Analisando a Sazonalidade do Varejo no Mercado Financeiro

3584 rows × 4 columns

Podemos agora reduzir o nosso dataframe selecionando apenas as colunas que tem o valor diferente de zero, ou seja, só estamos interessados no último dia de cada mês.

asset_filtered = asset[asset["value"] != 0].copy()
asset_filtered

174 rows × 4 columns

Após essas manipulações, podemos facilmente calcular a diferença entre dois valores subsequentes utilizando a função pct_change.

asset_filtered["variation"] = asset_filtered["value"].pct_change()
asset_filtered

174 rows × 5 columns

Repare que podemos facilmente adicionar uma nova condição e filtrar apenas as variações em períodos de interesse. Por exemplo:

# example with 2 months for analysis
months = ["2007-09", "2007-10"]

pct_per_month = asset_filtered[asset_filtered["month"].isin(months)]
pct_per_month

E por fim, podemos calcular a média desses resultados:

pct_per_month["variation"].mean() 

0.12452541827541819

Para facilitar a nossa vida, já que vamos repetir a análise para diferentes ativos, vamos colocar todos os passos anteriores em uma função.

Definindo a nossa função

A função que retorna a média da variação mensal no período que escolhermos está programada abaixo.

def mean_return_per_months(df, months):
    
    # creating a month column
    df["month"] = pd.to_datetime(df.index).strftime('%Y-%m')
    
    # defining the last day of the month    
    df["last of month"] = df["month"] != df["month"].shift(-1)

    # if last day of the month, get the close price, else 0
    df["value"] = np.where(
        (df["last of month"] == True), 
        df["close"], 
        0
    )

    # get the non-zero values 
    df_filtered = df[df["value"] != 0].copy()
    
    # calculate the difference in percentage between the last day of the months
    df_filtered["variation"] = df_filtered["value"].pct_change()

    # filter the df to get only the list of months we are interrested on
    pct_per_month = df_filtered[df_filtered["month"].isin(months)]
    
    # return the mean of the results
    return pct_per_month["variation"].mean()   

Lojas Renner (LREN3)

Com os dados das Lojas Renner já carregados em nosso DataFrame e a função de cálculo da média de variação criada, podemos facilmente calcular os resultados.

Para isso, vamos criar uma lista: mean_of_semesters, onde vamos armazenar a média do terceiro e quarto trimestre desse ativo. Lembre-se, estamos interessados no último trimestre do ano, pois nele temos o Black Friday e o Natal. Como métrica, escolhemos para esse artigo comparar o último trimestre com o trimestre anterior.

Já que os nossos dados vão de 2006 até 2020, podemos criar um loop para alimentarmos a lista com as médias do período escolhido. Para cada ano, adicionamos a média do trimestre que estamos interessados na lista mean_of_semesters. Por fim, criamos um DataFrame a partir dessa lista.

Importante notar que é computacionalmente mais eficiente criar uma lista, adicionar itens à ela dentro do loop e após o processo transformar a lista num DataFrame, do que criar um DataFrame vazio ou com NaN e ir adicionando linhas a cada iteração.

mean_of_semesters = []

for year in range(2006, 2021):
    
    # third trimester 
    months =  [str(year) + "-07", str(year) + "-08", str(year) + "-09"]
    mean_3rd_quarter = mean_return_per_months(asset, months)  
    
    # fourth trimester
    months =  [str(year) + "-10", str(year) + "-11", str(year) + "-12"]
    mean_4th_quarter = mean_return_per_months(asset, months)
    
    mean_of_semesters.append((year, mean_3rd_quarter, mean_4th_quarter))

columns = ['year', 'mean_LREN_3rd_quarter', 'mean_LREN_4th_quarter']
df = pd.DataFrame(mean_of_semesters, columns=columns)

df

Com o novo DataFrame pronto, podemos facilmente plotar os resultados em forma de barra:

df.plot.bar(
  x='year',
  y=['mean_LREN_3rd_quarter','mean_LREN_4th_quarter'],
  title='LREN3',
  label=['3rd quarter mean','4th quarter mean']
)
plt.ylabel('return')
plt.show()

Algumas observações podem ser tiradas dessa análise.

Primeiramente, vimos que nos últimos 3 anos, a variação no quarto trimestre foi sempre positiva e maior do que a variação média do terceiro trimestre.

Outro ponto importante é que, quando houve um terceiro trimestre ruim com variação média negativa, o quarto trimestre fechou melhor (ou menos pior).

Contudo, podemos observar que historicamente existe um equilíbrio entre os trimestres. Enquanto que o quarto trimestre fechou 5 vezes acima do terceiro, em 6 oportunidades o oposto aconteceu.

Comparando com o IBOV

Para fortalecermos a nossa análise, vamos comparar os resultados de LREN3 com o nosso índice, IBOV, para o último trimestre do ano.

