Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/isaacdavii/fiis_graphs

Pesquisa acadêmica com framework e metodologia CRISP-NET aplicado à Econofísica para otimização de portfólios e hedge no mercado de FIIs (B3).
https://github.com/isaacdavii/fiis_graphs

b3 data-science econophysics finance graph-theory ifix machine-learning networkx python risk-management streamlit

Last synced: about 8 hours ago
JSON representation

Pesquisa acadêmica com framework e metodologia CRISP-NET aplicado à Econofísica para otimização de portfólios e hedge no mercado de FIIs (B3).

Awesome Lists containing this project

README 

          
---



# 🌐 Análise de Risco Sistêmico e Contágio em FIIs (IFIX) via Teoria dos Grafos



![Python](https://img.shields.io/badge/Python-3.8%2B-blue)

![Econophysics](https://img.shields.io/badge/Econophysics-Graph_Theory-success)

![Machine Learning](https://img.shields.io/badge/AI-Unsupervised-orange)

[![Streamlit App](https://static.streamlit.io/badges/streamlit_badge_black_white.svg)](https://fiis-graphs-moira-analytics-terminal.streamlit.app)



> **🔴 Demo Online:** Clique no selo "Streamlit" acima ou acesse o dashboard para interagir com a topologia do mercado em tempo real.



> **"Investir é um jogo de ligar os pontos. A parte boa é que, quanto mais tempo você passa no mercado e mais curioso intelectualmente você é, maior fica a sua coleção de dados e pontos para conectar." — Ted Weschler, gestor de investimentos da Berkshire Hathaway**



## 📖 Sobre o Projeto e a Pesquisa Científica



Criamos um terminal de Data Science e Inteligência Artificial desenvolvido como a infraestrutura computacional para sustentar nossa pesquisa acadêmica sobre o comportamento sistêmico do IFIX. Mais do que um software, ele é a materialização de um rigoroso estudo sobre **Teoria das Redes Complexas e Econofísica** aplicado ao mercado de capitais brasileiro.



Batizamos de Moira Analytics porque acreditamos que a modelagem financeira precisa ser tratada como um sistema vivo e interconectado. O nome reflete a nossa metodologia: enquanto as Moiras tecem o destino, o nosso framework tece a topologia do mercado, permitindo enxergar as correlações ocultas que a análise fundamentalista tradicional não consegue captar. Além disso, criamos uma identidade de marca para facilitar a replicabilidade e o reconhecimento do nosso software como uma solução técnica autônoma.



### [A Pesquisa (O Artigo Acadêmico)](paper/)

O núcleo deste trabalho é o nosso artigo de pesquisa, que investiga a transição de fase topológica do mercado de Fundos Imobiliários em diferentes ciclos macroeconômicos. Nosso estudo desafia a análise fundamentalista tradicional — que trata os ativos de forma isolada — ao demonstrar matematicamente que o IFIX funciona como um organismo interconectado, onde a "saúde" de um setor é, na verdade, uma função da estabilidade de toda a rede.



Nossa pesquisa aborda:



* **Benchmarking Algorítmico:** Desenvolvemos um estudo comparativo entre quatro motores de Inteligência Artificial (Louvain, Greedy, Label Propagation e Girvan-Newman) para identificar qual modelo melhor descreve a propagação de risco.



* **Topologia e Transição de Fase:** O artigo demonstra como o mercado passa de estados de "fluxo ordenado" para "colapso de ilhas" conforme a política monetária é alterada.



---



## 📉 A Dinâmica de Correlações no IFIX: Uma Abordagem via Teoria das Redes Complexas



A literatura de finanças quantitativas frequentemente aborda o risco sistêmico sob a ótica de correlações lineares estáticas, que falham em capturar as mudanças estruturais e as dependências ocultas entre ativos financeiros. Este trabalho propõe uma investigação sobre a topologia do mercado de Fundos de Investimento Imobiliário (IFIX) através de uma lente sistêmica e multidimensional.



