Noções Básicas do R para Finanças

1. Noções básicas ¹

1.1 Primeiros passos - aritmética no R

# Adição
3 + 5

## [1] 8

# Subtração
5 - 3

## [1] 2

# Multiplicação
3 * 4

## [1] 12

# Divisão
4 / 2

## [1] 2

# Exponenciação
2^4

## [1] 16

# Módulo
7%%3

## [1] 1

1.2 Atribuição e operações com variáveis

economia <- 200

# imprime o valor de economia no console
economia

## [1] 200

meu_dinheiro <- 100
seu_dinheiro <- 200

# Adiciona os 'dinheiros' e salva na variável 'nosso_dinheiro'
(nosso_dinheiro <- meu_dinheiro + seu_dinheiro)

## [1] 300

1.3 Cálculo de retornos financeiros

# caixa inicial e 5% de retorno em janeiro
caixa_inicial <- 200
ret_jan <- 0.05  # utilize pontos, não vírgulas, para números decimais
indice_jan <- 1 + ret_jan

# qual é o caixa ao final do mês?
(pos_caixa_jan <- caixa_inicial * indice_jan)

## [1] 210

# retorno de fevereiro = 4.5%
ret_fev <- 4.5/100
indice_fev <- 1 + ret_fev

# caixa total ao final dos dois meses
caixa_total <- caixa_inicial * indice_jan * indice_fev
caixa_total

## [1] 219.45

1.4 Tipos de dados

# O valor da ação da Apple é 'numeric'
apple_stock <- 208.38

# Credit ratings é um 'string'
credit_rating <- "AAA"

# Você gosta do mercado de capitais? TRUE ou FALSE?
resposta <- TRUE
resposta

## [1] TRUE

2. Vetores e matrizes

2.1 c()ombine

Combinando elementos.

# Um vetor numérico
AMBEV_stock <- c(14.16, 14.19, 13.824)

# Um vetor de caracteres
financas <- c("ações", "Fundos", "Carteiras")

# Um vetor lógico
logico <- c(TRUE, FALSE, TRUE)

2.2 Nomeando vetores

# vetor com 12 meses de retorno e nomes dos meses
ret <- c(5, 2, 3, 7, 8, 3, 5, 9, 1, 4, 6, 3)
meses <- c("Jan", "Fev", "Mar", "Abr", "Mai", "Jun", "Jul", "Ago", "Set", "Out", "Nov", "Dez")

# Adiciona os nomes ao vetor ret
names(ret) <- meses

# veja como ficou
ret

## Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez 
##   5   2   3   7   8   3   5   9   1   4   6   3

2.3 Visualizando o vetor

# Gráfico dos pontos
plot(ret, col = 'blue')

2.4 Média ponderada associada a um vetor

# Pesos e retornos
ret_microsoft <- 7/100
ret_sony <- 9/100
peso_microsoft <- .2
peso_sony <- .8

# Retorno da carteira
(ret_carteira <- ret_microsoft * peso_microsoft + ret_sony * peso_sony)

## [1] 0.086

# Pesos, retornos e nomes das companhias
ret_comp <- c(ret_microsoft, ret_sony)
pesos <- c(peso_microsoft, peso_sony)
companhias <- c("Microsoft", "Sony")

# Dê nomes aos dados nos vetores
names(ret_comp) <- companhias
names(pesos) <- companhias

# Multiplique os vetores 
retxpesos <- ret_comp*pesos
retxpesos

## Microsoft      Sony 
##     0.014     0.072

# Some para obter o retorno da carteira
(ret_carteira <- sum(retxpesos))

## [1] 0.086

2.5 Partição de vetores

ret

## Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez 
##   5   2   3   7   8   3   5   9   1   4   6   3

ret[1:6]

## Jan Fev Mar Abr Mai Jun 
##   5   2   3   7   8   3

# Somente março e maio
meses1 <- c("Mar", "Mai")

ret[meses1]

