Risco e Retorno em Renda Fixa

Capítulo 1. Gestão de Risco

Aula 1.1. Conceito de Risco

Prof. Rafael F.V.C. Santos

Nesta aula
❑ Conceito de Risco:

– Surgimento;

– Ideias Gerais;

– Aplicações.
Risco
• A palavra “risco” deriva do italiano antigo risicare,* que significa “ousar”.

• A ideia do risco ajuda a definir o que é um ser humano.

• Os seres humanos apaixonados pelo jogo

– Nos deixa frente a frente com o destino, sem restrições.

• O tempo é o fator dominante no jogo.

• O risco e o tempo são as faces opostas da mesma moeda

– Sem amanhã não haveria risco.

Risco
• Os jogadores pensam que estão apostando no vermelho, no sete ou na quadra,

– mas estão apostando no relógio.

• O perdedor quer que o curto prazo se assemelhe ao longo prazo,

– de modo que prevaleçam as chances.

• O vencedor quer que o longo prazo se assemelhe ao curto prazo,

– de modo que sejam suspensas as chances.

• O tempo é mais importante quando as decisões são irreversíveis.

• Muitas decisões irreversíveis são tomadas com base em informações

incompletas.
Risco
• A ideia revolucionária que define a fronteira entre os tempos modernos e o passado é o
domínio do risco:
• O futuro pode ser planejado
– as pessoas não são passivas diante a natureza.
• A administração do risco:
– Tomada de decisões,
o da alocação da riqueza à
o salvaguarda da saúde pública, da
o condução da guerra ao
o planejamento familiar, do
o pagamento de prêmios de seguros
o uso do cinto de segurança, da plantação de milho etc.
Risco
• Sem um domínio da teoria das probabilidades, matemática e computação
científica:

– Jamais teriam projetado as grandes pontes;

– Os lares ainda seriam aquecidos por lareiras ou fogueiras;

– As usinas elétricas não existiriam;

– A poliomielite não teria sido erradicada;

– Não haveria aviões e satélites;

– A agricultura moderna seria um sonho.

Risco
• Se agricultores não pudessem vender suas safras a um preço estabelecido
antes da colheita, produziriam muito menos alimentos!

• Mercado de capitais permitem (graças gestão de risos):

– Troca justa entre poupadores e empreendedores

– Troca de riscos

o Quem vende?

o Quem compra?

• Só existem do tamanho que são graças a gestão de riscos:

– Google, Microsoft, Tesla, Netflix, Apple etc.

Risco
• 1630, a famosa “bolha” das tulipas holandesas estourara como resultado da emissão de
opções.

• Em 1703, Gottfried von Leibniz comentou com o cientista e matemático suíço Jacob
Bernoulli que “a natureza estabeleceu padrões que dão origem ao retorno dos eventos,
mas apenas na maior parte dos casos”, levando assim Bernoulli a inventar a Lei dos
Grandes Números.

• Em 1730, Abraham de Moivre expôs a estrutura da distribuição normal – também

conhecida como curva em sino – e descobriu o conceito de desvio-padrão.

• Conjuntamente, esses dois conceitos constituíram o que popularmente se conhece como

a Lei das Médias e são ingredientes essenciais das técnicas modernas de quantificação
do risco.

•
Risco
• Em 1952, o ganhador do prêmio Nobel Harry Markowitz:

– pesquisa operacional na Universidade de Chicago;

– demonstrou matematicamente o poder da diversificação;

– o melhor negócio para um investidor ou gerente de empresa.

Risco
• Devemos confiar nos padrões do passado para prever o futuro?

• O que é mais importante quando enfrentamos um risco:

– os fatos como os vemos ou nossa crença subjetiva no que se oculta no

vazio do tempo?

• A administração do risco é uma ciência ou uma arte?

• O ganhador do prêmio Nobel Kenneth Arrow advertiu:

– “Nosso conhecimento do funcionamento das coisas, na sociedade ou

na natureza, vem a reboque de nuvens de imprecisão. Grandes males
têm se seguido a uma crença na certeza.”
Risco
• Por que em Wall Street o Sandwich faz sucesso?

• O conde de Sandwich inventou a refeição que tem o seu nome (sanduíche)

para não precisar se afastar da mesa de jogo para comer.
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.2. Tipos de Riscos

Prof. Rafael F.V.C. Santos

Tipos de riscos (Incertezas)
❑ Financeiros;

❑ Humanos;

❑ Tecnológicos;

❑ Materiais;

❑ Liquidez;

❑ Crédito;

❑ Operacionais;

❑ Políticos, ambientais etc.

