-12-29</td>
<td align="center">83.316597</td>
<td align="center">119475.0</td>
<td align="center">0.003561</td>
<td align="center">-0.002749</td>
</tr>
<tr>
<td align="center">2020-12-30</td>
<td align="center">83.680214</td>
<td align="center">119306.0</td>
<td align="center">-0.001415</td>
<td align="center">0.004364</td>
</tr>
</tbody>
</table>
<p>1235 rows × 4 columns</p>
<p>A primeira fórmula de cálculo apresentada foi a da <em>covariância</em> dividida pela <em>variância do benchmark</em>. Assim, em uma linha de código, podemos calcular o beta de VALE3 de 2016 a 2020:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">beta_1 </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Asset"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">cov(df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#EDCC95">])</span><span style="color:#A1C1E4"> /</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">var()</span></span>
<span class="line"><span style="color:#ECEBE8">beta_1</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>1.071940480747427</span></span></code></pre></figure>
<p>Como o beta da VALE3 foi maior que 1, podemos interpretar essa ação como <em>mais volátil</em> que o Ibovespa. No caso, para cada variação de 1% no benchmark a Vale é esperada de variar 1.07%.</p>
<p>A segunda forma tradicional de cálculo do beta é atráves das razões dos desvio padrão multiplicadas pela correlação. As funções <code>corr()</code> e <code>std()</code> são tudo que precisamos:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">std_asset </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Asset"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">std()</span></span>
<span class="line"><span style="color:#ECEBE8">std_bench </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">std()</span></span>
<span class="line"><span style="color:#ECEBE8">corr </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Asset"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">corr(df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">beta_2 </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> corr </span><span style="color:#A1C1E4">*</span><span style="color:#ECEBE8"> (std_asset </span><span style="color:#A1C1E4">/</span><span style="color:#ECEBE8"> std_bench)</span></span>
<span class="line"><span style="color:#ECEBE8">beta_2</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>1.0719404807474269</span></span></code></pre></figure>
<p>Como esperado, o valor do beta encontrado é o mesmo do passo anterior.</p>
<p><strong>Calculando o beta através da regressão linear</strong></p>
<p>Agora que já calculamos o beta estamos preparados para o realizar a regressão linear. O primeiro passo é colocar nossos dados, no caso a variação percentual de cada ativo, no formato necessário.</p>
<p>Faremos isso através da função <a href="https://numpy.org/doc/stable/reference/generated/numpy.reshape.html#numpy.reshape" rel="noopener noreferrer" target="_blank">reshape()</a>, que nos permite transformar a nossa série de dados em um array unidimensional de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>n</mi></mrow><annotation encoding="application/x-tex">n</annotation></semantics></math></span></span> linhas.</p>
<p>Vamos entender melhor o formato da nossa série de dados:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">X </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Type of X: "</span><span style="color:#EDCC95">, </span><span style="color:#A1C1E4">type</span><span style="color:#EDCC95">(X))</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Shape of X:"</span><span style="color:#EDCC95">, X.shape)</span></span></code></pre></figure>
<p><code>Type of X:  &#x3C;class 'pandas.core.series.Series'> Shape of X: (1235,)</code></p>
<p>Repare que <code>df["% Benchmark"]</code> é um objeto da classe Series com 1235 valores. Nós podemos transformá-lo num array utilizando o método <code>.values</code>:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">X </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> X.values</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Type of X: "</span><span style="color:#EDCC95">, </span><span style="color:#A1C1E4">type</span><span style="color:#EDCC95">(X))</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Shape of X:"</span><span style="color:#EDCC95">, X.shape)</span></span>
<span class="line"><span style="color:#ECEBE8">X</span></span></code></pre></figure>
<p><code>Type of X:  &#x3C;class 'numpy.ndarray'> Shape of X: (1235,)</code></p>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>array([ 0.0065969 , -0.01522902, -0.02580614, ..., 0.01013092, 0.0035615 , -0.00141452])</span></span></code></pre></figure>
<p>Conseguimos transformar nossa série em um array, porém precisamos explicitar que ele é unidimensional. Para colocá-lo no formato final de nnn linhas e 1 coluna, utilizaremos o método <code>reshape(row, columns)</code>. Como queremos apenas uma coluna mas o número de linhas pode variar, passaremos como parâmetro a tupla <code>(-1, 1)</code> (leia a <a href="https://stackoverflow.com/questions/18691084/what-does-1-mean-in-numpy-reshape" rel="noopener noreferrer" target="_blank">seguinte discussão</a> para mais detalhes).</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">X </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#ECEBE8">].values.</span><span style="color:#EDCC95">reshape(</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Type of X: "</span><span style="color:#EDCC95">, </span><span style="color:#A1C1E4">type</span><span style="color:#EDCC95">(X))</span></span>
<span class="line"><span style="color:#EDCC95">print(</span><span style="color:#97CCAE">"Shape of X:"</span><span style="color:#EDCC95">, X.shape)</span></span>
<span class="line"><span style="color:#ECEBE8">X</span></span></code></pre></figure>
<p><code>Type of X:  &#x3C;class 'numpy.ndarray'> Shape of X: (1235, 1)</code></p>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>array([[ 0.0065969 ], [-0.01522902], [-0.02580614], ..., [ 0.01013092], [ 0.0035615 ], [-0.00141452]])</span></span></code></pre></figure>
<p>Pronto! O processo acima pode ser rapidamente feito para os dois ativos da seguinte forma:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">X </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Benchmark"</span><span style="color:#ECEBE8">].values.</span><span style="color:#EDCC95">reshape(</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">Y </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"% Asset"</span><span style="color:#ECEBE8">].values.</span><span style="color:#EDCC95">reshape(</span><span style="color:#A1C1E4">-</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">, </span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">scatter(X, Y, s</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1119" height="824" src="https://rafaelquintanilha.com/_astro/data-src-image-cd25b6fc-5389-42ae-9576-fdd119f83742.zgfyGD9l_wdEcA.webp"></p>
<p>O gráfico acima é um <em>scatter plot</em> e descreve como as variações entre X e Y se relacionam. Para cada variação de preço no eixo X (IBOV), nós achamos a variação de Vale no mesmo dia (eixo Y) e marcamos o ponto <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mo stretchy="false">(</mo><mi>X</mi><mo separator="true">,</mo><mi>Y</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">(X,Y)</annotation></semantics></math></span></span> no gráfico.</p>
<p>Observe que a escolha dos eixos importa. Se queremos calcular o beta de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>A</mi></mrow><annotation encoding="application/x-tex">A</annotation></semantics></math></span></span> em relação a <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>B</mi></mrow><annotation encoding="application/x-tex">B</annotation></semantics></math></span></span>, então as variações percentuais de preço de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>B</mi></mrow><annotation encoding="application/x-tex">B</annotation></semantics></math></span></span> devem estar no eixo X e as de <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>A</mi></mrow><annotation encoding="application/x-tex">A</annotation></semantics></math></span></span> no eixo Y.</p>
<p>A regressão linear dos dois ativos é a reta que melhor se aproxima de todos os pontos, ou seja, a reta que tem <em>minimiza o erro entre o ponto observado e a reta prevista</em>.</p>
<p>Vamos usar o <code>LinearRegression</code> para achar a reta:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Find best line</span></span>
<span class="line"><span style="color:#ECEBE8">linear_regressor </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> LinearRegression()</span></span>
<span class="line"><span style="color:#ECEBE8">reg </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> linear_regressor.</span><span style="color:#EDCC95">fit(X, Y)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Predict Y values from line found</span></span>
<span class="line"><span style="color:#ECEBE8">Y_pred </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> linear_regressor.</span><span style="color:#EDCC95">predict(X)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A7A49E;font-style:italic"># Plot scatter along with regression</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">scatter(X, Y, s</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(X, Y_pred, color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'red'</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">show()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1119" height="824" src="https://rafaelquintanilha.com/_astro/data-src-image-6c55dd8e-3af0-40fb-8d7e-b1af4eb93f77.Dz6czsWG_10eFLx.webp"></p>
<p>E aí está! Repare que a reta vermelha tenta melhor descrever o relacionamento entre os pontos verdes. O beta, ou coeficiente angular, é a angulação da reta e o mesmo valor encontrado anteriormente:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">beta_3 </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> reg.coef_[</span><span style="color:#97CCAE">0</span><span style="color:#ECEBE8">][</span><span style="color:#97CCAE">0</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">beta_3</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>1.0719404807474275</span></span></code></pre></figure>
<h2 id="limitações-do-beta"><strong>Limitações do beta</strong></h2>
<h4 id="impacto-do-tempo"><strong>Impacto do tempo</strong></h4>
<p>O beta é fortemente dependente da janela de tempo e timeframe escolhidos, o que significa que ativos podem apresentar betas diferentes ao longo de suas vidas. Por isso é importante acompanhar seus investimentos de perto e conferir se você não está "desenquadrado" com o risco máximo que pretende assumir.</p>
