"No mercado brasileiro, os papéis mais longos perderam atratividade por causa dos juros de curto prazo elevados e também da competição dos títulos isentos."

"O mercado ficou tão ruim que até o Tesouro não vem emitindo – e acaba não havendo demanda. Saíram todos aqueles fundos que eu já mencionei.

O benefício dessa isenção não está compensando ante o dano que ela está causando no mercado.

Não temos ainda uma medida específica, mas, passando o pleito eleitoral, há alguns caminhos possíveis para lidar com essa questão. Precisa haver uma conversa madura sobre como fazer essa transição sem que haja um impacto ruim.

Talvez nem todos falem abertamente, mas há praticamente um consenso de que isto não está bom e precisa mudar."

O fundo está derretendo mais que o IFIX, mas não tem nenhuma mudança de fundamento que justifique. Essa deterioração tem uns ~ 3 meses....

Veja que a querda é quase 2x pior que a do IFIX

https://preview.redd.it/aj8uibuduzjh1.png?width=1735&format=png&auto=webp&s=d911af6a3593bfc6208dfca90ca6d438baf34653

Notícias dos últimos 3 meses citando PCIP11 - nada cataclísmico

https://preview.redd.it/v6bam4vguzjh1.png?width=890&format=png&auto=webp&s=c100d44ad5c2847b90540243cc21023ac975f637

O fundo está derretendo mais que o IFIX, mas não tem nenhuma mudança de fundamento que justifique. Essa deterioração tem uns ~ 3 meses....

Veja que a querda é quase 2x pior que a do IFIX

Notícias dos últimos 3 meses citando PCIP11 - nada cataclísmico

Matéria do Financial Times de hoje mostra que através da criação de novas PJs para contrair as dívidas, as hyperscalers conseguem contrair dívida sem precisar lançar nos indicadores do balanço.

A apuração é do Goldman Sachs.

Trecho do Goldman

Existe um mantra que o investidor repete pra si mesmo com frequência: quem deixa o dinheiro em ações por tempo suficiente termina, com probabilidade altíssima, à frente de quem deixa no ativo livre de risco e com um belo lucro.

Essa lógica vale no Brasil?

Rodei as seguintes disputas: Ibovespa vs CDI (Brasil), S&P 500 Total Return (mesma lógica do IBOV pra ser comparável) vs T-Bill de 3 meses (EUA), e cada um dos quatro contra a inflação do seu país. Tudo em horizontes de 5, 10, 20 e 30 anos, com retornos mensais de agosto/1994 a junho/2026 (383 meses).

Por que começa em agosto/1994? O Plano Real é de julho/1994; antes dele a hiperinflação torna qualquer comparação sem sentido prático.

S&P 500 Total Return (o S&P 500 "normal" não conta dividendos); a versão Total Return reinveste e usá-la é obrigatório para a comparação ser justa com o Ibov. T-Bill 3 meses: o "caixa" americano; a série do FRED vem como taxa anualizada e foi convertida ao mês por (1+taxa)^(1/12)-1. IPCA e CPI-U: inflações oficiais.

    serie  media_m     dp_m autocor_1 cagr_nom cagr_real
     ibov 0.013052 0.080426  0.043854  0.12334  0.051059
      cdi 0.012086 0.007432  0.949252  0.15471  0.080402
     ipca 0.005570 0.004911  0.705718  0.06877        NA
 sp500_tr 0.009836 0.043479  0.003344  0.11196  0.084063
 tbill_us 0.001998 0.001715  0.994527  0.02422 -0.001482
   cpi_us 0.002126 0.003541  0.497931  0.02574        NA

No Brasil, no longo prazo, tudo bate o IPCA, o CDI bateu em 100% das janelas. Nos EUA, o caixa perdeu da inflação em todas as janelas de 30 anos (TBill real de -0,15%a.a. no período). Essa é a raiz da diferença: o americano precisa correr risco para não derreter; o brasileiro historicamente foi pago para não correr.

Régua da comparação: o "excesso" mensal

Para cada disputa, o estudo cria uma única série mensal: quanto o primeiro rendeu a mais que o segundo naquele mês, medido em log. Por quê? Retornos compostos se multiplicam (o acumulado de dois meses é (1+r₁)×(1+r₂)) e logtransforma multiplicação em soma. Daí uma propriedade que simplifica tudo: somar os excessos-log de uma janela dá exatamente o resultado da disputa acumulada. Se a soma em 120 meses é positiva, 1 BRL em ações virou mais do que 1 BRL no caixa naqueles 10 anos, juros compostos incluídos.

Um ponto que costuma confundir: nominal ou descontado da inflação dá no mesmo aqui. Deflacionar os dois lados pelo mesmo índice de preços faz a inflação cancelar na comparação. Por isso IPCA/CPI só entram nas disputas "ações vs inflação" e "caixa vs inflação".

Cenário A: o que de fato aconteceu (janelas sobrepostas)

Uma régua de 10 anos deslizando mês a mês sobre a série: ago/94-jl/04, set/94-ago/04, e assim por diante... 264 janelas de 10 anos. A fração em que as ações ganharam é a "frequência histórica" ("X" da figura 2).

A probabilidade de as ações acumularem mais que o caixa cai com o horizonte no Brasil: 41% em 5 anos, 36% em 10, 31% em 20, 28% em 30. Nos EUA, sobe: 86%,93%,98%, 99,4%. No histórico puro: das 24 janelas de 30 anos, o Ibov perdeu do CDI em todas; o S&P bateu o T Bill em todas (e em 100% das 144 janelas de 20 anos também).

A frequência histórica responde "o que aconteceu", não "o que esperar".

Figura 1 - histórica, sem simulação

Cenário B: o que poderia acontecer (bootstrap estacionário de Politis–Romano)

O bootstrap fabrica histórias sintéticas reembaralhando a real. Só que meses ruins vêm agrupados (2008, 2020) e o CDI muda devagar (a ordem tem informação). Por isso, usamos trechos no sorteio.

Sorteia-se um mês inicial qualquer; copia-se a história real dali em diante por um número aleatório de meses; pula-se para outro ponto sorteado e repete-se, emendando trechos até completar o horizonte (60, 120, 240 ou 360 meses).

O comprimento de cada trecho segue uma distribuição geométrica com média de 12 meses (Politis-Romano); a série é tratada como um anel (quem passa de jun/2026 continua em ago/1994, para todo mês ter a mesma chance de aparecer); e são gerados 10.000 caminhos por horizonte. A probabilidade estimada é a fração dos 10.000 em que a soma dos excessos deu positiva.

"Se o futuro for estatisticamente parecido com um reembaralhamento de 1994-2026, qual a chance de as ações acumularem mais que o caixa em h anos?"

Figura 2 - simulação justaposta a pontos históricos

Figura 3 - note que cada tipo de linha é uma duração de bloco e as cores são os países

Detalhe importante: calendário comum (Brasil e EUA): na comparação entre países, os mesmos sorteios valem para as duas séries: se o caminho simulado contém set/2008, contém set/2008 para os dois países ao mesmo tempo. Isso (1) preserva a dependência global (ex: 2008 e 2020 atingem os dois lados juntos) como na vida real; e (2) torna a diferença Brasil-EUA pareada: o ruído comum cancela.

Para sensibilidade, tudo é refeito com 6, 24 e 36 meses. As probabilidades mudam pouco e a ordenação Brasil × EUA não se altera. Além disso, tudo é refeito só com o pós-julho/1999 (câmbio flutuante + metas de inflação, o regime atual) e só com o pós-2003, para checar se o resultado é refém dos anos 90.

   subamostra n_meses horizonte_anos   p_BR  p_EUA
     completa     383              5 0.4157 0.8585
     completa     383             10 0.3647 0.9316
     completa     383             20 0.3106 0.9781
     completa     383             30 0.2678 0.9932
 pos_jul_1999     324              5 0.4473 0.8002
 pos_jul_1999     324             10 0.4128 0.8767
 pos_jul_1999     324             20 0.3768 0.9487
 pos_jul_1999     324             30 0.3529 0.9741
     pos_2003     282              5 0.5317 0.9055
     pos_2003     282             10 0.5432 0.9661
     pos_2003     282             20 0.5658 0.9950
     pos_2003     282             30 0.5836 0.9988

Mesmo recortando a amostra do jeito mais generoso com o Ibov (só pós-2003, sem câmbio âncora, sem 1998, sem 2002), a chance (p_) de as ações baterem o CDI em 30 anos fica em ~58% (cara-ou-coroa). Nos EUA, qualquer recorte dá 97-99,9%. Não é "ações às vezes ganham", é "o tempo torna a vitória quase certa" e isso NÃO vale no Brasil em nenhum recorte.

Riqueza terminal relativa

Além de "quem ganha", importa "por quanto". Em cada caminho calcula-se W_ações/W_caixa: quanto restou em ações para cada 1 BRL que o caixa teria virado. Reportam-se mediana, percentis 5/25/75/95, a probabilidade de terminar abaixo de 1 e, quando se perde, o tamanho médio do prejuízo. Isso mostra a assimetria que a probabilidade sozinha esconde: perder do CDI em 30 anos pode significar terminar com uma fração pequena do que o caixa daria.

Figura 4 - note que a mediana da riqueza terminal das ações sobre o caixa (CDI) é negativa e cada vez mais negativa com o tempo no Brasil

RIQUEZA TERMINAL RELATIVA 
 comparacao horizonte_anos      p5    p25 mediana    p75    p95
   BR_eq_rf              5 0.34366 0.6059  0.8823  1.280  2.148
   BR_eq_rf             10 0.20751 0.4492  0.7712  1.293  2.701
   BR_eq_rf             20 0.09493 0.2770  0.5819  1.207  3.422
   BR_eq_rf             30 0.04808 0.1839  0.4547  1.105  4.019
  EUA_eq_rf              5 0.77053 1.2052  1.5970  1.972  2.515
  EUA_eq_rf             10 0.90262 1.6306  2.3575  3.297  4.924
  EUA_eq_rf             20 1.44495 3.2079  5.4176  8.708 15.864
  EUA_eq_rf             30 2.47152 6.6206 12.4272 21.973 48.916
 prob_perder razao_media_se_perde
      0.5899               0.6454
      0.6358               0.5410
      0.6938               0.4213
      0.7245               0.3521
      0.1439               0.8037
      0.0683               0.7689
      0.0203               0.7594
      0.0060               0.7535

Quão FODA você tem que ser pra reverter isso na sua sua carteira?