Tipos de riscos (Incertezas)
• Conceito limitado:

– “Probabilidade de ocorrência de eventos associados a perda ou um

efeito adverso que impacta negativamente a capacidade da
organização em alcançar os objetivos estabelecidos, sejam eles
operacionais ou estratégicos.”
O que é mais Arriscado?
• Saltar de um avião:

– Com paraquedas;

– Sem paraquedas.
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.3. Cálculos do Risco

Prof. Rafael F.V.C. Santos

Retornos Financeiros
• Cálculo dos retornos:

– R = (Pf - Pi)/Pi

– <Prática com Python>

Retornos Financeiros
• Cálculo dos retornos:

• Diferença do Linear para o Log?

– Se um CDB cai 50% e depois sobe 50%, qual foi o retorno?

o Exemplo:

• CDB vale 100 -> caiu para 50 depois subiu 50% indo para
75%

• Portanto, de 100 para 75 temos uma queda de -25%

Retornos Financeiros
• Cálculo dos retornos:
Retornos Financeiros
• Cálculo dos retornos:

– Diferença do Linear para o Log?

• Na prática para retornos pequenos tanto faz utilizar ret linear ou log.
Retornos Financeiros
• Cálculo dos retornos:
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.4. Estatística Básica

Prof. Rafael F.V.C. Santos

Terminologias utilizadas
• Variáveis
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.5. Conceito de Variância

Prof. Rafael F.V.C. Santos

Variância
• Populacional
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.6. Desvio Padrão

Prof. Rafael F.V.C. Santos

Desvio padrão
• Amostral
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.7. Covariância

Prof. Rafael F.V.C. Santos

Covariância
• Fórmulas
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.8. Diversificação de Investimentos

Prof. Rafael F.V.C. Santos

Propriedades da Variância
• Soma de variâncias:
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.9. Separatrizes

Prof. Rafael F.V.C. Santos

Estatística Descritiva
• Percentis (medidas separatrizes);

• Importantes!

• Medidas que dividem o conjunto de dados em partes iguais, podem ser:

– Quartil: divide o conjunto de dados em 4 partes iguais;

– Decil: divide o conjunto de dados em 10 partes iguais;

– Percentil: divide os dados em 100 partes iguais.

Estatística Descritiva
• Quartil: divide o conjunto de dados em quatro partes iguais!
Percentil
Percentil
• Percentil
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.10. Volatilidade

Prof. Rafael F.V.C. Santos

Volatilidade
• Podemos definir de diversas maneiras:

– Dispersão;

– Amplitude;

– Desvios de uma média.

• Vamos utilizar os Desvios padrão dos Retornos Financeiros.

• Curva Normal ajuda muito a entender a volatilidade.

Curva Normal
Distribuição Normal
• Distribuição normal é uma das FDP mais utilizadas para modelar
fenômenos naturais (1733);

• A distribuição normal é ligada a vários conceitos matemáticos como

movimento browniano, ruído branco, entre outros.

• Também é chamada distribuição gaussiana, distribuição de Gauss ou

distribuição de Laplace–Gauss.
Distribuição Normal
Distribuição Normal
• Propriedades:

– Função de x, e o seu domínio estende-se de - infinito até + infinito.

– A curva é assintótica; isto é, estende-se de - infinito a + infinito, sem

nunca tocar o eixo horizontal.
Distribuição Normal
• Propriedades:

– A área compreendida pela curva nesse intervalo é exatamente igual a

1, valor que, em Estatística, corresponde a 100% de probabilidade.

– A função tem um máximo, e esse máximo ocorre quando x = 0, que

corresponde ao seu ponto médio, ou seja, à média da distribuição.
Distribuição Normal
• Propriedades:

– A distribuição é simétrica em torno da média, e como esta é igual a

zero,

– A curva tem dois pontos de inflexão, simétricos em relação à média,

que ocorrem quando x = +1 e x = -1.

– Esses pontos de inflexão são conhecidos, em Estatística, como o

desvio-padrão da distribuição normal.
Distribuição Normal
• Propriedades

– Graficamente, a curva tem forma de sino, com concavidade voltada

para baixo.

– Tanto em termos de Probabilidade como em Estatística, a área sob a

curva, desde - infinito até um valor qualquer de x, indica a
probabilidade de ocorrência desse valor de x.
Distribuição Normal
• Ver Teorema do Limite Central

<Aula de reposição>
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.11. Normal Padronizada

Prof. Rafael F.V.C. Santos

Normal Padronizada
• Ideia muito utilizada na ciência de dados

• μ=0, σ2 = =1
Distribuição Normal Padronizada
• Exemplos com Python
Distribuição Normal Padronizada
• Uma única Curva para qualquer distribuição

Vamos ver com Python!

Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.12. Intervalo de Confiança

Prof. Rafael F.V.C. Santos

Intervalo de Confiança (IC)
• Termo introduzido pelo matemático e estatístico polonês Jerzy Neyman em 1937.
• Medida de Incerteza (Fontes dos Riscos)
• Inferência estatística
– Dados populacionais a partir de amostras
• IC contém um parâmetro populacional
– Nível de confiança de possuir uma média amostral próxima à populacional
– 90%, 95% ou 99%. (Nível de confiança)
• Pergunta: O que representa um IC estreito?
• “maior é a probabilidade da porcentagem da população de estudo representar o número
real da população de origem dando maior certeza quanto ao resultado do objeto de
estudo.”
Intervalo de Confiança (IC)
• Como é calculado:

• Desvio populacional conhecido:

• Desvio populacional desconhecido:

Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.13. Nível de Confiança

Prof. Rafael F.V.C. Santos

Nível de Confiança
• Atenção:
– Iremos precisar desse conceito nos estudos de VaR (Value at Risk)
• O nível de confiança representa a porcentagem de intervalos que iriam
incluir o parâmetro populacional se você reunisse amostras da mesma
população, repetidas vezes.
• 95% e 99% mais utilizados em finanças

95% de Confiança

19 em 20 apresenta o valor
real da população
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.14. Interpretação do IC

Prof. Rafael F.V.C. Santos

Interpretação correta
• Não é fácil! (Erros em artigos científicos importantes)
Questionamento:

– probabilidade de 95% de que, no futuro, o verdadeiro valor do parâmetro da

população (por exemplo, média) caia no intervalo [Xmin,Xmax].

• Errado

– Há uma probabilidade de 95% de que o intervalo entre [Xmin,Xmax] contenha o

valor real do parâmetro populacional.

• Correto

– é 95% confiante de que o intervalo entre [Xmin,Xmax] contém o verdadeiro valor

do parâmetro populacional. (Pode ou não conter).

– Os IC variam, mas o valor verdadeiro é sempre o mesmo.

Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.16. Risco da Carteira

Prof. Rafael F.V.C. Santos

Risco Sistemático x Não Sistemático
• Sistemático:

– Risco do mercado;

o Inerente ao sistema.

– Não diversificável;

– Afeta todos os ativos (mercados);

– Exemplo:

o Mudança Taxa Selic;

o Taxa de câmbio;

o Impostos.
Risco Sistemático x Não Sistemático
• Não sistemático:
– Afeta setores de empresas
– Dependência entre ativos
– Sazonalidades
– Comportamentos de consumo
– Meios produtivos
– Pode ser diversificado
– Exemplo
o Setor varejo
o Setor energético
o Setor commodities
Risco Sistemático x Não Sistemático
Risco e Retorno em Renda Fixa
Capítulo 1. Gestão de Risco

Aula 1.17. Risco da Carteira

Prof. Rafael F.V.C. Santos

Risco da Carteira
• Portfólio:

– Combinação com máximo retorno

– Combinação com mínima variância

Linha do mercado de capitais

Risco da Carteira
• Linha de mercado:
– A definição veio da Teoria das Carteiras de Markowitz (prêmio Nobel de
1990)
• Como é calculada a linha de mercado: Rp = Rf + (Rt- Rf).σp/σt
Onde:
– Rp = Retorno do portfólio;
– Rf = Risk Free Ratio (taxa de retorno livre de risco);
– Rt = Retorno esperado da carteira de mercado;
– σp = Desvio Padrão da carteira composta pelo ativo livre de risco e da
carteira de mercado;
– σt = Desvio padrão da carteira de mercado.
– (Rt-Rf)/σt = Índice de Sharpe
Índice de Sharpe
• Desenvolvido por William Forsyth Sharpe (Ganhou Nobel economia)
• Possui a seguinte fórmula:
– IS = (Rt-Rf)/σt
– SR = (Rp – Rf)/STDp
• Onde;
– SR = Índice de Sharpe;
– Rp = Retorno do portfólio, ou do fundo;
– Rf = Risk Free Ratio ou rendimento oferecido por investimentos sem risco.
– STDp = Desvio padrão da performance do fundo ou a volatilidade que ele
apresenta.
<Como usar a nosso favor?>
•
Índice de Sharpe
• Exemplo de uso (SR)
– Suponha que possuímos dois fundos de renda fixa:
o Fundo A
• Retorno médio = 15 %
• Volatilidade (Std) = 11.5%
o Fundo B
• Retorno Médio = 5%
• Volatilidade (Std) = 2.5%
• Cuidado: Retornos passados não garantem retornos futuros!
• <Ver exemplos no Python>
Próximos estudos
❑ Beta de um ativo:

– Renda variável.