<p>A melhor escolha de timeframe é objeto de estudos (como <a href="https://www.vps.ns.ac.rs/Materijal/mat17210.pdf" rel="noopener noreferrer" target="_blank">esse</a> e <a href="https://www.jstor.org/stable/4478650?seq=1" rel="noopener noreferrer" target="_blank">esse</a>) e pode variar de acordo com seu objetivo. De modo geral, principalmente pela maior abundância de dados, analisar retornos diários em vez de mensais ou semanais pode ser a melhor opção.</p>
<h4 id="riscos-de-cauda-tail-risk"><strong>Riscos de cauda (tail risk)</strong></h4>
<p>Por assumir que a variação percentual dos ativos obedece a uma curva normal (na prática isso não é verdade), o beta não provém segurança contra <em>riscos de cauda</em> (os famosos <a href="https://en.wikipedia.org/wiki/Black_swan_theory" rel="noopener noreferrer" target="_blank">black swans</a>). Portanto, um investidor pode ter a <em>falsa segurança</em> de que está protegido ao operar alavancado e ser surpreendido por uma movimentação alguns desvio padrão acima do previsto.</p>
<h2 id="conclusão"><strong>Conclusão</strong></h2>
<p>O beta é uma métrica relevante de risco para investimentos. Felizmente, podemos calculá-lo com algumas poucas linhas de código.</p>
<p>O cálculo da regressão linear é um pouco mais trabalhoso, mas é importante entender sua intepretação já que ela é bastante utilizada em métodos quantitativos como cointegração (que será explorada em futuros posts).</p>
<h3 id="conferindo-o-valor-do-beta"><strong>Conferindo o valor do beta</strong></h3>
<p><a href="https://www.investing-support.com/hc/en-us/articles/115005356709-How-do-you-calculate-the-beta-" rel="noopener noreferrer" target="_blank">O famoso site Investing.com utiliza uma regressão linear de 60 meses para cálculo do beta</a>, o que significa que eles não disponibilizam o beta de ativos que entraram há menos tempo da bolsa, como <a href="https://www.investing.com/equities/banco-inter-sa" rel="noopener noreferrer" target="_blank">BIDI4</a>, e que os valores lá apresentados podem diferir bastante de betas calculados em cima de retornos diários mais recentes.</p>
<p>A boa notícia é que os usuários do QuantBrasil podem calcular o beta <em>de qualquer ação</em> através do <a href="https://t.me/quantbrasil" rel="noopener noreferrer" target="_blank">nosso bot no Telegram</a>! Além disso, <a href="https://quantbrasil.com.br/beta" rel="noopener noreferrer" target="_blank">o beta dos ativos do Ibovespa nos últimos 365 dias podem ser conferidos diretamente no site</a>.</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Entenda o Drawdown e Calcule essa Medida de Volatilidade para Qualquer Ativo]]></title>
<description><![CDATA[Utilize Python para calcular as maiores quedas de um ativo em um determinado período de tempo.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/entenda-o-drawdown-e-calcule-essa-medida-de-volatilidade-para-qualquer-ativo/</link>
<guid isPermaLink="false">638cef0d24336d003d59fd35</guid>
<category><![CDATA[Data Science]]></category><category><![CDATA[Python]]></category><category><![CDATA[Risk Management]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Mon, 28 Dec 2020 03:00:00 GMT</pubDate>

<content:encoded><![CDATA[<p>O <strong>drawdown</strong> é uma importante medida de volatilidade para os investidores. De forma simples, o drawdown é calculado como a porcentagem de quanto um ativo, fundo ou portfólio caiu em relação ao seu topo.</p>
<p>Suponha que o Ibovespa esteja cotado a 100.000 pontos em uma determinada data. Durante os próximos dias, ele cai para 90.000 sem superar a marca dos 100.000 pontos. O drawdown nesse período foi de 10%.</p>
<p>Agora, se depois de alcançar os 90.000 pontos o Ibovespa suba para 115.000 pontos, o próximo drawdown será calculado utilizando o mais novo topo. Nesse caso, se ele cair para 100.000 logo em seguida, o drawdown será de:</p>
<span class="katex-display"><span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mstyle scriptlevel="0" displaystyle="true"><mfrac><mrow><mo stretchy="false">(</mo><mn>115.000</mn><mo>−</mo><mn>100.000</mn><mo stretchy="false">)</mo></mrow><mn>115.000</mn></mfrac></mstyle><mo>×</mo><mn>100</mn><mo>≈</mo><mn>13</mn><mi mathvariant="normal">%</mi></mrow><annotation encoding="application/x-tex">\dfrac{(115.000 - 100.000)}{115.000} \times 100 \approx 13\%</annotation></semantics></math></span></span></span>
<h3 id="a-importância-do-drawdown"><strong>A importância do drawdown</strong></h3>
<p>O drawdown é bastante utilizado para medir a volatilidade, ou o risco, de um determinado investimento. Se dois ativos, A e B, possuem o mesmo retorno ao longo de um período, mas o drawdown de A é <em>menor</em> que o de B, o ativo A <em>tende</em> a ser preferível.</p>
<p>A discussão entre <em>volatilidade x risco</em> é extensa e está além do escopo desse artigo. No entanto, como exemplos, se um investimento observa quedas maiores, o investidor incorre no risco:</p>
<ul>
<li>de ter uma chamada de margem (caso alavancado),</li>
<li>de encerrar o investimento prematuramente antes da recuperação (comum em fundos de investimento),</li>
<li>e de precisar resgatar em um momento de forte queda (devido a uma emergência ou até mesmo para a aposentadoria).</li>
</ul>
<p>No caso específico de uma estratégia de trade, um menor drawdown significa uma menor exposição ao risco, e portanto minimizá-lo pode ser interessante mesmo que a rentabilidade da estratégia caia.</p>
<p><strong>O que é melhor: uma estratégia A com rentabilidade de 20% e um drawdown de 15%, ou uma estratégia B com rentabilidade de 25% e drawdown de 40%?</strong> Mesmo que a resposta correta não exista, uma vez que é dependente da gestão de risco e perfil de cada pessoa, calcular o drawdown é de suma importância para qualquer investimento.</p>
<h3 id="calculando-o-drawdown-do-ibovespa"><strong>Calculando o drawdown do Ibovespa</strong></h3>
<p>Nossa primeira tarefa será calcular o drawdown máximo do Ibovespa em um determinado período. É importante entender o termo <strong>drawdown máximo</strong>: ele é a medida do maior drawdown ocorrido no período estabelecido. No exemplo anterior, a primeira queda foi de 100.000 para 90.000 (drawdown de 10%), e depois de 115.000 para 100.000 (drawdown de 13%). Um investidor analisando esse período específico observaria que o drawdown máximo foi de 13%.</p>
<p>O primeiro passo é importar as bibliotecas que vamos utilizar e baixar os preços de fechamento do Ibovespa em 2020 utilizando o Yahoo Finance. Note que o <em>ticker</em> do Ibovespa no <code>yfinance</code> é <code>^BVSP</code>. Os símbolos podem ser pesquisados <a href="https://finance.yahoo.com/quote/%5Ebvsp?ltr=1" rel="noopener noreferrer" target="_blank">diretamente na plataforma</a>.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># %%capture means we suppress the output</span></span>
<span class="line"><span style="color:#A1C1E4">%%</span><span style="color:#ECEBE8">capture</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> pandas </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> pd</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> numpy </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> np</span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.pyplot </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> plt</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">!pip install yfinance </span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> yfinance </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> yf</span></span></code></pre></figure>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yf.</span><span style="color:#EDCC95">download(</span><span style="color:#97CCAE">"^BVSP"</span><span style="color:#EDCC95">, start</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2020-01-01"</span><span style="color:#EDCC95">, end</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2020-12-31"</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.</span><span style="color:#EDCC95">copy()</span><span style="color:#ECEBE8">[[</span><span style="color:#97CCAE">'Adj Close'</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#ECEBE8">data.</span><span style="color:#EDCC95">head()</span><span style="color:#A7A49E;font-style:italic"> # returns the first 5 rows of the dataframe</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-02</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-03</td>
<td align="center">117707.0</td>
</tr>
<tr>
<td align="center">2020-01-06</td>
<td align="center">116878.0</td>
</tr>
<tr>
<td align="center">2020-01-07</td>
<td align="center">116662.0</td>
</tr>
<tr>
<td align="center">2020-01-08</td>
<td align="center">116247.0</td>
</tr>
</tbody>
</table>
<p>Em seguida vamos utilizar a função <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.cummax.html" rel="noopener noreferrer" target="_blank">cummax</a> para criar uma nova coluna com o valor máximo de <code>Adj Close</code> <em>até o elemento em questão</em>. Repare a diferença entre <code>cummax</code> e <code>max</code>: enquanto <code>cummax</code> retorna, para cada elemento, o valor máximo anterior ou igual a ele, <code>max</code> retorna o valor máximo na coluna inteira, independente de ter ocorrido antes ou depois do elemento.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data[</span><span style="color:#97CCAE">"Max"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">'Adj Close'</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">cummax()</span></span>
<span class="line"><span style="color:#ECEBE8">data.</span><span style="color:#EDCC95">head(</span><span style="color:#97CCAE">20</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
<th align="center">Max</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-02</td>
<td align="center">118573.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-03</td>
<td align="center">117707.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-06</td>
<td align="center">116878.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-07</td>
<td align="center">116662.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-08</td>
<td align="center">116247.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-09</td>
<td align="center">115947.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-10</td>
<td align="center">115503.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-13</td>
<td align="center">117325.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-14</td>
<td align="center">117632.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-15</td>
<td align="center">116414.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-16</td>
<td align="center">116704.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-17</td>
<td align="center">118478.0</td>
<td align="center">118573.0</td>
</tr>
<tr>
<td align="center">2020-01-20</td>
<td align="center">118862.0</td>
<td align="center">118862.0</td>
</tr>
<tr>
<td align="center">2020-01-21</td>
<td align="center">117026.0</td>
<td align="center">118862.0</td>
</tr>
<tr>
<td align="center">2020-01-22</td>
<td align="center">118391.0</td>
<td align="center">118862.0</td>
