<?xml version="1.0" encoding="UTF-8"?><rss 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" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Artur Pereira on Medium]]></title>
        <description><![CDATA[Stories by Artur Pereira on Medium]]></description>
        <link>https://medium.com/@arturpereira_?source=rss-4e169c4cc4fa------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*15U-DelriNAT1hH4.</url>
            <title>Stories by Artur Pereira on Medium</title>
            <link>https://medium.com/@arturpereira_?source=rss-4e169c4cc4fa------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 13:40:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@arturpereira_/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[A matemática da denúncia de fraude eleitoral em 2018]]></title>
            <link>https://medium.com/@arturpereira_/a-matem%C3%A1tica-da-den%C3%BAncia-de-fraude-eleitoral-em-2018-8cddd9a4c403?source=rss-4e169c4cc4fa------2</link>
            <guid isPermaLink="false">https://medium.com/p/8cddd9a4c403</guid>
            <category><![CDATA[eleições-2018]]></category>
            <category><![CDATA[bolsonaro]]></category>
            <category><![CDATA[eleições]]></category>
            <category><![CDATA[brasil]]></category>
            <category><![CDATA[fraude]]></category>
            <dc:creator><![CDATA[Artur Pereira]]></dc:creator>
            <pubDate>Tue, 18 May 2021 14:41:00 GMT</pubDate>
            <atom:updated>2021-06-10T04:43:37.523Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*oRTrdCfU9HOOZfg-.jpg" /><figcaption>Urna eleitoral brasileira.</figcaption></figure><p>Em tempos onde o presidente Jair Bolsonaro faz forte lobby para o voto impresso, até em tom de ameaça, algo que ainda paira no ar é a denúncia de fraude eleitoral no primeiro turno da eleição presidencial de 2018. O presidente diz, reiteradamente, ter provas sobre tal acusação, apesar de nunca as ter apresentado. Deixar no ar uma acusação mal resolvida de fraude eleitoral coloca em xeque o sistema democrático como um todo, deslegitimando os resultados dos pleitos subsequentes e fomentando uma mentalidade perniciosa de que uma futura possível derrota não seria aceita.</p><p>A afirmativa do presidente Jair Bolsonaro de que houve fraude no primeiro turno da eleição de 2018 muito provavelmente baseia-se em uma análise matemática que foi ventilada alguns meses atrás nas redes sociais e alardeada no circuito bolsonarista. O bojo da denúncia pode ser visto circulando nessa sequência de tweets do perfil @AlanLopesRio: <a href="https://twitter.com/AlanLopesRio/status/1312160659828744193">https://twitter.com/AlanLopesRio/status/1312160659828744193</a></p><p>Já a denúncia integral pode ser vista aqui:<br><a href="https://static.aosfatos.org/media/cke_uploads/2020/10/05/denuncia-integra.pdf">https://static.aosfatos.org/media/cke_uploads/2020/10/05/denuncia-integra.pdf</a></p><p>De acordo com a denúncia proposta, mediante um acompanhamento da apuração dos votos em tempo real pelo TSE e pela GloboNews, foi detectada uma <strong><em>impossibilidade matemática</em> </strong>na queda do percentual de votos do presidente quando se observava que os dados faltantes do estado de São Paulo e Minas Gerais ainda não haviam sido computados.</p><p>O texto do pedido de apuração aponta que o resultado do primeiro turno <strong>“tem indícios de serem matematicamente difíceis”</strong>.</p><p>Vale destacar que esta <strong>denúncia já foi arquivada pelo TSE</strong>. No entanto, o argumento dado pelo arquivamento não atacou o fundamento matemático, mas sim a questão paralela sobre a demora de apuração para estados e regiões específicas. Portanto, o cerne da denúncia não ser dissecado permite a perpetuação dessa argumentação de fraude.</p><p>Resolvi entender qual a lógica matemática utilizada pelos autores para tal conclusão e compreender se realmente existiam provas cabais de fraude eleitoral.</p><p>Seguindo a cronologia proposta na peça feita pelos autores, o primeiro resultado parcial da apuração presidencial ocorreu por volta das 19:04 horas do dia 7 de outubro de 2018. O TSE indicava 53,49% das urnas apuradas e o seguinte quadro de votos:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/1*58UOatX_9FkCZ45eggvtTg.png" /></figure><p>Ou seja, naquele momento, Jair Bolsonaro liderava com 49,02%. A tabela com esses números está na denúncia, apenas adicionei a soma total na linha final para indicar que os quatro candidatos com mais votos representavam 92,26% dos votos válidos naquele momento, informação importante para análise futura.</p><p>Às 19:06, foi apresentado o percentual de urnas apuradas por região, conforme tabela abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/879/1*B9GzXSMXw6whok8TkmDO0g.png" /></figure><p>O destaque dado na denúncia é o baixo percentual de urnas apuradas para a região Sudeste (10,99%) em comparação às demais regiões. No entanto, há um erro na tabela apresentada: os percentuais da região Nordeste para Jair Bolsonaro e Fernando Haddad estão trocados, na realidade, naquele momento de apuração, Haddad aparecia com 45,44% contra os 27,77% de Bolsonaro.</p><p>Em um primeiro momento, esse erro não altera o cálculo realizado pelos autores do pedido. No entanto, é importante destacar esse equívoco inicial pois acaba passando uma falsa impressão de que Bolsonaro estava em uma curva necessariamente ascendente para a apuração dos votos remanescentes, como os autores destacaram na denúncia.