Entenda o que é o Beta e Aprenda a Calculá-lo Utilizando Python

Aprenda, com exemplos, como calcular o beta de uma ação por 3 métodos diferentes.

Assista também no YouTube

É muito comum, durante a montagem de um portfólio, nos depararmos com o termo beta de um ativo ou beta da carteira. O beta é um número que tem como objetivo nos dar uma medida do risco daquele ativo ou portfólio.

No artigo de hoje nós vamos entender a fundo o que é o beta, sua aplicabilidade e limitações, além de calculá-lo de três formas diferentes.

O que é o beta?

De forma simplificada, o beta mede a expectativa de quanto um ativo se moverá em relação a um outro ativo subjacente. É comum que o ativo subjacente seja um benchmark, como por exemplo o IBOV para ativos brasileiros ou o SPX no mercado americano.

Portanto, se um ativo \(X\) possui \(β = 1.5\), podemos esperar que pra cada 1% que o ativo subjacente se mova, \(X\) andará 1.5%. Analogamente, se o beta do ativo \(Y\) é \(0.80\), então a expectativa é que \(Y\) terá movimentos com 80% da magnitude que o ativo subjacente.

O beta é a base do Capital Asset Princing Model, um modelo que busca descrever a relação entre risco sistemático de um investimento com o seu retorno esperado.

Qual a importância do beta de um ativo?

A grande vantagem do cálculo de um beta diz respeito à volatilidade que um investidor deve esperar para aquele ativo. Ativos com beta maior que 1 tendem a apresentar volatilidade maior que o mercado, enquanto ativos com beta menor que 1 tendem a apresentar volatilidade menor que o mercado. Para conferir o beta e a volatilidade dos ativos do Ibovespa, clique aqui.

Dessa forma, na hora da montagem de um portfólio ou na escolha de uma ação, é prudente levar o cálculo do beta em consideração para não ser pego de surpresa. Em momentos risk on, quando o mercado está positivo e direcional, pode ser interessante adicionar ativos de maior beta na carteira, enquanto em momentos de incerteza e proteção, ativos de beta menor tendem a "defender" seu patrimônio.

Por último, assim como o drawdown, o beta é extremamente importante em momentos de alavancagem, onde o investidor precisa identificar a volatilidade estimada de seu portfólio para evitar quebrar a conta em momentos de movimentação intensa.

O que é o coeficiente beta de uma carteira?

O beta pode ser calculado para ativos ou grupos de ativos. Nesse caso, o beta de um portfólio pode ser encontrado ponderando o beta de cada ativo pelo seu peso na carteira.

Ou seja, se um portfólio é composto em 60% pelo ativo \(A\) cujo beta é igual a \(1.5\) e em 40% pelo ativo \(B\) cujo beta é igual a \(0.8\):

\[ \beta = 0.6 \times 1.5 + 0.4 \times 0.8 = 1.22 \]

Esse resultado pode ser interpretado como uma medida de risco da carteira. Como a carteira assume 22% mais risco que o benchmark, é esperado um retorno maior ao final de um horizonte de investimento adequado.

Como calcular o beta?

Existem três formas principais para se calcular o beta de um ativo:

Método 1

A primeira forma é a seguinte:

\[ \beta = \frac{Cov(X,Y)}{Var(Y)} \]

Onde \(X\) é o ativo que queremos calcular o beta, \(Y\) é o benchmark, \(Var(Y)\) é a variância do benchmark e \(Cov(X,Y)\) é a covariância entre \(X\) e \(Y\).

Explicar cada um desses conceitos de estatística está fora do escopo desse artigo, porém é importante sua familiaridade ao se aprofundar nas análises quantitativas.

Método 2

A segunda forma, e provavelmente a mais fácil de entender, define o beta como a razão do desvio padrão de dois ativos multiplicada pela sua correlação. Matematicamente:

\[ \beta = Corr(X,Y) \times \frac{\sigma(X)}{\sigma(Y)} \]

Onde \(Corr(X,Y)\) é a correlação entre os ativos \(X\) e \(Y\) e \(\sigma\) é o desvio padrão.

Se entendermos o desvio padrão como a volatilidade de um ativo, então o beta é definido como a razão entre as volatilidades ponderada pela correlação.

Método 3

Finalmente, a terceira forma de entender o beta e a matematicamente mais elaborada, é como o coeficiente angular da regressão linear entre das variações dos ativos.

Apesar de mais elaborada, a regressão linear é importante principalmente para estudos futuros de cointegração e Machine Learning. De forma simplificada, a regressão linear busca achar a "melhor reta" que descreve a relação entre dois conjuntos de pontos (nesse caso, as variações de preço dos papeis). Uma vez achada essa reta, o coeficiente angular pode ser entendido como a abertura (angulação) da reta em relação ao eixo X.