❑ VaR – Value at Risk para encontrar riscos de perdas financeiras

Conclusão
Neste Capítulo Vimos:

– Conceito de risco e retorno

– Como calcular os retornos e riscos

– Tipos de riscos

– Revisão sobre estatística básica

– Intervalo de confiança

– Linha de mercado de capitais

– Índice de Sharpe
Risco e Retorno em Renda Fixa
Capítulo 2. Value at Risk

Aula 2.1. Conceito do VaR

Prof. Rafael F.V.C. Santos

Neste Capítulo vamos estudar
❑ Value at Risk

– Conceito

– Utilidade

– Como calcular

– Vantagens e desvantagens

– Implementações com Python

VaR
• Ferramenta para Gestão de Risco;
• Definição:
– "A perda máxima com um nível de confiança durante um período
predeterminado."
• Apenas em condições normais de mercado:
– Cuidado com os cisnes negros
• Gestão de risco:
– É a identificação, avaliação e priorização de riscos, seguido por aplicação
coordenada e econômica de recursos para minimizar, monitorar e controlar a
probabilidade e/ou impacto de eventos infelizes ou para maximizar a realização
de oportunidades.
o Hubbard, Douglas (2009). The Failure of Risk Management: Why It's
Broken and How to Fix It. John Wiley & Sons.
Risco e Retorno em Renda Fixa
Capítulo 2. Value at Risk

Aula 2.2. Axiomas do Risco

Prof. Rafael F.V.C. Santos

Axiomas do Risco
Uma medida de risco, R, é coerente se satisfaz o seguinte (Artzner et al. 1999):

• Monotônica:

– If portfolio Y ≥ X always, then R(Y) ≤ R(X)

• Subadditivity:

– R(X + Y) ≤ R(X) + R(Y) (VaR não respeita, o Expected Shortfall sim)

• Positive Homogeneity

– For a constant h ≥ 0, R(hX) = h R(X)

• Translational Invariance:

– For a risk-free amount n, R(X + n) = R(X) - n

Risco e Retorno em Renda Fixa
Capítulo 2. Value at Risk

Aula 2.3. Origem do VaR

Prof. Rafael F.V.C. Santos

Value at Risk
• Foi o banco JPMorgan que divulgou a utilização do VaR;

• The Chairman, Sir Dennis Weatherstone.

Value at Risk
• Definição

– Pior perda que poderia ser esperado de um título ou carteira durante

um determinado período de tempo (geralmente 10 dias para o
propósito de relatórios de capital regulatório), dado um nível de
confiança especificado.

• Exemplo:

– Uma posição tem um VaR diário de US $ 10 milhões com a confiança

de 99%. Nós queremos dizer que as perdas diárias realizadas serão
maiores do que US $ 10 milhões em apenas um dia dentro 100 dias
de negociação (ou seja, 2-3 dias por ano).
Value at Risk
• Contexto gráfico:
Value at Risk
• Atenção: O VaR não é resposta para:

– Quanto posso perder no meu portfólio ao longo de um determinado

período de tempo?

• VaR oferece uma probabilidade sobre a possível mudança no valor de uma

carteira resultante de uma mudança nos fatores de mercado sobre um
específico período de tempo;

• Os valores dos fatores são geralmente padronizados;

• VaR Padrão 99% (perda) é igual a -2,32635 sob a suposição de normalidade.

Value at Risk
• VaR não afirma por quanto as perdas reais são suscetivelmente superiores a
figura do VaR

– Essa afirmação é para o Expected Shortfall.

• A declaração é sobre quão provável (ou improvável) o limiar, por exemplo,

percentil 99, será excedido.
Value at Risk
• Horizonte temporal:

– É frequentemente usado para gerenciar o risco de mercado em um

horizonte de 1 dia.

– Precisamos assim dos retornos diários.

• Algumas regulamentações exigem um horizonte de 10 dias para o VaR.

Risco e Retorno em Renda Fixa
Capítulo 2. Value at Risk

Aula 2.4. Como estimar o VaR

Prof. Rafael F.V.C. Santos

Estimativas para o VaR
• Método para estimar o VaR:

– Paramétrico (Assumir dist Normal);

– Dados históricos;

– Simulação de Monte Carlo.

Value at Risk
• Método paramétrico:

• Histórico de dados:
– Pelo menos 2 a 3 anos de dados;
– Construir um histograma e pegar os percentis do lado esquerdo da
distribuição;
– Pegar o 1 percentil (nível de 99% de confiança);
– Vantagens:
o Não paramétrico: não precisamos calcular o desvio padrão
populacional;
o Fat tails (cauda gorda).
Value at Risk
• Método de Monte Carlo (Renda Variável)

– Geração de realizações randômicas;

– Gerar mais de 10.000 distribuições dos preços;

– O VaR de 99% pode ser obtido a partir do 1º percentil das

realizações.
Value at Risk
• Exemplo:
– Posição R$ 100.000,00
– STD diário = 2.21%
– Nível de confiança = 99% -> 2.33 Desvios padrão
– Calcule:
o VaR diário 99% de confiança
o Como aumentar para a escala de 10 dias?
• VaR = Vol * sqrt(T) * NC * M
– Vol = volatilidade
– sqrt(T) = raiz quadrada do tempo
– NC = Nível de confiança
– M = Montante aplicado
• 1 dia VaR = 2.21% * Square Root [1] * 2.33 * R$100.000 = R$ 5.149,00
• 10 dias VaR = 2.21% * Square Root [10] * 2.33 * R$100.000 = R$16.284,00
Risco e Retorno em Renda Fixa
Capítulo 2. Value at Risk

Aula 2.5. Limitações do VaR

Prof. Rafael F.V.C. Santos

Value at Risk
• Limitações:

– O passado nem sempre é um bom indicador do futuro;

– Cisnes negros;

– Várias não linearidades difíceis de serem capturadas:

o Taxas;

o riscos relativos;

o Etc.