Para isso, vamos primeiramente baixar os dados pertinentes do IBOV (novamente, disponível no nosso grupo do Telegram.)

asset = pd.read_csv('../data/D1/IBOV-D1-sazonalidade.csv', index_col='datetime')[["close"]]
asset

3906 rows × 1 columns

Uma vez que já temos nossa função programada, só precisamos repetir o último passo da análise anterior e criarmos o loop para o período escolhido. Vamos também usar o comando pd.merge para juntarmos o DataFrame do IBOV com o DataFrame contendo os resultados de LREN3. Escolhemos a opção on='year' para juntarmos os resultados pelo ano.

mean_of_semesters = []

for year in range(2006, 2021):    
    
    # fourth trimester
    months =  [str(year) + "-10", str(year) + "-11", str(year) + "-12"]
    
    mean_4th_quarter = mean_return_per_months(asset, months)
    mean_of_semesters.append((year, mean_4th_quarter))

df = pd.merge(
    df,
    pd.DataFrame(mean_of_semesters,columns=['year','mean_IBOV_4th_quarter']),
    on='year'
)
df

A fim de compararmos os resultados de LREN3 com o IBOV, vamos calcular a diferença entre eles.

Para isso, criamos uma nova coluna no nosso dataFrame contendo a diferença entre o 4º trimestre de LREN3 com o 4º trimestre do IBOV.

df['diff_4th_quarter_LREN_IBOV'] = df['mean_LREN_4th_quarter'] - df['mean_IBOV_4th_quarter']
df

Novamente podemos plotar facilmente os resultados:

diff = df.copy().set_index('year')['diff_4th_quarter_LREN_IBOV']
diff.plot(
  kind="bar", 
  color=(diff > 0).map({True: '#49ce8b',False: '#d64242'}),
  title='Diferença de Retorno LREN3 vs IBOV (4º Tri)',
);

Nos últimos 6 anos, apenas em 2018 as Lojas Renner tiveram uma variação significativamente maior que o IBOV. Na nossa amostragem de 15 anos, LREN3 obteve uma variação média maior que o IBOV no último trimestre em 6 oportunidades.

No entanto, as maiores diferenças estão quando LREN3 bate o IBOV, chegando a quase 8% de diferença em 2018.

Estudo de caso: sazonalidade de Mercado Livre

Vamos finalizar a nossa análise analisando um ativo de varejo eletrônico, MELI. Os dados são os preços listados na NASDAQ, não a BDR, e também estarão disponíveis no nosso grupo do Telegram.

asset = pd.read_csv('../data/D1/MELI-D1-sazonalidade.csv', index_col='datetime')[['close']]
asset

3373 rows × 1 columns

Novamente, como já temos a nossa função programada, apenas repetimos o último passo para analisar o terceiro e quarto trimestre dos últimos 14 anos.

mean_of_semesters = []

for year in range(2007, 2021):
    
    # third trimester 
    months =  [str(year) + "-07", str(year) + "-08", str(year) + "-09"]
    mean_3rd_quarter = mean_return_per_months(asset, months)  
    
    # fourth trimester
    months =  [str(year) + "-10", str(year) + "-11", str(year) + "-12"]
    mean_4th_quarter = mean_return_per_months(asset, months)
    
    mean_of_semesters.append((year,mean_3rd_quarter, mean_4th_quarter))

columns = ['year', 'mean_MELI_3rd_quarter', 'mean_MELI_4th_quarter']
df = pd.DataFrame(mean_of_semesters, columns=columns)
df

E plotamos a variação média dos últimos trimestres também em um gráfico de barras.

df.plot.bar(
  x='year',
  y=['mean_MELI_3rd_quarter', 'mean_MELI_4th_quarter'],
  title='MELI',
  label=['3rd quarter mean', '4th quarter mean']
)
plt.ylabel('return')
plt.show()

Aqui também vemos um equilíbro, sendo que em 8 vezes a média do último trimestre foi maior que a do terceiro.

Contudo, a média de retorno do quarto trimestre foi positiva e maior que a do terceiro trimestre em 5 dos último 7 anos. Destaque para o ano passado, onde o retorno médio do último trimestre foi o segundo maior da série analisada.

Conclusão

Para esse nosso primeiro estudo de sazonalidade, analisamos o mercado de varejo onde escolhemos Lojas Renner (LREN3) e Mercado Livre (MELI) como os nossos ativos.

Para LREN3, observamos uma pequena vantagem do último trimestre em cima do terceiro, mais especificamente nos últimos 3 anos.

Contudo, vimos também que a média de retorno do índice Bovespa no último trimestre do ano foi positiva nos últimos 5 anos, e melhor que o retorno dos ativos LREN3 em 4 dos últimos 6 anos, perdendo em 2018 e 2019.

Já MELI mostrou uma média de retorno positiva no quarto trimestre e maior que o trimestre anterior em 5 dos últimos 7 anos, sinalizando um possível período positivo para esse papel no último trimestre.

Será que algum outro ativo de varejo performaria melhor que esses dois analisados hoje nesse período? Você consegue pensar em algum outro período melhor para comparar os resultados? Fique à vontade para brincar com o código, escolhendo seu ativo e período de preferência para fazer sua própria análise!

Para um próximo artigo, vamos analisar a hipótese de um aumento nas ações de petróleo durante o inverno do hemisfério norte. Por isso, não se esqueça de entrar no nosso grupo do Telegram e se inscrever na nossa newsletter abaixo para receber notificações sobre artigos novos!