## Mar Mai 
##   3   8

# Omitindo o primeiro mês
ret[-1]

## Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez 
##   2   3   7   8   3   5   9   1   4   6   3

## Sony 
 
class("Mai")

## [1] "character"

2.6 Criando uma matriz

meu_vetor <- c(1, 2, 3, 4, 5, 6, 7, 8, 9)

# matrix 3x3 
minha_matriz <- matrix(data = meu_vetor, nrow = 3, ncol = 3)
minha_matriz

##      [,1] [,2] [,3]
## [1,]    1    4    7
## [2,]    2    5    8
## [3,]    3    6    9

# Usando byrow = TRUE
matrix(data = c(2, 3, 4, 5), nrow = 2, ncol = 2, byrow = TRUE)

##      [,1] [,2]
## [1,]    2    3
## [2,]    4    5

2.7 Como juntar vetores para formar uma matriz

apple <- c(109.49, 109.90, 109.11, 109.95, 111.03)
ibm <- c(159.82, 160.02, 159.84, 160.35, 164.79)
micr <- c(59.20, 59.25, 60.22, 59.95, 61.37)

# cbind (como colunas) os vetores
cbind_acoes <- cbind(apple, ibm, micr)
cbind_acoes

##       apple    ibm  micr
## [1,] 109.49 159.82 59.20
## [2,] 109.90 160.02 59.25
## [3,] 109.11 159.84 60.22
## [4,] 109.95 160.35 59.95
## [5,] 111.03 164.79 61.37

# rbind (por linhas) os vetores
rbind_acoes <- rbind(apple, ibm, micr)
rbind_acoes

##         [,1]   [,2]   [,3]   [,4]   [,5]
## apple 109.49 109.90 109.11 109.95 111.03
## ibm   159.82 160.02 159.84 160.35 164.79
## micr   59.20  59.25  60.22  59.95  61.37

2.8 Visualizando a matriz

# Define matrix
apple_micr_matrix <- cbind(apple, micr)
apple_micr_matrix

##       apple  micr
## [1,] 109.49 59.20
## [2,] 109.90 59.25
## [3,] 109.11 60.22
## [4,] 109.95 59.95
## [5,] 111.03 61.37

# Gráfico de dispersão de Microsoft vs Apple
plot(apple_micr_matrix, main = 'Microsoft vs Apple', col = "red")

2.9 cor()relação

Visualizando a correlação dos dados.

# Correlação entre Apple e IBM
cor(apple, ibm)

## [1] 0.9131575

# matriz de ações
acoes <- cbind(apple, micr, ibm)
dim(acoes)

## [1] 5 3

# cor() das três ações
cor(acoes)

##           apple      micr       ibm
## apple 1.0000000 0.6675003 0.9131575
## micr  0.6675003 1.0000000 0.8741410
## ibm   0.9131575 0.8741410 1.0000000

2.10 ‘Subsetting’ uma matriz

Apresentando algumas linhas e colunas.

# Terceira linha
acoes[3,]

##  apple   micr    ibm 
## 109.11  60.22 159.84

# Quarta e quinta linha da coluna ibm
acoes[4:5, "ibm"]

## [1] 160.35 164.79

# Todas as linhas das Colunas 'apple' e 'micr'
acoes [, c("apple","micr")]

##       apple  micr
## [1,] 109.49 59.20
## [2,] 109.90 59.25
## [3,] 109.11 60.22
## [4,] 109.95 59.95
## [5,] 111.03 61.37

acoes[]

##       apple  micr    ibm
## [1,] 109.49 59.20 159.82
## [2,] 109.90 59.25 160.02
## [3,] 109.11 60.22 159.84
## [4,] 109.95 59.95 160.35
## [5,] 111.03 61.37 164.79