O nosso estudo utiliza o **framework web** como motor computacional para validar as seguintes hipóteses acadêmicas:

* **Filtração Topológica:** A aplicação do algoritmo Planar Maximally Filtered Graph (PMFG) para isolar a estrutura fundamental de dependência do mercado, reduzindo o ruído estatístico inerente às correlações de Pearson e permitindo a visualização da espinha dorsal do sistema.

* **Inteligência Artificial de Aprendizado Não Supervisionado:** A utilização de algoritmos de detecção de comunidades para validar se a classificação setorial oficial (B3) reflete o comportamento real de risco dos ativos ou se existem "clusters de contágio" trans-setoriais latentes.

* **Dinâmica Temporal e Transições de Fase:** A análise da robustez estrutural do IFIX frente a ciclos macroeconômicos (períodos de aperto versus afrouxamento monetário), provando matematicamente que o mercado altera sua topologia em resposta direta à política monetária.

* **Métricas de Risco Sistêmico:** A aplicação de quatro centralidades distintas (Eigenvector, Betweenness, PageRank e Closeness) para identificar os nós críticos responsáveis pela propagação de choques e pela preservação da liquidez sistêmica.



---



## 🛠️ Tecnologias e Arquitetura Matemática



Este projeto orquestra algoritmos de ponta em ciência da computação e física estatística:



* **PMFG (*Planar Maximally Filtered Graph*):** Algoritmo de filtragem que preserva a integridade geométrica do mercado (planaridade), superior à tradicional Árvore Geradora Mínima (MST) por permitir ciclos de retroalimentação.

* **Centralidades (Risco):** Avaliação de *Eigenvector* (Efeito Dominó), *Betweenness* (Pontes de Liquidez), *PageRank* e *Closeness*.

* **Machine Learning (Clustering):** Algoritmos não-supervisionados de detecção de comunidades (*Greedy Modularity*, *Louvain*, *Label Propagation* e *Girvan-Newman*).

* **Metodologia Raj Jain:** *Cross-benchmarking* determinístico para validação do modelo, cruzando Modularidade, Cobertura (*Coverage*), NMI e Contraste de Risco.



---



## 📂 Estrutura do Repositório



```text

fiis_graphs/

├── docs/                            # Documentação técnica e científica do projeto

├── html/                            # Artefatos visuais e renderizações dinâmicas (PyVis)

│   ├── centralidades/               # Grafos interativos mapeando as 4 dimensões de risco

│   │   ├── pmfg_risco_betweenness.html

│   │   ├── pmfg_risco_closeness.html

│   │   ├── pmfg_risco_eigenvector.html

│   │   └── pmfg_risco_pagerank.html

│   ├── comunidades/                 # Grafos interativos mapeando as 4 metodologias de clustering

│   │   ├── pmfg_comunidade_girvan_newman.html

│   │   ├── pmfg_comunidade_greedy_modularity.html

│   │   ├── pmfg_comunidade_label_propagation.html

│   │   └── pmfg_comunidade_louvain.html

│   └── estresse/                    # Resultados do simulador de colapso (Targeted Attack)

│       └── pmfg_pos_colapso.html

├── img/                             # Imagens estáticas do artigo

├── paper/                           # Contém o nosso artigo completo em PDF

├── src/

|   ├── data_processor.py            # Módulo de ingestão e ETL de dados históricos do IFIX  

|   └── network_model.py             # Módulo de construção e análise da rede topológica do mercado  

├── .gitignore                       # Arquivos ocultos (ignora o .venv311 e caches do VS Code)

├── app.py                           # Código-fonte principal do Terminal Web (Streamlit)

├── graphs.ipynb                     # Jupyter Notebook detalhado com a pesquisa matemática

├── LICENSE                          # Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional (CC BY-NC 4.0)

├── README.md                        # Documentação oficial do projeto (este arquivo)

└── requirements.txt                 # Lista de dependências e motores (yfinance, networkx, etc.)