</p><p>Outro provável erro na tabela apresentada pelos autores é o valor percentual apontado para Haddad na região Sul. Na imagem anexada ao documento não é possível identificar o percentual, mas, pela descrição mais detalhada da região apresentada minutos depois, percebe-se que o valor de 11,50% não está correto:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*gn4pG0Pd85Qmxnnh6C9xwQ.png" /></figure><p>Esse também não é um erro que influi diretamente na análise principal dos autores, no entanto, é importante destacar essa incongruência pois também passa uma falsa impressão de um melhor posicionamento do presidente naquele momento de apuração.</p><p>Em comparação com os percentuais finais do primeiro turno, distribuídos por região, os valores são bastante parecidos quando corrigidos os percentuais do Nordeste e de Haddad no Sul:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/848/1*X04mGuhi46dL8JZpUweY2g.png" /></figure><p>Nesse momento de apuração, os votos da região Sudeste ainda não incluíam Minas Gerais e São Paulo, somente estava apurada uma parcela dos votos do Espírito Santo e Rio de Janeiro. Para fins de fazer uma projeção de como a apuração estaria caso os votos de Minas Gerais e São Paulo estivessem sendo computados, os autores utilizaram os percentuais de apuração referentes aos votos já computados de governadores desses estados.</p><p>Às 18:46, o percentual de urnas apuradas na eleição para governador estava da seguinte maneira para a região Sudeste:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*rtQ4OdhXJfzBhcfSK40QYw.png" /></figure><p>Para 19:09, os autores decidiram fazer uma projeção de aumento do percentual de apuração para os estados de Minas Gerais e São Paulo de 10% em cima dos valores já observados às 18:46, conforme números de apuração da eleição para governador desses estados. Com isso, o percentual de apuração da região Sudeste ficaria projetada assim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*eWEs5LaQ2rV8YAk_Qtz84w.png" /></figure><p>Onde os valores para Espírito Santo e Rio de Janeiro são os que realmente foram observados e os valores para Minas Gerais e São Paulo são projeções com base em um aumento de 10% sobre o percentual apurado original.</p><p>Com base nesses percentuais projetados, foi feito um cálculo do número de votos adicionais que os principais candidatos teriam recebido naquela apuração das 19:09. Para esse cálculo, os autores pegaram os votos finais obtidos pelos candidatos nesses dois estados e aplicaram esse percentual de apuração para somar aos votos que haviam sido apurados às 19:04.</p><p>Ou seja, o objetivo dos autores era “corrigir” a latência da apuração dos estados de Minas Gerais e São Paulo utilizando os percentuais finais dos candidatos nesses estados multiplicado pelo percentual projetado de apuração para governadores naquele momento. Esse número de votos projetados desses dois estados seriam então adicionados ao valor nominal observado naquele momento para se ter uma noção mais “realista” de como estariam os percentuais de votação dos candidatos naquele momento de apuração.</p><p>Com o cálculo realizado, a quantidade de votos adicionados seria a seguinte:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*T8IMebVM0zLCgb684TqFLA.png" /></figure><p>Adicionei uma coluna com os valores corrigidos para os estados pois os valores apresentados na tabela da denúncia estavam dissonantes do cálculo proposto pelos próprios autores. De qualquer forma, a diferença dos valores acaba não sendo significativa.</p><p>Essa quantidade de votos dos estados de Minas Gerais e São Paulo então foram adicionadas à quantidade de votos original apurada às 19:04. A seguinte tabela demonstra a adição realizada:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gSXoWt75bi_XErZvj6lA3w.png" /></figure><p><strong>Observa-se um erro crasso nesse cálculo efetuado pelos autores. O percentual corrigido com a soma de MG e SP está completamente equivocado. </strong>O percentual foi calculado com base na soma dos votos apenas dos quatro candidatos com o maior número de votos, não foi observada a proporção de votos computados para os demais candidatos. Por isso a soma dos percentuais dos quatro equivale à 100%, incorretamente, como se todos os votos válidos tivessem sido destinados aos quatro candidatos. Esse erro infla o percentual de todos os quatro candidatos. O correto seria ao menos ponderar pelo percentual efetivo que tiveram anteriormente. Para demonstrar como ficariam os percentuais corretos dos candidatos, adicionei uma coluna à tabela dos autores com a ponderação de um total efetivo de 92,26% dos votos, como calculado previamente.</p><p><strong>Com essa proporção correta, a variação de percentual do presidente Jair Bolsonaro é mais condizente com a realidade, subindo para 49,53%, ao invés dos 53,68% propostos pelos autores.</strong></p><p><strong>Os autores se basearam justamente nesse percentual, calculado equivocadamente, para intuir uma posição muito mais vantajosa do presidente naquele momento.</strong></p><p>O decréscimo percentual do então candidato Bolsonaro, observado e noticiado pelo TSE, GloboNews e demais mídias que acompanhavam a eleição, do início da apuração até o final, foi de aproximadamente 2,99%, saindo de 49,02% para 46,03%. Portanto, segundo os autores, com um percentual “correto” de 53,68%, um mesmo decréscimo resultaria em um percentual final para Bolsonaro de 50,69%, o que daria uma vitória já no primeiro turno, justificando assim a ideia de manipulação dos dados e evidenciando uma potencial fraude no primeiro turno.</p><p>A ideia dos autores era demonstrar que a não contabilização dos votos de SP e MG naquele momento foi deliberada, pois, caso tivesse sido contabilizada, a queda eventual no percentual agregado de 2,99% não teria sido suficiente para deixar Jair Bolsonaro abaixo de 50% dos votos. Ocorre que o cálculo efetuado de 53,68%, que permite essa folga que garantiria a vitória no primeiro turno, foi feita de maneira displicente.