Na janela mediana de 30 anos, o CDI acumulou 1,61× o Ibov. É por esse fator que o stock picker precisa multiplicar o resultado do índice só para empatar. No bootstrap, a mediana do alfa exigido fica em ~+2,5 a +2,8 pp/ano em todos os horizontes, e metade dos futuros reembaralhados exige mais de +3 pp/ano perpétuos. 

+1,6 a +2,8 pp/ano parece pouco... Alfa persistente dessa magnitude por décadas é fora da curva: Fama e French mostram que a distribuição de alfa verdadeiro líquido de fundos de ações é centrada em ~ZERO e mesmo o percentil de elite entrega +2 a +3 pp brutos. O SPIVA Brasil mostra ~80–90% dos fundos de ações ativos perdendo do índice em 10 anos,ou seja, a maioria dos profissionais tem alfa negativo, e o exigido aqui é positivo em 100% das janelas de 30 anos.

Buffett rendeu ~+9 pp/ano sobre o S&P por seis décadas (19,8% vs 10,2% a.a., 1965-2023). Em um quarto das janelas de 5 anos brasileiras, ser o Buffett não bastava para empatar com a renda fixa. A pior janela de 5 anos exigiu +30 pp/ano.

Figura 5 - quanto mais que o Ibov pra empatar o CDI

Figura 6 - para acompanhar o CDI o investidor de bolsa brasileiro precisa performar entre os gestores ativos de elite e Warren Buffet

Figura 7 - minha preferida: para cada nível de habilidade X, a chance de X não bastar. As quatro curvas cruzam os 50% em ~+2,6 pp/ano (ser \"elite\" tem a mesma chance que jogar a moedinha pro alto), e mesmo na altura do Buffett ainda restam 9% dos futuros de 30 anos (e 29% dos de 5 anos) em que ele perderia do CDI.

Isso é o alfa para EMPATAR, não para ganhar. Empatar com o CDI significa ter corrido volatilidade de ~28% a.a. (a do Ibov) por prêmio zero. Para ser compensado pelo risco digamos, CDI+3 a 5 pp, o prêmio que ações pagam em mercados normais some mais 3-5: o stock picker racional precisava de +5 a +8 pp/ano sobre o índice, consistentes por décadas.

E líquido de custos: via fundo, ~2% de administração (+20% de performance) comem o alfa antes de chegar em você; por conta própria, corretagem, spread e o seu tempo.

Conclusão:

Os EUA são diferentes do Brasil e não é porque a B3 é um lixo: o Ibov rendeu ~5% a.a. acima da inflação, bem OK, spread de bolsa desenvolvida... O que não existe em nenhum outro lugar é um ativo sem risco pagando ~8% a.a. reais por trinta anos. O americano que fica no caixa derrete (o T-Bill perdeu da inflação em 100% das janelas de 30 anos); o brasileiro foi muito bem pago para não correr risco.

A forma como Jeremy Siegel, Burton Malkiel, John Bogle, Eric Tyson e outros autores que divulgam finanças para o público geral enxergam renda variável é baseada na NYSE e NASDAQ. A lógica não é transplantável para o Brasil, infelizmente.

Limitações/observações:

(1) tudo sem custos e impostos. No Brasil o IR até ajudaria as ações (isenção de vendas até 20k/mês, sem come-cotas) contra o CDI tributado, então a conclusão não muda por isso;

(2) o estudo compara índices;

(3) cada país na sua própria moeda, que é o frame certo (investidor local vs o caixa dele).

(4) CPI-U: inflações oficiais; como o BLS não publicou o CPI de outubro/2025 (shutdown), a variação set-nov foi repartida igualmente entre os dois meses (a "ponte" geométrica foi o mesmo juro composto em cada um, -0,104%). Afeta 2 dos 383 meses...

Fontes dos dados:

API Mais Retorno (Ibov, CDI, IPCA, SP500 TR)

https://fred.stlouisfed.org/series/TB3MS

https://fred.stlouisfed.org/data/tb3ms

https://fred.stlouisfed.org/series/CPIAUCNS

https://fred.stlouisfed.org/data/CPIAUCNS

Ferramente estatística: RStudio 2026.06.0+242 "Blue Plumbago"

Existe um mantra que o investidor repete pra si mesmo com frequência: quem deixa o dinheiro em ações por tempo suficiente termina, com probabilidade altíssima, à frente de quem deixa no ativo livre de risco e com um belo lucro.

Essa lógica vale no Brasil?

Rodei as seguintes disputas: Ibovespa vs CDI (Brasil), S&P 500 Total Return (mesma lógica do IBOV pra ser comparável) vs T-Bill de 3 meses (EUA), e cada um dos quatro contra a inflação do seu país. Tudo em horizontes de 5, 10, 20 e 30 anos, com retornos mensais de agosto/1994 a junho/2026 (383 meses).

Por que começa em agosto/1994? O Plano Real é de julho/1994; antes dele a hiperinflação torna qualquer comparação sem sentido prático.

S&P 500 Total Return (o S&P 500 "normal" não conta dividendos); a versão Total Return reinveste e usá-la é obrigatório para a comparação ser justa com o Ibov. T-Bill 3 meses: o "caixa" americano; a série do FRED vem como taxa anualizada e foi convertida ao mês por (1+taxa)^(1/12)-1. IPCA e CPI-U: inflações oficiais.

    serie  media_m     dp_m autocor_1 cagr_nom cagr_real
     ibov 0.013052 0.080426  0.043854  0.12334  0.051059
      cdi 0.012086 0.007432  0.949252  0.15471  0.080402
     ipca 0.005570 0.004911  0.705718  0.06877        NA
 sp500_tr 0.009836 0.043479  0.003344  0.11196  0.084063
 tbill_us 0.001998 0.001715  0.994527  0.02422 -0.001482
   cpi_us 0.002126 0.003541  0.497931  0.02574        NA

No Brasil, no longo prazo, tudo bate o IPCA, o CDI bateu em 100% das janelas. Nos EUA, o caixa perdeu da inflação em todas as janelas de 30 anos (TBill real de -0,15%a.a. no período). Essa é a raiz da diferença: o americano precisa correr risco para não derreter; o brasileiro historicamente foi pago para não correr.

Régua da comparação: o "excesso" mensal

Para cada disputa, o estudo cria uma única série mensal: quanto o primeiro rendeu a mais que o segundo naquele mês, medido em log. Por quê? Retornos compostos se multiplicam (o acumulado de dois meses é (1+r₁)×(1+r₂)) e logtransforma multiplicação em soma. Daí uma propriedade que simplifica tudo: somar os excessos-log de uma janela dá exatamente o resultado da disputa acumulada. Se a soma em 120 meses é positiva, 1 BRL em ações virou mais do que 1 BRL no caixa naqueles 10 anos, juros compostos incluídos.

Um ponto que costuma confundir: nominal ou descontado da inflação dá no mesmo aqui. Deflacionar os dois lados pelo mesmo índice de preços faz a inflação cancelar na comparação. Por isso IPCA/CPI só entram nas disputas "ações vs inflação" e "caixa vs inflação".

Cenário A: o que de fato aconteceu (janelas sobrepostas)

Uma régua de 10 anos deslizando mês a mês sobre a série: ago/94-jl/04, set/94-ago/04, e assim por diante... 264 janelas de 10 anos. A fração em que as ações ganharam é a "frequência histórica" ("X" da figura 2).

A probabilidade de as ações acumularem mais que o caixa cai com o horizonte no Brasil: 41% em 5 anos, 36% em 10, 31% em 20, 28% em 30. Nos EUA, sobe: 86%,93%,98%, 99,4%. No histórico puro: das 24 janelas de 30 anos, o Ibov perdeu do CDI em todas; o S&P bateu o T Bill em todas (e em 100% das 144 janelas de 20 anos também).

A frequência histórica responde "o que aconteceu", não "o que esperar".

Figura 1 - histórica, sem simulação

Cenário B: o que poderia acontecer (bootstrap estacionário de Politis–Romano)

O bootstrap fabrica histórias sintéticas reembaralhando a real. Só que meses ruins vêm agrupados (2008, 2020) e o CDI muda devagar (a ordem tem informação). Por isso, usamos trechos no sorteio.

Sorteia-se um mês inicial qualquer; copia-se a história real dali em diante por um número aleatório de meses; pula-se para outro ponto sorteado e repete-se, emendando trechos até completar o horizonte (60, 120, 240 ou 360 meses).

O comprimento de cada trecho segue uma distribuição geométrica com média de 12 meses (Politis-Romano); a série é tratada como um anel (quem passa de jun/2026 continua em ago/1994, para todo mês ter a mesma chance de aparecer); e são gerados 10.000 caminhos por horizonte. A probabilidade estimada é a fração dos 10.000 em que a soma dos excessos deu positiva.

"Se o futuro for estatisticamente parecido com um reembaralhamento de 1994-2026, qual a chance de as ações acumularem mais que o caixa em h anos?"

Figura 2 - simulação justaposta a pontos históricos

Figura 3 - note que cada tipo de linha é uma duração de bloco e as cores são os países

Detalhe importante: calendário comum (Brasil e EUA): na comparação entre países, os mesmos sorteios valem para as duas séries: se o caminho simulado contém set/2008, contém set/2008 para os dois países ao mesmo tempo. Isso (1) preserva a dependência global (ex: 2008 e 2020 atingem os dois lados juntos) como na vida real; e (2) torna a diferença Brasil-EUA pareada: o ruído comum cancela.

Para sensibilidade, tudo é refeito com 6, 24 e 36 meses. As probabilidades mudam pouco e a ordenação Brasil × EUA não se altera. Além disso, tudo é refeito só com o pós-julho/1999 (câmbio flutuante + metas de inflação, o regime atual) e só com o pós-2003, para checar se o resultado é refém dos anos 90.

   subamostra n_meses horizonte_anos   p_BR  p_EUA
     completa     383              5 0.4157 0.8585
     completa     383             10 0.3647 0.9316
     completa     383             20 0.3106 0.9781
     completa     383             30 0.2678 0.9932
 pos_jul_1999     324              5 0.4473 0.8002
 pos_jul_1999     324             10 0.4128 0.8767
 pos_jul_1999     324             20 0.3768 0.9487
 pos_jul_1999     324             30 0.3529 0.9741
     pos_2003     282              5 0.5317 0.9055
     pos_2003     282             10 0.5432 0.9661
     pos_2003     282             20 0.5658 0.9950
     pos_2003     282             30 0.5836 0.9988

Mesmo recortando a amostra do jeito mais generoso com o Ibov (só pós-2003, sem câmbio âncora, sem 1998, sem 2002), a chance (p_) de as ações baterem o CDI em 30 anos fica em ~58% (cara-ou-coroa). Nos EUA, qualquer recorte dá 97-99,9%. Não é "ações às vezes ganham", é "o tempo torna a vitória quase certa" e isso NÃO vale no Brasil em nenhum recorte.