3. Data Frames

3.1 Criando o primeiro `data.frame()`

# Variáveis
companhias <- c("A", "A", "A", "B", "B", "B", "B")
fluxo_caixa <- c(1000, 4000, 550, 1500, 1100, 750, 6000)
ano <- c(1, 3, 4, 1, 2, 4, 5)

# Data frame
caixa <- data.frame(companhias, fluxo_caixa, ano)

caixa

str(caixa)

## 'data.frame':    7 obs. of  3 variables:
##  $ companhias : chr  "A" "A" "A" "B" ...
##  $ fluxo_caixa: num  1000 4000 550 1500 1100 750 6000
##  $ ano        : num  1 3 4 1 2 4 5

3.2 `head`s e `tail`s de seus dados com e`str`utura

# `head()` mostra as primeiras quatro linhas (padrão)
head(caixa, 4)

# `tail(, 3)` mostra as últimas três linhas
tail(caixa, 3)

# `str()` e a estrutura de seus dados
str(caixa)

## 'data.frame':    7 obs. of  3 variables:
##  $ companhias : chr  "A" "A" "A" "B" ...
##  $ fluxo_caixa: num  1000 4000 550 1500 1100 750 6000
##  $ ano        : num  1 3 4 1 2 4 5

3.3 Nomeando linhas / colunas

novosNomes <- c("companhia", "fluxo_caixa", "ano")

colnames(caixa) <- novosNomes

colnames(caixa)

## [1] "companhia"   "fluxo_caixa" "ano"

3.4 Acessando e “fatiando” um data frames

# Terceira linha, segunda coluna
caixa[3, 2]

## [1] 550

# Quinta linha da coluna 'ano' 
caixa[5, 'ano']

## [1] 2

# coluna 'ano'
caixa[, "ano"]

## [1] 1 3 4 1 2 4 5

# Seleciona a coluna "fluxo_caixa" e multiplica por 2
caixa[, "fluxo_caixa"] * 2

## [1]  2000  8000  1100  3000  2200  1500 12000

# Linhas da companhia B
subset(caixa, companhia == "B")

# Linhas com fluxo de caixa vencendo em 1 ano
subset(caixa, ano == '1')

3.5 Adicionando colunas

# cenário trimestral
caixa$trimestre <- caixa$fluxo_caixa * 0.25
caixa

# Cenário bi-anual

caixa$dois_anos <- caixa$ano * 2
caixa

caixa$dois_anos <- 2
caixa

3.6 Valor presente de fluxo de caixa projetado

# Valor presente de $4000 em 3 anos a 5% a.a.
juros <- 5/100
anos <- 3

fluxo_caixa <- 4000

VP <- fluxo_caixa  * (1 + juros) ^ -anos
VP

## [1] 3455.35

caixa$vp <- caixa$fluxo_caixa  * (1 + juros) ^ -caixa$ano

caixa

# VP Total
(total_pv <- sum(caixa$vp))

## [1] 12604.71

# Informação da companhia B
(caixa_B <- subset(caixa, companhia == "B"))

# VP Total de B
(total_vp_B <- sum(caixa_B$vp))

## [1] 7744.488

4. Fatores

4.1 Criando fatores

# credit_rating - vetor de caracteres
credit_rating <- c("BB", "AAA", "AA", "CCC", "AA", "AAA", "B", "BB")

# Transformando em fator
credit_factor <- factor(credit_rating, 
                        levels = c("CC", "CCC", "B", "BB", "AA", "AAA"),
                        ordered = TRUE)

credit_factor

## [1] BB  AAA AA  CCC AA  AAA B   BB 
## Levels: CC < CCC < B < BB < AA < AAA

str(credit_rating)

##  chr [1:8] "BB" "AAA" "AA" "CCC" "AA" "AAA" "B" "BB"

str(credit_factor)

