INTRODUÇÃO
Este relatório tem por objetivo organizar o estudo de otimização de portfólio.
- Etapa 1: Selecionar ativos;
- Etapa 2: Otimizar o Portfólio;
- Etapa 3: Realizar análise de Desempenho e Risco.
ETAPA 1 - SELEÇÃO DE ATIVOS
Inicialmente, serão considerados alguns ativos, sem maior aprofundamento. São eles:
- Ibovespa (^BVSP);
- Bradesco (BBDC3.SA);
- Itaú (ITUB3.SA);
- Petrobras (PETR3.SA);
- Gerdau (GOAU3.SA);
- Cemig (CMIG3.SA).
Para obtenção dos dados será utilizada a função getsymbols do pacote quantmod.
#PACOTES UTILIZADOS: ----
library(quantmod)
#IMPORTAÇÃO DOS DADOS: ----
ibovespa <- getSymbols(Symbols = '^BVSP',
from = Sys.Date()-90,
to = Sys.Date(),
auto.assign = FALSE)
bradesco <- getSymbols(Symbols = 'BBDC3.SA',
from = Sys.Date()-90,
to = Sys.Date(),
auto.assign = FALSE)
itau <- getSymbols(Symbols = 'ITUB3.SA',
from = Sys.Date()-90,
to = Sys.Date(),
auto.assign = FALSE)
petrobras <- getSymbols(Symbols = 'PETR3.SA',
from = Sys.Date()-90,
to = Sys.Date(),
auto.assign = FALSE)
gerdau <- getSymbols(Symbols = 'GOAU3.SA',
from = Sys.Date()-90,
to = Sys.Date(),
auto.assign = FALSE)
cemig <- getSymbols(Symbols = 'CMIG3.SA',
from = Sys.Date()-90,
to = Sys.Date(),
auto.assign = FALSE)O código acima “cria” objetos com os preços de abertura, fechamento, mais alto, mais baixo, ajustado e volume operações para cada ação. O obejto é do tipo xts (série temporal). O próximo passo consiste em “juntar” o preço ajustado de todas os ativos em uma tabela única contendo uma coluna com as datas.
#PACOTES UTILIZADOS: ----
library(magrittr)
library(tibble)
library(janitor)
library(dplyr)
#ORGANIZANDO AS TABELAS: ----
tabela_ibovespa <- ibovespa %>%
as.data.frame() %>% # transforma em tabela (xts -> data.frame)
rownames_to_column() %>% # transforma a data da linha em coluna
clean_names() %>% #altera o nome das colunas
select(rowname, bvsp_adjusted) %>%
rename("data" = rowname)
tabela_bradesco <- bradesco %>%
as.data.frame() %>% # transforma em tabela (xts -> data.frame)
rownames_to_column() %>% # transforma a data da linha em coluna
clean_names() %>% #altera o nome das colunas
select(rowname, bbdc3_sa_adjusted) %>%
rename("data" = rowname)
tabela_itau <- itau %>%
as.data.frame() %>% # transforma em tabela (xts -> data.frame)
rownames_to_column() %>% # transforma a data da linha em coluna
clean_names() %>% #altera o nome das colunas
select(rowname, itub3_sa_adjusted) %>%
rename("data" = rowname)
tabela_petrobras <- petrobras %>%
as.data.frame() %>% # transforma em tabela (xts -> data.frame)
rownames_to_column() %>% # transforma a data da linha em coluna
clean_names() %>% #altera o nome das colunas
select(rowname, petr3_sa_adjusted) %>%
rename("data" = rowname)
tabela_gerdau <- gerdau %>%
as.data.frame() %>% # transforma em tabela (xts -> data.frame)
rownames_to_column() %>% # transforma a data da linha em coluna
clean_names() %>% #altera o nome das colunas
select(rowname, goau3_sa_adjusted) %>%
rename("data" = rowname)
tabela_cemig <- cemig %>%
as.data.frame() %>% # transforma em tabela (xts -> data.frame)
rownames_to_column() %>% # transforma a data da linha em coluna
clean_names() %>% #altera o nome das colunas
select(rowname, cmig3_sa_adjusted) %>%
rename("data" = rowname)
consolidado <- tabela_ibovespa %>%
bind_cols(tabela_bradesco[2],
tabela_itau[2],
tabela_petrobras[2],
tabela_gerdau[2],
tabela_cemig[2])
#MELHOR MANEIRA PARA JUNTAR AS COLUNAS (olha se as datas estão batendo)