Riqueza terminal relativa

Além de "quem ganha", importa "por quanto". Em cada caminho calcula-se W_ações/W_caixa: quanto restou em ações para cada 1 BRL que o caixa teria virado. Reportam-se mediana, percentis 5/25/75/95, a probabilidade de terminar abaixo de 1 e, quando se perde, o tamanho médio do prejuízo. Isso mostra a assimetria que a probabilidade sozinha esconde: perder do CDI em 30 anos pode significar terminar com uma fração pequena do que o caixa daria.

Figura 4 - note que a mediana da riqueza terminal das ações sobre o caixa (CDI) é negativa e cada vez mais negativa com o tempo no Brasil

RIQUEZA TERMINAL RELATIVA 
 comparacao horizonte_anos      p5    p25 mediana    p75    p95
   BR_eq_rf              5 0.34366 0.6059  0.8823  1.280  2.148
   BR_eq_rf             10 0.20751 0.4492  0.7712  1.293  2.701
   BR_eq_rf             20 0.09493 0.2770  0.5819  1.207  3.422
   BR_eq_rf             30 0.04808 0.1839  0.4547  1.105  4.019
  EUA_eq_rf              5 0.77053 1.2052  1.5970  1.972  2.515
  EUA_eq_rf             10 0.90262 1.6306  2.3575  3.297  4.924
  EUA_eq_rf             20 1.44495 3.2079  5.4176  8.708 15.864
  EUA_eq_rf             30 2.47152 6.6206 12.4272 21.973 48.916
 prob_perder razao_media_se_perde
      0.5899               0.6454
      0.6358               0.5410
      0.6938               0.4213
      0.7245               0.3521
      0.1439               0.8037
      0.0683               0.7689
      0.0203               0.7594
      0.0060               0.7535

Quão FODA você tem que ser pra reverter isso na sua sua carteira?

Na janela mediana de 30 anos, o CDI acumulou 1,61× o Ibov. É por esse fator que o stock picker precisa multiplicar o resultado do índice só para empatar. No bootstrap, a mediana do alfa exigido fica em ~+2,5 a +2,8 pp/ano em todos os horizontes, e metade dos futuros reembaralhados exige mais de +3 pp/ano perpétuos. 

+1,6 a +2,8 pp/ano parece pouco... Alfa persistente dessa magnitude por décadas é fora da curva: Fama e French mostram que a distribuição de alfa verdadeiro líquido de fundos de ações é centrada em ~ZERO e mesmo o percentil de elite entrega +2 a +3 pp brutos. O SPIVA Brasil mostra ~80–90% dos fundos de ações ativos perdendo do índice em 10 anos,ou seja, a maioria dos profissionais tem alfa negativo, e o exigido aqui é positivo em 100% das janelas de 30 anos.

Buffett rendeu ~+9 pp/ano sobre o S&P por seis décadas (19,8% vs 10,2% a.a., 1965-2023). Em um quarto das janelas de 5 anos brasileiras, ser o Buffett não bastava para empatar com a renda fixa. A pior janela de 5 anos exigiu +30 pp/ano.

Figura 5 - quanto mais que o Ibov pra empatar o CDI

Figura 6 - para acompanhar o CDI o investidor de bolsa brasileiro precisa performar entre os gestores ativos de elite e Warren Buffet

Figura 7 - minha preferida: para cada nível de habilidade X, a chance de X não bastar. As quatro curvas cruzam os 50% em ~+2,6 pp/ano (ser \"elite\" tem a mesma chance que jogar a moedinha pro alto), e mesmo na altura do Buffett ainda restam 9% dos futuros de 30 anos (e 29% dos de 5 anos) em que ele perderia do CDI.

Isso é o alfa para EMPATAR, não para ganhar. Empatar com o CDI significa ter corrido volatilidade de ~28% a.a. (a do Ibov) por prêmio zero. Para ser compensado pelo risco digamos, CDI+3 a 5 pp, o prêmio que ações pagam em mercados normais some mais 3-5: o stock picker racional precisava de +5 a +8 pp/ano sobre o índice, consistentes por décadas.

E líquido de custos: via fundo, ~2% de administração (+20% de performance) comem o alfa antes de chegar em você; por conta própria, corretagem, spread e o seu tempo.

Conclusão:

Os EUA são diferentes do Brasil e não é porque a B3 é um lixo: o Ibov rendeu ~5% a.a. acima da inflação, bem OK, spread de bolsa desenvolvida... O que não existe em nenhum outro lugar é um ativo sem risco pagando ~8% a.a. reais por trinta anos. O americano que fica no caixa derrete (o T-Bill perdeu da inflação em 100% das janelas de 30 anos); o brasileiro foi muito bem pago para não correr risco.

A forma como Jeremy Siegel, Burton Malkiel, John Bogle, Eric Tyson e outros autores que divulgam finanças para o público geral enxergam renda variável é baseada na NYSE e NASDAQ. A lógica não é transplantável para o Brasil, infelizmente.

Limitações/observações:

(1) tudo sem custos e impostos. No Brasil o IR até ajudaria as ações (isenção de vendas até 20k/mês, sem come-cotas) contra o CDI tributado, então a conclusão não muda por isso;

(2) o estudo compara índices;

(3) cada país na sua própria moeda, que é o frame certo (investidor local vs o caixa dele).

(4) CPI-U: inflações oficiais; como o BLS não publicou o CPI de outubro/2025 (shutdown), a variação set-nov foi repartida igualmente entre os dois meses (a "ponte" geométrica foi o mesmo juro composto em cada um, -0,104%). Afeta 2 dos 383 meses...

Fontes dos dados:

API Mais Retorno (Ibov, CDI, IPCA, SP500 TR)

https://fred.stlouisfed.org/series/TB3MS

https://fred.stlouisfed.org/data/tb3ms

https://fred.stlouisfed.org/series/CPIAUCNS

https://fred.stlouisfed.org/data/CPIAUCNS

Ferramente estatística: RStudio 2026.06.0+242 "Blue Plumbago"

On Polymarket, each binary market has a “Yes” contract that pays 1 USD if the event occurs and zero if it does not. If that contract is traded at 0.70, the market is implicitly saying: “this has a ~70% chance”.

Does this price really behave as a probability?

Real predictive power requires three components:

1. Discrimination: do higher prices correspond to outcomes that occur more often?

2. Calibration: is the number correct? Among all contracts at ~70 cents, do about 70% come true?

3. Skill: does the market beat a “guess”?

The three things can fail separately, which is why each receives its own metric.

With 13.4 million price points and dozens of possible cuts, there will always exist some cut with a “significant” result by pure chance. The defence is to decide everything before looking at the outcomes:

1. A single primary hypothesis: on the 24 h horizon, the Brier Skill Score (BSS) against climatology (“guess”) is greater than zero in markets closed before 2026.

2. Holdout: the 2026 markets were locked out of all analyses and were only opened at the end, as proof.

Data collection uses two APIs with distinct roles. First, the Gamma API supplies the catalogue: 756,517 closed markets with volume ≥ 1,000 USD. Then the CLOB API supplies the price trajectory of each selected market with daily granularity over its lifetime and fine (60-minute) resolution.

Because collecting the trajectory of 756 thousand markets would be infeasible, the study defines four frames:

Frame A (the primary sample): a census of everything with volume ≥ 200K USD. 46,910 markets. All of them, without sampling, so there is no sampling error here.

Frame B: a historical census of everything ≥ 10K USD up to 2024 (8,116), to provide temporal depth when the platform was smaller.

Frame D: the 15,295 “siblings” that complete the groups of mutually exclusive outcomes initiated by A.

Frame C: 12,000 markets drawn from the 10-200K band of 2025-26, a fraction of 4.31% of that band. Each drawn market receives a weight of 23.2 (= 1/0.0431): in practice it “stands for” ~23 similar markets that were not collected.

Age rule: the last trade cannot be too old. At most 6 h of age for short horizons (h ≤ 24 h) and 24 h for the long ones. This prevents a price from three days earlier being treated as “the price one hour from the end”. Sensitivity analysis shows that removing this rule changes nothing, i.e. it was not driving the result.

Cleaning: (a) the “truth” is the final outcomePrices (1/0); voided markets, which resolve 0.5/0.5, are discarded and counted (3,325); (b) degenerates (price > 0.99 or < 0.01 at the horizon) are excluded from the primary analysis. Many markets are already de facto decided hours before official resolution (UMA’s closedTime may arrive after the outcome is public). Including thousands of “0.995 happened” predictions artificially inflates the score. With degenerates included, the BSS almost doubles (0.231 to 0.428) and the AUC jumps to 0.885.

The Brier score is as follows: if you predicted p and the outcome was y (1 or 0), the error is (p - y)². Example: predicted 0.7 and it occurred: (0.7- 1)² = 0.09; it did not occur: (0.7 - 0)² = 0.49. Lower is better.

But is 0.191 (the market’s Brier at 24 h) good or bad? The chosen benchmark is climatology: always predict the sample base rate. Because the base rate here is close to 50%, the benchmark errs by around 0.25. The Brier Skill Score is the percentage reduction in error: BSS = 1 - (market Brier / climatology Brier).

The primary test yielded BSS = 0.231, with a 95% confidence interval [0.215; 0.246] via clustered bootstrap. The market cuts 23% of the error of someone who knows only the base rate, and the interval sits comfortably far from zero. The Diebold-Mariano test confirms from another angle: it computes, observation by observation, the difference in error between market and benchmark, and tests whether the mean of those differences is zero, a form of paired t-test for forecasts, with clustered standard errors. It gave t = -28.5 (anything beyond ±2 is already notable). Detail: the 24 h price also beats the market’s own opening price (t = -21.7), demonstrating that prices incorporate new information over the life of the contract.

