🏦 Lab Risco Quant: Monitor de Risco & "Beyond VaR" (V2.0)

"Modelos que assumem normalidade em finanças são como mapas que ignoram montanhas. Funcionam bem na planície, mas te matam na escalada."

Este projeto é um laboratório prático de Engenharia Financeira e Data Science Aplicado. O objetivo é ir além das métricas tradicionais (Sharpe/Volatilidade) e construir um sistema de monitoramento focado em Caudas Gordas (Fat Tails) e proteção de capital, aplicando conceitos de Gestão de Portfólio da EDHEC Business School.

---

🎯 O Problema de Negócio (A Evolução)

Na versão 1.0, o foco era apenas medir a volatilidade. Porém, a volatilidade não diferencia "risco bom" (alta do ativo) de "risco ruim" (queda). Além disso, o mercado financeiro não segue uma Curva Normal.

A Versão 2.0 resolve isso atacando três pontos cegos:

1. A Ilusão da Normalidade: O VaR tradicional subestima crises. Implementamos métricas que consideram Assimetria e Curtose.
2. Eficiência Real: Substituição do Sharpe por métricas que punem apenas o downside (Sortino/Calmar).
3. UX para Decisão: Um Dashboard "Pixel Perfect" gerado via código, eliminando a necessidade de Power BI para análises diárias.

---

🚀 Funcionalidades do Pipeline (V2.0)

O sistema opera em um fluxo ETL automatizado (SQL -> Python -> Excel -> Email):

1. Motor Quantitativo (EDHEC Inspired)

• Beyond VaR: Implementação do VaR Cornish-Fisher (ajustado para não-normalidade) e CVaR (Expected Shortfall), que mede a média das perdas em cenários de catástrofe.
• Eficiência na Dor: Cálculo de Sortino Ratio e Calmar Ratio (Retorno / Máximo Drawdown).
• Detector de Cisne Negro: Algoritmo que varre a Kurtosis dos ativos. Se K > 3, o ativo é marcado como CRÍTICO automaticamente.

2. Reporting & UX (AI Assisted)

• Excel "Pixel Perfect": Geração nativa via openpyxl.
• Escada de Risco: Gráfico de barras comparativo (VaR Normal vs. Real vs. Crise) para visualização imediata do perigo.
• Visualização Híbrida: Gráfico de Dispersão (Scatter Plot) sem linhas de conexão errôneas, focado na alocação de ativos.
• Nota: O código de visualização foi refinado com apoio de IA Generativa para máxima produtividade.

3. 🤖 Smart Distribution (RPA)

Automação de "Última Milha". O sistema detecta o ambiente e envia o report:

• Prioridade: Outlook (Win32 API) para ambientes corporativos.
• Fallback: Gmail (SMTP Seguro) para uso pessoal.

---

📸 Screenshots (O Dashboard)

O relatório é gerado automaticamente e dividido em duas visões estratégicas:

Aba 1: Monitor de Performance

Foco na eficiência e retorno ajustado ao risco (Sharpe/Sortino).

Aba 2: Stress Test (Beyond VaR)

Foco na sobrevivência. Comparativo de modelos de risco e alertas de cauda.

Alerta Automático de Risco

Detecção de ativos com alta probabilidade de eventos extremos (Kurtosis > 3).

---

🛠️ Arquitetura Técnica

O projeto segue princípios de Governança de Dados e Clean Code, separando lógica de cálculo da lógica visual.

LAB_RISCO_QUANT/
├── dados/                   # Data Lake (SQLite)
│   └── mercado.db           # Banco de Dados Histórico
├── reports/                 # Output dos Relatórios (.xlsx)
├── src/                     # Código Fonte
│   └── scripts/             
│       ├── dados_mercado.py   # [NOVO] Biblioteca de Cálculos Quant (Math Engine)
│       ├── etl_sql.py         # Ingestão e Atualização de Dados
│       ├── relatorio_excel.py # Excel Builder (OpenPyXL + Lógica de UX)
│       └── enviar_email.py    # Módulo RPA
├── EXECUTAR_SISTEMA.bat     # Executável "One-Click"
├── README.md                # Documentação
└── requirements.txt         # Dependências


# Clone o repositório
git clone https://github.com/igorcarvah/lab_risco_quant.git

# Instale as dependências
pip install pandas numpy matplotlib seaborn scipy yfinance