Coletando dados de ações, FII, FIDICS, ETFs e BDRs com o pacote {rb3}

O acesso a dados em geral tem se tornado cada mais simples nos últimos tempos e essa questão também engloba os dados financeiros e econômicos. A B3 é conhecida como a principal Bolsa de Valores do Brasil, e em seu site disponibiliza diversos dados, entretanto, para quem ainda é iniciante neste mundo, ainda pode encontrar dificuldades em baixar, bem como automatizar todo processo de obtenção. Para tanto, foi criado o pacote {rb3}, criado por Wilson Freitas e Marcelo S. Perlin com o intuito de tornar o trabalho mais simples. Neste post, apresentaremos apenas uma parte dos dados que podemos importar com o pacote, buscando dados de ações, FIIs, FIDICs, ETFs e BDRs.

Para retirar os dados é simples: importamos os pacotes necessários e utilizamos a função cotahist_get(), que possibilita baixar as cotações históricas completas de diversos tipos de ativos em determinado dia. É possível especificar se a partir da data de escolha, será realizado a importação do dia, do mês e do ano em diante.

Salvamos os dados no objeto ch, que conterá as informações de preços históricos de todos os ativos disponibilizados com diversas informações em formato de lista.

Para tornar o processo de manipulação simples, foi criado funções extracts, que permitem extrair informações da lista referente aos ativos desejados. Abaixo, mostramos as funções de extração.

É extremamente simples obter os dados, não? Agora, podemos visualizar e realizar uma análise. Abaixo, escolhemos os dados de ETFs para calcular o retorno do período para todos os ativos. Em seguida, separamos os cinco melhores retornos e os cinco piores retorno e visualizamos através de um gráfico de coluna.


__________________________________________________

Quer saber mais?

Veja nossos cursos da trilha de Finanças Quantitativas.

_________________________________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.