</p><p><strong>Ou seja, o cerne da denúncia parte de uma premissa completamente equivocada.</strong></p><p><strong>Essa conclusão não condiz com o cálculo feito de maneira correta.</strong></p><p>Uma outra parte da denúncia se vale da percepção de que os votos remanescentes naquele momento de apuração necessariamente aumentariam o percentual do presidente Bolsonaro, e, portanto, não faria sentido sequer uma eventual diminuição durante o desenrolar da apuração. No entanto, não foi considerada a alta discrepância dos votos remanescentes no Nordeste que faltavam e a redução do percentual encontrado em São Paulo e Minas Gerais comparado com Rio de Janeiro e Espírito Santo.</p><p>Quando se observa a variação dos votos do momento de apuração às 19:06 e o final, fica claro que <strong>a tendência do percentual de Bolsonaro seria descendente</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/856/1*dYLNAJvD2V2BPblYf__zWA.png" /></figure><p>A sua maior queda se deu no Sudeste. São Paulo e Minas Gerais não mantiveram a discrepância observada no Rio de Janeiro e Espírito Santo, apesar da votação expressiva. Essa também foi a região que mais urnas remanescentes tinha, tanto estatisticamente quanto nominalmente.</p><p>Além disso, a performance de Bolsonaro no Nordeste foi muito abaixo da sua média nacional, o que inevitavelmente tem um efeito negativo na composição percentual da sua votação final, mesmo sendo consequência de um número menor de urnas remanescentes. Ou seja, mesmo que o percentual de apuração das urnas do Nordeste já estivesse em um ritmo mais acelerado, a apuração das urnas remanescente teria um impacto muito mais substancial no percentual final de Jair Bolsonaro, tendo em vista que o seu desempenho final foi de 25,86% na região.</p><p><strong>Essas variações que foram observadas no decorrer da apuração vão em linha com o derradeiro resultado da votação do primeiro turno, afastando qualquer conjectura de fraude eleitoral com base nos dados disponíveis e na tese proposta.</strong></p><p>Os autores da solicitação de investigação foram muito displicentes em seus cálculos e não demonstraram, a meu ver, prova cabal de fraude. <strong>As conjecturas propostas têm premissas bastante frágeis e a conclusão que sugere uma “dificuldade matemática” no resultado não se sustenta pela própria fragilidade matemática de sua explicação.</strong></p><p>Caso essa tenha sido a tal evidência que o presidente Jair Bolsonaro disse ter sobre a ocorrência de fraude na eleição do primeiro turno de 2018, como acredito que realmente seja, ela não tem credibilidade.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8cddd9a4c403" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Nos deram espelhos e vimos um mundo doente…]]></title>
            <link>https://medium.com/@arturpereira_/nos-deram-espelhos-e-vimos-um-mundo-doente-bc636ef5746b?source=rss-4e169c4cc4fa------2</link>
            <guid isPermaLink="false">https://medium.com/p/bc636ef5746b</guid>
            <category><![CDATA[política]]></category>
            <category><![CDATA[brasil]]></category>
            <dc:creator><![CDATA[Artur Pereira]]></dc:creator>
            <pubDate>Wed, 24 Mar 2021 23:24:20 GMT</pubDate>
            <atom:updated>2021-03-24T23:24:20.587Z</atom:updated>
            <content:encoded><![CDATA[<p>Dizem que a internet trouxe à tona o lado mais vil do ser humano. Protegidos pelo véu da distância e por vezes anonimato, o ódio é vociferado em um terreno preto e branco. Discordo. A internet é o nosso espelho. O mundo hoje é o reflexo do que somos. Não é um retrato definitivo, mas sem dúvidas é um retrato fidedigno. A agressividade online não é condicionada à plataforma utilizada, mas sim ao cérebro pensante, ou não, por trás. Uma árvore que cai em uma floresta sem ninguém por perto para ouvir ainda faz barulho. Um racista que não se expõe online não deixa de sê-lo. Não tenho dúvidas que, na verdade, vivamos em um período muito menos preconceituoso do que tempos atrás. A maior exposição dos assuntos abriu espaço para um melhor entendimento e reflexão para muitos que nunca tiveram contato com os temas. No entanto, nunca tivemos um espelho para perceber essa entranha visceral deletéria que tínhamos, antes ao largo dos holofotes. Ao finalmente nos depararmos com nosso reflexo, percebemos o estado doentio em que nos encontrávamos.</p><p>Os tempos recentes foram passos em direção a esse espelho, encurtamos a distância e vemos um reflexo cada vez mais nítido. Percebemos que a barbárie não está tão longe assim, que o preconceito, em suas diversas facetas, é regra e não exceção, que a empatia com o próximo, quando posta à prova, mostrou-se miragem, e que a razoabilidade na interpretação dos fatos é arruinada pela conveniência da crença. Talvez o maior temor seja perceber a normalização desse retrato, dar vez à apatia frente ao tamanho do abismo. O que espanta é a previsibilidade dos absurdos, uma crônica de uma morte anunciada da qual assistimos passivamente, optando por ver nitidez frente à luz difusa.</p><p>Vemos um Brasil descendo a ladeira, uma tragédia de morte matada e não morte morrida. Nos acostumamos a viver num país onde absurdo tem precedente, onde compra de votos é pautada em horário nobre, onde atender um celular na rua ou usar vestido curto é “dar sopa”, onde, a depender da cidade, uma curva errada é risco de vida, onde territórios controlados por poderes abjetos são detalhadamente circunstanciados, e, apesar disso, ninguém sabe, ninguém viu. Somos reféns de abutres indiferentes aos anseios legítimos ensurdecidos pelo cansaço. O cotidiano é um bombardeio aos olhos de quem quiser realmente observar.</p><p>O primeiro passo para a solução de qualquer problema é aceitar a sua existência. Levantar o véu do conformismo e indignar-se. Perceber o grau anestésico no qual nos encontramos e divorciarmo-nos. Encarar o que é refletido no espelho e rebelar-se.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bc636ef5746b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Carteira de Mínima Variância Global (Teoria Moderna do Portfólio)]]></title>
