Como Calcular Riscos e Preços de Derivativos em Python com Velocidade de C++

Se você já tentou escrever modelos financeiros para precificação de opções, swaps ou títulos em Python, provavelmente encontrou um dilema bem conhecido. Por um lado, você tem Python puro lento, onde simulações de Monte Carlo demoram demais. Por outro lado, existem bibliotecas pesadas como QuantLib com wrappers em C++, onde ler o código-fonte ou depurar o comportamento do modelo se torna uma tarefa nada trivial.

A biblioteca FinancePy oferece um caminho diferente. Foi criada por Dominic O'Kane, um ex-professor de finanças da EDHEC Business School com doze anos de experiência no setor financeiro. Seu objetivo era criar uma ferramenta aberta onde todo o código é escrito em Python, e os resultados dos cálculos são o mais próximos possível de sistemas profissionais como o Bloomberg.

Como o projeto é estruturado

A arquitetura da biblioteca gira em torno de um conceito claro. Qualquer cálculo de avaliação é descrito pela fórmula:

Valuation = Product + Model + Market

No código, isso parece lógico. Os módulos da biblioteca são divididos em vários diretórios principais:

• utils: datas, calendários financeiros e geradores de cronogramas de pagamento
• market: curvas de taxa de juros, superfícies de volatilidade e preços de mercado
• models: modelos matemáticos de precificação do Black-Scholes ao modelo de Vasicek
• products: instrumentos específicos, divididos nas categorias Bonds, Credit, Equity, FX e Rates

Cada produto tem um método value(). Você cria um objeto de instrumento financeiro, passa um modelo e a situação atual do mercado, e então obtém o valor ou os parâmetros de risco. Para a maioria dos produtos, o autor adicionou simulações de Monte Carlo. Isso ajuda a entender como os pagamentos de contratos funcionam ao longo do tempo.

Como a velocidade é alcançada

FinancePy é escrito em Python puro, mas usa ativamente a biblioteca Numba. Na primeira chamada de função, o compilador JIT transforma a matemática do modelo em código de máquina. Por isso, a primeira importação de um módulo pode levar alguns segundos.

No entanto, todas as chamadas subsequentes levam frações de milissegundo. Funções compiladas são armazenadas em cache. Como resultado, você obtém velocidade no nível de C/C++ enquanto mantém a capacidade de abrir um arquivo de código-fonte e ler o algoritmo linha por linha sem compilar Cython ou escrever extensões em C.

Um exemplo claro e notebooks

A instalação é feita com uma chamada padrão do pip:

pip install financepy

Você pode então importar utilitários de data:

from financepy.utils import Date

start_date = Date(19, 2, 2026)
future_date = start_date.add_days(2)
print(future_date) # 21-FEB-2026

Os desenvolvedores não precisarão adivinhar assinaturas de funções a partir do código-fonte. No repositório, você encontrará mais de 90 notebooks Jupyter com exemplos prontos. Eles contêm cenários detalhados: desde avaliação básica de títulos corporativos e opções de barreira cambial até construção de curvas de desconto complexas e swaps de default de crédito.

Estilo de código e contribuição

O autor evita deliberadamente herança complexa e arquitetura sobrecarregada. Legibilidade e desempenho são priorizados sobre truques inteligentes de linguagem. Um simples loop for no código FinancePy é preferido sobre uma compreensão de lista elaborada, pois o Numba otimiza loops regulares de forma mais eficaz.

Se você quiser enviar um pull request para o projeto, o autor tem requisitos claros:

• Conformidade estrita com o padrão PEP8
• Comentários claros para cada função e classe
• Presença de testes unitários e pelo menos um teste de integração para cada método

Vale a pena usar

FinancePy é adequado para analistas quantitativos, gestores de risco e de portfólio que precisam de uma ferramenta clara para verificação rápida de preços e sensibilidade. O projeto também será útil para estudantes e professores de cursos de finanças para aprender matemática de derivativos.

O projeto requer apenas NumPy, SciPy e Numba como dependências. A licença GPL-3.0 fornece acesso a todo o código-fonte. O projeto está em status beta, e o autor adverte honestamente sobre possíveis discrepâncias na geração de datas ou métodos de interpolação em comparação com terminais proprietários. No entanto, para pesquisa pessoal, teste de estratégias de trading e avaliação rápida de derivativos, as capacidades da biblioteca são mais do que suficientes.