</tr>
<tr>
<td align="center">2020-01-23</td>
<td align="center">119528.0</td>
<td align="center">119528.0</td>
</tr>
<tr>
<td align="center">2020-01-24</td>
<td align="center">118376.0</td>
<td align="center">119528.0</td>
</tr>
<tr>
<td align="center">2020-01-27</td>
<td align="center">114482.0</td>
<td align="center">119528.0</td>
</tr>
<tr>
<td align="center">2020-01-28</td>
<td align="center">116479.0</td>
<td align="center">119528.0</td>
</tr>
<tr>
<td align="center">2020-01-29</td>
<td align="center">115385.0</td>
<td align="center">119528.0</td>
</tr>
</tbody>
</table>
<p>Agora que temos o valor do último topo (<code>Max</code>) para cada linha, podemos calcular o drawdown (em %):</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data[</span><span style="color:#97CCAE">"Delta"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Max"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">-</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">data[</span><span style="color:#97CCAE">"Drawdown"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 100</span><span style="color:#A1C1E4"> *</span><span style="color:#ECEBE8"> (data[</span><span style="color:#97CCAE">"Delta"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">/</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Max"</span><span style="color:#ECEBE8">])</span></span>
<span class="line"><span style="color:#ECEBE8">data.</span><span style="color:#EDCC95">head(</span><span style="color:#97CCAE">20</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
<th align="center">Max</th>
<th align="center">Delta</th>
<th align="center">Drawdown</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2020-01-02</td>
<td align="center">118573.0</td>
<td align="center">118573.0</td>
<td align="center">0.0</td>
<td align="center">0.000000</td>
</tr>
<tr>
<td align="center">2020-01-03</td>
<td align="center">117707.0</td>
<td align="center">118573.0</td>
<td align="center">866.0</td>
<td align="center">0.730352</td>
</tr>
<tr>
<td align="center">2020-01-06</td>
<td align="center">116878.0</td>
<td align="center">118573.0</td>
<td align="center">1695.0</td>
<td align="center">1.429499</td>
</tr>
<tr>
<td align="center">2020-01-07</td>
<td align="center">116662.0</td>
<td align="center">118573.0</td>
<td align="center">1911.0</td>
<td align="center">1.611665</td>
</tr>
<tr>
<td align="center">2020-01-08</td>
<td align="center">116247.0</td>
<td align="center">118573.0</td>
<td align="center">2326.0</td>
<td align="center">1.961661</td>
</tr>
<tr>
<td align="center">2020-01-09</td>
<td align="center">115947.0</td>
<td align="center">118573.0</td>
<td align="center">2626.0</td>
<td align="center">2.214669</td>
</tr>
<tr>
<td align="center">2020-01-10</td>
<td align="center">115503.0</td>
<td align="center">118573.0</td>
<td align="center">3070.0</td>
<td align="center">2.589122</td>
</tr>
<tr>
<td align="center">2020-01-13</td>
<td align="center">117325.0</td>
<td align="center">118573.0</td>
<td align="center">1248.0</td>
<td align="center">1.052516</td>
</tr>
<tr>
<td align="center">2020-01-14</td>
<td align="center">117632.0</td>
<td align="center">118573.0</td>
<td align="center">941.0</td>
<td align="center">0.793604</td>
</tr>
<tr>
<td align="center">2020-01-15</td>
<td align="center">116414.0</td>
<td align="center">118573.0</td>
<td align="center">2159.0</td>
<td align="center">1.820819</td>
</tr>
<tr>
<td align="center">2020-01-16</td>
<td align="center">116704.0</td>
<td align="center">118573.0</td>
<td align="center">1869.0</td>
<td align="center">1.576244</td>
</tr>
<tr>
<td align="center">2020-01-17</td>
<td align="center">118478.0</td>
<td align="center">118573.0</td>
<td align="center">95.0</td>
<td align="center">0.080119</td>
</tr>
<tr>
<td align="center">2020-01-20</td>
<td align="center">118862.0</td>
<td align="center">118862.0</td>
<td align="center">0.0</td>
<td align="center">0.000000</td>
</tr>
<tr>
<td align="center">2020-01-21</td>
<td align="center">117026.0</td>
<td align="center">118862.0</td>
<td align="center">1836.0</td>
<td align="center">1.544648</td>
</tr>
<tr>
<td align="center">2020-01-22</td>
<td align="center">118391.0</td>
<td align="center">118862.0</td>
<td align="center">471.0</td>
<td align="center">0.396258</td>
</tr>
<tr>
<td align="center">2020-01-23</td>
<td align="center">119528.0</td>
<td align="center">119528.0</td>
<td align="center">0.0</td>
<td align="center">0.000000</td>
</tr>
<tr>
<td align="center">2020-01-24</td>
<td align="center">118376.0</td>
<td align="center">119528.0</td>
<td align="center">1152.0</td>
<td align="center">0.963791</td>
</tr>
<tr>
<td align="center">2020-01-27</td>
<td align="center">114482.0</td>
<td align="center">119528.0</td>
<td align="center">5046.0</td>
<td align="center">4.221605</td>
</tr>
<tr>
<td align="center">2020-01-28</td>
<td align="center">116479.0</td>
<td align="center">119528.0</td>
<td align="center">3049.0</td>
<td align="center">2.550867</td>
</tr>
<tr>
<td align="center">2020-01-29</td>
<td align="center">115385.0</td>
<td align="center">119528.0</td>
<td align="center">4143.0</td>
<td align="center">3.466133</td>
</tr>
</tbody>
</table>
<p>Pronto! O código acima nos diz qual o drawdown atual do ativo, dentro do período selecionado, em qualquer momento do tempo. Assim, podemos rapidamente dizer que o drawdown do Ibovespa em 2020, no dia 27 de Janeiro de 2020, era de 4,22%.</p>
<p>Como fazemos então para calcular o <em>drawdown máximo</em> no período?</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">max_drawdown </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Drawdown"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">max()</span></span>
<span class="line"><span style="color:#ECEBE8">max_drawdown</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>46.815808848136</span></span></code></pre></figure>
<p>Simples assim. O drawdown máximo do Ibovespa em 2020 foi de impressionantes 46,18% (2020 não foi pra amadores!)</p>
<h3 id="encontrando-o-período-de-máximo-drawdown-no-gráfico"><strong>Encontrando o período de máximo drawdown no gráfico</strong></h3>
<p>Como sempre, faz parte das nossas análises facilitar o entendimento com a melhor visualização possível. Vamos então identificar, via código, os pontos que compreenderam o drawdown máximo de 2020 e marcá-los em um gráfico.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Get the position of the point with maximum Drawdown value</span></span>
<span class="line"><span style="color:#ECEBE8">bottom_day </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> np.</span><span style="color:#EDCC95">argmax(data[</span><span style="color:#97CCAE">'Drawdown'</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">bottom_index </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[[</span><span style="color:#97CCAE">'Drawdown'</span><span style="color:#ECEBE8">]].index.</span><span style="color:#EDCC95">get_loc(bottom_day)</span></span>
<span class="line"><span style="color:#EDCC95">print(bottom_day, bottom_index, sep</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"\n"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>2020-03-23 00:00:00 54</span></span></code></pre></figure>
<p>Repare que nós utilizamos <a href="https://numpy.org/doc/stable/reference/generated/numpy.argmax.html" rel="noopener noreferrer" target="_blank">argmax</a> para retornar o índice (no caso, o dia) onde observamos o maior drawdown. Esse dia é o fundo do mercado e foi observado na linha 55 (índice número 54).</p>
<p>Para identificar o topo, vamos achar o valor máximo do Ibovespa na <em>data</em> do fundo, e buscar quando foi a <em>primeira</em> ocorrência desse preço.</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Get the position of the point with peak value before bottom</span></span>
<span class="line"><span style="color:#ECEBE8">max_value </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data.iloc[bottom_index][</span><span style="color:#97CCAE">'Max'</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">top_day </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> (data[</span><span style="color:#97CCAE">'Max'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">==</span><span style="color:#ECEBE8"> max_value).</span><span style="color:#EDCC95">idxmax()</span></span>
<span class="line"><span style="color:#ECEBE8">top_index </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[[</span><span style="color:#97CCAE">'Max'</span><span style="color:#ECEBE8">]].index.</span><span style="color:#EDCC95">get_loc(top_day)</span></span>
<span class="line"><span style="color:#EDCC95">print(top_day, top_index, sep</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"\n"</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>2020-01-23 00:00:00 15</span></span></code></pre></figure>
<p>Dessa vez usamos <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.idxmax.html" rel="noopener noreferrer" target="_blank">idxmax</a> para retornar a primeira ocorrência de quando o index foi igual ao valor máximo observado anteriormente ao fundo estabelecido. O <em>topo</em> foi definido no dia 23 de Janeiro de 2020, no 16º pregão do ano.</p>
<h3 id="plotando-os-pontos-de-topo-e-fundo"><strong>Plotando os pontos de topo e fundo</strong></h3>
<p>Com os pontos em mãos, podemos utilizar o matplotlib para visualizar esse período no gráfico:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot(</span></span>
<span class="line"><span style="color:#EDCC95">    marker</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">'o'</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">    markerfacecolor</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"red"</span><span style="color:#EDCC95">, </span></span>
<span class="line"><span style="color:#EDCC95">    markevery</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">[top_index, bottom_index],</span></span>
<span class="line"><span style="color:#EDCC95">)</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="1144" height="848" src="https://rafaelquintanilha.com/_astro/data-src-image-77a10e4a-365b-4f7c-a4be-d9c2bcb6e950.DxaIFd8v_1JpRsr.webp"></p>
<p>Veja como a visualização nos ajuda a confirmar que os pontos marcados em vermelho foram, de fato, os pontos que compreenderam a maior queda do Ibovespa durante o ano de 2020.</p>
<h3 id="calculando-o-drawdown-de-vários-anos"><strong>Calculando o drawdown de vários anos</strong></h3>
<p>Nosso código está pronto e é capaz de nos retornar o drawdown em qualquer período, para qualquer ativo. Vamos facilitar ainda mais a nossa vida e escrever um código que nos permita analisar o drawdown máximo por ano em um determinado período.</p>
<p>O primeiro passo é transformar o cálculo do drawdown máximo em uma função:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">def</span><span style="color:#EDCC95"> get_drawdown</span><span style="color:#ECEBE8">(data, column </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "Adj Close"</span><span style="color:#ECEBE8">):</span></span>
