Coletando dados financeiros com o R

Os efeitos da pandemia do coronavírus não param de nos surpreender. Ontem, o preço do contrato futuro de petróleo com vencimento em maio fechou no terreno negativo! Ou seja, as pessoas pagaram para quem comprou o papel. Para ilustrar, podemos pegar os dados do Yahoo Finance através do pacote quantmod, como iremos ensinar no nosso novo Curso da área de finanças Mercado Financeiro e Gestão de Portfólios. Carregamos o quantmod e outros pacotes abaixo para fazer o tratamento e visualização dos dados.


library(tidyverse)
library(tidyquant)
library(timetk)
library(scales)
library(quantmod)

Uma vez carregados os pacotes, nós podemos pegar o contrato de petróleo com vencimento em maio de 2020 com o código abaixo.


getSymbols('CLK20.NYM', warning=FALSE)

Com a função tk_tbl do pacote timetk nós transformamos nossos dados de xts para tibble.


df = `CLK20.NYM` %>%
tk_tbl(preserve_index = TRUE,
rename_index = 'date') %>%
drop_na()

E a seguir, podemos visualizá-los com o pacote ggplot2.


ggplot(df, aes(x=date, y=`CLK20.NYM.Low`))+
geom_line()+
geom_hline(yintercept=0, colour='red', linetype='dashed')+
scale_x_date(breaks = date_breaks("3 days"),
labels = date_format("%d/%b"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
plot.title = element_text(size=10, face='bold'))+
labs(x='', y='',
title='Preço mínimo do Contrato Futuro de Petróleo WTI com vencimento em maio de 2020',
caption='Fonte: analisemacro.com.br com dados do Yahoo Finance')

Observe que o preço rompeu a barreira do zero ontem, 20 de abril. Um marco dos tempos sombrios que estamos vivendo...

_____________________

(*) Isso e muito mais você irá aprender no nosso Novo Curso Mercado Financeiro e Gestão de Portfólios.


Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.