Um analista de ações possui total conhecimento de como explorar dados financeiros, mas nem sempre há disposição para relembrar códigos de análises já bem conhecidas. Se temos os dados, porque não pedir para a IA criar o resultado do que temos em mente? Neste exercício, mostramos o poder da IA Generativa para criar análises de ações usando Python.
Objetivo
O avanço dos modelos de linguagem de larga escala, conhecidos como LLMs (Large Language Models), transformou radicalmente diversas áreas de atuação, incluindo o mercado financeiro. Tradicionalmente, a análise de ações sempre foi baseada em fundamentos quantitativos, análise gráfica e interpretação de relatórios financeiros. Com a chegada da IA generativa, essa dinâmica se expandiu para incluir ferramentas que automatizam a criação de relatórios, sintetizam informações complexas e realizam análises qualitativas a partir de dados textuais.
Um dos grandes diferenciais dos LLMs é a capacidade de gerar texto coerente e contextualizado a partir de descrições sumárias, além de processar grandes volumes de informação textual, como notícias, relatórios de empresas e transcrições de conference calls. Essa habilidade permite transformar o fluxo de análise financeira, integrando dados quantitativos e qualitativos de forma automatizada.
Para ilustrar o poder do LLM, vamos criar uma IA que pode analisar dados financeiros de empresas.
Os dados neste exercício compreendem os preços da ação WEGE3, no período de 2020 até o fim de junho de 2024. O carregamento dos dados é realizado através da biblioteca yfinance.
Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.
Passo 01: bibliotecas de Python
Para começar a estruturar o exercício e conseguir utilizar o modelo de IA para analisar dados, precisaremos das seguintes bibliotecas de Python:
- **pandas** para armazenar e tratar dados tabulares.
- **google-generativeai** para analisar dados com o modelo de IA do Google (Gemini).
- **IPython** para formatar as respostas textuais do modelo de IA no relatório.
- **yfinance** para importar os dados da WEGE3.
Passo 02: dados de exemplo
Para exemplificar um relatório de análise de dados reais, utilizaremos o tema de análise quantitativa de ações. Coletamos os dados da empresa WEGE3 como exemplo para a tarefa com amostra englobando o período de 01/2020 até 30/06/2024. A tabela abaixo exibe uma parte da tabela que será analisada pelo modelo de IA.
Passo 03: modelo de inteligência artificial (IA)
Para utilizar o modelo de inteligência artificial Gemini, é necessário obter uma chave de token na plataforma Google AI Studio (veja mais informações [aqui](https://analisemacro.com.br/data-science/como-usar-o-google-ai-studio-e-o-gemini/)).
Com a chave de token em mãos, defina em um novo bloco de código Python o modelo a ser utilizado, suas configurações e informe a chave para a autenticação funcionar.
**Atenção**: a utilização da API do Google pode acarretar custos. Verifique o site da empresa para mais informações.
Passo 05: sumário de análise de dados por IA
A primeira automatização de análise de dados utilizando IA que realizamos é um sumário sobre os dados do preço da WEGE3 no mês de junho. Para tal, filtramos os dados que queremos que o modelo analise e damos uma instrução "*para elaborar uma breve análise quantitativa sobre a ação*", pedindo para que a resposta seja retornada no formato de *bullet points* em *markdown* para ficar bem formatado no relatório.
Prompt:
"""
Você é um analista quantitativo especializado em ações.
Sua tarefa é utilizar os dados a seguir para elaborar uma breve análise quantitativa da ação WEGE3 no mês de Junho de 2024.
Dados:
""" +
tabela_junho.to_string(index = False) +
"""
Faça um resumo sobre os dados do preço da WEGE3 no mês. Use o termo reais e evite usar R$.
Retorne sua análise em português, em 1 a 5 bullets points, e nada mais.
"""
Resultado:
- Com base nos dados fornecidos para junho de 2024, a ação WEGE3 apresentou o seguinte comportamento:
- Tendência de Alta: Observa-se uma tendência geral de alta no preço das ações ao longo do mês, com o preço de fechamento ajustado subindo de 36,75 reais no início do mês para 41,52 reais no final.
- Volatilidade: A ação exibiu volatilidade, com variações diárias nos preços, evidenciadas pelas diferenças entre os preços máximos e mínimos em cada dia.
- Aumento no Volume: Houve um aumento notável no volume de negociação em alguns dias, especialmente em meados e no final do mês, sugerindo maior interesse dos investidores na ação.
- Resistência e Suporte: Os preços máximos alcançados em alguns dias (ex: 42,34 reais em 27/06) podem indicar níveis de resistência, enquanto os preços mínimos (ex: 36,79 reais em 05/06) podem sugerir níveis de suporte.
- Fechamento Acima da Abertura: Em muitos dias, o preço de fechamento foi superior ao preço de abertura, reforçando a percepção de uma pressão compradora ao longo do mês.
Nota: é importante salientar que a IA não seja totalmente precisa, tanto em informações da tabela, quanto para cálculos, portanto, apesar da demonstração, o exemplo acima deve ser evitado em situações que não haja uma revisão.
Passo 06: visualização de dados por IA
Agora, vamos pedir para IA nos auxiliar na criação de um código em Python para o calculo de métricas de análise de dados dos preços da ação, que resultará na criação de um gráfico.
Prompt:
"""
Escreva um código de Python usando a biblioteca matplotlib para plotar três gráficos de linhas usando a coluna 'Date' no eixo X. Use as especificações abaixo para plotar cada gráfico.
Especificações do Gráfico 1: Gráfico de Linha do Retorno Acumulado. Calcule os valores do Retorno Mensal usando a coluna de preço de fechamento 'Adj Close', em seguida, calcule o Retorno Acumulado.
Especificações do Gráfico 2: Gráfico de Linha do Desvio Padrão em Janelas Móveis de 22 dias, anualizado. Calcule os valores do Desvio Padrão usando a coluna de preço de fechamento 'Adj Close'.
Especificações do Gráfico 3: Gráfico de Linha do Drawdown da ação. Calcule os valores de Drawdown usando a coluna de preço de fechamento 'Adj Close'.
Não crie nenhum DataFrame. Os dados já estão em um DataFrame chamado 'dados' {dados}.
**Escreva o código diretamente, sem encapsular em função e sem definir nenhuma função. Apenas execute as operações diretamente usando o DataFrame 'dados'.**
Os gráficos devem estar agrupados em uma única figura.
**Inclua plt.show() no final para exibir os gráficos.**
Retorne sua resposta sem comentários, forneça apenas o código Python e nada mais.
"""
Resultado:
Quer aprender mais?
Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.