            <link>https://medium.com/@arturpereira_/carteira-de-m%C3%ADnima-vari%C3%A2ncia-global-teoria-moderna-do-portf%C3%B3lio-5ea708536125?source=rss-4e169c4cc4fa------2</link>
            <guid isPermaLink="false">https://medium.com/p/5ea708536125</guid>
            <category><![CDATA[ibovespa]]></category>
            <category><![CDATA[stock-market]]></category>
            <category><![CDATA[mercado-financeiro]]></category>
            <category><![CDATA[portfolio-management]]></category>
            <category><![CDATA[ações]]></category>
            <dc:creator><![CDATA[Artur Pereira]]></dc:creator>
            <pubDate>Wed, 01 Jul 2020 20:29:28 GMT</pubDate>
            <atom:updated>2020-07-01T20:29:28.321Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*SyY4uZthpTvOhUPrs2tBtg.png" /></figure><p>Uma estratégia comum quando se fala da composição de portfólios de ações é utilizar conceitos da Teoria Moderna do Portfólio, que, em sua essência, busca a combinação de ativos e pesos que maximizem o retorno esperado dado uma estimativa de risco (ou que minimize o risco esperado dado uma estimativa de retorno). Utilizando dados históricos de retorno e volatilidade dos ativos que deseja-se investir, por meio de cálculos matriciais onde considera-se a correlação entre os ativos no tempo (por meio de uma matriz de covariância), estabelece-se a composição de pesos para cada ativo que crie uma fronteira eficiente onde cada ponto maximize a relação retorno e risco, também chamada de Fronteira de Markowitz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/630/1*VT5hSSxnisUusbGudDlaJw.png" /><figcaption><a href="https://www.wrprates.com/teoria-de-markowitz-teoria-da-carteira-e-a-fronteira-eficiente/">Fronteira Eficiente de Markowitz</a></figcaption></figure><p>Este estudo buscou testar o retorno real no período de 2015–2020 dessa estratégia em alguns cenários diferentes, uma carteira fixa de 5 ativos, uma carteira que escolhesse entre 4–5 ativos com base no Índice de Sharpe, e uma terceira carteira que escolhesse a melhor composição entre 4–8 ativos também baseando-se no Índice de Sharpe. A janela histórica para os cálculos matriciais foi de 12 meses e a composição da carteira é definida no início de cada mês com base nessa janela móvel histórica.</p><p>A composição de pesos foi definida pela carteira de mínima variância global, ou seja, dentro da fronteira eficiente foi escolhida a combinação que minimiza a volatilidade com máximo retorno possível.</p><p>Vale destacar que o percentual de alocação dos ativos pode ser negativo, o que implica uma posição vendida. Nenhuma restrição adicional foi imposta nessas carteiras, ou seja, a composição pode conter ações com posições vendidas e a posição individual de um ativo pode ultrapassar 100%, positivo ou negativo. A única restrição necessária é a de que a soma total dos pesos tem que ser 100%.</p><h4>Carteira Fixa</h4><p>As ações que compõem essa carteira são: VALE3, ITUB4, B3SA3, PETR4, BBDC4.</p><p>O retorno mensal da carteira, comparado com o retorno mensal do IBOV, pode ser visualizado abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*UDGUe1FrYEfLimIXxu3YFA.png" /></figure><p>Percebe-se que a volatilidade mensal da Carteira é relativamente maior do que a do IBOV, chegando a um máximo ganho de 45% em dezembro de 2016 e um mínimo de 34% em julho de 2019. O desvio padrão foi de 11,20%, comparado com 7,38% do IBOV, a maior volatilidade era esperada por se tratar de apenas 5 ativos e não possuir a mesma diversificação obtida pelo índice.</p><p>Para melhor visualizar o desempenho da estratégia, o retorno acumulado foi calculado, visualizado abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*mD5ZW2hhtdEICuDc-KXBRA.png" /></figure><p>A diferença de performance no período foi substancial, o retorno acumulado final no período da Carteira Fixa foi de 114% contra 33% do IBOV.</p><h4>Carteira Móvel</h4><p>As ações que compõem essa carteira também são: VALE3, ITUB4, B3SA3, PETR4, BBDC4, no entanto, no processo de escolha dos pesos, para cada mês foi calculado o portfólio de mínima variância global para todas as composições possíveis de 4 ativos também, escolhendo assim a composição que tivesse o melhor Índice de Sharpe.</p><p>O retorno mensal da carteira pode ser visualizado no gráfico abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*mv2BQ6s6j6et2LFQLrdctA.png" /></figure><p>A volatilidade da Carteira Móvel também se mostra maior do que a do IBOV, obtendo um retorno máximo de 37% em dezembro de 2016, de maneira igual ao máximo obtido na Carteira Fixa e um mínimo de 32% obtido em novembro de 2016, diferindo da performance da carteira anterior. O desvio padrão de 10,76% foi menor do que a Carteira Fixa, apesar de que, para alguns meses, a carteira apenas possuía 4 ativos. Isso provavelmente se deve à escolha com base no Índice de Sharpe, no entanto, como a variação não foi grande, essa disparidade pode ser fruto de outros fatores.</p><p>O retorno acumulado, comparado com o IBOV e a Carteira Fixa, pode ser visto abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*wLargdXtPGL296KJGmzpcQ.png" /></figure><p>A Carteira Móvel acompanhou bem de perto a performance da Carteira Fixa tendo uma performance um pouco melhor no início e um pouco pior até o final do período estudado. O retorno acumulado final de 107% ainda bastante superior ao do índice.