Neste artigo, abordaremos como criar indicadores de análise fundamentalista utilizando a linguagem de programação Python. Demonstraremos como coletar dados financeiros de empresas pertencentes ao setor Farmacêutico e de Higiene e, em seguida, construiremos indicadores de eficiência com base nesses dados.

Para adquirir os demonstrativos financeiros das empresas, é essencial coletar os dados diretamente do site de Dados Abertos da CVM, através do seguinte link. Os arquivos estão compactados em formato zip e devem ser descompactados para obter os arquivos .csv. Além disso, é preciso criar um loop para baixar os dados de todos os anos disponíveis. Para facilitar esse procedimento, utilizamos a seguinte função, que automatiza o processo.

1. Carrega os pacotes

# Carrega as bibliotecas
import wget # biblioteca para realizar o download de sites 
import pandas as pd # biblioteca para manipulação de dados e data frames
from zipfile import ZipFile # biblioteca para extrair arquivo zipados
from plotnine import * # biblioteca para construir o gráfico

2. Cria função para coletar demonstrativos da CVM

def download_extract_concatenate_dfp_files(start_year, end_year, financial_statements):
"""
Função para realizar o download, extração e concatenação de arquivos zipados contendo os dados da Demonstração Financeira
Padronizada (DFP) de companhias abertas disponibilizados pela Comissão de Valores Mobiliários (CVM).

Parâmetros:
start_year (int): Ano inicial da coleta dos dados.
end_year (int): Ano final da coleta dos dados.
financial_statements (list): Lista de nomes dos arquivos de demonstrativos financeiros que deseja-se concatenar. Consolidado: BPA_con (balanço patrimonial ativo);
BPP_con (Balanço patrimonial passivo) DRE_con; DFC_MI_con; DFC_MD_CON; DMPL_con.

Retorna:
Arquivo .csv no diretório principal
"""
url = "https://dados.cvm.gov.br/dados/CIA_ABERTA/DOC/DFP/DADOS/" 
# Cria uma lista vazia para inserir os nomes dos arquivos zipados
arquivo_zipado = []

# Define os nomes dos arquivos zipados de acordo com o range de datas
for ano in range(start_year, end_year + 1):
arquivo_zipado.append(f'dfp_cia_aberta_{ano}.zip')

# Realiza o download dos arquivos zipados de acordo com a url base
for arquivos in arquivo_zipado:
wget.download(url + arquivos)

# Extrai os arquivos zipados 
for arquivos in arquivo_zipado:
ZipFile(arquivos, 'r').extractall('DFP')

# Concatena os dados dos demonstrativos financeiros em um único DataFrame
for demons in financial_statements:
arquivo_demonstrativo = pd.DataFrame()
for ano in range(start_year, end_year + 1):
arquivo_demonstrativo = pd.concat([arquivo_demonstrativo, pd.read_csv(f'DFP/dfp_cia_aberta_{demons}_{ano}.csv', sep = ';', decimal = ',', encoding = 'ISO-8859-1')]) 
arquivo_demonstrativo.to_csv(f'dfp_cia_aberta_{demons}_{start_year}-{end_year}.csv', index = False)

3. Coleta os dados

# Coleta os dados da DRE
download_extract_concatenate_dfp_files(2010, 2023, ['DRE_con'])

# Realiza a leitura do arquivo
dre = pd.read_csv('dfp_cia_aberta_DRE_con_2010-2023.csv')

4. Tratamento de dados

# Realiza o filtro das contas contábeis, do código CVM e da ordem do exercício
dados = dre[dre.CD_CONTA.isin(["3.01", # Receita de Venda de Bens e/ou Serviços
"3.03", # Resultado Bruto
"3.05", # EBIT
"3.11" # Lucro/Prejuízo Consolidado do Período
]) & dre.CD_CVM.isin([12190, 26700, 21431, 19550]) & (dre.ORDEM_EXERC == 'ÚLTIMO')]
# Seleciona as colunas
dados = dados[["DT_REFER", "DENOM_CIA", "CD_CONTA", "DS_CONTA", "VL_CONTA"]]

# Converte a coluna de data para datetime
dados['DT_REFER'] = pd.to_datetime(dados['DT_REFER'])

# Cria a coluna Ano
dados['Ano'] = dados['DT_REFER'].dt.year

dados_pivot = dados.pivot(index = ['Ano', 'DENOM_CIA'], columns = 'CD_CONTA', values = 'VL_CONTA')
dados_pivot.head()

5. Cria os indicadores

# Cria os indicadores
indicadores = (
dados_pivot
.assign(margem_bruta = (dados_pivot["3.03"]) / dados_pivot["3.01"] * 100,
margem_liquida = (dados_pivot["3.11"]) / dados_pivot["3.01"] * 100,
margem_ebit = (dados_pivot["3.05"]) / dados_pivot["3.01"] * 100)
)

# Retira o índice
indicadores.reset_index(inplace = True)


# Arrendonda os valores
indicadores = indicadores.round(decimals = 3)

# Seleciona colunas e arredonda valores
indicadores = indicadores[['Ano', 'DENOM_CIA', 'margem_bruta', 'margem_liquida', 'margem_ebit']].round(decimals = 3)
indicadores_long = indicadores.melt(id_vars = ['Ano', 'DENOM_CIA'], var_name = "Indicadores")

indicadores_long

# Criando o gráfico
(
ggplot(indicadores_long, aes(x = "Ano",
y = "value",
color = "Indicadores"))
+ geom_line(size = 1)
+ facet_wrap("DENOM_CIA", scales = "free")
+ scale_color_manual(values = {'margem_liquida' : '#282f6b', 'margem_bruta' : "#b22200", 'margem_ebit' : "#eace3f"},
labels = {'margem_liquida' : 'Margem Líquida', 'margem_bruta' : 'Margem Bruta', 'margem_ebit' : 'Margem EBIT'})
+ labs(title = "Indicadores de Eficiência de empresas do setor Farmacêutico e Higiene",
y = '%',
x = '',
caption = "Elaborado por analisemacro.com.br | Fonte: CVM/B3")
+ theme(figure_size=(10, 8),
subplots_adjust = {'wspace': 0.25,
'hspace': 0.25},
legend_position = 'bottom')
)