```



O ecossistema do projeto está dividido em duas frentes de operação:



### 1. [O Motor Científico (Jupyter Notebook)](graphs.ipynb)

O coração da pesquisa. Onde os dados brutos se transformam em geometria.

* **Ingestão e ETL:** Extração de séries temporais históricas com `yfinance` e conversão da correlação de Pearson em Distância Euclidiana.

* **Análise de Percolação:** Prova matemática do colapso topológico do método de Limiar (*Threshold*).

* **Benchmarking Determinístico:** O laboratório de testes da IA, elegendo a combinação **Greedy Modularity + Betweenness** como motor principal.

* **Teste de Estresse (*Targeted Attack*):** Simulação computacional deletando os 5 maiores Hubs do mercado para mapear a quebra do componente gigante e isolamento de órfãos.



### 2. [O Terminal Web Interativo (Streamlit App)](app.py)

A interface pronta para produção. Permite que investidores e pesquisadores interajam com o modelo de IA.

* Renderização 2D dinâmica da rede com `Plotly`.

* Ajuste em tempo real de sobrevivência de mercado e recorte temporal.

* Módulo de alocação de carteira (identificação de "Folhas" topológicas para *Hedge*).

* Documentação metodológica e científica embutida.



---



## 📊 Resultados Visuais e Descobertas



> **Nota:** As imagens estáticas abaixo são recortes do artigo. O terminal interativo possui renderização fluida no navegador.



### 1. Transição de Fase (Percolação vs PMFG)

A prova de que cortar correlações fracas arbitrariamente destrói a coesão do mercado. O PMFG preserva as 225 arestas vitais.

![Curva de Percolação](img/percolacao_threshold.png) 

![PMFG](img/pmfg_1.png)



### 2. Benchmarking Algorítmico (Raj Jain)

A matriz de decisão matemática provando o "Sweet Spot" de inteligência do algoritmo *Greedy* ao encontrar o equilíbrio perfeito entre descoberta de novas correlações (NMI) e coesão interna.

![Benchmarking Raj Jain](img/benchmarking_raj_jain.png)



### 3. O Colapso dos Super-Hubs (Stress Test)

O mercado financeiro após o *Targeted Attack*. O Grupo Ciano conseguiu manter rotas secundárias de liquidez, enquanto os pontos vermelhos sofreram congelamento isolado.

![Anatomia do Colapso](img/pmfg_pos_colapso.png) 



---



## 🚀 Como Executar o App (Ambiente Local)



Siga o passo a passo abaixo para iniciar o framework na sua máquina local.



**1. Clone o repositório:**

```bash

git clone https://github.com/seu-usuario/moira-analytics-ifix.git

cd moira-analytics-ifix

```



**2. Crie e ative um Ambiente Virtual (Recomendado)**



*Para usuários de Windows:*

```bash

python -m venv .venv

.\.venv\Scripts\activate

```

*Para usuários de Linux/Mac:*

```bash

python3 -m venv .venv

source .venv/bin/activate

```



**3. Instale as Dependências do Projeto**

```bash

pip install -r requirements.txt

```



**4. Execute o Dashboard no Terminal**

```bash

streamlit run app.py

```



**5. Encerre a Sessão**



Após fechar o navegador e parar o servidor no terminal (`Ctrl + C`), desative o ambiente virtual para retornar ao Python global do seu sistema:

```bash

deactivate

```



---



### 🎓 Equipe de Pesquisa



| Pesquisador(a) | Matrícula | Instituição |

| :--- | :---: | :---: |

| **Ana Paula Gomes Jacó** | 2025015393 | UNIFEI |

| **Bianca Salvador** | 2022012137 | UNIFEI |

| **Isaac Davi Mendonça Viana** | 2023000650 | UNIFEI |

| **Laura Raimundi Dias Jesus** | 2022002097 | UNIFEI |



---