Murphy’s decomposition also enters here; it partitions the Brier into three pieces: uncertainty (how unpredctable the world is), minus resolution (RES: how much knowing the price shifts the outcome frequency away from the base rate), plus reliability (REL: the penalty for miscalibration). The finding: REL is tiny on every horizon (0.0005 to 0.0034, against a Brier of ~0.19). Inference: almost all of the market’s remaining error comes from the world being genuinely uncertain, not from the numbers being distorted.

The AUC randomly draws one market whose outcome occurred and one whose outcome did not; the AUC is the probability that the first is priced higher than the second. 0.5 = coin-toss ranking; 1.0 = perfect ranking. At 24 h the aggregate is 0.77 and politics alone reaches 0.94!

The table by horizon presents an apparent paradox: AUC and BSS rise as the horizon lengthens (0.77 at 24 h versus 0.90 at 90 d). Does the market forecast better with greater lead time? No, it is a composition effect: at 30-90 days from resolution only long-lived markets exist (politics, geopolitics), which are precisely the most predictable; short-duration ball games do not even exist on those horizons. Within the same market, Brier loss decreases by 0.0225 per log-horizon as resolution approaches.

The reliability diagram: in the 24 h, 3 d and 7 d panels the low-price points systematically lie above the diagonal contracts in the 10-cent range won 12.7&#37; of the time (n = 797), and in the 30-cent range 34.6&#37; (n = 1,054) while the high-price ones lie slightly below (at ~0.80, frequency ~0.76; in the 7 d panel the 0.90 bin visibly sinks to ~0.81). In the 30 d panel (n = 5,363) the points hug the diagonal, with wider error bars owing to the smaller n.

The problem with the diagram is its dependence on an arbitrary choice of bins. Hence Cox recalibration: a logistic regression of the outcome on the price on the logit scale (the log-odds scale that “stretches” the extremes). The slope coefficient beta becomes a single-number ruler: beta= 1 means perfect calibration; beta < 1 means prices that are too extreme (reality is more central than the price claims, so longshots win more often than they cost and favourites less); beta > 1 means prices that are too timid. A spline checks that the shape of the relationship does not distort this ruler.

From 6 h to 7 d, beta stays in the range 0.81-0.88 with intervals that do not touch 1 (at 24 h: beta= 0.88, standard error 0.023, five standard errors below 1); at 30 and 90 days, beta = 0.99 and 1.02, statistically perfect; and at 1 h the anomaly beta= 1.74 appears with a huge interval [~1.15; 2.33], in the final hour, among the few 575 markets still contested (the rest have already become degenerates), prices are too timid and have not yet converged on what reality has almost decided.

https://preview.redd.it/7kdbdu9ynlfh1.png?width=1050&format=png&auto=webp&s=1aba4745ed43f6fd82405c344141f082a7de2747

The pattern is the inverse of the classic favourite-longshot bias of bookmakers (where the longshot is usually expensive); here the longshot is cheap and the favourite slightly expensive, with a crossover point at p ≈ 0.68 in the fitted model; the magnitude of the deviation (3 to 4 cents on the longshots) is of the order of the spread plus the cost of capital locked until resolution, so it is not an arbitrage opportunity.

On Polymarket, “Who wins the election?” becomes a negRisk group: one binary market per candidate, mechanically linked. The sum of the group’s prices should equal 1; the observed value was 1.010, an overround of ~1%, the “house margin”. For the test the prices are normalised (divided by the group sum), converting them into probabilities that sum exactly to 1. In binary calibration, by contrast, raw prices are used because that is the price a buyer actually pays. Pre-specified filters: only complete groups (Frame D), with K ≥ 3 outcomes, a single winner and favourite ≤ 0.99.

The test: under the hypothesis of honest prices, the favourite of group i wins with probability pᵢ (its normalised price). The total number of favourite wins, W, is then the sum of 1,676 “biased coins”, each with its own bias, and this sum follows the Poisson-binomial distribution. “Exact” means that the distribution of W was computed precisely (without normal approximation), which allows an exact p-value.

Result: observed W= 1,080 wins against E[W] = 1,083.9 expected (64.4% vs 64.7%). The two-sided p-value is 0.85, i.e. the observed data are absolutely typical under the honesty hypothesis; there is not the slightest sign of bias. This holds across all horizons (p between 0.11 and 0.94 from 1 h to 90 d) and in the 2026 holdout (p = 1.00).

https://preview.redd.it/24dfvtrnnlfh1.png?width=975&format=png&auto=webp&s=2e640a14b2025d7470ada614ba79cec578df2ddd

An election with 12 candidates generates 12 rows in the panel, but it is a single draw of reality and, worse, the outcomes are mechanically linked (exactly one wins). Treating the rows as independent would produce spuriously narrow confidence intervals.

The solution, applied throughout, is to cluster by event. In the clustered bootstrap, instead of resampling rows, entire events are resampled (with replacement), carrying all their rows together; the statistic is recomputed thousands of times; the confidence interval is taken from the percentiles of those replications.

And when many strata are tested simultaneously (next step), the Benjamini-Hochberg correction enters: if one runs dozens of tests one expects some “significant” results by chance; BH controls the expected fraction of false discoveries among the findings. After the correction, miscalibration survives in crypto and in the central quintiles of spread/volume.

The stratified analysis (h = 24 h) shows where quality resides: politics is nearly perfect (BSS 0.58; AUC 0.94; beta 1.04); sports have little skill (BSS 0.12; AUC 0.69); crypto is the most “extremist” category (beta 0.74). Tight spreads travel with quality, but this is association, not causation.

The analysis by era yields the most provocative finding: Polymarket up to 2024 was calibrated and more skilful (beta 1.06-1.09; BSS 0.40-0.44); that of 2025 and the 2026 holdout are larger, faster and worse (beta 0.85 and 0.84; BSS 0.21 and 0.17). Aggregate deterioration could be merely a change of mix (politics fell from 25% to 4% of the sample; sports + crypto rose from 50% to ~69%). The deterioration survives inside sports, crypto and “others”.

What do you guys think?

Source: couple of Polymarket APIs

Stats tool: Python/Spyder(conda)

Antes de começar, é necessária deixar um ponto resolvido: o que é investimento?

De acordo com Oxford Dictionary of Finance and Banking:

>"investimento 1. A compra de bens de capital, como instalações e maquinário em uma fábrica, com o objetivo de produzir bens para consumo futuro. Isso é conhecido como investimento de capital; quanto maior o nível de investimento de capital em uma economia, mais rápido ela crescerá. 2. A compra de ativos, como títulos e valores mobiliários, obras de arte, depósitos em bancos e em sociedades de crédito imobiliário (building societies) etc., tendo em vista, primordialmente, seu retorno financeiro, seja na forma de renda, seja na forma de ganho de capital. Essa modalidade de investimento financeiro representa um meio de poupança."

Pela definição 1, comprar carro parar entregar pães de uma padaria é investimento. O veículo de entrega é um bem durável que a empresa utiliza repetidamente como meio de produção e a "produção", em economia, inclui a distribuição.

No entanto, para uma família que compra para uso pessoal, o carro é consumo (bem de consumo durável).

Mas e a definição 2? Carros geram "renda" ou "ganho de capital"? Como para uso próprio, o carro não gera renda, o que nos resta é o capital (preço/valor do carro).

Usando os dados da tabela Fipe, 5,5 milhões de observações que geram os 5.462.859 pares do título, fiz um índice de pares casados: compara o mesmo veículo com ele mesmo no mês anterior e agrega as variações. Para cada carro usado (código FIPE + combustível + ano-modelo), calcula-se a variação % do preço vs. o mês anterior. As variações de todos os carros do mês são agregadas por média, média aparada 10% e mediana. A mediana é encadeada num índice base 100. Depois ainda colocamos a inflação (IPCA) nas contas. Excluí carros ZERO nessa etapa, ou seja, não temos aqui o "tombo" de "tirar da concessionária". (O veículo 0 km da FIPE não envelhece. A variação mês a mês dele mede só o reajuste de tabela do carro novo. Misturar os dois contaminaria o índice com objetos diferentes.)

Variações de todos os carros do mês são agregadas por média, média aparada 10&#37; e mediana. Destacada a distorção da pandemia.

Vemos que a \"valorização\" da pandemia foi ilusória quando considerada a inflação do período.

Comparação com componente de carro usado do IPCA mostra que nosso índice \"faz sentido\"

Aqui o teórico buy and hold de ym carro usado nominal e deflacionado. Base 100.

Mas ninguém compra um carro e "segura" por ~ 20 anos. Por isso, rodei janelas de 12, 24 e 36 meses com a perda nominal e real. Exemplo: compra um carro em 2010 e vende 12 meses depois em 2011, compra em 2010 e vende 24 meses depois em 2012, e assim sucessivamente...

No eixo X o ano FINAL das janelas de 12, 24 e 36 meses. Mais uma vez, destacada a pandemia.

Tabela detalhada das janelas móveis

O melhor resultado de uma janela de 36 meses foi perder 8,9% acima da inflação. Só a janela de 12 meses chegou a ficar positiva em termos reais, e por pouco: +1,9% no pico, vendendo em maio de 2022. Toda a janela de oportunidade durou 8 meses (vendas entre dez/2021 e jul/2022) em 25 anos de série.

No nominal, o COVID criou uma ilusão de ganho: +14% em 12 meses (mai/2022) e até +11% em 36 meses. É o fenômeno "meu carro valorizou" verdadeiro em reais correntes, falso descontada a inflação.

Regra de bolso que podemis inferir: 1 ano de posse custa ~8% do valor real do carro; 2 anos, ~15%; 3 anos, ~22%.

Agora o carro zero...

Na mesma tabela e no mesmo mês, muitos modelos (229 mil pares ao longo de 25 anos) têm o preço 0 km e o preço usado do ano-modelo vigente. A razão entre os dois é a resposta empírica à pergunta: "quanto o carro perde ao sair da loja?"

Usado versus o mesmo modelo zero km nomesmo mês da tabela Fipe. Tirar o carro da loja apara na mediana 10,2&#37; do preço.

Mediana histórica: o usado do ano vale 10,2% menos que o 0 km de tabela. Metade dos casos fica entre -12,5% e -8,4%.