</p><h4>Carteira Móvel Modificada</h4><p>Para esta carteira, as seguintes ações foram selecionadas: VALE3, ITUB4, B3SA3, PETR4, BBDC4, ABEV3, BBAS3, MGLU3. De maneira similar à Carteira Móvel anterior, no processo de composição dos pesos da carteira, todas as combinações possíveis entre 4 e 8 ativos foram testadas. Foram computados os Índices de Sharpe para cada uma das carteiras de mínima variância, escolhendo a composição que obteve o melhor desempenho para cada mês.</p><p>O retorno mensal pode ser visualizado abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*5Jcl9OkEREQwffy40-FHQw.png" /></figure><p>O máximo retorno real obtido foi de 37% em fevereiro de 2017 e o pior resultado foi em novembro de 2016 com 28% de queda. Diferente das carteiras anteriores, o máximo obtido da carteira foi em um mês diferente. O desvio padrão da carteira foi a maior entre as três, 11,49%, apesar da maior diversificação mensal por conta dos ativos adicionais incluídos no portfólio. Apesar disso, a diferença na volatilidade não foi tão alta.</p><p>O retorno acumulado, comparado com o IBOV e as carteiras anteriores pode ser visualizado abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*SyY4uZthpTvOhUPrs2tBtg.png" /></figure><p>O desempenho acumulado da estratégia foi muito similar às carteiras anteriores durante boa parte do período, no entanto, a partir de meados de 2019, a carteira se sobrepôs e acabou com um resultado bastante superior ao final do período. O retorno acumulado da Carteira Móvel Modificada foi de 211%, comparado com 114% da Carteira Fixa, 107% da Carteira Móvel e 33% do IBOV.</p><p>Apesar de resultados diferentes, a estratégia de escolha de carteira com mínima variância global pelos moldes da Teoria Moderna de Portfólios se mostrou bastante frutífera no período estudado. A disparidade entre os resultados das carteiras com o resultado de um investimento no índice foi substancial. Considerando que investir no índice é uma escolha razoável quando se pretende aplicar no mercado de ações, e é identificado como o benchmark tradicional para a comparação de desempenho, o retorno adicional observado é um excelente indicativo.</p><p>O código, em Python (jupyter notebook), pode ser encontrado no meu <a href="https://github.com/arturpereira/finance">github</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5ea708536125" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Performance de uma carteira baseada no Índice de Sharpe]]></title>
            <link>https://medium.com/@arturpereira_/performance-de-uma-carteira-baseada-no-%C3%ADndice-de-sharpe-b0c39b50d80e?source=rss-4e169c4cc4fa------2</link>
            <guid isPermaLink="false">https://medium.com/p/b0c39b50d80e</guid>
            <category><![CDATA[ações]]></category>
            <category><![CDATA[bolsa-de-valores]]></category>
            <category><![CDATA[mercado-financeiro]]></category>
            <category><![CDATA[finance]]></category>
            <category><![CDATA[portfolio]]></category>
            <dc:creator><![CDATA[Artur Pereira]]></dc:creator>
            <pubDate>Fri, 26 Jun 2020 13:45:08 GMT</pubDate>
            <atom:updated>2020-06-26T13:45:08.330Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*7m7cdfNl_i8EXtqx" /><figcaption>Photo by <a href="https://unsplash.com/@m_b_m?utm_source=medium&amp;utm_medium=referral">M. B. M.</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Todo retorno obtido ou pretendido tem que sempre ser pesado contra o risco embutido naquela modalidade de investimento. Uma das alternativas para se ter uma medida de retorno ponderada pelo risco é o Índice de Sharpe.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/332/1*jSbLqkUbQBrjEzXVYcqGsg.png" /><figcaption>Índice de Sharpe</figcaption></figure><p>Onde <em>Rp</em> é o retorno do investimento, <em>Rf</em> é o retorno do ativo livre de risco e <em>sigma p</em> é o desvio padrão daquele ativo. Portanto, nesse contexto, o risco é atribuído à volatilidade do ativo.</p><p>Nesse estudo, foram selecionados os ativos que compõem o ETF BOVA11 na data 20/06/2020, tendo como referência a composição retirada do site da <a href="https://www.blackrock.com/br/products/251816/ishares-ibovespa-fundo-de-ndice-fund">BlackRock</a>.</p><p>Um Sharpe móvel foi calculado dentro de uma janela de 12 meses, ou seja, o índice foi calculado para cada ativo baseado na média do retorno real e desvio padrão dos 12 meses anteriores. No gráfico abaixo uma ideia geral da movimentação dos índices durante o período pode ser observada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*tg8mluuvy3x8pn1qTliqHQ.png" /></figure><p>Percebe-se que o índice individual dos ativos dificilmente ultrapassa o intervalo (1,-1). Para identificar os papéis que tiveram as melhores performances no período foram selecionados os ativos com média de Sharpe durante o período maior do que 0,25:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*MEBx2o__1K08zppR-J_SqQ.png" /></figure><p>Para comparar com os ativos com melhor média, foram também separados os ativos que tiveram pior performance, menores do que -0,15 na média.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*PBMaqMY7gCKJeATH-CiLrA.png" /></figure><p>Fica claro que as melhores performances estão atreladas aos ativos que entraram na bolsa mais recentemente, e, portanto, estiveram presente em momentos mais frutíferos da economia. Vale destacar que entre os ativos que tiveram pior performance está o índice Bovespa.</p><h3>Construindo a carteira</h3><p>Para verificar a efetividade de uma carteira composta pelos ativos com melhor Índice Sharpe histórico, foi utilizada essa mesma estrutura de janela histórica, escolhendo assim os 5 ativos com melhor performance para cada mês subsequente. Essa carteira é montada no início de cada mês seguindo esta janela e é mantido até o seu final, sendo a carteira refeita mensalmente. A distribuição dos pesos de cada ativo é igual, compondo cada um 20% da carteira. O retorno da carteira foi então comparado com o desempenho do IBOV.