consolidado <- tabela_ibovespa %>%
full_join(tabela_bradesco, by = c('data' = 'data')) %>%
full_join(tabela_itau, by = c('data' = 'data')) %>%
full_join(tabela_petrobras, by = c('data' = 'data')) %>%
full_join(tabela_gerdau, by = c('data' = 'data')) %>%
full_join(tabela_cemig, by = c('data' = 'data'))
consolidado## data bvsp_adjusted bbdc3_sa_adjusted itub3_sa_adjusted
## 1 2023-06-30 118087 14.58685 24.18762
## 2 2023-07-03 119673 14.77616 24.54068
## 3 2023-07-04 119076 14.63377 24.51107
## 4 2023-07-05 119549 14.65372 24.66901
## 5 2023-07-06 117426 14.31456 24.65914
## 6 2023-07-07 118898 14.46419 24.97503
## 7 2023-07-10 117942 14.47416 24.72824
## 8 2023-07-11 117220 14.34448 24.42222
## 9 2023-07-12 117666 14.25471 24.25441
## 10 2023-07-13 119264 14.54399 24.43209
## 11 2023-07-14 117711 14.48414 24.18530
## 12 2023-07-17 118219 14.65372 24.52094
## 13 2023-07-18 117841 14.59387 24.38274
## 14 2023-07-19 117552 14.55396 24.18530
## 15 2023-07-20 118083 14.64374 24.55055
## 16 2023-07-21 120217 15.06271 24.78747
## 17 2023-07-24 121342 14.80335 24.59004
## 18 2023-07-25 122008 14.72355 24.59991
## 19 2023-07-26 122560 14.84325 24.61966
## 20 2023-07-27 119990 14.51406 24.30376
## 21 2023-07-28 120187 14.71357 24.42222
## 22 2023-07-31 121943 14.81332 24.43209
## 23 2023-08-01 121248 14.76345 24.41989
## 24 2023-08-02 120859 14.80065 24.46929
## 25 2023-08-03 120586 14.65084 24.25196
## 26 2023-08-04 119508 13.95176 24.06426
## 27 2023-08-07 119380 13.86188 24.01487
## 28 2023-08-08 119090 13.81194 23.78766
## 29 2023-08-09 118409 13.71207 23.58021
## 30 2023-08-10 118350 13.86188 23.57033
## 31 2023-08-11 118065 13.79197 23.44191
## 32 2023-08-14 116810 13.78198 23.22458
## 33 2023-08-15 116171 13.70208 23.18507
## 34 2023-08-16 115592 13.50235 23.07640
## 35 2023-08-17 114982 13.25267 22.99738
## 36 2023-08-18 115409 13.36253 23.13568
## 37 2023-08-21 114429 13.29262 22.84920
## 38 2023-08-22 116156 13.38250 23.24434
## 39 2023-08-23 118135 13.53231 23.43203
## 40 2023-08-24 117026 13.26266 23.11592
## 41 2023-08-25 115837 13.19275 22.90847
## 42 2023-08-28 117121 13.45241 23.44191
## 43 2023-08-29 118404 13.56227 23.66912
## 44 2023-08-30 117535 13.38250 23.30361
## 45 2023-08-31 115742 13.22271 23.02701
## 46 2023-09-01 117893 13.19275 23.12355
## 47 2023-09-04 117777 13.14000 23.11366
## 48 2023-09-05 117331 12.98000 22.68856
## 49 2023-09-06 115985 12.80000 22.54027
## 50 2023-09-08 115313 12.80000 22.58970
## 51 2023-09-11 116883 12.98000 22.92583
## 52 2023-09-12 117968 13.11000 23.08400
## 53 2023-09-13 118176 13.15000 23.28172
## 54 2023-09-14 119392 13.20000 23.29161
## 55 2023-09-15 118758 13.13000 23.35093
## 56 2023-09-18 118288 13.15000 23.37070
## 57 2023-09-19 117846 13.04000 23.44000
## 58 2023-09-20 118695 13.06000 23.65000
## 59 2023-09-21 116145 12.50000 23.09000
## 60 2023-09-22 116009 12.51000 22.88000
## 61 2023-09-25 115925 12.45000 22.97000
## 62 2023-09-26 114193 12.27000 22.69000
## 63 2023-09-27 114327 12.27000 22.67000
## petr3_sa_adjusted goau3_sa_adjusted cmig3_sa_adjusted
## 1 31.98603 11.33930 19.13457
## 2 32.53685 11.67195 18.73841
## 3 32.61416 11.73065 18.31253
## 4 32.60450 11.68173 18.02532
## 5 32.18897 11.58389 17.77772
## 6 32.01503 11.84805 17.79752
## 7 32.01503 11.87741 17.78762
## 8 31.76377 11.95567 17.90647
## 9 31.66714 12.03394 17.72820
## 10 32.13099 12.26875 18.09465
## 11 31.45454 12.10243 17.83714
## 12 31.46421 12.11221 