A seguir nós vamos aprender a calcular o beta das três formas descritas acima.

Baixando as bibliotecas

O primeiro passo é importar as bibliotecas que serão utilizadas no cálculo e visualização do beta. Repare que estamos introduzindo a função LinearRegression da famosa biblioteca sci-kit learn (sklearn). Como você pode imaginar, ela será utilizada para calcular o beta utilizando o método da regressão linear.

%%capture

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
!pip install yfinance
import yfinance as yf
from sklearn.linear_model import LinearRegression

Com as bibliotecas importadas nós podemos baixar os dados do ativo que queremos calcular o beta e seu respectivo benchmark. Para esse exemplo, usaremos a VALE3, cujo benchmark é o índice Bovespa (BVSP). O período de cálculo será entre 2016 e 2020 (5 anos) e desconsideraremos valores nulos por simplicidade.

start_date = "2016-01-01"
end_date = "2020-12-31"
bench_name = "^BVSP"
asset_name = "VALE3.SA"
df = yf.download([asset_name, bench_name], start = start_date, end = end_date)["Adj Close"]
df.columns=['Asset','Benchmark'];
df.dropna(inplace=True)
df
AssetBenchmark
Date
2016-01-0410.38779442141.0
2016-01-0510.24863442419.0
2016-01-069.49554141773.0
2016-01-078.93071940695.0
2016-01-088.62784540612.0
.........
2020-12-2283.192207116348.0
2020-12-2383.594101117857.0
2020-12-2883.546249119051.0
2020-12-2983.316597119475.0
2020-12-3083.680214119306.0

1236 rows × 2 columns

Repare que o cálculo do beta leva em consideração a variação percentual. Podemos rapidamente calculá-la utilizando a função pct_change(). Como o primeiro valor será NaN, podemos aproveitar para desconsiderá-lo também.

df["% Benchmark"] = df["Benchmark"].pct_change()
df["% Asset"] = df["Asset"].pct_change()
df = df[1:]
df
AssetBenchmark% Benchmark% Asset
Date
2016-01-0510.24863442419.00.006597-0.013396
2016-01-069.49554141773.0-0.015229-0.073482
2016-01-078.93071940695.0-0.025806-0.059483
2016-01-088.62784540612.0-0.002040-0.033914
2016-01-118.38227039950.0-0.016301-0.028463
...............
2020-12-2283.192207116348.00.0028620.000921
2020-12-2383.594101117857.00.0129700.004831
2020-12-2883.546249119051.00.010131-0.000572
2020-12-2983.316597119475.00.003561-0.002749
2020-12-3083.680214119306.0-0.0014150.004364

1235 rows × 4 columns

A primeira fórmula de cálculo apresentada foi a da covariância dividida pela variância do benchmark. Assim, em uma linha de código, podemos calcular o beta de VALE3 de 2016 a 2020:

beta_1 = df["% Asset"].cov(df["% Benchmark"]) / df["% Benchmark"].var()
beta_1
1.071940480747427

Como o beta da VALE3 foi maior que 1, podemos interpretar essa ação como mais volátil que o Ibovespa. No caso, para cada variação de 1% no benchmark a Vale é esperada de variar 1.07%.

A segunda forma tradicional de cálculo do beta é atráves das razões dos desvio padrão multiplicadas pela correlação. As funções corr() e std() são tudo que precisamos:

std_asset = df["% Asset"].std()
std_bench = df["% Benchmark"].std()
corr = df["% Asset"].corr(df["% Benchmark"])
beta_2 = corr * (std_asset / std_bench)
beta_2
1.0719404807474269

Como esperado, o valor do beta encontrado é o mesmo do passo anterior.

Calculando o beta através da regressão linear

Agora que já calculamos o beta estamos preparados para o realizar a regressão linear. O primeiro passo é colocar nossos dados, no caso a variação percentual de cada ativo, no formato necessário.

Faremos isso através da função reshape(), que nos permite transformar a nossa série de dados em um array unidimensional de \(n\) linhas.