<span class="line"><span style="color:#ECEBE8">  data[</span><span style="color:#97CCAE">"Max"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[column].</span><span style="color:#EDCC95">cummax()</span></span>
<span class="line"><span style="color:#ECEBE8">  data[</span><span style="color:#97CCAE">"Delta"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">'Max'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">-</span><span style="color:#ECEBE8"> data[column]</span></span>
<span class="line"><span style="color:#ECEBE8">  data[</span><span style="color:#97CCAE">"Drawdown"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> 100</span><span style="color:#A1C1E4"> *</span><span style="color:#ECEBE8"> (data[</span><span style="color:#97CCAE">"Delta"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">/</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Max"</span><span style="color:#ECEBE8">])</span></span>
<span class="line"><span style="color:#ECEBE8">  max_drawdown </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Drawdown"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">max()</span></span>
<span class="line"><span style="color:#A1C1E4">  return</span><span style="color:#ECEBE8"> max_drawdown</span></span></code></pre></figure>
<p>Agora, vamos baixar as cotações do Ibovespa dos últimos 5 anos:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">start_date </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "2015-01-01"</span></span>
<span class="line"><span style="color:#ECEBE8">end_date </span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE"> "2020-12-31"</span></span>
<span class="line"><span style="color:#ECEBE8">data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yf.</span><span style="color:#EDCC95">download(</span><span style="color:#97CCAE">"^BVSP"</span><span style="color:#EDCC95">, start</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">start_date, end</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">end_date)</span><span style="color:#ECEBE8">.</span><span style="color:#EDCC95">copy()</span><span style="color:#ECEBE8">[[</span><span style="color:#97CCAE">'Adj Close'</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#ECEBE8">data</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2015-01-02</td>
<td align="center">48512.0</td>
</tr>
<tr>
<td align="center">2015-01-05</td>
<td align="center">47517.0</td>
</tr>
<tr>
<td align="center">2015-01-06</td>
<td align="center">48001.0</td>
</tr>
<tr>
<td align="center">2015-01-07</td>
<td align="center">49463.0</td>
</tr>
<tr>
<td align="center">2015-01-08</td>
<td align="center">49943.0</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2020-12-22</td>
<td align="center">116348.0</td>
</tr>
<tr>
<td align="center">2020-12-23</td>
<td align="center">117857.0</td>
</tr>
<tr>
<td align="center">2020-12-28</td>
<td align="center">119051.0</td>
</tr>
<tr>
<td align="center">2020-12-29</td>
<td align="center">119475.0</td>
</tr>
<tr>
<td align="center">2020-12-30</td>
<td align="center">119306.0</td>
</tr>
</tbody>
</table>
<p>1480 rows × 1 columns</p>
<p>Nós podemos facilmente filtrar os dados por ano:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data_in_2019 </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[data.index.year </span><span style="color:#A1C1E4">==</span><span style="color:#97CCAE"> 2019</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">data_in_2019</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">91012.0</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">91564.0</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">91841.0</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">91699.0</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">92032.0</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2019-12-20</td>
<td align="center">115121.0</td>
</tr>
<tr>
<td align="center">2019-12-23</td>
<td align="center">115863.0</td>
</tr>
<tr>
<td align="center">2019-12-26</td>
<td align="center">117203.0</td>
</tr>
<tr>
<td align="center">2019-12-27</td>
<td align="center">116534.0</td>
</tr>
<tr>
<td align="center">2019-12-30</td>
<td align="center">115964.0</td>
</tr>
</tbody>
</table>
<p>247 rows × 1 columns</p>
<p>Para descobrir o drawdown anual do período estabelecido, precisamos realizar os seguintes passos:</p>
<ol>
<li>Identificar quais os anos estão compreendidos entre nossas datas inicial e final;</li>
<li>Iterar sobre cada um dos anos e filtrar apenas os dados para aquele ano;</li>
<li>Calcular o drawdown para o dataframe filtrado.</li>
</ol>
<p>Vamos construir uma lista com os anos entre <code>start_date</code> e <code>end_date</code>:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">from</span><span style="color:#ECEBE8"> datetime </span><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> datetime</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">start </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> datetime.</span><span style="color:#EDCC95">strptime(start_date, </span><span style="color:#97CCAE">"%Y-%m-%d"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">end </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> datetime.</span><span style="color:#EDCC95">strptime(end_date, </span><span style="color:#97CCAE">"%Y-%m-%d"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">years </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> range(start.year, end.year </span><span style="color:#A1C1E4">+</span><span style="color:#97CCAE"> 1</span><span style="color:#EDCC95">)</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">list</span><span style="color:#EDCC95">(years)</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>[2015, 2016, 2017, 2018, 2019, 2020]</span></span></code></pre></figure>
<p>Com a lista definida, vamos iterar sobre cada ano, filtrar os dados necessários e adicionar o drawdown do ano em um dicionário:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">drawdowns </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {}</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> year </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> years:</span></span>
<span class="line"><span style="color:#ECEBE8">  yearly_data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[data.index.year </span><span style="color:#A1C1E4">==</span><span style="color:#ECEBE8"> year].</span><span style="color:#EDCC95">copy()</span></span>
<span class="line"><span style="color:#ECEBE8">  yearly_drawdown </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_drawdown(yearly_data)</span></span>
<span class="line"><span style="color:#ECEBE8">  drawdowns[year] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yearly_drawdown</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">drawdowns</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="plaintext"><code><span class="line"><span>{2015: 25.583959208985046, 2016: 12.035425490951097, 2017: 12.00544517175462, 2018: 20.35070105986104, 2019: 10.00160009600576, 2020: 46.815808848136}</span></span></code></pre></figure>
<p>Pronto! Temos todos os drawdowns do Ibovespa nos últimos 5 anos de forma extremamente simples.</p>
<h3 id="calculando-o-drawdown-de-diversos-ativos"><strong>Calculando o drawdown de diversos ativos</strong></h3>
<p>Nós mencionamos anteriormente que o drawdown pode ser utilizado como uma medida <em>comparativa</em> entre duas estratégias de investimento. Sendo assim, é bastante útil colocar o drawdown em contexto.</p>
<p>Agora que calculamos o drawdown do Ibovespa nos últimos 5 anos, podemos repetir o raciocínio para diversos outros papeis da bolsa. No entanto, em vez de fazermos isso manualmente, vamos escrever um código que nos possibilite compará-los de forma bastante objetiva:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># Arbitrary list of stocks</span></span>
<span class="line"><span style="color:#ECEBE8">tickers </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> [</span></span>
<span class="line"><span style="color:#97CCAE">    "^BVSP"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "PETR4.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "VALE3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "VVAR3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "EQTL3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "LREN3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "GOLL4.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "BTOW3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "WEGE3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "ITUB4.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "BBAS3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "B3SA3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "MOVI3.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "AZUL4.SA"</span><span style="color:#ECEBE8">, </span></span>
<span class="line"><span style="color:#97CCAE">    "IRBR3.SA"</span></span>
<span class="line"><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">stocks </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yf.</span><span style="color:#EDCC95">download(tickers, start</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">start_date, end</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">end_date)</span><span style="color:#ECEBE8">.</span><span style="color:#EDCC95">copy()</span><span style="color:#ECEBE8">[</span><span style="color:#97CCAE">'Adj Close'</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#ECEBE8">stocks</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">AZUL4.SA</th>
<th align="center">B3SA3.SA</th>
<th align="center">BBAS3.SA</th>
<th align="center">BTOW3.SA</th>
<th align="center">EQTL3.SA</th>
<th align="center">GOLL4.SA</th>
<th align="center">IRBR3.SA</th>
<th align="center">ITUB4.SA</th>
<th align="center">LREN3.SA</th>
<th align="center">MOVI3.SA</th>
<th align="center">PETR4.SA</th>
<th align="center">VALE3.SA</th>
<th align="center">VVAR3.SA</th>
<th align="center">WEGE3.SA</th>
<th align="center">^BVSP</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2015-01-02</td>
<td align="center">NaN</td>
<td align="center">7.692603</td>
<td align="center">16.429703</td>
<td align="center">21.140301</td>
<td align="center">3.882352</td>
<td align="center">14.990000</td>
<td align="center">NaN</td>
<td align="center">13.516544</td>
<td align="center">10.508009</td>
<td align="center">NaN</td>
<td align="center">8.683293</td>
<td align="center">17.272886</td>
<td align="center">6.543556</td>
<td align="center">10.323507</td>
<td align="center">48512.0</td>
</tr>
<tr>
<td align="center">2015-01-05</td>
<td align="center">NaN</td>
<td align="center">7.482286</td>
<td align="center">16.088779</td>
<td align="center">20.464600</td>
<td align="center">3.734117</td>
<td align="center">14.850000</td>
<td align="center">NaN</td>
<td align="center">13.584496</td>