– Liquidez infinita;

– Continuidade e curvas suaves.

Value at Risk
• Projeto:

– Fazer um backtesting para o VaR de vários ativos financeiros;

– Utilizar o método paramétrico.

Risco e Retorno em Renda Fixa
Capítulo 2. Value at Risk

Aula 2.6. Aplicações Python

Prof. Rafael F.V.C. Santos

Desafio
Desafio
• Considere uma posição de R$ 5 milhões em um único ativo X com
volatilidade diária de 1%. Quais são os desvios padrão anualizados e de 10
dias? Utilize o fator Normal 99% / 10 dias VaR em termos monetários.
Desafio
* Resposta (não mostrar slide)
Risco e Retorno em Renda Fixa
Capítulo 3. Stress Test

Aula 3.1. Objetivo do Stress Test

Prof. Rafael F.V.C. Santos

Stress Test
❑ Objetivo;

❑ Como funciona;

❑ Como aplicar.
Stress Test
• Objetivo:

– Tentar simular situações anormais;

o Condições extremas;

o Pontos fora da curva;

o Crises;

o Colapsos;

o Improváveis;

• O VaR é baseado na Normalidade do Mercado:

– Não é um parâmetro para o teste de estresse!

Risco e Retorno em Renda Fixa
Capítulo 3. Stress Test

Aula 3.2. O que é o Stress Test

Prof. Rafael F.V.C. Santos

O que é o Stress Test
• Método não estatístico;
• Controle de riscos;
• Simulações computacionais:
– Portfólios;
– Cenários econômicos;
– Valores improváveis e raros;
– Mudança bruscas;
• Avaliar impacto em ativos e carteira de ativos;
• Estamos fora das condições normais de mercado (VaR);
• Estamos ‘tentando’ representar possíveis crises graves;
• É não estatístico, pois não envolve probabilidades de perdas bem superiores ao VaR;
• Estudo de intuição e bom senso (loucura - impossível);
• Visão de mundo do analista especialista é importante nos estudos.
Risco e Retorno em Renda Fixa
Capítulo 3. Stress Test

Aula 3.3. Importância do Stress Test

Prof. Rafael F.V.C. Santos

Importância do Stress Test
• No mês março de 2020, tivemos 6 movimentações que excederem 10% no
índice Bovespa;

• Esses valores foram sete vezes maiores do que o desvio padrão dos
movimentos dos últimos 10 anos.

• Mostrar distribuição dos retornos diários do Ibovespa (Python):

Curva Normal
• Muitos desvios padrão (Raro!)

Precisamos definir
cenários raros!
Risco e Retorno em Renda Fixa
Capítulo 3. Stress Test

Aula 3.4. Como é Aplicado o Stress Test

Prof. Rafael F.V.C. Santos

Como aplicar o Stress Test
• Gestoras e bancos são obrigadas a partir de regulamentações;

• Após a crise de 2008:

– Novas normas regulatórias surgiram;

– Foco em *stress testing *e adequação de capital:

o Temos o Dodd-Frank Act de 2010, que está em vigor até hoje.

• A norma impõe o uso de testes de estresse na estrutura de capital dos

bancos:

– Os cenários de teste são estabelecidos pelo corpo regulatório do FED;

– E supervisionados por comitês independentes.

Como aplicar o Stress Test
• O Federal Reserve gera três cenários:

– Otimista;

– Pessimista;

– Extremamente pessimista.

• As instituições devem exibir planos de resposta aos três;

• Bancos devem gerar seus próprios cenários para garantir o controle de

riscos individual;

• MODELOS DE ANÁLISE DE CENÁRIO (ferramenta de aplicação).

Conclusão
Modelo de análise de cenário:

* Três etapas principais:

– Definição do cenário;

– Modelagem dos fatores dos cenários;

– Estabelecimento de políticas de resposta baseadas nos dados obtidos.

Referências para leitura complementar:

– A lógica do cisne negro;

– Iludido pelo acaso.

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.1. O que é o Data Storytelling

Prof. Rafael F.V.C. Santos

Data Storytelling
❑ O que é;

❑ Como Funciona:

– Estrutura geral.

❑ Quais benéficos;

❑ O que não fazer;

❑ Benefícios do uso.
O que é o Data Storytelling
• Uma história de dados é uma combinação eficaz de dados, narrativas e
recursos visuais que procuram explicar, esclarecer e envolver.