O desconto não é constante: comprimiu até -4,0% em fev/2022 (auge da falta de carro novo, o usado do ano chegou a valer 96% da tabela do zero) e hoje está de volta a -10% (mediana de 2026: -9,9%).

E por fim, quanto vale o usado de "k" anos versus o zero km equivalente?

Aqui o usado versus o mesmo modelo zero de acordo com a idade do usado. Começa em 90&#37; porque o carro perde ~10&#37; do valor ao zero (saindo da loja).

Ressalva epistemológica: um carro de 15-25 anos só entra na conta se o modelo ainda é vendido novo naquele mês então a cauda da curva é dominada por modelos de ciclo longo (Corolla, Gol, etc.).

O mito dos "20% ao sair da loja" é exagerado frente aos dados. O usado do ano vale 89,8% (perda de ~10,2%), e a perda só cruza os 20% entre o primeiro e o segundo ano de idade.

O ritmo é de ~7-8 pontos percentuais por ano nos primeiros 3 anos, depois desacelera: dos 3 aos 10 anos o carro perde outros ~34 p.p., e depois dos 15 anos a curva quase estabiliza. Carro de 20 e de 25 anos valem quase o mesmo (16% vs 13%).

A banda P25-P75 abre com a idade: em carros de 10 anos, o quartil resistente retém 43% e o frágil 27%. É onde a escolha do modelo mais importa.

Conclusão: carro de família não é investimento, é bem de consumo, igual calça jeans e protetor solar. Não racionalize: você quer pagar 400K pro carro soprar ventinho pelos furinhos do couro do banco, paga, mas não finge que tem um motivo XPTO financeiro ou que o dinheiro vai ser de alguma forma recuperado depois.

Fontes: Fontes: fipeX (dump da Tabela FIPE), IBGE/SIDRA (IPCA subitem 5102020), BACEN/SGS série 433 (IPCA geral).

Ferramenta estatística: Spyder version: 6.1.5 (conda) Python version: 3.13.9 64-bit

Já fiz dois posts sobre imóveis (este e este), esse expande os dois anteriores, mas nenhum dos 3 posts precisa do outro para ser entendido.

Vou avaliar cidades específicas a partir dos dados do FipeZAP e decidi começar pela capital, mais especificamente, o Distrito Federal.

Basicamente trabalhei com a variação em 12 meses dos preços dos imóveis nos anúncios como proxy dos retornos do preço do m2 e o rental yield derivado dos anúncios como proxy do rental yield real. A junção das duas coisas leva um proxy de retorno composto do imóvel (aluguel + valor do imóvel).

Disclosure inicial: Todos os cálculos foram feitos livres de impostos e custos. Usei índices de referencia e não ETFs. Ou seja, na prática, todos os retornos aqui descritos seriam piores do que descrito. De modo geral a carga tributária sobre imóveis (ciclo de compra, posse/aluguel e venda) é maior do que a que incide sobre ETFs para o investidor pessoa física no Brasil. Sendo assim, eu AJUDEI os imóveis aqui e vocês vão ver como isso acentua os achados da análise.

1. As medianas dos retornos das var. de 12 meses do preço dos imóveis no DF (0,7% a 3,9% conforme o dormitório) ficam bem abaixo da inflação mediana (~5-6%), e a do comercial é negativa (-1,4%). Investir em imóveis no DF e consumir a renda dos aluguéis pode levar a perda do poder de compra do principal (dinheiro imobilizado nos imóveis) ao longo dos anos.

https://preview.redd.it/g0247mfonkeh1.png?width=960&format=png&auto=webp&s=fe39674abb99fff0c9ced972a72b1e1b8f4c1dc4

2. As medianas dos rental yields no DF (FipeZAP) ficam abaixo da inflação mediana do brasil (~5-6%) para os residencias e próxima para os comerciais. Vou falar mais sobre isso mais para frente.

https://preview.redd.it/dv9g755qnkeh1.png?width=840&format=png&auto=webp&s=b16cb564b90f6982f2bd8cfbb96f9c7ee5be8241

3. Na janela 2014-2026, investir 100 reais em imóvei residenciais no DF e reinvestir os proventos levaria uma capital menor do que ter investido no IMA-B 5, IBOV, CDI ou IFIX. No entanto, esse patrimônio teria o poder de compra preservado. Os aluguéis compostos perderiam para o IPCA.

https://preview.redd.it/pbcv0mernkeh1.png?width=1080&format=png&auto=webp&s=93a9c82ef694b003fdf69b89c842d40ab27db9be

4. Na janela 2018-2026, investir 100 reais em imóvei comerciais no DF e reinvestir os proventos levaria uma capital menor do que ter investido no IMA-B 5, IBOV, CDI ou IFIX. Além disso, esse patrimônio teria perdido o poder de compra devido a desvalorização do m2 frente á inflação. Os aluguéis compostos ganhariam do o IPCA, mas não a ponto de "salvar" o retorno composto (a queda do preço do imóvel puxa muito pra baixo).

https://preview.redd.it/eq9w2hjsnkeh1.png?width=1080&format=png&auto=webp&s=e9008e6e0abf00fa99caf9b52f5ec62b58628692

5. Analisando múltiplas janelas de 36 meses reais para os imóveis residenciais podemos ver que há momentos em que o retorno composto (aluguel + preço do m2) "bate" IMA-B 5, IBOV, CDI ou IFIX.

https://preview.redd.it/lac0nc0unkeh1.png?width=1080&format=png&auto=webp&s=cbc2b5a3161f987b7428dd9e6b26684bcc8f69d1

6. Analisando múltiplas janelas de 36 meses reais para os imóveis comerciais podemos ver que há momentos em o esse retorno composto (aluguel + preço do m2) "bate" IBOV, CDI ou IFIX, mas estes são bem mais raros do que no residencial. O IMA-B 5 NUNCA foi superado pelo imóveis comerciais em janelas de 36 ou 60 meses.

https://preview.redd.it/pc86wp3vnkeh1.png?width=1080&format=png&auto=webp&s=cabc54adac0ebce50159b91b911a5a0f981446f0

7. Fiz simulações de bootstrap para estimar as probabilidades dos retornos dos imóveis baterem cada índice em janelas de durações diversas. Claramente a sorte não está do lado dos imóveis, no máximo dá pra dizer que os imóveis RESIDENCIAIS tem algum grau de potencial como hedge inflacionário...

https://preview.redd.it/qi0jrxiwnkeh1.png?width=1080&format=png&auto=webp&s=e19ed1a6259ec2ed9de10727bc8c93707982b38f

https://preview.redd.it/04n6xv3znkeh1.png?width=1080&format=png&auto=webp&s=d9a60e7884304ed56718bc6182465c4003866cc6

8. Esses resultados ruins parecem ser atribuídos a um m2 que perdeu valor consistentemente frente à inflação nos últimos ~ 10 anos e um aluguel que andou de lado.

https://preview.redd.it/fup7o1f0okeh1.png?width=1080&format=png&auto=webp&s=bbcea4c1816851b02d4449c8df973a54173b0426

9. Como em outras capitais, o rental yield do DF vem subindo, o que bate com a queda do m2. Afinal, o rental yield tem o preço do imóvel como denominador.

https://preview.redd.it/wrddrrp1okeh1.png?width=960&format=png&auto=webp&s=e07f7ad1b35982aad94b16bac4f04e6ea006b700

https://preview.redd.it/izg2jyzcokeh1.png?width=1080&format=png&auto=webp&s=1705a5ba2fc714ad33663275d23fcecc9086d71e

10. O rental yield persegue o juro real na tendência e ainda está abaixo dele (6,6% vs ~9,7% a.a. hoje). Já o aluguel (nível) acompanha o IPCA a duras penas e perde do IGP-M no acumulado.

https://preview.redd.it/3fludzf3okeh1.png?width=1080&format=png&auto=webp&s=842342cd21a237f97c87aeb040298702c506c23a

https://preview.redd.it/aqnfajz6okeh1.png?width=1080&format=png&auto=webp&s=c1c41506b5bf05cbe306984b427503200110a5eb

11. O DF é muito heterogêneo e muitos poderiam dizer que estes resultados estão contaminados por regiões ruins, pobres, violentas, desvalorizadas, etc. Sendo assim, a partir de todos os boletins do Secovi-DF tentei reconstituir a tabela do FipeZAP para algumas regiões nobres e de mercado imobiliário aquecido no DF (redditors do DF, me corrijam se eu falar muita merda!). Segue breve resumo abaixo de cada região:

Asa Norte

População: ~118 K habitantes

Renda: alta (domiciliar média ~R$ 11 K; per capita ~R$ 6 K)

IDH: ~0,957 (muito alto)

Perfil: classes A/B predominantes, muitos servidores públicos e estudantes (próximo à UnB), idade média ~40 anos, superquadras planejadas, excelente infraestrutura e qualidade de vida

Asa Sul

População: ~120 K habitantes

Renda: alta (similar ou ligeiramente superior à Asa Norte; uma das maiores proporções de classes A/B do Brasil, ~94%)

IDH: ~0,95-0,957 (muito alto)

Perfil: mais tradicional e envelhecida que a Asa Norte (maior proporção de idosos e mulheres), alto padrão, infraestrutura completa

Águas Claras

População: ~120-142 K habitantes (crescimento rápido)

Renda: média-alta (média da população ~R$ 5,8-6,1 K; domiciliar superior à média do DF)

IDH: ~0,956 (muito alto)

Perfil: classe média-alta, altamente verticalizada, alta escolaridade (~75% com superior completo), população mais jovem-adulta (idade média ~36 anos), moderna e dinâmica

Lago Sul

População: ~27 K habitantes

Renda: a mais alta do DF (domiciliar média ~R$ 29,8 K; per capita ~R$ 15,8 K)

IDH: ~0,945-0,955 (muito alto)

Perfil: elite/alta renda, predominantemente casas próprias de alto padrão, alta escolaridade (~82% com superior completo), idade média ~45 anos (muitos idosos), maioria branca, alta posse de carros e empregados domésticos

12. Com séries incompletas (o Secovi-DF tem relatórios com hiatos nas séries e mudanças de metodologia de reporte ao longo dos anos) construídas na raça, vemos que de fato são regiões "acima da média", especialmente o Lago Sul (fun fact: essa região tem um lugar chamado "península dos ministros" kkkk).