<td align="center">10.215857</td>
<td align="center">NaN</td>
<td align="center">7.941135</td>
<td align="center">17.013140</td>
<td align="center">6.543556</td>
<td align="center">10.393835</td>
<td align="center">47517.0</td>
</tr>
<tr>
<td align="center">2015-01-06</td>
<td align="center">NaN</td>
<td align="center">7.555089</td>
<td align="center">16.313652</td>
<td align="center">20.522499</td>
<td align="center">3.944471</td>
<td align="center">15.210000</td>
<td align="center">NaN</td>
<td align="center">13.804224</td>
<td align="center">10.333539</td>
<td align="center">NaN</td>
<td align="center">7.681378</td>
<td align="center">17.694967</td>
<td align="center">6.543556</td>
<td align="center">10.239674</td>
<td align="center">48001.0</td>
</tr>
<tr>
<td align="center">2015-01-07</td>
<td align="center">NaN</td>
<td align="center">7.854380</td>
<td align="center">17.031767</td>
<td align="center">20.319799</td>
<td align="center">3.910589</td>
<td align="center">14.550000</td>
<td align="center">NaN</td>
<td align="center">14.303653</td>
<td align="center">10.509348</td>
<td align="center">NaN</td>
<td align="center">8.043181</td>
<td align="center">18.344326</td>
<td align="center">7.082436</td>
<td align="center">10.122375</td>
<td align="center">49463.0</td>
</tr>
<tr>
<td align="center">2015-01-08</td>
<td align="center">NaN</td>
<td align="center">7.749222</td>
<td align="center">17.089794</td>
<td align="center">19.653799</td>
<td align="center">3.882352</td>
<td align="center">14.270000</td>
<td align="center">NaN</td>
<td align="center">14.527440</td>
<td align="center">10.521830</td>
<td align="center">NaN</td>
<td align="center">8.562695</td>
<td align="center">18.539129</td>
<td align="center">7.082436</td>
<td align="center">10.293266</td>
<td align="center">49943.0</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2020-12-22</td>
<td align="center">35.270000</td>
<td align="center">59.737888</td>
<td align="center">38.290001</td>
<td align="center">75.970001</td>
<td align="center">22.650000</td>
<td align="center">23.299999</td>
<td align="center">7.19</td>
<td align="center">31.235180</td>
<td align="center">43.160000</td>
<td align="center">19.208057</td>
<td align="center">27.280001</td>
<td align="center">86.940002</td>
<td align="center">15.940000</td>
<td align="center">72.820000</td>
<td align="center">116348.0</td>
</tr>
<tr>
<td align="center">2020-12-23</td>
<td align="center">37.700001</td>
<td align="center">59.450500</td>
<td align="center">38.919998</td>
<td align="center">75.599998</td>
<td align="center">22.670000</td>
<td align="center">24.540001</td>
<td align="center">7.24</td>
<td align="center">31.924854</td>
<td align="center">43.720001</td>
<td align="center">19.823507</td>
<td align="center">27.950001</td>
<td align="center">87.360001</td>
<td align="center">16.129999</td>
<td align="center">72.620003</td>
<td align="center">117857.0</td>
</tr>
<tr>
<td align="center">2020-12-28</td>
<td align="center">37.770000</td>
<td align="center">60.946918</td>
<td align="center">39.349998</td>
<td align="center">77.040001</td>
<td align="center">23.040001</td>
<td align="center">24.250000</td>
<td align="center">8.11</td>
<td align="center">32.154743</td>
<td align="center">43.970001</td>
<td align="center">19.892996</td>
<td align="center">28.180000</td>
<td align="center">87.309998</td>
<td align="center">16.590000</td>
<td align="center">75.500000</td>
<td align="center">119051.0</td>
</tr>
<tr>
<td align="center">2020-12-29</td>
<td align="center">37.669998</td>
<td align="center">61.264038</td>
<td align="center">39.119999</td>
<td align="center">75.699997</td>
<td align="center">22.980000</td>
<td align="center">24.480000</td>
<td align="center">8.21</td>
<td align="center">32.084778</td>
<td align="center">44.130001</td>
<td align="center">20.031967</td>
<td align="center">28.270000</td>
<td align="center">87.070000</td>
<td align="center">16.580000</td>
<td align="center">75.150002</td>
<td align="center">119475.0</td>
</tr>
<tr>
<td align="center">2020-12-30</td>
<td align="center">39.299999</td>
<td align="center">61.422600</td>
<td align="center">38.799999</td>
<td align="center">75.610001</td>
<td align="center">23.160000</td>
<td align="center">24.940001</td>
<td align="center">8.18</td>
<td align="center">31.615000</td>
<td align="center">43.540001</td>
<td align="center">20.498520</td>
<td align="center">28.340000</td>
<td align="center">87.449997</td>
<td align="center">16.160000</td>
<td align="center">75.739998</td>
<td align="center">119306.0</td>
</tr>
</tbody>
</table>
<p>1489 rows × 15 columns</p>
<p>O raciocínio é o mesmo: iteraremos sobre a lista de ativos e calcularemos o drawdown anual, armazenando essa informação em um dicionário. Eis o código:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">all_drawdowns </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {}</span></span>
<span class="line"></span>
<span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> ticker </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> tickers:</span></span>
<span class="line"><span style="color:#ECEBE8">  data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> stocks[[ticker]]</span></span>
<span class="line"><span style="color:#ECEBE8">  drawdowns </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> {}</span></span>
<span class="line"><span style="color:#A1C1E4">  for</span><span style="color:#ECEBE8"> year </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> years:</span></span>
<span class="line"><span style="color:#ECEBE8">    yearly_data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[data.index.year </span><span style="color:#A1C1E4">==</span><span style="color:#ECEBE8"> year].</span><span style="color:#EDCC95">copy()</span></span>
<span class="line"><span style="color:#ECEBE8">    yearly_drawdown </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> get_drawdown(yearly_data, column </span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95"> ticker)</span></span>
<span class="line"><span style="color:#ECEBE8">    drawdowns[year] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yearly_drawdown</span></span>
<span class="line"><span style="color:#ECEBE8">  all_drawdowns[ticker] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> drawdowns</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">all_drawdowns</span></span></code></pre></figure>
<figure class="code"><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="text"><code><span class="line"><span>{'^BVSP': {2015: 25.583959208985046, 2016: 12.035425490951097, 2017: 12.00544517175462, 2018: 20.35070105986104, 2019: 10.00160009600576, 2020: 46.815808848136}, 'PETR4.SA': {2015: 55.370760542208906, 2016: 38.864638802102405, 2017: 27.656924921683206, 2018: 46.95510222158168, 2019: 17.24379544534969, 2020: 63.35605336711879}, 'VALE3.SA': {2015: 56.08258065080083, 2016: 35.56986161485101, 2017: 28.093024393482068, 2018: 20.418006567945692, 2019: 25.93054585334471, 2020: 40.550904946181845}, 'VVAR3.SA': {2015: 82.87937752873043, 2016: 27.113703092645718, 2017: 27.897840647678603, 2018: 50.44702954161212, 2019: 36.000001430511475, 2020: 75.36057659242984}, 'EQTL3.SA': {2015: 14.331557740431938, 2016: 11.292590784644522, 2017: 11.805536665040066, 2018: 21.719273446438702, 2019: 11.631328831997262, 2020: 40.9665448071925}, 'LREN3.SA': {2015: 28.140179772014978, 2016: 21.70930481448726, 2017: 13.185765146517658, 2018: 27.71149584936101, 2019: 10.916516169469098, 2020: 50.61581662818844}, 'GOLL4.SA': {2015: 84.28665286712683, 2016: 53.83693244372522, 2017: 35.822224087185326, 2018: 61.02971679584582, 2019: 33.202998881506915, 2020: 85.65941097556318}, 'BTOW3.SA': {2015: 51.53851005883385, 2016: 44.8766768778324, 2017: 37.82624008178883, 2018: 28.102685346893097, 2019: 40.610198199484834, 2020: 45.63492063492063}, 'WEGE3.SA': {2015: 29.04629568162771, 2016: 20.417983053408694, 2017: 14.691519912317894, 2018: 23.65182624442001, 2019: 12.363907200496495, 2020: 46.66773431693059}, 'ITUB4.SA': {2015: 25.684997781423753, 2016: 19.146231930567005, 2017: 15.206064144768739, 2018: 28.817874021335587, 2019: 18.424106664124775, 2020: 45.213991230064984}, 'BBAS3.SA': {2015: 46.03704780847024, 2016: 30.13645556938046, 2017: 27.294988974337496, 2018: 43.24986947539893, 2019: 20.929829022200064, 2020: 58.286981851334964}, 'B3SA3.SA': {2015: 20.408398517908605, 2016: 25.492304232567232, 2017: 13.647302811687819, 2018: 29.13132745018055, 2019: 14.231530205537815, 2020: 42.687741180836376}, 'MOVI3.SA': {2015: nan, 2016: nan, 2017: 39.285931215455165, 2018: 40.5945655236307, 2019: 20.034250511972054, 2020: 65.71809662426533}, 'AZUL4.SA': {2015: nan, 2016: nan, 2017: 17.14285488927662, 2018: 47.19565512966372, 2019: 24.91710126385561, 2020: 83.41611855988668}, 'IRBR3.SA': {2015: nan, 2016: nan, 2017: 6.0834261004924155, 2018: 9.88859148803348, 2019: 15.05290894618084, 2020: 87.41285870315963}}</span></span></code></pre></figure>
<p>Os drawdowns estão calculados mas a visualização não é das melhores. Vamos criar um dataframe onde os ativos estarão nas linhas e cada ano será uma nova coluna:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">table </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> pd.</span><span style="color:#EDCC95">DataFrame(columns</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">years, index</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">tickers)</span></span>
<span class="line"><span style="color:#ECEBE8">table</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center"></th>
<th align="center">2015</th>
<th align="center">2016</th>
<th align="center">2017</th>
<th align="center">2018</th>
<th align="center">2019</th>
<th align="center">2020</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">^BVSP</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">PETR4.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">VALE3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">VVAR3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">EQTL3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">LREN3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">GOLL4.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">BTOW3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">WEGE3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">ITUB4.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">BBAS3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">B3SA3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">MOVI3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">AZUL4.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">IRBR3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
</tbody>
</table>
<p>O próximo passo é preencher o dataframe com os valores do dicionário calculado anteriormente:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">for</span><span style="color:#ECEBE8"> ticker </span><span style="color:#A1C1E4">in</span><span style="color:#ECEBE8"> all_drawdowns:</span></span>