– Brent Dykes

Referência: [Link]
Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.2. Origens de Storytelling com dados

Prof. Rafael F.V.C. Santos

Origens
• A visualização de dados existe há séculos;

• Começou no final dos anos 1700, com William Playfair - mais conhecido
como o "pai da estatística".

• Acredita-se que Playfair tenha inventado a linha, a barra e o gráfico que

usamos muitas vezes hoje.
Origens
• Primeiros trabalhos com:

• Charles Joseph Minard.

– Engenheiro civil francês

– famoso por sua representação de dados numéricos em mapas.

– Seu trabalho mais famoso é o mapa da campanha russa de Napoleão de 1812

o Mostra as perdas de seu exército sobre o avanço em Moscou.

História de mostrar perdas

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.3. Storytelling com Dados

Prof. Rafael F.V.C. Santos

Storytelling com dados
• Não somos naturalmente bons em Storytelling com dados
– Muito difícil unir:
o Matemática;
o Português - Narrativas;
• Gerar gráficos atualmente:
– Muito fácil;
– Precisamos gastar tempo na estratégia de contar estórias;
• Antigamente:
– Domínio pacote office (já foi diferencial);
• Atualmente:
– Domínio de técnicas de contar estórias com dados;
– Precisamos pensar antes de sairmos plotando os gráficos (Python);
Storytelling com dados
• Os dados carregam histórias;

• São processamentos de sistemas orgânicos;

• Linha temporal;

• Sequências intuitivas;

• Ideias ordenadas facilitam a compreensão.

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.4. Big Data

Prof. Rafael F.V.C. Santos

A era do Big Data
• Geração de dados;
• IoT;
• IoB;
• Wearables;
• Smats:
– Car;
– Watches;
– Phones;
– Houses.
A era do Big Data
• Quanto mais informações temos de lidar, mais difícil é filtrar o que é mais
importante;

• Diferença entre sinal e Ruído (livro ref – colocar depois)

– Áreas com mais demanda por storytelling:

– tecnologia, educação, produtos para o consumidor, do setor sem fins

lucrativos;

– Gráficos condensam bem os dados!

Exemplos de Gráficos
Exemplo 1

Referência: Storytelling com dados.

Exemplo 1

Referência: Storytelling com dados.

Exemplo 2

Referência: Storytelling com dados.

Exemplo 2

Referência: Storytelling com dados.

Exemplo 3

Referência: Storytelling com dados.

Exemplo 3

Referência: Storytelling com dados.

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.5. Base de dados

Prof. Rafael F.V.C. Santos

Dados
• A apresentação dos dados é definitiva na aprovação de projetos:

– Pesquisa;

– Empresariais;

– Financeiras;

– Pessoais.

• A má comunicação é um dos pilares da separação:

– Sócios;

– Casais.

• Dados carregam uma mensagem!

Dificuldades na Comunicação
• Processo analítico;
• Conhecimentos:
– Matemática:
o Álgebra;
o Plano e espaço cartesiano;
– Estatística;
– Softwares de plotagem;
• Dados -> Organizados -> Modelos (Conhecimentos úteis para responder
perguntas e solucionar problemas)
Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.6. Etapas do Storytelling

Prof. Rafael F.V.C. Santos

Storytelling de dados
• 1. Entenda o contexto;

• 2. Escolha uma apresentação visual adequada;

• 3. Elimine a saturação;

• 4. Foque a atenção onde você deseja (Público);

• 5. Pense como um designer;

• 6. Conte uma história.

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.7. Contexto

Prof. Rafael F.V.C. Santos

Entendendo o Contexto
• O processo de storytelling não começa com os dados;
• Precisamos gastar um bom tempo com o contexto;
• Análise exploratória X Análise Explanatória;
• Exploratória:
– Compreender os dados;
– Descobrir padrões;
– Dados em geral.
• Explanatória:
– Os mais importantes;
– Dados em informações para um público específico.
• Erro comum depois de uma longa análise querer mostrar tudo para todos!
Entendendo o Contexto
• Precisamos atacar um público específico;

• Diferentes maneiras de comunicação:

– Conhecer bem o público;

– Nem Jesus agradou todo mundo.

• Você quem precisa conduzir a apresentação:

– Não se preocupar com críticas;

– Você é o especialista;

– Postura confiante.

• Quem, o quê, como!

Entendendo o Contexto
• Quem: O comitê de orçamento que pode aprovar os recursos financeiros
para a continuação do curso de verão.

• O quê: O curso de verão sobre ciências foi um sucesso; favor aprovar o

orçamento de R$X para continuarmos.

• Como: Ilustrar o sucesso com dados coletados por meio da avaliação

realizada antes e depois do programa-piloto.
Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.8. Apresentação

Prof. Rafael F.V.C. Santos

Visual adequado
• Tipos de gráficos

Referência: Storytelling com dados.