Os hiatos são hiatos nos dados do Secovi-DF

https://preview.redd.it/998hvodsokeh1.png?width=960&format=png&auto=webp&s=aa4b4a7f553f43f8f9e8ee26340311b8b7ae5777

13. Não foi possível extrair um bom rental yield com janela suficiente para retornos compostos decentes, então foquei no m2 e tentei ver pelo menos as médias pareadas do retorno em 12 meses do m2 versus os mesmos índices de antes. Apenas Lago Sul e Águas Claras parecem ter algum "grau de investimento".

https://preview.redd.it/dhiztftjokeh1.png?width=1080&format=png&auto=webp&s=519807450623f208dc958f8f5d298e44244ef90f

https://preview.redd.it/z3i52nsuokeh1.png?width=1140&format=png&auto=webp&s=a20d123bbbb44cafc72ce465487afafc39bfdd2b

Conclusão final:

Investir em imóveis no DF, de modo geral, não supera o ativo livre de risco; frente à inflação, o residencial preserva (modestamente) e o comercial destrói poder de compra. No entanto, bairros mais nobres (luxo-Lago Sul) ou de alta demanda (Águas Claras) parecem ser excessão: Lago Sul +4,9 p.p. sobre o IPCA, +2,1 sobre o CDI sem contar aluguel.

Mais uma vez: sem ITBI, corretagem, vacância, condomínio, manutenção, carnê-leão de até 27,5% sobre aluguéis, e ainda por cima usando preços FipeZap/SECOVI que são pedidas de anúncio (não é preço de negócio fechado).

Acredito que num grande portfólio, alguma alocação em real estate faz sentido por motivos diversos, como eu já disse antes aqui: imóveis são diversificação e gestão de risco. É um ativo que existe (concreto) e é um dos poucos ativos que não é passivo de ninguém (títulos são passivo de uma empresa ou governo, ações são passivo de uma empresa). Confisco de poupança é Collor, confisco de casa é guerra civil.

No entanto, o axioma supremo do real estate fez-se presente aqui entre os dados: localização, localização, localização!

Fontes:FipeZap, SECOVI-DF/Econsult, BACEN (CDI IGP-M), IBGE (IPCA), ANBIMA (IMA-B 5) e B3

Ferramenta estatística: R Studio 2026.06.0

Tabulação dos boletins do Secovi-DF (69 PDFs): Claude Code Fable 5: 109 agentes de leitura, ~10 milhões de tokens; preparação das páginas e consolidação em Python.

É possível puxar um volume grande de dados públicos via APIs do Polymarket.

Usando Python/Spyder fiz uma análise exploratória do contrato Brazil Presidential Election (113.919.413 USD).

O usuário com maior valor em cotas do contrato (unknwnfnd) tem 621.684 USD em Lula/Sim e Renan Santos/Não. O segundo do ranking (ScottyNooo) tem 160.946 USD em Flávio Bolsonaro/Sim, Lula/Sim e Renan Santos/Sim.

https://preview.redd.it/ifrz1r8vcdeh1.png?width=1135&format=png&auto=webp&s=ec178cdea3691b384eed245e639ad40a8c5f6ff5

Esse unknwnfnd e os outros 13 top holders do contrato da nossa eleição não têm mais nenhuma grande posição no Polymarket.

Já ScottyNooo tem. Aparece no top 20 de 9 dos 12 grandes contratos externos que chequei (Kamala 2028, JD Vance 2028, regime do Irã...).

https://preview.redd.it/7vm4gjg1ddeh1.png?width=910&format=png&auto=webp&s=2dc29deeb0ffa60341443426480ac6d926dd054a

https://preview.redd.it/5hxx0894ddeh1.png?width=1230&format=png&auto=webp&s=2171800dbc2909cf406cf3021ec9cc4e065ad8f5

O usuário já sacou (redeem) pelo menos 8.869.957 USD (~45 milhões de lules) de posições vencedoras. "Pelo menos" porque o histórico dele estoura o teto da API. Detalhe: resgate é receita bruta, não lucro. As apostas perdidas só somem. Ele pode ter perdido mais do que ganhado.

https://preview.redd.it/kexttff9ddeh1.png?width=979&format=png&auto=webp&s=00f7640bf522d61f56780bc318acdc51ffa1b257

Os aportes dele no contrato das eleições foram estes:

https://preview.redd.it/p6wzokjjddeh1.png?width=708&format=png&auto=webp&s=4cdbd67a59e3b9c0be76b6bd02019a40e2e9079a

Histórico dos maiores aportes

O gráfico dos aportes das baleias chama atenção pela altíssima frequência de aportes dos dois maiores top holders e por uma bola, grande, isolada, em 24/06/2026, ~8h antes do vídeo da Michelle ir ao ar (16h30). O usuário nunca tinha apostado nesse contrato.

Ele tinha uma operação grande anterior, em 2024: apostou contra a Kamala e resgatou ~73K USD (quem resgata é o lado vencedor e ela perdeu).

https://preview.redd.it/ha0jc16pddeh1.png?width=706&format=png&auto=webp&s=8435bee24b8bb7b246d04e28653e9db0862cee30

https://preview.redd.it/vb3dfxnrddeh1.png?width=838&format=png&auto=webp&s=69f78a38a7f16f563971de4af76dfd512f99433b

Essa carteira: https://cryptorank.io/prediction-markets/wallet-statistic/0x636cd3e5750597c165796701e30339d856d8a2cf

E o vídeo mexeu no mercado? Não. Olhei o preço do Lula de 10 em 10 minutos no dia 24/06: 53,5% na hora da aposta (7h54), 57,5% ao meio-dia. A alta toda aconteceu DE MANHÃ, em parte empurrada pela própria ordem de 65K. À noite o preço ainda caiu para 55,5%.

A operação da manhã do dia 24 tem hoje ~3K USD de lucro não realizado (~5% em três semanas... Deriva lenta. Insider geralmente se paga em salto).

https://preview.redd.it/h6mxwisxddeh1.png?width=1227&format=png&auto=webp&s=8d7326e26f4a47e19bc56208f5cf56fa2bfc4bad

Não necessariamente o usuário sabia do vídeo e errou a previsão de preço... a "crise familiar" já tinha dias e o vídeo foi anunciado antes de sair.

Contas novas que apostaram > 10K USD tem duas:

https://preview.redd.it/0lk27om1edeh1.png?width=916&format=png&auto=webp&s=78098b69c526e424c215fde3e7de9b1bca863ef2

Nesses dias nada de muito relevante saiu na imprensa. Nem nos dias seguintes. E o caso mais "suspeito" (conta criada 27 minutos antes de apostar 20K no Flávio) está PERDENDO ~7K USD.

Não achei nenhuma venda com lucro "logo antes" de nenhum fato relevante. A maior venda única lucrativa do evento inteiro foi do gcmgrodt, que embolsou 4.204 USD vendendo 13K USD de Lula/Sim em 28/06/2026 às 21h24. Dia 29 não teve nenhuma "bomba".

https://preview.redd.it/5xc06u25edeh1.png?width=798&format=png&auto=webp&s=3a69b1d7e82e499f230bc8ad383eb1ebc0575acb

unknwnfnd compra o "Não" dos adversários do Lula e vai vendendo à medida que as chances deles caem. Já embolsou ~22K USD assim, com os "Não" de Tarcísio e Flávio. Parece algo "profissional".

E o que é o grosso do contrato? Um monte de aposta pequena. A mediana de um aporte fica entre 6 e 10 USD. Provavelmente gente comum que financia as baleias achando que essa merda é investimento.

Total investido (não são dados das apostas individuais, ou seja, aqui somamos os aportes totais do usuário). Chama atenção a dispersão dos dados, média muito maior que a mediana, as baleias puxando a média (e sugando a grana dos trouxas)

Usando um data dump da ferramenta Arctic Shift e o R Studio 2026.06.0 tentei perfilar os posts deste sub. Analisei 56.932 posts na janela 2015-06-05 23:37:53 a 2026-07-17 14:50:13.

Organizei tudo em uma tabela com cada linha sendo 1 post (identificado por etiqueta nativa do Reddit) e 15 colunas com as seguintes variáveis de cada post.

1. post_id: código único do post no Reddit.
2. n_curtidas: curtidas do post (votos positivos menos negativos) no momento da captura.
3. n_comentarios: número de comentários no momento da captura.
4. data_hora: data e hora da publicação, em horário de Brasília (UTC-3 fixo).
5. dia_semana: dia da semana da publicação (domingo a sabado), derivado de data_hora.
6. tem_imagem: "sim" se o post traz imagem, por qualquer sinal (classificação do Reddit, galeria, link para arquivo ou servidor de imagem, imagem embutida no texto).
7. tem_link: "sim" se o texto contém endereço http(s), ou se o post aponta para destino externo que não é imagem nem galeria.
8. n_char_titulo: número de caracteres do título (limite do Reddit: 300).
9. n_char_corpo: número de caracteres do texto do post; 0 quando não há texto (25,7% da amostra).
10. exclamacao_titulo: "sim" se o título contém "!".
11. interrogacao_titulo: "sim" se o título contém "?".
12. politica_titulo: "sim" se o título cita, como palavra inteira e sem distinguir maiúsculas, algum termo da lista fixa: lula, temer, dilma, bolsonaro, haddad (ou hadad), presidente, ministro, pt, trump, biden, obama.
13. politica_corpo: mesma regra do item 12, aplicada ao texto do post.
14. tem_flair: "sim" se o post tem flair, a etiqueta temática do fórum (95,6% têm).
15. flair: texto da etiqueta (ex.: Renda Variável, Notícias); "ausente" quando não há.

Vamos às estatísticas:

Quantidades de curtidas e comentários: média, mediana, variância e desvio padrão.

> mean(curtidas); median(curtidas)
[1] 26.29577
[1] 4
> mean(comentarios); median(comentarios)
[1] 23.29558
[1] 11
> var(curtidas); sd(curtidas)
[1] 7584.311
[1] 87.08795
> var(comentarios); sd(comentarios)
[1] 1423.517
[1] 37.72953

Ou seja, um post típico tem 4 curtidas e 11 comentários, mas pela diferença média-mediana e pelo desvio padrão podemos ver que a cauda à direita é brutal. Isso fica melhor ilustrado pelos percentis abaixo:

> quantile(curtidas)
  0%  25%  50%  75% 100% 
   0    1    4   15 2909 
> quantile(comentarios)
  0%  25%  50%  75% 100% 
   0    4   11   27  815 

Temos posts com mais de 2900 curtidas e com mais de 800 comentários!