<span class="line"><span style="color:#ECEBE8">  table.loc[ticker] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> all_drawdowns[ticker]</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">table</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center"></th>
<th align="center">2015</th>
<th align="center">2016</th>
<th align="center">2017</th>
<th align="center">2018</th>
<th align="center">2019</th>
<th align="center">2020</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">^BVSP</td>
<td align="center">25.584</td>
<td align="center">12.0354</td>
<td align="center">12.0054</td>
<td align="center">20.3507</td>
<td align="center">10.0016</td>
<td align="center">46.8158</td>
</tr>
<tr>
<td align="center">PETR4.SA</td>
<td align="center">55.3708</td>
<td align="center">38.8646</td>
<td align="center">27.6569</td>
<td align="center">46.9551</td>
<td align="center">17.2438</td>
<td align="center">63.3561</td>
</tr>
<tr>
<td align="center">VALE3.SA</td>
<td align="center">56.0826</td>
<td align="center">35.5699</td>
<td align="center">28.093</td>
<td align="center">20.418</td>
<td align="center">25.9305</td>
<td align="center">40.5509</td>
</tr>
<tr>
<td align="center">VVAR3.SA</td>
<td align="center">82.8794</td>
<td align="center">27.1137</td>
<td align="center">27.8978</td>
<td align="center">50.447</td>
<td align="center">36</td>
<td align="center">75.3606</td>
</tr>
<tr>
<td align="center">EQTL3.SA</td>
<td align="center">14.3316</td>
<td align="center">11.2926</td>
<td align="center">11.8055</td>
<td align="center">21.7193</td>
<td align="center">11.6313</td>
<td align="center">40.9665</td>
</tr>
<tr>
<td align="center">LREN3.SA</td>
<td align="center">28.1402</td>
<td align="center">21.7093</td>
<td align="center">13.1858</td>
<td align="center">27.7115</td>
<td align="center">10.9165</td>
<td align="center">50.6158</td>
</tr>
<tr>
<td align="center">GOLL4.SA</td>
<td align="center">84.2867</td>
<td align="center">53.8369</td>
<td align="center">35.8222</td>
<td align="center">61.0297</td>
<td align="center">33.203</td>
<td align="center">85.6594</td>
</tr>
<tr>
<td align="center">BTOW3.SA</td>
<td align="center">51.5385</td>
<td align="center">44.8767</td>
<td align="center">37.8262</td>
<td align="center">28.1027</td>
<td align="center">40.6102</td>
<td align="center">45.6349</td>
</tr>
<tr>
<td align="center">WEGE3.SA</td>
<td align="center">29.0463</td>
<td align="center">20.418</td>
<td align="center">14.6915</td>
<td align="center">23.6518</td>
<td align="center">12.3639</td>
<td align="center">46.6677</td>
</tr>
<tr>
<td align="center">ITUB4.SA</td>
<td align="center">25.685</td>
<td align="center">19.1462</td>
<td align="center">15.2061</td>
<td align="center">28.8179</td>
<td align="center">18.4241</td>
<td align="center">45.214</td>
</tr>
<tr>
<td align="center">BBAS3.SA</td>
<td align="center">46.037</td>
<td align="center">30.1365</td>
<td align="center">27.295</td>
<td align="center">43.2499</td>
<td align="center">20.9298</td>
<td align="center">58.287</td>
</tr>
<tr>
<td align="center">B3SA3.SA</td>
<td align="center">20.4084</td>
<td align="center">25.4923</td>
<td align="center">13.6473</td>
<td align="center">29.1313</td>
<td align="center">14.2315</td>
<td align="center">42.6877</td>
</tr>
<tr>
<td align="center">MOVI3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">39.2859</td>
<td align="center">40.5946</td>
<td align="center">20.0343</td>
<td align="center">65.7181</td>
</tr>
<tr>
<td align="center">AZUL4.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">17.1429</td>
<td align="center">47.1957</td>
<td align="center">24.9171</td>
<td align="center">83.4161</td>
</tr>
<tr>
<td align="center">IRBR3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">6.08343</td>
<td align="center">9.88859</td>
<td align="center">15.0529</td>
<td align="center">87.4129</td>
</tr>
</tbody>
</table>
<p>Muito melhor! O último passo é criar uma coluna para a <em>média simples</em> dos drawdowns e ordenar da menor média para a maior:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">table[</span><span style="color:#97CCAE">"Average"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> table.</span><span style="color:#EDCC95">mean(axis</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">1</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">table </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> table.</span><span style="color:#EDCC95">sort_values(</span><span style="color:#97CCAE">"Average"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">table</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center"></th>
<th align="center">2015</th>
<th align="center">2016</th>
<th align="center">2017</th>
<th align="center">2018</th>
<th align="center">2019</th>
<th align="center">2020</th>
<th align="center">Average</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">EQTL3.SA</td>
<td align="center">14.3316</td>
<td align="center">11.2926</td>
<td align="center">11.8055</td>
<td align="center">21.7193</td>
<td align="center">11.6313</td>
<td align="center">40.9665</td>
<td align="center">18.624472</td>
</tr>
<tr>
<td align="center">^BVSP</td>
<td align="center">25.584</td>
<td align="center">12.0354</td>
<td align="center">12.0054</td>
<td align="center">20.3507</td>
<td align="center">10.0016</td>
<td align="center">46.8158</td>
<td align="center">21.132157</td>
</tr>
<tr>
<td align="center">B3SA3.SA</td>
<td align="center">20.4084</td>
<td align="center">25.4923</td>
<td align="center">13.6473</td>
<td align="center">29.1313</td>
<td align="center">14.2315</td>
<td align="center">42.6877</td>
<td align="center">24.266434</td>
</tr>
<tr>
<td align="center">WEGE3.SA</td>
<td align="center">29.0463</td>
<td align="center">20.418</td>
<td align="center">14.6915</td>
<td align="center">23.6518</td>
<td align="center">12.3639</td>
<td align="center">46.6677</td>
<td align="center">24.473211</td>
</tr>
<tr>
<td align="center">LREN3.SA</td>
<td align="center">28.1402</td>
<td align="center">21.7093</td>
<td align="center">13.1858</td>
<td align="center">27.7115</td>
<td align="center">10.9165</td>
<td align="center">50.6158</td>
<td align="center">25.379846</td>
</tr>
<tr>
<td align="center">ITUB4.SA</td>
<td align="center">25.685</td>
<td align="center">19.1462</td>
<td align="center">15.2061</td>
<td align="center">28.8179</td>
<td align="center">18.4241</td>
<td align="center">45.214</td>
<td align="center">25.415544</td>
</tr>
<tr>
<td align="center">IRBR3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">6.08343</td>
<td align="center">9.88859</td>
<td align="center">15.0529</td>
<td align="center">87.4129</td>
<td align="center">29.609446</td>
</tr>
<tr>
<td align="center">VALE3.SA</td>
<td align="center">56.0826</td>
<td align="center">35.5699</td>
<td align="center">28.093</td>
<td align="center">20.418</td>
<td align="center">25.9305</td>
<td align="center">40.5509</td>
<td align="center">34.440821</td>
</tr>
<tr>
<td align="center">BBAS3.SA</td>
<td align="center">46.037</td>
<td align="center">30.1365</td>
<td align="center">27.295</td>
<td align="center">43.2499</td>
<td align="center">20.9298</td>
<td align="center">58.287</td>
<td align="center">37.655862</td>
</tr>
<tr>
<td align="center">MOVI3.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">39.2859</td>
<td align="center">40.5946</td>
<td align="center">20.0343</td>
<td align="center">65.7181</td>
<td align="center">41.408211</td>
</tr>
<tr>
<td align="center">BTOW3.SA</td>
<td align="center">51.5385</td>
<td align="center">44.8767</td>
<td align="center">37.8262</td>
<td align="center">28.1027</td>
<td align="center">40.6102</td>
<td align="center">45.6349</td>
<td align="center">41.431539</td>
</tr>
<tr>
<td align="center">PETR4.SA</td>
<td align="center">55.3708</td>
<td align="center">38.8646</td>
<td align="center">27.6569</td>
<td align="center">46.9551</td>
<td align="center">17.2438</td>
<td align="center">63.3561</td>
<td align="center">41.574546</td>
</tr>
<tr>
<td align="center">AZUL4.SA</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
<td align="center">17.1429</td>
<td align="center">47.1957</td>
<td align="center">24.9171</td>
<td align="center">83.4161</td>
<td align="center">43.167932</td>
</tr>
<tr>
<td align="center">VVAR3.SA</td>
<td align="center">82.8794</td>
<td align="center">27.1137</td>
<td align="center">27.8978</td>
<td align="center">50.447</td>
<td align="center">36</td>
<td align="center">75.3606</td>
<td align="center">49.949755</td>
</tr>
<tr>
<td align="center">GOLL4.SA</td>
<td align="center">84.2867</td>
<td align="center">53.8369</td>
<td align="center">35.8222</td>
<td align="center">61.0297</td>
<td align="center">33.203</td>
<td align="center">85.6594</td>
<td align="center">58.972989</td>
</tr>
</tbody>
</table>
<h3 id="considerações-finais"><strong>Considerações finais</strong></h3>
<ul>
<li>O drawdown é uma forma de expor a volatilidade de um ativo. Note que mesmo em um ano relativamente calmo e direcional para a bolsa como 2019, ativos como <em>GOLL4</em> e <em>BTOW3</em> chacoalharam bastante. Em contrapartida, <em>EQTL3</em> costuma ser bastante estável e mesmo em um ano de queda brutal como 2020, ela teve o menor drawdown da lista;</li>
<li><em>IRBR3</em>, <em>AZUL4</em> e <em>MOVI3</em> fizeram seu IPO em 2017 e portanto não possuem drawdown antes disso;</li>
<li><strong>A média é apenas uma pista</strong>, mas não conta a história toda. Note como <em>IRBR3</em> possuía uma média extremamente baixa até o ano de 2020, onde apresentou o maior tombo de todos (inclusive maior que as aéreas!)</li>
</ul>
<p>Agora que já sabemos calcular o drawdown podemos utilizar essa medida nas nossas estratégias de trade. Fique ligado para os próximos posts, onde compareremos estratégias não somente no seu retorno financeiro, mas no seu drawdown máximo.</p>]]></content:encoded>
</item>
<item>
<title><![CDATA[Baixando Cotações e Plotando Médias Móveis com Python]]></title>
<description><![CDATA[Análises quantitativas são uma ferramenta muito poderosa para qualquer projeto de Data Science. Aprenda como iniciar nesse processo, desde adquirir os dados até o seu processamento.]]></description>
<link>https://rafaelquintanilha.com/quantbrasil/baixando-cotacoes-e-plotando-medias-moveis-com-python/</link>
<guid isPermaLink="false">6388b8ba24336d003d59fbd4</guid>
<category><![CDATA[Quantitative Analysis]]></category><category><![CDATA[Python]]></category><category><![CDATA[Data Science]]></category>
<dc:creator><![CDATA[Rafael Quintanilha]]></dc:creator>
<pubDate>Fri, 30 Oct 2020 14:34:00 GMT</pubDate>

<content:encoded><![CDATA[<p>Jupyter Notebooks permitem que análises de Data Science sejam feitas de forma dinâmica e colaborativa. Aliados com o poder do <code>pandas</code> para manipulação de dados em grandes quantidades, e <code>matplotlib</code> para rápida e fácil visualização, Notebooks são a ferramenta ideal para quem deseja fazer suas próprias análises.</p>