Visual adequado
• Tipos de gráficos:

Referência: Storytelling com dados.

Visual adequado
• Texto simples: comunicar dois números apenas

Referência: Storytelling com dados.

Visual adequado
• Muitos dados, utilizar tabelas (cuidado!)

Referência: Storytelling com dados.

Visual adequado
• Mapas de calor

Referência: Storytelling com dados.

Visual adequado
• Tabelas:

– Interação: Sistema Verbal.

• Gráficos

– Interação: sistema Visual.

• Gráficos comunicam informações mais rápido!

– pontos, linhas, barras e área.

• Atenção:

– Não confundir Gráfico com grafos: os grafos são subcategorias dos

gráficos.
Visual adequado
• Gráfico de dispersão
Visual adequado
• Gráfico de linhas
Visual adequado
• Gráficos de inclinação

Referência: Storytelling com dados.

Visual adequado
• Gráficos de barras (Cuidado para não ser enganado)
Visual adequado
• Gráficos de barras (Cuidado para não ser enganado)

• Note que o número inferior no eixo vertical (mostrado na extremidade

direita) não é zero, mas 34. Isso está representado, o aumento visual é de
460% (as alturas das barras são 35 – 34 = 1 e 39,6 – 34 = 5,6; assim, (5,6 – 1)
/ 1 = 460%). Se mostrarmos as barras com uma linha de base zero, de modo
que as alturas sejam representadas (35 e 39,6), obteremos um aumento
visual real de 13% (39,6 – 35) / 35).
Visual adequado
• Gráficos de barras (Cuidado para não ser enganado)

Referência: Storytelling com dados.

Visual adequado
• Gráfico de barras

Referência: Storytelling com dados.

Visual adequado
• Gráficos de barras (Horizontais - ótima opção p/ categorias)

Referência: Storytelling com dados.

Visual adequado
• Gráficos de áreas

Referência: Storytelling com dados.

Visual adequado
• O que evitar!

– Gráfico de pizza

– Gráficos de rosca

– Gráficos com eixos em 3D

– Eixos secundários

Referência: Storytelling com dados.

Visual adequado
• Por que gráficos de pizza não são bons?

Referência: Storytelling com dados.

Visual adequado
• Por que gráficos de pizza não são bons?

Não USAR 3D

Referência: Storytelling com dados.

Visual adequado
• Por que gráficos de pizza não são bons?

Referência: Storytelling com dados.

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.9. Evitar a Saturação

Prof. Rafael F.V.C. Santos

Evitar a saturação
• Evitar sobrecarga cognitiva com informações que não contribuem:

– Sinal;

– Ruído.

• Saturação:

– Elementos visuais que ocupam espaço, mas não aumentam o

entendimento.
Evitar a saturação
• Psicologia Gestalt (1900): percepção visual e comportamento

Referência: Storytelling com dados.

Evitar a saturação
• Psicologia Gestalt (1900): percepção visual e comportamento
Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Evitar a saturação

Referência: Storytelling com dados.

Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.10. Focar no Público

Prof. Rafael F.V.C. Santos

Atenção no Público-Alvo
• Chamar atenção;

• Direcionar atenção;

• Prender / manter atenção (concentrar).

Atenção no Público-Alvo
• Nossa memória:

– Icônica;

– Curto prazo;

– longo prazo.

• Icônica

– Rápida;

– Percepção consciente;

– Sobrevivência;

– Some para dar espaço para memória de curto prazo.

Atenção no Público-Alvo
• Curto prazo:

– Muito limitada;

– 4 grupos de informações visuais;

• Longo prazo:

– O que é mantido da memória de curto prazo;

– Pode durar a vida inteira;

– Geralmente combina memória verbal e visual.

Atenção no Público-Alvo
• Uso da memória Icônica: Conte os números 3

Referência: Storytelling com dados.

Atenção no Público-Alvo
• Conte os números 3 (pré-atentivo: destaque)
Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.11. Pensar como um Designer

Prof. Rafael F.V.C. Santos

Pensar como um Designer
• Affordances;

• Acessibilidade;

• Estética.
Pensar como um Designer
• Affordances:
– Aspectos inerentes ao design que tornam óbvio como o produto deve ser
usado.
– Exemplo:
o Alavanca: permite ser puxada;
o Botão permite ser apertado;
o Existe apenas uma maneira de usar ( e é a correta).
– Realçar o que é importante (ganhar atenção):
o Negrito, itálico, sublinhado;
o CAIXA ALTA;
o Fontes, Cor, Tamanho.
– Realce X eliminar distrações.
Risco e Retorno em Renda Fixa
Capítulo 4. Data Storytelling

Aula 4.12. Data Storytelling

Prof. Rafael F.V.C. Santos

Data Storytelling
• Para contar uma história (narrativa - Aristóteles):

– Início - preparação – equilíbrio;

– Meio - conflito – desequilíbrio;

– Fim - solução – solução.