Atividade do sub:

https://preview.redd.it/ywftxpo3u0eh1.png?width=1400&format=png&auto=webp&s=07e3c4cf03f3d9458a9b7ccfcee53bb801b7b34e

Vemos que a maior atividade do sub é no meio da semana (barras), tanto para postagens quanto para engajamento.

https://preview.redd.it/7vjrm5x2v0eh1.png?width=1400&format=png&auto=webp&s=bb21f3d0b012fe5f41d06a629c056b62c8d01711

A atividade dispara a partir das 7h e tem pico entre 10h e 11h; e é na manhã que o engajamento supera proporcionalmente as postagens

https://preview.redd.it/owpphmh7v0eh1.png?width=1400&format=png&auto=webp&s=166665ea096ee51ba8559eac13ca338af134ccbd

No final de semana os usuários ficam mais "noturnos".

Abaixo mapas de calor porque é bonito:

https://preview.redd.it/l4sfp7mkv0eh1.png?width=1400&format=png&auto=webp&s=122c0d464f5bc197920ac6df6dd230cf3c21c7d5

https://preview.redd.it/qot7pk7mv0eh1.png?width=1400&format=png&auto=webp&s=4494846b15dd97ee6b1f431fa41e52518e566638

https://preview.redd.it/bvs74u4ov0eh1.png?width=1400&format=png&auto=webp&s=57d3e1dca00138bb74c712045fb5de1515343413

E qual o perfil do post que bomba? Construí uma segunda versão da mesma tabela, mas apenas com curtidas e/ou comentários acima do p95.

> corte_curt <- quantile(dados$n_curtidas, 0.95)
> corte_com <- quantile(dados$n_comentarios, 0.95)
> corte_curt; corte_com
95% 
118 
95% 
 88 

Em seguida, comparei a elite (4.210 posts) com o resto da amostra (52.722).

O que diferencia a elite? Comparei a prevalência de imagem, link, pergunta no título, flair e presença ou não de "política".

> print(tabela, row.names = FALSE)
            variavel razao           ic95   qui2  p_valor
          tem_imagem  3.51 [3.364; 3.656] 2950.9 0.00e+00
            tem_link  0.95 [0.904; 1.004]    3.3 6.90e-02
 interrogacao_titulo  0.78 [0.746; 0.819]  122.9 1.46e-28
           tem_flair  1.04 [1.038; 1.045]  143.0 5.85e-33
     politica_titulo  2.89 [2.409; 3.456]  141.4 1.33e-32
      politica_corpo  1.83 [1.468; 2.274]   29.0 7.34e-08
   politica_qualquer  2.28 [1.977; 2.636]  130.0 4.12e-30

politica_qualquer = política no título ou no corpo

Coefficients:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)            -4.76525    0.18131 -26.283  < 2e-16 ***
tem_imagemsim           1.80316    0.03759  47.963  < 2e-16 ***
tem_linksim             0.45115    0.04248  10.620  < 2e-16 ***
interrogacao_titulosim -0.28056    0.03642  -7.704 1.32e-14 ***
tem_flairsim            1.76201    0.17971   9.805  < 2e-16 ***
politica_titulosim      0.94074    0.10179   9.242  < 2e-16 ***
politica_corposim       0.38505    0.12244   3.145  0.00166 ** 

> print(tab_or[-1, ], row.names = FALSE)
               termo   or           ic95  p_valor
          tem_imagem 6.07 [5.638; 6.533] 0.00e+00
            tem_link 1.57 [1.444; 1.706] 2.42e-26
 interrogacao_titulo 0.76 [0.703; 0.811] 1.32e-14
           tem_flair 5.82 [4.169; 8.459] 1.08e-22
     politica_titulo 2.56 [2.092; 3.118] 2.42e-20
      politica_corpo 1.47 [1.149; 1.858] 1.66e-03

> print(tab_or[order(-tab_or$or), ], row.names = FALSE)
                       termo   or           ic95  p_valor
                  tem_imagem 5.58 [5.151; 6.050] 0.00e+00
           flair: Humor/Meme 2.20 [1.875; 2.581] 3.49e-22
             politica_titulo 1.87 [1.523; 2.293] 1.70e-09
        flair: Aposentadoria 1.58 [1.240; 1.993] 1.55e-04
        flair: Macroeconomia 1.50 [1.265; 1.773] 2.50e-06
             flair: Notícias 1.46 [1.297; 1.645] 3.94e-10
            flair: Orçamento 1.37 [1.065; 1.732] 1.20e-02
              politica_corpo 1.36 [1.060; 1.728] 1.34e-02
                    tem_link 1.17 [1.062; 1.287] 1.39e-03
               flair: Poupar 1.01 [0.838; 1.209] 9.21e-01
              flair: Imóveis 0.94 [0.777; 1.122] 4.83e-01
         interrogacao_titulo 0.85 [0.787; 0.912] 1.01e-05
 flair: Tese de Investimento 0.66 [0.532; 0.810] 1.02e-04
             flair: Alocação 0.61 [0.523; 0.712] 3.34e-10
      flair: Crédito/Dívidas 0.60 [0.461; 0.772] 1.08e-04
             flair: Impostos 0.59 [0.462; 0.735] 6.04e-06
     flair: Carreira/Estudos 0.57 [0.458; 0.702] 2.32e-07
             flair: Serviços 0.47 [0.397; 0.563] 3.57e-17
           flair: Renda Fixa 0.40 [0.344; 0.464] 1.66e-33
       flair: Renda Variável 0.39 [0.338; 0.439] 2.72e-46
         flair: Planejamento 0.31 [0.076; 0.824] 4.60e-02
              flair: ausente 0.16 [0.108; 0.223] 1.20e-23

https://preview.redd.it/wnnbxucvv0eh1.png?width=1400&format=png&auto=webp&s=0412296f241f20359bc591a1dcdb5d248ae417f8

https://preview.redd.it/9vfz4txwv0eh1.png?width=1400&format=png&auto=webp&s=1c0fb640add468616b9ee6857b597b9b1011338e

https://preview.redd.it/33qi2mhzv0eh1.png?width=1500&format=png&auto=webp&s=38328b0986258c979b935a81dfd7212949c897d0

Posts com link pareciam não engajar, mas era ilusão: links quase nunca têm imagem (1,5% vs 19,4%), e a imagem domina a elite; ajustando, o link ajuda.

O perfil associado ao post que engaja é um post com imagem de meme e envolvendo política postado no meio da semana entre 7h e 11h da manhã.

Uma coisa que sempre penso (e se você chegou até aqui, você também provavelmente kkkk): o post ter "textão" intefere??

Analisei isso à parte.

> print(tab_desc, row.names = FALSE)
         grupo     n media mediana pct_sem_texto
         elite  4210 575.2     158          39.1
         resto 52722 457.5     279          24.7
 amostra geral 56932 466.2     273          25.7
> wilcox.test(corpo ~ grupo)

Wilcoxon rank sum test with continuity correction

data:  corpo by grupo
W = 121392966, p-value < 2.2e-16
alternative hypothesis: true location shift is not equal to 0

> rbind(tem_corpo = testa(tem_corpo), corpo_longo = testa(corpo_longo))
            pct_resto pct_elite razao ic_inf ic_sup  qui2        p
tem_corpo        75.3      60.9  0.81  0.788  0.828 426.1 1.17e-94
corpo_longo      50.6      42.5  0.84  0.812  0.872  99.9 1.58e-23

No bruto, parece que escrevem menos nos posts que engaja, mas...

> summary(modelo)

Call:
glm(formula = elite ~ ., family = binomial, data = d3)

Coefficients:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)            -5.05169    0.18522 -27.274  < 2e-16 ***
tipo_corposem texto     0.27378    0.05026   5.447 5.11e-08 ***
tipo_corpolongo         0.37330    0.04659   8.013 1.12e-15 ***
tem_imagemsim           1.84269    0.04320  42.656  < 2e-16 ***
tem_linksim             0.45567    0.04758   9.577  < 2e-16 ***
interrogacao_titulosim -0.26452    0.03653  -7.240 4.47e-13 ***
tem_flairsim            1.76888    0.18009   9.822  < 2e-16 ***
politica_titulosim      0.96244    0.10251   9.389  < 2e-16 ***
politica_corposim       0.33860    0.12463   2.717  0.00659 ** 

> print(tab_or[-1, ], row.names = FALSE)
               termo   or           ic95  p_valor
    corpo: sem texto 1.31 [1.192; 1.452] 5.11e-08
        corpo: longo 1.45 [1.326; 1.592] 1.12e-15
          tem_imagem 6.31 [5.801; 6.871] 0.00e+00
            tem_link 1.58 [1.436; 1.731] 9.95e-22
 interrogacao_titulo 0.77 [0.714; 0.824] 4.47e-13
           tem_flair 5.86 [4.194; 8.523] 9.04e-23
     politica_titulo 2.62 [2.135; 3.192] 6.09e-21
      politica_corpo 1.40 [1.093; 1.782] 6.59e-03

A elite tem média maior e mediana menor ao mesmo tempo. Isso não é erro, mas sim bimodalidade: 39% dos posts da elite não têm texto nenhum (os de imagem/link) e puxam a mediana para baixo, enquanto os textos que existem são mais longos e puxam a média para cima.

Controlando pelas outras características, o sinal vira: contra o texto curto, tanto "sem texto" (1,31) quanto "texto longo" (1,45) aumentam as chances engajamento. As razões brutas menores que 1 eram confundimento de "imagem": posts de imagem dominam a elite e não têm corpo. Tirando os posts de imagem, a mediana da elite (395 caracteres) supera a do resto (315); e "longo" rende mais que "curto" dentro dos dois estratos (taxa de elite 5,2% vs 3,5% sem imagem; 22,5% vs 18,0% com imagem).

A relação corpo-engajamento tem formato de U.

Faz sucesso o post sem texto nenhum (meme/imagem) e o textão (análise, relato); o vale é o texto curto (longo demais para ser visual, curto demais para ter substância, conteúdo).

https://preview.redd.it/h7g7pnxgw0eh1.png?width=1400&format=png&auto=webp&s=21b00e480ef47f8be8be96121503f2812ab94d35

https://preview.redd.it/smx4qfvlw0eh1.png?width=1400&format=png&auto=webp&s=3e4cecb9d910f1ffd6238c157b782076bd3ce1f6

Enfim, era isso.