Vamos entender melhor o formato da nossa série de dados:

X = df["% Benchmark"]
print("Type of X: ", type(X))
print("Shape of X:", X.shape)

Type of X: <class 'pandas.core.series.Series'> Shape of X: (1235,)

Repare que df["% Benchmark"] é um objeto da classe Series com 1235 valores. Nós podemos transformá-lo num array utilizando o método .values:

X = X.values
print("Type of X: ", type(X))
print("Shape of X:", X.shape)
X

Type of X: <class 'numpy.ndarray'> Shape of X: (1235,)

array([ 0.0065969 , -0.01522902, -0.02580614, ..., 0.01013092, 0.0035615 , -0.00141452])

Conseguimos transformar nossa série em um array, porém precisamos explicitar que ele é unidimensional. Para colocá-lo no formato final de nnn linhas e 1 coluna, utilizaremos o método reshape(row, columns). Como queremos apenas uma coluna mas o número de linhas pode variar, passaremos como parâmetro a tupla (-1, 1) (leia a seguinte discussão para mais detalhes).

X = df["% Benchmark"].values.reshape(-1, 1)
print("Type of X: ", type(X))
print("Shape of X:", X.shape)
X

Type of X: <class 'numpy.ndarray'> Shape of X: (1235, 1)

array([[ 0.0065969 ], [-0.01522902], [-0.02580614], ..., [ 0.01013092], [ 0.0035615 ], [-0.00141452]])

Pronto! O processo acima pode ser rapidamente feito para os dois ativos da seguinte forma:

X = df["% Benchmark"].values.reshape(-1, 1)
Y = df["% Asset"].values.reshape(-1, 1)
plt.scatter(X, Y, s=3)

O gráfico acima é um scatter plot e descreve como as variações entre X e Y se relacionam. Para cada variação de preço no eixo X (IBOV), nós achamos a variação de Vale no mesmo dia (eixo Y) e marcamos o ponto \((X,Y)\) no gráfico.

Observe que a escolha dos eixos importa. Se queremos calcular o beta de \(A\) em relação a \(B\), então as variações percentuais de preço de \(B\) devem estar no eixo X e as de \(A\) no eixo Y.

A regressão linear dos dois ativos é a reta que melhor se aproxima de todos os pontos, ou seja, a reta que tem minimiza o erro entre o ponto observado e a reta prevista.

Vamos usar o LinearRegression para achar a reta:

# Find best line
linear_regressor = LinearRegression()
reg = linear_regressor.fit(X, Y)

# Predict Y values from line found
Y_pred = linear_regressor.predict(X)

# Plot scatter along with regression
plt.scatter(X, Y, s=3)
plt.plot(X, Y_pred, color='red')
plt.show()

E aí está! Repare que a reta vermelha tenta melhor descrever o relacionamento entre os pontos verdes. O beta, ou coeficiente angular, é a angulação da reta e o mesmo valor encontrado anteriormente:

beta_3 = reg.coef_[0][0]
beta_3
1.0719404807474275

Limitações do beta

Impacto do tempo

O beta é fortemente dependente da janela de tempo e timeframe escolhidos, o que significa que ativos podem apresentar betas diferentes ao longo de suas vidas. Por isso é importante acompanhar seus investimentos de perto e conferir se você não está "desenquadrado" com o risco máximo que pretende assumir.

A melhor escolha de timeframe é objeto de estudos (como esse e esse) e pode variar de acordo com seu objetivo. De modo geral, principalmente pela maior abundância de dados, analisar retornos diários em vez de mensais ou semanais pode ser a melhor opção.

Riscos de cauda (tail risk)

Por assumir que a variação percentual dos ativos obedece a uma curva normal (na prática isso não é verdade), o beta não provém segurança contra riscos de cauda (os famosos black swans). Portanto, um investidor pode ter a falsa segurança de que está protegido ao operar alavancado e ser surpreendido por uma movimentação alguns desvio padrão acima do previsto.

Conclusão

O beta é uma métrica relevante de risco para investimentos. Felizmente, podemos calculá-lo com algumas poucas linhas de código.

O cálculo da regressão linear é um pouco mais trabalhoso, mas é importante entender sua intepretação já que ela é bastante utilizada em métodos quantitativos como cointegração (que será explorada em futuros posts).

Conferindo o valor do beta

O famoso site Investing.com utiliza uma regressão linear de 60 meses para cálculo do beta, o que significa que eles não disponibilizam o beta de ativos que entraram há menos tempo da bolsa, como BIDI4, e que os valores lá apresentados podem diferir bastante de betas calculados em cima de retornos diários mais recentes.

A boa notícia é que os usuários do QuantBrasil podem calcular o beta de qualquer ação através do nosso bot no Telegram! Além disso, o beta dos ativos do Ibovespa nos últimos 365 dias podem ser conferidos diretamente no site.

Subscribe to Rafael Quintanilha

Don’t miss out on the latest articles. Sign up now to get access to the library of members-only articles.
john@example.com
Subscribe