##  Ord.factor w/ 6 levels "CC"<"CCC"<"B"<..: 4 6 5 2 5 6 3 4

4.2 Níveis (levels) de fatores

# Identifique níveis únicos
levels(credit_factor)

## [1] "CC"  "CCC" "B"   "BB"  "AA"  "AAA"

# Renomeie os níveis
levels(credit_factor) <- c("2C", "3C", "1B", "2B", "2A", "3A")

credit_factor

## [1] 2B 3A 2A 3C 2A 3A 1B 2B
## Levels: 2C < 3C < 1B < 2B < 2A < 3A

summary(credit_rating)

##    Length     Class      Mode 
##         8 character character

summary(credit_factor)

## 2C 3C 1B 2B 2A 3A 
##  0  1  1  2  2  2

4.3 Visualizando os fatores

plot(credit_factor)

4.4 Transformando uma variável numérica em um fator (codificando)

# Defina rankings AAA.
AAA_rank <- c(31,  48, 100, 53, 85, 73, 62, 74, 42, 38, 97, 61, 48, 86, 44, 9, 43, 18,  62,
              38, 23, 37, 54, 80, 78, 93, 47, 100, 22,  22, 18, 26, 81, 17, 98, 4,  83, 5,
              6,  52, 29, 44, 50, 2,  25, 19, 15, 42, 30, 27)

# Crie 4 "buckets" para AAA_rank usando cut()
AAA_factor <- cut(x = AAA_rank, breaks = c(0, 25, 50, 75, 100))

# Renomeie os níveis 
niveis <- c("baixo", "médio", "alto", "muito alto")

levels(AAA_factor) <- niveis

AAA_factor

##  [1] médio      médio      muito alto alto       muito alto alto      
##  [7] alto       alto       médio      médio      muito alto alto      
## [13] médio      muito alto médio      baixo      médio      baixo     
## [19] alto       médio      baixo      médio      alto       muito alto
## [25] muito alto muito alto médio      muito alto baixo      baixo     
## [31] baixo      médio      muito alto baixo      muito alto baixo     
## [37] muito alto baixo      baixo      alto       médio      médio     
## [43] médio      baixo      baixo      baixo      baixo      médio     
## [49] médio      médio     
## Levels: baixo médio alto muito alto

plot(AAA_factor)

4.5 Criando fatores ordenados

# Use unique() para encontrar valores únicos
unique(credit_rating)

## [1] "BB"  "AAA" "AA"  "CCC" "B"

# Crie fatores ordenados
credit_factor_ordenado <- factor(credit_rating, ordered = TRUE, levels = c("AAA", "AA", "BB", "B", "CCC"))

# Gráfico de credit_factor_ordenado
plot(credit_factor_ordenado)

4.6 Subsetting um fator

# Remova o nível A da posição 3 sem retirá-lo da variável original.
credit_factor

## [1] 2B 3A 2A 3C 2A 3A 1B 2B
## Levels: 2C < 3C < 1B < 2B < 2A < 3A

(novos_niveis <- credit_factor[-3])

## [1] 2B 3A 3C 2A 3A 1B 2B
## Levels: 2C < 3C < 1B < 2B < 2A < 3A

plot(novos_niveis)

# Remova o nível A das posições 3 e 7 os retirando da variável original.
novos_niveis_2 <- credit_factor[c(-3,-7), drop = TRUE]
novos_niveis_2

## [1] 2B 3A 3C 2A 3A 2B
## Levels: 3C < 2B < 2A < 3A

plot(novos_niveis_2)

4.7 `stringsAsFactors`

Uma melhor organização dos dados.