</p><p>Abaixo um gráfico demonstrando o retorno real mensal da carteira e do IBOV.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*Ey7ZyRGChmDkjAaoR8o4Cg.png" /></figure><p>Pode-se verificar uma volatilidade maior da Carteira Sharpe, o que é esperado, pois o IBOV dilui o risco idiossincrático dos ativos que o compõem, já a carteira com apenas 5 ativos não tem a mesma diversificação. O desvio padrão da Carteira Sharpe é 12,4%, quase o dobro dos 6,7% do IBOV no período.</p><p>Para melhor visualizar o retorno durante o período da estratégia foi calculado o retorno real acumulado de ambos investimentos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*Uf7xjRDUTPco_WuA5hX8ow.png" /></figure><p>O desempenho da Carteira Sharpe tem dois momentos bem díspares durante o período, uma arrancada bem forte entre maio e julho de 2015 seguido quase imediatamente de uma queda brusca até dezembro do mesmo ano. A performance da carteira acumulada da carteira acaba acompanhando bem proximamente o IBOV ao final do período.</p><p>Levando em conta a balança entre o risco e retorno das duas modalidades de investimento, não é muito claro o ganho de performance da carteira utilizando a estratégia dos ativos com melhores Sharpe históricos.</p><p>A carteira acima levou em conta apenas a ponta compradora da estratégia. Uma outra opção é ampliar o número de ativos investidos, mas, ao invés de escolher os 10 melhores ativos, foram selecionados os 5 melhores e piores. Dessa forma, o posicionamento mensal da carteira se dava em comprar os 5 papéis com melhores desempenhos e vender os que tiveram os 5 piores desempenhos nos 12 meses anteriores, usando o Índice Sharpe como medida.</p><p>De maneira similar à carteira anterior, a carteira é construída de maneira <em>equally-weighted</em>, com pesos iguais para todos os papéis. Os índices são calculados com base no Sharpe dos 12 meses anteriores e refeita mensalmente conforme a composição dos ativos com as 5 melhores e piores performances. Abaixo está a performance mensal da estratégia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*g24tOIbjawj_AvWcPsfvYQ.png" /></figure><p>Observa-se que a volatilidade da carteira é menor do que a estratégia anterior. O desvio padrão durante o período foi de 6,9%, quase o mesmo que o IBOV com 6,6%. A adição de ativos conseguiu uma melhor diversificação do risco.</p><p>Abaixo está o gráfico do retorno acumulado da estratégia comparada com o IBOV e a Carteira Sharpe original.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*-Gzmy91nJE8qwSbbJzLk4A.png" /></figure><p>A performance da estratégia com a inclusão da ponta vendida foi substancialmente melhor do que a estratégia anterior. Apesar de não ter alcançado o mesmo máximo mensal da primeira estratégia, no longo prazo o retorno se distanciou consideravelmente.</p><p>O código, em Python (jupyter notebook), pode ser encontrado no meu <a href="https://github.com/arturpereira/finance">github</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b0c39b50d80e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Comparando o retorno real do IBOV vs Risk Free (2010–2020)]]></title>
            <link>https://medium.com/@arturpereira_/comparando-o-retorno-real-do-ibov-vs-risk-free-2010-2020-ad3eb2600ba2?source=rss-4e169c4cc4fa------2</link>
            <guid isPermaLink="false">https://medium.com/p/ad3eb2600ba2</guid>
            <category><![CDATA[ibovespa]]></category>
            <category><![CDATA[bolsa-de-valores]]></category>
            <category><![CDATA[finance]]></category>
            <category><![CDATA[stock-market]]></category>
            <category><![CDATA[mercado-financeiro]]></category>
            <dc:creator><![CDATA[Artur Pereira]]></dc:creator>
            <pubDate>Thu, 25 Jun 2020 18:49:24 GMT</pubDate>
            <atom:updated>2020-06-25T18:49:24.141Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ALZPGr_LFH9uQlim" /><figcaption>Photo by <a href="https://unsplash.com/@chrisliverani?utm_source=medium&amp;utm_medium=referral">Chris Liverani</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Uma discussão comum no Brasil e no mundo é a diferença de performance entre investimentos em ativos de renda fixa versus ativos de renda variável. Dentro do mundo financeiro, o retorno demandado por investidores é diretamente proporcional ao risco estimado daquele ativo. Essa relação risco x retorno pode ser observada em qualquer modalidade de investimento, seja um investimento na “economia real”, a construção de uma fábrica por exemplo, ou na construção de um portfólio de ações. Um investimento com risco esperado alto tem como perspectiva um retorno também alto para que o investidor seja “recompensado” pelo rico adicional tomado.</p><p>A bolsa de valores tende a ser considerado uma das modalidades de investimento mais arriscadas, pois a variabilidade dos preços com o tempo tende a ser alta, assim como a suscetibilidade dessas variações às notícias e cenário externo. Para tal risco, espera-se que o retorno obtido também seja alto, conforme a dinâmica de risco e retorno descrita.</p><p>O objetivo desse pequeno estudo é comparar o retorno obtido pelo índice Bovespa e uma medida de ativo livre de risco. O ativo livre de risco escolhido é computado com base no Swap DI de 30 dias, obtido via site do <a href="http://nefin.com.br/">NEFIN</a>. Para melhor capturar o poder de compra dos ativos, o retorno real foi obtido, ponderando o IPCA de cada período. Os retornos estão em uma periodicidade mensal.