Python para ETFs e Fundos de Investimento: Coleta e Análise de Dados
1. Por que Analisar ETFs e Fundos com Python
Diversificação eficiente: ETFs permitem exposição a índices ou setores específicos.
Monitoramento de performance: avaliar retornos históricos e volatilidade.
Gestão de risco: identificar drawdowns, correlação e beta em relação ao mercado.
Tomada de decisão baseada em dados: escolher ativos que alinhem risco e retorno com os objetivos.
2. Preparando o Ambiente
Instale as bibliotecas principais:
pip install pandas numpy yfinance matplotlib seaborn
pandas / numpy → manipulação de dados
yfinance → download de dados históricos
matplotlib / seaborn → visualização gráfica
3. Coletando Dados Históricos de ETFs e Fundos
Vamos usar ETFs brasileiros como BOVA11 (Ibovespa), IVVB11 (S&P500) e SMAL11 (Small Caps).
import yfinance as yf
import pandas as pd
ativos = ["BOVA11.SA", "IVVB11.SA", "SMAL11.SA"]
dados = yf.download(ativos, start="2022-01-01", end="2023-12-31")["Adj Close"]
print(dados.head())
Para fundos de investimento que não estão disponíveis no Yahoo Finance, podemos utilizar web scraping ou APIs das instituições financeiras (ex.: CVM, B3 ou corretoras).
4. Retornos e Volatilidade
4.1 Retornos Diários
retornos = dados.pct_change().dropna()
print(retornos.head())
4.2 Retorno Acumulado
retorno_acumulado = (1 + retornos).cumprod()
4.3 Volatilidade Anualizada
volatilidade = retornos.std() * (252 ** 0.5)
print("Volatilidade anualizada:\n", volatilidade)
4.4 Retorno Anualizado
retorno_anual = retornos.mean() * 252
print("Retorno anualizado:\n", retorno_anual)
5. Visualizando Performance
5.1 Retorno Acumulado
import matplotlib.pyplot as plt
plt.figure(figsize=(12,6))
for ativo in retorno_acumulado.columns:
plt.plot(retorno_acumulado[ativo], label=ativo)
plt.title("Retorno Acumulado ETFs 2022-2023")
plt.xlabel("Data")
plt.ylabel("Retorno Acumulado")
plt.legend()
plt.show()
5.2 Comparando Volatilidade e Retorno
import seaborn as sns
dados_metrics = pd.DataFrame({
"Retorno Anualizado": retorno_anual,
"Volatilidade Anualizada": volatilidade
})
plt.figure(figsize=(10,6))
sns.scatterplot(x="Volatilidade Anualizada", y="Retorno Anualizado", data=dados_metrics, s=100)
for i in dados_metrics.index:
plt.text(dados_metrics.loc[i,"Volatilidade Anualizada"], dados_metrics.loc[i,"Retorno Anualizado"], i)
plt.title("Risco x Retorno dos ETFs")
plt.xlabel("Volatilidade")
plt.ylabel("Retorno")
plt.show()
📌 Esse gráfico ajuda a identificar trade-offs entre risco e retorno, facilitando decisões de alocação.
6. Analisando Correlação
6.1 Heatmap de Correlação
correlacao = retornos.corr()
plt.figure(figsize=(8,6))
sns.heatmap(correlacao, annot=True, cmap="coolwarm")
plt.title("Correlação entre ETFs")
plt.show()
📌 A correlação auxilia na diversificação, mostrando quais ativos se movem juntos e quais oferecem proteção natural contra volatilidade.
7. Calculando Drawdown
O drawdown mede a queda máxima do valor de um ativo desde seu pico histórico.
roll_max = retorno_acumulado.cummax()
drawdown = (retorno_acumulado - roll_max) / roll_max
plt.figure(figsize=(12,6))
for ativo in drawdown.columns:
plt.plot(drawdown[ativo], label=ativo)
plt.title("Drawdown Máximo ETFs")
plt.xlabel("Data")
plt.ylabel("Drawdown")
plt.legend()
plt.show()
📌 Drawdowns ajudam a entender o risco real de perdas durante períodos de crise.
8. Comparando ETFs e Fundos de Investimento
ETFs → negociados como ações, com alta liquidez e preços em tempo real.
Fundos → preço é calculado ao final do dia (Cota), e podem ter taxas de administração e resgate diferido.
Python permite integrar ambos tipos de ativos:
Usar yfinance para ETFs.
Usar web scraping ou APIs para fundos (ex.: CVM).
Consolidar dados em um único DataFrame e aplicar métricas de retorno, volatilidade, correlação e drawdown.
9. Boas Práticas
Atualizar dados diariamente para ETFs, semanal ou mensal para fundos.
Normalizar valores para comparar ativos de preços diferentes.
Analisar risco vs retorno antes de escolher alocação.
Diversificação → evitar concentração em um único setor ou ativo.
Visualização interativa → Dash ou Plotly permitem exploração dinâmica de portfólio.
10. Conclusão
Python torna possível:
Coletar dados de ETFs e fundos de forma automatizada.
Calcular métricas essenciais como retorno, volatilidade, correlação e drawdown.
Criar gráficos e dashboards para visualização clara e estratégica.
Facilitar decisões de alocação e diversificação com base em dados reais e históricos.
Com essas análises, investidores podem monitorar e otimizar seus portfólios, aumentando a eficiência e reduzindo riscos.
Comentários
Postar um comentário