# Variáveis
credit_rating <- c("AAA", "A", "BB")
donos_titulos <- c("Zé", "Maria", "Gisele")

# Crie o data frame com vetores de caracter, os títulos
titulos <- data.frame(credit_rating, donos_titulos, stringsAsFactors = FALSE)
str(titulos)

## 'data.frame':    3 obs. of  2 variables:
##  $ credit_rating: chr  "AAA" "A" "BB"
##  $ donos_titulos: chr  "Zé" "Maria" "Gisele"

# Crie uma coluna de fatores
titulos$credit_factor <- factor(titulos$credit_rating, ordered = TRUE, levels = c("AAA","A","BB"))
str(titulos)

## 'data.frame':    3 obs. of  3 variables:
##  $ credit_rating: chr  "AAA" "A" "BB"
##  $ donos_titulos: chr  "Zé" "Maria" "Gisele"
##  $ credit_factor: Ord.factor w/ 3 levels "AAA"<"A"<"BB": 1 2 3

5. Listas

5.1 Criando uma lista

# Componentes da lista
nome <- "Apple e IBM"
apple <- c(109.49, 109.90, 109.11, 109.95, 111.03)
ibm <- c(159.82, 160.02, 159.84, 160.35, 164.79)
matriz_cor <- cor(cbind(apple, ibm))

# Crie a lista
carteira <- list(nome, apple, ibm, matriz_cor)

carteira

## [[1]]
## [1] "Apple e IBM"
## 
## [[2]]
## [1] 109.49 109.90 109.11 109.95 111.03
## 
## [[3]]
## [1] 159.82 160.02 159.84 160.35 164.79
## 
## [[4]]
##           apple       ibm
## apple 1.0000000 0.9131575
## ibm   0.9131575 1.0000000

5.2 Listas nomeadas

names(carteira) <- c("nome", "apple", "ibm", "correlacao")

carteira

## $nome
## [1] "Apple e IBM"
## 
## $apple
## [1] 109.49 109.90 109.11 109.95 111.03
## 
## $ibm
## [1] 159.82 160.02 159.84 160.35 164.79
## 
## $correlacao
##           apple       ibm
## apple 1.0000000 0.9131575
## ibm   0.9131575 1.0000000

5.3 Accesse os elements da lista

# Segundo e terceiro elementos da carteira
carteira[c(2,3)]

## $apple
## [1] 109.49 109.90 109.11 109.95 111.03
## 
## $ibm
## [1] 159.82 160.02 159.84 160.35 164.79

# Use $ para obter as correlações
options(digits = 4)
carteira$correlacao

##        apple    ibm
## apple 1.0000 0.9132
## ibm   0.9132 1.0000

5.4 Adicionando elementos à lista

# Adicione pesos: 20% Apple, 80% IBM
carteira$peso <- c(apple = .20, ibm = .80)

carteira

## $nome
## [1] "Apple e IBM"
## 
## $apple
## [1] 109.5 109.9 109.1 110.0 111.0
## 
## $ibm
## [1] 159.8 160.0 159.8 160.3 164.8
## 
## $correlacao
##        apple    ibm
## apple 1.0000 0.9132
## ibm   0.9132 1.0000
## 
## $peso
## apple   ibm 
##   0.2   0.8

# Altere os pesos: 30% Apple, 70% IBM
carteira$peso <- c(apple = .30, ibm = .70)

carteira

## $nome
## [1] "Apple e IBM"
## 
## $apple
## [1] 109.5 109.9 109.1 110.0 111.0
## 
## $ibm
## [1] 159.8 160.0 159.8 160.3 164.8
## 
## $correlacao
##        apple    ibm
## apple 1.0000 0.9132
## ibm   0.9132 1.0000
## 
## $peso
## apple   ibm 
##   0.3   0.7

