Python · OLS · Time Series · Financial Markets
Este projeto surgiu como uma tentativa de combinar programação em Python com conceitos de análise quantitativa aplicados ao mercado financeiro. A ideia inicial era relativamente simples: investigar a relação entre os retornos da Petrobras e do petróleo Brent utilizando regressão linear, criando um modelo preditivo simples. No entanto, os resultados mostraram rapidamente que o comportamento da PETR4 vai além da dinâmica do petróleo, incorporando também fatores ligados ao mercado brasileiro e ao ambiente global de risco.
Ao longo da análise, foram testadas diferentes variáveis macroeconômicas e financeiras, além de comparações com grandes petroleiras internacionais e ETFs do setor de energia. O objetivo não foi construir um modelo preditivo definitivo, mas explorar quantitativamente quais fatores parecem influenciar os retornos da Petrobras e como esse comportamento difere de outras empresas do setor.
Todos os estudos apresentados abaixo possuem caráter puramente acadêmico e exploratório.
“O quanto os retornos diários da Petrobras podem ser explicados com o preço do petróleo?”
A pergunta surgiu em meio a guerra no Golfo Pérsico. Diante da possibilidade de impactos rápidos e imprevisíveis sobre o preço do petróleo, surgiu a ideia de tentar identificar como esses movimentos poderiam influenciar as variações de retorno da Petrobras.
Os resultados iniciais, porém, mostraram que o preço do petróleo, sozinho , não era suficiente para explicar a variação diária da empresa. Embora isso não fosse necessariamente surpreendente, o que chamou minha atenção foi o grau de correlação, bem menor do que o inicialmente imaginado.
A partir desse resultado, outras variáveis foram consideradas e testadas, buscando identificar fatores que pudessem acrescentar poder explicativo ao modelo.
A especificação final utiliza os retornos diários de PETR4 como variável dependente e as seguintes variáveis explanatórias:
Foi especificada uma regressão linear múltipla usandoOrdinary Least Squares (OLS). A significância estatística dos coeficientes foi avaliada por meio dos testes t e p-values, enquanto a significância geral do modelo foi avaliada através do F-stat.