17.99561
## 13 31.19363 12.17091 17.91637
## 14 31.36757 12.04373 17.39146
## 15 31.60916 12.21983 17.33204
## 16 32.18897 12.11221 17.34194
## 17 32.85574 12.38616 18.02532
## 18 33.44522 12.91448 18.13426
## 19 33.30026 12.88513 18.66908
## 20 31.42555 12.80686 18.18378
## 21 31.95704 12.84599 18.22340
## 22 33.63848 13.01231 18.26301
## 23 32.93306 13.04166 18.31253
## 24 32.70113 12.90469 18.72850
## 25 33.16497 12.93404 18.71860
## 26 31.77344 12.86556 18.77802
## 27 31.98603 12.79707 18.49081
## 28 31.96671 12.43508 18.76812
## 29 32.33392 12.11221 19.26332
## 30 32.32426 11.97524 19.53073
## 31 32.34358 11.89697 19.62977
## 32 32.49820 11.84805 19.70900
## 33 32.43055 11.86762 19.57034
## 34 33.38723 11.87741 19.70900
## 35 33.13599 11.73065 19.65948
## 36 33.32925 11.76000 19.08505
## 37 33.00070 11.49000 19.33265
## 38 33.50000 11.71000 19.70900
## 39 35.41000 11.73000 19.53073
## 40 35.32000 11.55000 18.84735
## 41 35.04000 11.49000 19.08505
## 42 35.40000 11.48000 19.11476
## 43 35.53000 11.73000 19.21380
## 44 35.50000 11.93000 19.66939
## 45 34.54000 11.74000 19.50102
## 46 35.69000 11.81000 19.57034
## 47 35.20000 12.00000 19.44159
## 48 36.82000 11.76000 19.17418
## 49 37.00000 11.65000 18.81764
## 50 36.71000 11.51000 18.85726
## 51 36.46000 11.66000 19.14447
## 52 36.86000 11.85000 19.37226
## 53 36.38000 11.76000 19.63967
## 54 37.45000 11.86000 19.80804
## 55 36.90000 11.76000 19.80804
## 56 37.36000 11.58000 19.80804
## 57 37.36000 11.50000 19.80804
## 58 37.41000 11.64000 19.71890
## 59 36.87000 11.39000 19.80804
## 60 37.14000 11.26000 19.50102
## 61 37.38000 11.23000 19.60006
## 62 36.35000 11.21000 19.68000
## 63 37.70000 11.21000 19.51000ETAPA 2 - OTIMIZAÇÃO DE PORTFÓLIO
Nesta seção, o objeto “consolidado” será utilizado para otimização de portfólio. Em primeiro lugar, vamos transformar esta tabela em um objeto de série temporal (para tanto, será utilizada a função timeSeries do pacote com o mesmo nome). Em seguida, será utilizada a função returns do pacote timeSeries para cálculo dos retornos diários de cada uma das ações.
## Carregando pacotes exigidos: timeDate##
## Attaching package: 'timeSeries'## The following object is masked from 'package:zoo':
##
## time<-##
## Attaching package: 'fBasics'## The following object is masked from 'package:TTR':
##
## volatility## Carregando pacotes exigidos: fAssets#OBJETO DE SÉRIE TEMPORAL ----
retornos_ts <- timeSeries(consolidado[,-1], consolidado[,1])
retornos_ts <- returns(retornos_ts)
# CÁLCULO DO RISCO E RETORNO INDIVIDUAL (CADA AÇÃO) ----
retornos_acao <- basicStats(retornos_ts) %>%
rownames_to_column() %>%
rename("estatistica" = rowname) %>%
dplyr::filter(estatistica == 'Mean' | estatistica == 'Stdev')
#CÁLCULO DO RISCO E RETORNO DO PORTFÓLIO ----
fronteira_eficiente <- portfolioFrontier(retornos_ts)
frontierPlot(fronteira_eficiente)
VISUALIZAÇÃO INTERATIVA
##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:timeSeries':
##
## filter## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layouttabela_retorno <- retornos_ts %>%
as.data.frame() %>%
rownames_to_column() %>%
rename("data" = rowname) %>%
mutate(data = as.Date(data))
grafico <- tabela_retorno %>%
ggplot() +
geom_line(mapping = aes(x = data, y = bvsp_adjusted))
geom_point(mapping = aes(x = data, y = bvsp_adjusted))## mapping: x = ~data, y = ~bvsp_adjusted
## geom_point: na.rm = FALSE
## stat_identity: na.rm = FALSE
## position_identity