</p><p>Abaixo estão os retornos mensais de cada um dos ativos. Observa-se que a variabilidade do IBOV é bastante alta, como esperado. O impacto do Covid é bem visível no mês de março de 2020. O Risk Free, como esperado, é relativamente constante em um valor um pouco acima de zero.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*y5gOdb9X0it8Exzv47TOtA.png" /></figure><p>O desvio padrão mensal para o IBOV durante o período foi de 6,5%, enquanto para o ativo livre de risco foi de aproximadamente 0,14%. A maior alta mensal do IBOV foi de 14,72% enquanto a maior queda foi de 35,74%.</p><p>Para melhor visualizar o retorno de cada um dos ativos ao longo do tempo, podemos observar o retorno acumulado no gráfico abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*0LYTD8A8zSg3N7lFXOqaBA.png" /></figure><p>Pode-se verificar que a diferença no retorno real acumulado no período de 2010 até o presente é substancial.</p><p>Fica claro que o retorno adicional, ou prêmio, pelo risco esperado mais alto da bolsa não foi recompensado, pelo contrário, o custo de oportunidade com risco “zero” superou o retorno da bolsa significativamente para um investimento que perdurasse durante este período.</p><p>Vale destacar que esse índice IBOV é composto por todos os ativos presentes na bolsa, e não é necessariamente um indicativo de que qualquer investimento na bolsa teria resultado em uma perda no período. No entanto, investir no índice é uma alternativa muito interessante quando se pensa em investir no mercado de ações por conta da diversificação obtida, e, portanto, a disparidade do resultado apontado acima é uma importante sinalização da realidade do que pode ser investir na bolsa.</p><p>O código, em Python (jupyter notebook), pode ser encontrado no meu <a href="https://github.com/arturpereira/finance">github</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ad3eb2600ba2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A Machine Learning Approach to CartolaFC]]></title>
            <link>https://medium.com/@arturpereira_/a-machine-learning-approach-to-cartolafc-ea3048fc55a1?source=rss-4e169c4cc4fa------2</link>
            <guid isPermaLink="false">https://medium.com/p/ea3048fc55a1</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[brasileirao]]></category>
            <category><![CDATA[cartola-fc]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[udacity]]></category>
            <dc:creator><![CDATA[Artur Pereira]]></dc:creator>
            <pubDate>Mon, 14 May 2018 17:05:00 GMT</pubDate>
            <atom:updated>2018-05-14T17:05:41.885Z</atom:updated>
            <content:encoded><![CDATA[<p>As part of Udacity’s Machine Learning Engineer Nanodegree, a final Capstone Project is required, allowing the freedom to choose any problem you’d like to tackle through the lens of different machine learning techniques. <a href="http://http//globoesporte.globo.com/cartola-fc/">CartolaFC</a> is an extremely popular Football (Soccer) Fantasy League in Brazil, centered around the Brazilian national football league, the Brasileirão. The Fantasy League has been growing in popularity in recent years, for example, for round 10 of the 2017 season, an astounding total of <a href="http://globoesporte.globo.com/cartola-fc/noticia/2017/06/virou-rotina-cartola-bate-novo-recorde-de-times-na-rodada-10-55-milhoes.html">5,540,835</a> teams were picked.</p><p>Although there were some initial stabs at it with machine learning, notably the work presented by <a href="https://medium.com/u/c8477e120308">André Guimarães Sakata</a> who chose the <a href="https://medium.com/@andresakata/aplicando-machine-learning-no-cartolafc-4ebb5aa0a531">Linear Regression Model</a> approach, and <a href="https://medium.com/u/8e42f4dd44ec">Arnaldo Gualberto</a> , who built upon <a href="https://github.com/henriquepgomide/caRtola/">Henrique Gomide’s repo</a> with a <a href="https://github.com/henriquepgomide/caRtola/blob/master/src/python/An%C3%A1lise%20dos%20Dados.ipynb">Neural Network</a> approach, they were still fairly limited with few predicted rounds, nonetheless, they showed a lot of potential.</p><p>With that in mind, I decided to do a project that would attempt to structure a comprehensive machine learning approach to CartolaFC with the aim of predicting points for the 2017 season by using data from the previous years to train different machine learning models, and see how well they would perform. In the process, I would attempt to use a variety of machine learning algorithms, different data pre-processing and feature engineering methods, and a couple of different algorithm refinement strategies to improve the models.</p><p><strong>The idea was simple; the top scoring predictions for each position would be selected to form the team for that round. This selection could then be compared to the actual performance and be used to get the total scoring average for the season.</strong></p><p>This project would also be a testament of how machine learning is approachable, even for someone with no strict computer or data science background, as I am an economics major!</p><h4>Data</h4><p>I decided to get the data from the <a href="https://github.com/thevtm/CartolaFCDados">CartolaFCDados repo</a>, which used a scrapper to obtain the data from the CartolaFC API. The data is fairly neatly organized, however, there are some problems with it, which likely stem from the API itself, for example, the scouts for 2015 and 2017 are cumulative, which demanded some additional pre-processing steps for its cleaning.</p><p><strong>One of the biggest challenges with any machine learning problem is consolidating a solid set of features.