5.5 Removendo elementos de uma lista

# Remova os preços da ação da Microsoft da carteira
carteira$microsoft <- NULL

5.6 Dividindo os dados com `split()`

# Defina o grupo a partir do ano
grupo <- caixa$ano

# Separe a caixa com os novos grupos
caixa_div <- split(caixa, grupo)

caixa_div

## $`1`
##   companhia fluxo_caixa ano trimestre dois_anos     vp
## 1         A        1000   1       250         2  952.4
## 4         B        1500   1       375         2 1428.6
## 
## $`2`
##   companhia fluxo_caixa ano trimestre dois_anos    vp
## 5         B        1100   2       275         2 997.7
## 
## $`3`
##   companhia fluxo_caixa ano trimestre dois_anos   vp
## 2         A        4000   3      1000         2 3455
## 
## $`4`
##   companhia fluxo_caixa ano trimestre dois_anos    vp
## 3         A         550   4     137.5         2 452.5
## 6         B         750   4     187.5         2 617.0
## 
## $`5`
##   companhia fluxo_caixa ano trimestre dois_anos   vp
## 7         B        6000   5      1500         2 4701

# Junte de volta os dados
caixa_original <- unsplit(caixa_div, grupo)

caixa_original

5.7 Atributos

Como dar atributos aos dados.

matriz <- matrix(c(1,2,3,4,5,6), nrow = 2, ncol = 3)
rownames(matriz) <- c("Linha1", "Linha2")
colnames(matriz) <- c("Col1", "Col2", "Col3")
matriz

##        Col1 Col2 Col3
## Linha1    1    3    5
## Linha2    2    4    6

fator <- factor(c("A", "A", "B"), ordered = TRUE, levels = c("A", "B"))

# atributos da variável matriz
attributes(matriz)

## $dim
## [1] 2 3
## 
## $dimnames
## $dimnames[[1]]
## [1] "Linha1" "Linha2"
## 
## $dimnames[[2]]
## [1] "Col1" "Col2" "Col3"

# dimensão de 'matriz' 
attr(matriz, "dim")

## [1] 2 3

dim(matriz) # mais simples

## [1] 2 3

# atributes de 'fator'
attributes(fator)

## $levels
## [1] "A" "B"
## 
## $class
## [1] "ordered" "factor"

Voltando para a Visualização de gráficos no R - item 1.4

Clique aqui, se estiver utilizando a versão LOCAL deste arquivo, ou
Clique aqui, se estiver utiizando a versão WEB deste arquivo.

O conteúdo deste documento se baseia livremente em notas do curso Introduction to R for Finance do Datacamp.↩︎

Noções Básicas do R para Finanças

Rogério Guerra da Silveira

13 de dezembro de 2021

1. Noções básicas 1

1.1 Primeiros passos - aritmética no R

1.2 Atribuição e operações com variáveis

1.3 Cálculo de retornos financeiros

1.4 Tipos de dados

2. Vetores e matrizes

2.1 c()ombine

2.2 Nomeando vetores

2.3 Visualizando o vetor

2.4 Média ponderada associada a um vetor

2.5 Partição de vetores

2.6 Criando uma matriz

2.7 Como juntar vetores para formar uma matriz

2.8 Visualizando a matriz

2.9 cor()relação

2.10 ‘Subsetting’ uma matriz

3. Data Frames

3.1 Criando o primeiro data.frame()

3.2 heads e tails de seus dados com estrutura

3.3 Nomeando linhas / colunas

3.4 Acessando e “fatiando” um data frames

3.5 Adicionando colunas

3.6 Valor presente de fluxo de caixa projetado

4. Fatores

4.1 Criando fatores

4.2 Níveis (levels) de fatores

4.3 Visualizando os fatores

4.4 Transformando uma variável numérica em um fator (codificando)

4.5 Criando fatores ordenados

4.6 Subsetting um fator

4.7 stringsAsFactors

5. Listas

5.1 Criando uma lista

5.2 Listas nomeadas

5.3 Accesse os elements da lista

5.4 Adicionando elementos à lista

5.5 Removendo elementos de uma lista

5.6 Dividindo os dados com split()

5.7 Atributos

Voltando para a Visualização de gráficos no R - item 1.4

1. Noções básicas ¹

3.1 Criando o primeiro `data.frame()`

3.2 `head`s e `tail`s de seus dados com e`str`utura

4.7 `stringsAsFactors`

5.6 Dividindo os dados com `split()`