<p>O objetivo do QuantBrasil é compartilhar essas análises, aprendendo e ensinando sobre mercado financeiro e programação durante o processo. Mesmo que você não seja familiar com a tecnologia, fique por aqui! Queremos <strong>ser didáticos o suficiente para engajar pessoas com pouco ou nenhum conhecimento técnico</strong>, e ainda assim <strong>trazer valor com nossas análises mesmo que você seja experiente</strong> com análise quantitativa ou programação em Python.</p>
<h3 id="nota-sobre-notebooks"><strong>Nota sobre Notebooks</strong></h3>
<p>Os posts desse blog são, eles mesmos, Jupyter Notebooks. <a href="https://github.com/rafaelquintanilha/quantbrasil/tree/master/src/notebooks" rel="noopener noreferrer" target="_blank">Todo o código fonte pode ser acessado diretamente no Github</a>. A forma mais simples de reproduzir o que é discutido nesses posts é através do <a href="https://colab.research.google.com/" rel="noopener noreferrer" target="_blank">Google Colab</a>, um ambiente Jupyter online, onde você pode rodar suas análises sem precisar baixar nada.</p>
<p>No entanto, para projetos mais completas ou para mais performance, recomendamos a <a href="https://jupyter.org/install" rel="noopener noreferrer" target="_blank">instalação de um ambiente local</a>. Uma sugestão para quem deseja mais recursos é a <a href="https://docs.anaconda.com/anaconda/install/" rel="noopener noreferrer" target="_blank">instalação do Anaconda</a>, que, além do Jupyter, também conta com várias outras ferramentas para Data Science.</p>
<h2 id="esqueleto-de-uma-análise"><strong>Esqueleto de uma Análise</strong></h2>
<p>A maior parte dos nossos artigos será composto por três partes:</p>
<ol>
<li>Aquisição de dados</li>
<li>Manipulação de dados</li>
<li>Análise e/ou Apresentação de resultados</li>
</ol>
<p>O primeiro post desse site unirá o básico dos 3 — aprenderemos a baixar cotações das empresas via Yahoo Finance e plotaremos as primeiras médias móveis.</p>
<h3 id="1-aquisição-de-dados"><strong>1. Aquisição de Dados</strong></h3>
<p>Existem várias formas de se conseguir as cotações históricas dos papeis. A melhor, claro, vai depender do contexto e de sua necessidade. A forma mais fácil é através da <a href="https://pypi.org/project/yahoo-finance/" rel="noopener noreferrer" target="_blank">API do Yahoo Finance</a>, que permite baixar os dados com bastante confiança e de forma muito rápida.</p>
<p>O primeiro passo é instalar a biblioteca:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A7A49E;font-style:italic"># %%capture means we suppress the output</span></span>
<span class="line"><span style="color:#A1C1E4">%%</span><span style="color:#ECEBE8">capture</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">!pip install yfinance </span></span>
<span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> yfinance </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> yf</span></span></code></pre></figure>
<p>Com a biblioteca instalada, baixar os dados é tão simples quanto:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">data </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> yf.</span><span style="color:#EDCC95">download(</span><span style="color:#97CCAE">"VALE3.SA"</span><span style="color:#EDCC95">, start</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2019-01-01"</span><span style="color:#EDCC95">, end</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"2019-12-31"</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">data</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Open</th>
<th align="center">High</th>
<th align="center">Low</th>
<th align="center">Close</th>
<th align="center">Adj Close</th>
<th align="center">Volume</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">50.009998</td>
<td align="center">51.369999</td>
<td align="center">49.790001</td>
<td align="center">51.090000</td>
<td align="center">47.774075</td>
<td align="center">17319600</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">50.799999</td>
<td align="center">50.939999</td>
<td align="center">48.400002</td>
<td align="center">49.000000</td>
<td align="center">45.819725</td>
<td align="center">30120000</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">49.820000</td>
<td align="center">52.450001</td>
<td align="center">49.820000</td>
<td align="center">52.189999</td>
<td align="center">48.802681</td>
<td align="center">43360100</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">52.869999</td>
<td align="center">53.650002</td>
<td align="center">51.720001</td>
<td align="center">51.910000</td>
<td align="center">48.540855</td>
<td align="center">20998900</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">52.200001</td>
<td align="center">52.799999</td>
<td align="center">51.619999</td>
<td align="center">52.410000</td>
<td align="center">49.008404</td>
<td align="center">19925600</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2019-12-20</td>
<td align="center">54.770000</td>
<td align="center">54.990002</td>
<td align="center">54.150002</td>
<td align="center">54.790001</td>
<td align="center">51.233932</td>
<td align="center">42124200</td>
</tr>
<tr>
<td align="center">2019-12-23</td>
<td align="center">54.900002</td>
<td align="center">54.980000</td>
<td align="center">54.400002</td>
<td align="center">54.580002</td>
<td align="center">51.037563</td>
<td align="center">10225700</td>
</tr>
<tr>
<td align="center">2019-12-26</td>
<td align="center">54.810001</td>
<td align="center">55.000000</td>
<td align="center">54.509998</td>
<td align="center">54.790001</td>
<td align="center">51.233932</td>
<td align="center">20410000</td>
</tr>
<tr>
<td align="center">2019-12-27</td>
<td align="center">53.990002</td>
<td align="center">54.000000</td>
<td align="center">53.419998</td>
<td align="center">53.599998</td>
<td align="center">51.449287</td>
<td align="center">13920400</td>
</tr>
<tr>
<td align="center">2019-12-30</td>
<td align="center">53.650002</td>
<td align="center">53.860001</td>
<td align="center">53.200001</td>
<td align="center">53.299999</td>
<td align="center">51.161327</td>
<td align="center">11928100</td>
</tr>
</tbody>
</table>
<p>247 rows × 6 columns</p>
<p>Pronto! Nós baixamos as cotações da VALE3 do ano de 2019 e armazenamos numa estrutura chamada <em>dataframe</em>. Um <em>dataframe</em> é uma espécie de tabela que permite acesso e manipulação das linhas e colunas de forma eficiente (vetorial), tornando-se ideal para análises de datasets muito grandes.</p>
<p>Caso nosso interesse seja apenas no valor de fechamento, nós podemos acessar colunas específicas do nosso dataframe:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">all_closes </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">]</span></span>
<span class="line"><span style="color:#EDCC95">print(all_closes)</span></span></code></pre></figure>
<p><code>Date 2019-01-02    47.774075 2019-01-03    45.819725 2019-01-04    48.802681 2019-01-07    48.540855 2019-01-08    49.008404 ... 2019-12-20    51.233932 2019-12-23    51.037563 2019-12-26    51.233932 2019-12-27    51.449287 2019-12-30    51.161327 Name: Adj Close, Length: 247, dtype: float64</code></p>
<p>Repare que quando selecionamos apenas uma coluna, o retorno é uma instância da classe <em>Series</em>. <em>Series</em> são fundamentalmente diferentes de dataframes — elas podem ser entendidas como vetores unidimensionais. Explorar a diferença entre dataframes e series está além do escopo deste post, mas é importante entender que nem todos os métodos que aplicam-se a um, funcionará no outro.</p>
<p>Caso você deseje explicitamente manipular um dataframe de apenas uma coluna, uma alternativa possível é a seguinte:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> data[[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">]]</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">47.774075</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">45.819725</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">48.802681</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">48.540855</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">49.008404</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2019-12-20</td>
<td align="center">51.233932</td>
</tr>
<tr>
<td align="center">2019-12-23</td>
<td align="center">51.037563</td>
</tr>
<tr>
<td align="center">2019-12-26</td>
<td align="center">51.233932</td>
</tr>
<tr>
<td align="center">2019-12-27</td>
<td align="center">51.449287</td>
</tr>
<tr>
<td align="center">2019-12-30</td>
<td align="center">51.161327</td>
</tr>
</tbody>
</table>
<p>247 rows × 1 columns</p>
<h3 id="2-manipulação-de-dados"><strong>2. Manipulação de Dados</strong></h3>
<p>De posse do nosso dataset, o próximo passo é manipular os dados de acordo com a análise desejada. Nesse post introdutório, iremos calcular duas médias móveis — uma aritmética e outra exponencial.</p>
<p>Usando nosso dataset reduzido, vamos calcular a média móvel de 21 períodos:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">'MM21'</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">rolling(</span><span style="color:#97CCAE">21</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.</span><span style="color:#EDCC95">mean()</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
<th align="center">MM21</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">47.774075</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">45.819725</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">48.802681</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">48.540855</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">49.008404</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2019-12-20</td>
<td align="center">51.233932</td>
<td align="center">48.456697</td>
</tr>
<tr>
<td align="center">2019-12-23</td>
<td align="center">51.037563</td>
<td align="center">48.659301</td>
</tr>
<tr>
<td align="center">2019-12-26</td>
<td align="center">51.233932</td>
<td align="center">48.834298</td>
</tr>
<tr>
<td align="center">2019-12-27</td>
<td align="center">51.449287</td>
<td align="center">49.003519</td>
</tr>
<tr>
<td align="center">2019-12-30</td>
<td align="center">51.161327</td>
<td align="center">49.187526</td>
</tr>
</tbody>
</table>
<p>247 rows × 2 columns</p>
<p>Simples, não? O método <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.rolling.html" rel="noopener noreferrer" target="_blank">rolling</a> do dataframe retorna uma janela de período <em>n</em> (21 no nosso exemplo). O método <code>mean()</code> é utilizado para computar a média da janela.</p>
<p>Note que os primeiros valores do nosso dataframe são <code>NaN</code>, ou seja, nulos. Isso é esperado, uma vez que para o primeiro valor de média de <em>n</em> períodos só será possível ser calculado uma vez que haja <em>n</em> linhas. Podemos verificar isso analisando as primeiras 21 linhas do nosso dataframe:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df.</span><span style="color:#EDCC95">head(</span><span style="color:#97CCAE">21</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