• Filmes, livros, jogos, teatros, conversas.

Data Storytelling
• Jornada do Herói

Fonte: Alex Bretas (não me condene)

Conclusão
1. Entender o contexto;

2. Escolher um visual apropriado;

3. Eliminar a saturação;

4. Chamar a atenção para onde você quer;

5. Pensar como um designer;

6. Contar uma história.

Risco e Retorno em Renda Fixa
Capítulo 5. Introdução ao Dash Python

Aula 5.1. Introdução

Prof. Rafael F.V.C. Santos

Introdução ao Dash Python
❑ Capítulo mais prático

– Plotly

– Pandas

– Dash
Python
• Linguagem N 1º Tiobe;

• Fácil e simples de aprender;

• Padrão para finanças quantitativas;

• Muitas bibliotecas prontas de ML e DL;

• Cross plataforma: Desktop e Mobile.

Dash
• Projeto Open Source (sem custos);
• Downloaded 800,000 times per month;
• Construção rápida de dashboards;
• Python, R, Julia e F#;
• Escrita com base em [Link] e [Link];
• Construção de GUI (muito indicado para quem trabalha com Dados);
• Abstrai o desenvolvimento full-stack (iterações visuais);
• Permite a construção de interfaces em menos de 10 minutos;
• Funciona no navegador ( mobile).
Pré-requisitos
• Conhecimentos básicos de lógica de programação

• Básico de Python:

– Numpy;

– Pandas;

– Matplotlib;

– Dash.
Instalação
• <mostrar no python>
Plotly
• <Mostrar no Python>
Pandas
• DataFrame

• iloc()

• max(),min()

• [Link] = df[‘year’]

• df[df['Year'] == year_value] # filtros

Risco e Retorno em Renda Fixa
Capítulo 5. Introdução ao Dash Python

Aula 5.2. Introdução a construção de dashboards

Prof. Rafael F.V.C. Santos

Construção de dashboards
• Precisamos começar entendendo como plotar gráficos:

– [Link]

• O que vamos aprender:

– Plotly

o Express

• <Vamos praticar agora com Python>

Risco e Retorno em Renda Fixa
Capítulo 5. Introdução ao Dash Python

Aula 5.3. Dash Python

Prof. Rafael F.V.C. Santos

Dash Python
• Composto por duas partes:
– Layout (parte visual);
– Callbacks (interações com o layout);
• Linguagem declarativa: describe your application through these attributes
• Layout:
– [Link];
– [Link] (dash core components);
• [Link]
• [Link]
– funções de alto nível (high-level components):
o JavaScript, HTML e CSS com várias bibs [Link]
Risco e Retorno em Renda Fixa
Capítulo 5. Introdução ao Dash Python

Aula 5.4. Layout

Prof. Rafael F.V.C. Santos

Layout
• Componentes declarativos;

• Aparência da aplicação;

• Utilizar hierarquia de árvores;

• Formatação em HTML e Markdown;

• Estilos com CSS, JavaScript etc.

Dash
• html.H1(children='Hello Dash') is the same as html.H1('Hello Dash')

• app.run_server(debug=True)

• "hot-reloading" mudanças são atualizadas automaticamente

• app.run_server(dev_tools_hot_reload=False)
Layout
• HTML

• <Colocar a estrutura básica de uma página html>

• [Link]
HTML
• [Link]

• html.H1('Hello Dash', style={'textAlign': 'center', 'color': '#7FDBFF'})

• Retorna para o navegador:

• <h1 style="text-align: center; color: #7FDBFF">Hello Dash</h1>.

[Link] X HTML
1. A propriedade de estilo em HTML é uma string separada por ponto e
vírgula. No Dash, você pode apenas fornecer um dicionário.

2. As chaves no dicionário de estilos são camelCased. Então, em vez de

text-align, é textAlign.

3. O atributo é class para HTML class e className para o Dash.

4. Os children (filhos) da tag HTML são especificados por meio do argumento

de palavra-chave children. Por convenção, este é sempre o primeiro
argumento e por isso é frequentemente omitido.
Markdown
• <falar sobre markdown>

• Como utilizar em dash:

• [Link]()
DCC – Dash Core Components
• > [Link] : [Link]

• higher-level components like

• dropdowns,

• graphs,

• markdown blocks,

• and more.

• As chamadas são declarativas

Risco e Retorno em Renda Fixa
Capítulo 5. Introdução ao Dash Python

Aula 5.5. Callbacks

Prof. Rafael F.V.C. Santos

O que são Callbacks
• São funções chamadas automaticamente quando houver alguma alteração
em propriedades dos componentes Dash.

• Eles permitem fazermos interações com os elementos gráficos.

• Eles não devem modificar os dados durante seu processamento.

– Filtros

– Seleções

– Adaptações
Links importantes
• [Link]

• [Link]
Conclusão
Exemplos de projetos

[Link]
implementar/