Seguindo na discussão sobre imóveis...

Fonte dos dados: tabela da série histórica do Fipe ZAP

Ferramenta estatístca: R 4.6.0 via RStudio 2026.06.0

Filtrei para uso apenas cidades com pelo menos 10 anos de dados completos. Algumas janelas tem menos cidades ainda devido à necessidade de simultaneidade entre séries históricas(restaram 11 cidades; nos testes colapsados, janela comum jan/2016 a jun/2026 (126 meses); yield por dormitório existe só para SP, RJ, Campinas e BH, e venda por dormitório para 10 cidades*)*

PERGUNTA 1: Quanto das variações do rental yield e do preço de venda são explicadas pelo número de dormitórios (1-4) e cidade dos imóveis residenciais?

Comecei pelo R^(2) das 4 variáveis.

> r2_descritivo(t_yield$valor_pct, t_yield$local)
[1] 0.4998232
> r2_descritivo(d_yield$valor_pct, d_yield$dorm)
[1] 0.1576829
> r2_descritivo(t_venda$valor_pct, t_venda$local)
[1] 0.07204988
> r2_descritivo(d_venda$valor_pct, d_venda$dorm)
[1] 0.005279943

RESPOSTA: 50% do RY é explicado pela cidade e 16% pelo número de dormitórios. As oscilações do preço de venda *parecem* ser muito pouco influenciadas pela cidade ou pelo número de dormitórios.

Isso tudo é verdade *na amostra*, mas para podermos fazer inferências precisamos transpor autocorrelação altíssima dos dados. Para isso vamos colapsar os deltas de preço e os RY de cada cidade para um único valor supondo independência entre as cidades (4 das 11 são do estado de SP, mas isso já é uma digressão).

Antes de mais nada: os dados tem distribuição normal?

> shapiro.test(por_cidade$yield)

Shapiro-Wilk normality test

data:  por_cidade$yield
W = 0.93342, p-value = 0.4465

> shapiro.test(por_cidade$venda12m)

Shapiro-Wilk normality test

data:  por_cidade$venda12m
W = 0.9681, p-value = 0.8667

Logo, até aqui não há evidências contra a normalidade dos valores colapsados.

Mas, com n de 11 precisamos checar com o QQ-plot.

https://preview.redd.it/y5fpy8hq5sdh1.png?width=899&format=png&auto=webp&s=0069b2c7dab64075d58cf177ba2e9399ee2837a1

E aí vemos indícios de cauda direita (culpa de Santos basicamente).

Passei então para dois testes: Pearson (paramétrico) e Spearman (só postos, livre de normalidade). (Ambos contam a mesma história)

PERGUNTA 1: cidades que rendem mais aluguel valorizam mais (ou menos)? 

> cor.test(por_cidade$yield, por_cidade$venda12m)

Pearson's product-moment correlation

data:  por_cidade$yield and por_cidade$venda12m
t = -0.35848, df = 9, p-value = 0.7282
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.6707817  0.5181014
sample estimates:
       cor 
-0.1186494 

> cor.test(por_cidade$yield, por_cidade$venda12m, method = "spearman")

Spearman's rank correlation rho

data:  por_cidade$yield and por_cidade$venda12m
S = 230, p-value = 0.9029
alternative hypothesis: true rho is not equal to 0
sample estimates:
        rho 
-0.04545455 

https://preview.redd.it/msvsdhws6sdh1.png?width=940&format=png&auto=webp&s=78cd78deeaa12cd50823f788d1cb7b94ca74614b

RESPOSTA: não detectamos correlação entre yield e valorização entre cidades (r = -0,12; IC de -0,67 a +0,52). Se a relação existe, não é forte o bastante para 11 cidades revelarem. Sem padrão detectável... Santos é alto-alto, Curitiba é baixo-alto, Rio é baixo-baixo; a nuvem não se alinha.

PERGUNTA 2: a cidade, em si, afeta RY e/ou venda? (O bom senso diz que sim, difícil dizer que geografia não foi "significativa" em real estate... Mas testei, não presumi).

Teste de persistência e teste de permutação: persistência pergunta "a diferença é estável no tempo?". Permutação pergunta "a diferença é maior que o acaso?". Cidade importar de verdade exige "sim" nas duas.

https://preview.redd.it/p5mrwoi16sdh1.png?width=940&format=png&auto=webp&s=915498b7c07e50a37dc20f8224b4c3d410468c12

https://preview.redd.it/3r54lra36sdh1.png?width=940&format=png&auto=webp&s=ef4aef96fe9e00edb4d898fa49ef27e8f76cbff3

https://preview.redd.it/rp4mln576sdh1.png?width=940&format=png&auto=webp&s=d4bf68950f6a95d8b094652ee25c154e25ba1e11

https://preview.redd.it/0ur44hfb6sdh1.png?width=940&format=png&auto=webp&s=02210a70c224416ee9c388cad9c619e4768990a6

Enfim:

A cidade afeta o rental yield? Sim. Três evidências independentes: metade da variância na amostra (descritivo), separação 17× maior que o recorde de 2.000 mundos-nulos que preservam a autocorrelação das séries (permutação por blocos*, p = 0,0005)* e ranking quase imutável entre as metades da década (r= 0,93). O yield é uma característica estável da cidade.

A cidade afeta a valorização? Sim, na década (permutação p = 0,0005), mas o efeito é pequeno na oscilação mensal (7%) e o ranking entre cidades é só moderadamente estável (r= 0,66; Spearman p= 0,056).

RESPOSTA: Nível de aluguel é geografia; valorização é sobretudo ciclo (mas também geografia).

ACHADO INTERESSANTE: quanto mais quartos, menor yield e menor a variação do preço de venda

> t.test(pares_yield$d1, pares_yield$d4, paired = TRUE)

Paired t-test

data:  pares_yield$d1 and pares_yield$d4
t = 5.2161, df = 3, p-value = 0.0137
alternative hypothesis: true mean difference is not equal to 0
95 percent confidence interval:
 0.6224091 2.5703718
sample estimates:
mean difference 
        1.59639 

> wilcox.test(pares_yield$d1, pares_yield$d4, paired = TRUE)

Wilcoxon signed rank exact test

data:  pares_yield$d1 and pares_yield$d4
V = 10, p-value = 0.125
alternative hypothesis: true location shift is not equal to 0

> 
> t.test(pares_venda$d1, pares_venda$d4, paired = TRUE)

Paired t-test

data:  pares_venda$d1 and pares_venda$d4
t = 2.5916, df = 9, p-value = 0.02914
alternative hypothesis: true mean difference is not equal to 0
95 percent confidence interval:
 0.1353517 1.9940384
sample estimates:
mean difference 
       1.064695 

> wilcox.test(pares_venda$d1, pares_venda$d4, paired = TRUE)

Wilcoxon signed rank exact test

data:  pares_venda$d1 and pares_venda$d4
V = 50, p-value = 0.01953
alternative hypothesis: true location shift is not equal to 0

RY:

https://preview.redd.it/zoa0dshy6sdh1.png?width=940&format=png&auto=webp&s=4271009407d5ecbff399990444ade2e0c6f07881

Só há 4 ciades com dados pra essa computação (SP, RJ, Campinas, BH).

No entanto, é um achado relevante.

O gradiente é monotônico em nas 4 cidades. As 12 quedas de degrau (1-2, 2-3, 3-4 em cada cidade) apontam na mesma dieção.

Variação do preço de venda:

https://preview.redd.it/iprhyyc27sdh1.png?width=940&format=png&auto=webp&s=3a9139a69964ed8c64a28187e4b60991e51f4cee

D1-D4 foi positivo em 9 das 10 cidades (+1,06 p.p./ano em média), t pareado p = 0,029, e mais importante: Wilcoxon p = 0,0195, que não depende de normalidade nenhuma. O número de dormitórios explica quase nada da variância mês a mês (0,5%), mas o efeito, embora pequeno, é sistemático entre cidades: o pareado, que remove o efeito-cidade e o ruído temporal comum, revela +1,06 p.p./ano a favor do 1D.

Imóveis de 1 dormitório valorizaram sistematicamente mais que os de 4 nessa década.

Em por fim,

PERGUNTA 3a: RY de ontem prevê valorização de amanhã?

PERGUNTA 3b: E o inverso: valorização passada prevê yield?

> # yield medio 2016-2021 (y1) contra venda media 2021-2026 (v2).
> cor.test(y1, v2)

Pearson's product-moment correlation

data:  y1 and v2
t = -0.065145, df = 9, p-value = 0.9495
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.6135939  0.5857941
sample estimates:
        cor 
-0.02170985 

> cor.test(y1, v2, method = "spearman")

Spearman's rank correlation rho

data:  y1 and v2
S = 224, p-value = 0.9676
alternative hypothesis: true rho is not equal to 0
sample estimates:
        rho 
-0.01818182 

> 
> # e o reverso: valorizacao passada preve yield futuro?
> cor.test(v1, y2)

Pearson's product-moment correlation

data:  v1 and y2
t = -0.90538, df = 9, p-value = 0.3889
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.7575085  0.3761443
sample estimates:
       cor 
-0.2889233 

Não podemos dizer que sim nem que não.

Aqui, ao contrário do teste anterior, havia motivo para esperar relação negativa: yield é aluguel ÷ preço. Se o preço de uma cidade dispara e o aluguel não acompanha no mesmo ritmo, o yield futuro dela cai por aritmética pura. E a figura mostra os dados flertando com esse mecanismo: Curitiba e BH (que mais valorizaram em 2016–2021) aparecem no canto de baixo à direita com os menores yields de 2021–2026, enquanto Santos e Recife (que andaram de lado ou caíram) exibem os maiores yields depois. A tracejada desce . r =-0,29. Mas o veredito honesto continua o mesmo: p = 0,39, IC do r de -0,76 a +0,38 . Com 11 cidades, uma inclinação dessas é indistinguível de sorte.

RESPOSTA: não podemos dizer nem que sim nem que não para A e nem para B. Nas 11 cidades desta década, a tese do "value investing" imobiliário (comprar onde o aluguel rende mais, esperando valorização) não encontra nenhum suporte; mas com n = 11 (IC do r: −0,61 a +0,59) tampouco fica refutada.