</strong></p><p>For this project, I decided to represent three different ideas in the feature engineering portion; develop features that represented the player’s overall strength, their team’s strength, and their opponent’s strength. Although there are several ways of developing such concepts, the idea chosen was to get the average player, team, and opponent team’s scouts for each position for the previous three available rounds.</p><p>In addition to these averages,<strong> a common feature that is considered in football is the importance of playing home or away.</strong> This feature was also included, and through an initial exploration of the data, its importance was quite clear. For example, below is a plot that displays the relationship between position 6 (Coach) points and either playing home or away for the aggregated 2014–2016 seasons:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/728/0*tMDXbSArePW5XRL7." /><figcaption>Relationship between Position 6 points and playing home (0) or away (1) for the 2014–2016 seasons.</figcaption></figure><h4><strong>Models</strong></h4><p><strong>Five different machine learning models were attempted on the final data; Linear Regression, SVR, XGBoost, Random Forest, and a MLP neural network implementation.</strong> The models were trained using a K-Fold Cross Validation strategy to reduce the Mean Absolute Error, that is, the absolute error between the predicted value and the true value. Each model underwent a process of refinement through the usage of either a Grid Search or Randomized Search Cross-Validation for tuning of the hyper-parameters, and the best performing models ended up being the following:</p><ul><li>Position 1 (Goalkeeper): SVR</li><li>Position 2 (Left/Right Back): Random Forest</li><li>Position 3 (Center Back): Random Forest</li><li>Position 4 (Midfield): SVR</li><li>Position 5 (Forward): SVR</li><li>Position 6 (Coach): XGBoost</li></ul><h4>Predicting the scores</h4><p>These models were then used to predict the player scores for the 2017 season, following a standard 4–4–2 team structure. A few things were clear when visualizing the predictions and analyzing the errors obtained for each position:</p><ul><li>The goalkeeper position is the one with biggest errors, which implies that the models have a hard time explaining the variance between different scores. This could be a result of lack of explanatory power of the features available or also that this position’s score has a greater dependency on randomness. This is understandable, seeing as for example, a very important scout for the position is “Difficult Saves” which obviously bares a great deal of chance involved.</li><li>The models tend to constrain their predictions to values around a certain mean, without predicting very high or low points, but rather capturing smaller variations for each player, differing by position. <strong>Below is the observed relationship between the predicted and true values for the 2017 season for Position 3, Center Backs</strong>:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*wy8WWcxKcSHPfWzb." /><figcaption>Graph with the relationship between predicted and true points for Position 3 of the 2017 Season using a Random Forest Model.</figcaption></figure><p><strong>The final total average for the 2017 season using the best performing models ended up being 52.32.</strong> For comparison, the best performing fantasy player for the season had a 67.4 average. Although still a bit away from the best score of the season, the average is still fairly decent, given this is an initial implementation, with a limited set of data.</p><p>A way of testing whether the algorithms were doing a good job in selecting the players is finding out who were the players that most commonly got chosen. Below is the team composition of these selections:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*XrXJ7mkqCqWCzMSUUjAKdw.png" /></figure><p>This seems to be quite a decent selection of players, notably Zé Rafael from Bahia, who had great performances during the season, was chosen for a total of 16 rounds. This implies that the models do a good job in finding players with above average performances.</p><h4>Conclusion and possible improvements</h4><p>This was a very challenging project, seeing as a there was no fully structured approach to the different tasks proposed, and a lot had to be constructed from scratch. Hopefully I’ve managed to build a fairly comprehensive approach to the problem and showed that there is still a lot that can be done to improve it.</p><p>A few considerations that I’d like to point out that could lead to improvements on the results:</p><ul><li>The data used for this project had a requirement of being open-sourced, which, of course, limits the amount of data available for feature engineering. There are data sources out there, for example <a href="http://meu.footstats.net/">FootStats</a>, that could be used, which could greatly improve the quality of available features with the addition of different types of statistics.</li><li>The models used are only a subset of the available algorithms, different models can be tried and also different hyper-parameter refinements can be made.</li><li>Although a lot of weight was given in the feature engineering portion of the project, feature selection is another very important step that can be further developed.</li></ul><p>All in all this was a very fun and challenging endeavor! The fully detailed project, including the coding portion and final report, is available at my <a href="https://github.com/arturpereira/mlnd/tree/master/Capstone">github</a>.</p><p>Feel free to reach out to me at arturcp@gmail.com with any comments, questions, or improvements you’ve made!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ea3048fc55a1" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>