<th align="center">MM21</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">47.774075</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">45.819725</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">48.802681</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">48.540855</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">49.008404</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-09</td>
<td align="center">50.205326</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-10</td>
<td align="center">49.653622</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-11</td>
<td align="center">48.980354</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-14</td>
<td align="center">49.186069</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-15</td>
<td align="center">48.952297</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-16</td>
<td align="center">49.232830</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-17</td>
<td align="center">50.710278</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-18</td>
<td align="center">51.205879</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-21</td>
<td align="center">51.692131</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-22</td>
<td align="center">51.505112</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-23</td>
<td align="center">52.038120</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-24</td>
<td align="center">52.505665</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-28</td>
<td align="center">39.610687</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-29</td>
<td align="center">39.966022</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-30</td>
<td align="center">43.575493</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-31</td>
<td align="center">42.546886</td>
<td align="center">48.167262</td>
</tr>
</tbody>
</table>
<p>O cálculo da média exponencial é ligeiramente diferente, mas não menos simples:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"MME9"</span><span style="color:#ECEBE8">] </span><span style="color:#A1C1E4">=</span><span style="color:#ECEBE8"> df[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">ewm(span</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">9</span><span style="color:#EDCC95">, min_periods</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">9</span><span style="color:#EDCC95">)</span><span style="color:#ECEBE8">.</span><span style="color:#EDCC95">mean()</span></span>
<span class="line"><span style="color:#ECEBE8">df</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
<th align="center">MM21</th>
<th align="center">MME9</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">47.774075</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">45.819725</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">48.802681</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">48.540855</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">49.008404</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
<td align="center">...</td>
</tr>
<tr>
<td align="center">2019-12-20</td>
<td align="center">51.233932</td>
<td align="center">48.456697</td>
<td align="center">49.832455</td>
</tr>
<tr>
<td align="center">2019-12-23</td>
<td align="center">51.037563</td>
<td align="center">48.659301</td>
<td align="center">50.073477</td>
</tr>
<tr>
<td align="center">2019-12-26</td>
<td align="center">51.233932</td>
<td align="center">48.834298</td>
<td align="center">50.305568</td>
</tr>
<tr>
<td align="center">2019-12-27</td>
<td align="center">51.449287</td>
<td align="center">49.003519</td>
<td align="center">50.534312</td>
</tr>
<tr>
<td align="center">2019-12-30</td>
<td align="center">51.161327</td>
<td align="center">49.187526</td>
<td align="center">50.659715</td>
</tr>
</tbody>
</table>
<p>247 rows × 3 columns</p>
<p>Dessa vez nós usamos o método <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.ewm.html#pandas.DataFrame.ewm" rel="noopener noreferrer" target="_blank">ewm</a>, ou <em>Exponential Weighted Functions</em>. Repare que, ao contrário de <code>rolling</code>, dessa vez nós precisamos explicatamente passar o tamanho da janela (<code>span</code>) e a quantidade mínima de dados até iniciarmos a computação (<code>min_periods</code>).</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df.</span><span style="color:#EDCC95">head(</span><span style="color:#97CCAE">9</span><span style="color:#EDCC95">)</span></span></code></pre></figure>
<table>
<thead>
<tr>
<th align="center">Date</th>
<th align="center">Adj Close</th>
<th align="center">MM21</th>
<th align="center">MME9</th>
</tr>
</thead>
<tbody>
<tr>
<td align="center">2019-01-02</td>
<td align="center">47.774075</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-03</td>
<td align="center">45.819725</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-04</td>
<td align="center">48.802681</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-07</td>
<td align="center">48.540855</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-08</td>
<td align="center">49.008404</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-09</td>
<td align="center">50.205326</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-10</td>
<td align="center">49.653622</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-11</td>
<td align="center">48.980354</td>
<td align="center">NaN</td>
<td align="center">NaN</td>
</tr>
<tr>
<td align="center">2019-01-14</td>
<td align="center">49.186069</td>
<td align="center">NaN</td>
<td align="center">49.031055</td>
</tr>
</tbody>
</table>
<h3 id="3-apresentação-de-resultados"><strong>3. Apresentação de Resultados</strong></h3>
<p>Nossa simples manipulação de dados está pronta, o que significa que a etapa final da análise é apresentar os resultados. Hoje, iremos simplesmente explicar como fazer uma rápida plotagem dos dados, de forma a simplificar a visualização.</p>
<p>A ferramenta mais comumente utilizada se chama <a href="https://matplotlib.org/" rel="noopener noreferrer" target="_blank">matplotlib</a>, uma robusta biblioteca de visualização gráfica para Python. Hora de importar a biblioteca e plotar o nosso primeiro gráfico:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#A1C1E4">import</span><span style="color:#ECEBE8"> matplotlib.pyplot </span><span style="color:#A1C1E4">as</span><span style="color:#ECEBE8"> plt</span></span>
<span class="line"></span>
<span class="line"><span style="color:#ECEBE8">df[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">].</span><span style="color:#EDCC95">plot()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="368" height="260" src="https://rafaelquintanilha.com/_astro/data-src-image-da9669a7-07d4-4940-953a-8ae30dc98f5e.gs89UUYo_ZOmrmF.webp"></p>
<p>E nada mais! Com apenas uma linha de código conseguimos plotar uma coluna do nosso dataframe como um gráfico de linha. E se quisermos adicionar <em>mais</em> linhas?</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">df[[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"MME9"</span><span style="color:#ECEBE8">, </span><span style="color:#97CCAE">"MM21"</span><span style="color:#ECEBE8">]].</span><span style="color:#EDCC95">plot()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="368" height="260" src="https://rafaelquintanilha.com/_astro/data-src-image-857952b1-0e4a-4b13-875f-3562d9003a1f.nwyURS9i_qKVXg.webp"></p>
<p>Novamente simples, como o esperado. Passando um array de colunas <code>["Adj Close", "MME9", "MM21"]</code> somos capazes de, em uma linha, plotar os 3 valores e automaticamente adicionar uma legenda.</p>
<h4 id="melhorando-a-apresentação-do-gráfico"><strong>Melhorando a Apresentação do Gráfico</strong></h4>
<p>O último ponto que cobriremos nesse post introdutório é como melhorar a visualização do gráfico. Afinal, uma visualização de dados bem-feita precisa ser intuitiva para o leitor.</p>
<p>Para isso, vamos usar cores diferentes para cada linha, além de aumentarmos sua espessura e o tamanho da imagem:</p>
<figure class="code"><figcaption>python</figcaption><pre class="astro-code linha" style="background-color:#1b1814;color:#ecebe8; overflow-x: auto;" tabindex="0" data-language="python"><code><span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">figure(figsize</span><span style="color:#A1C1E4">=</span><span style="color:#EDCC95">(</span><span style="color:#97CCAE">16</span><span style="color:#EDCC95">,</span><span style="color:#97CCAE">8</span><span style="color:#EDCC95">))</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(df[</span><span style="color:#97CCAE">"Adj Close"</span><span style="color:#EDCC95">])</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(df[</span><span style="color:#97CCAE">"MM21"</span><span style="color:#EDCC95">], color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"green"</span><span style="color:#EDCC95">, lineWidth</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">plot(df[</span><span style="color:#97CCAE">"MME9"</span><span style="color:#EDCC95">], color</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">"magenta"</span><span style="color:#EDCC95">, lineWidth</span><span style="color:#A1C1E4">=</span><span style="color:#97CCAE">3</span><span style="color:#EDCC95">)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">legend(df)</span></span>
<span class="line"><span style="color:#ECEBE8">plt.</span><span style="color:#EDCC95">show()</span></span></code></pre></figure>
<p><img alt="" loading="lazy" decoding="async" width="926" height="466" src="https://rafaelquintanilha.com/_astro/data-src-image-8a86fbbe-ff3c-4a60-a109-c107fdf995c4.D4Y1XETy_bGAut.webp"></p>
<p>Embora pareça mais complicado, todas as linhas são bastante diretas. Vamos explicá-las uma a uma:</p>
<ul>
<li><code>plt.figsize</code> determina o tamanho da imagem em polegadas. Nesse caso, nossa figura será 16"x8";</li>
<li><code>plt.plot</code>, separadamente, permite que você customize a linha que está sendo plotada. Embora não façamos nenhuma mudança na linha inicial, repare que alteramos a cor e a espessura das médias;</li>
<li><code>plt.legend</code> permite que você tenha mais controle sobre a legenda do gráfico;</li>
<li>Finalmente, <code>plot.show</code> finaliza a customização e exibe a imagem.</li>
</ul>
<h2 id="conclusão"><strong>Conclusão</strong></h2>
<p>Análises quantitativas são uma ferramenta muito poderosa para qualquer projeto de Data Science. Em particular, no mundo do mercado financeiro, elas podem literalmente lhe custar ou gerar dinheiro. Hoje apresentamos a base do que utilizaremos para fazer análises mais complexas no futuro. Espero que o conteúdo tenha sido relevante e que de certa forma seja um incentivo para que você inicie seus estudos na área!</p>]]></content:encoded>
</item>
</channel>
</rss>
