Como usar o Python para Analisar a DRE de uma empresa?

Quando analisamos a demonstração de resultados de uma empresa listada na bolsa de valores, frequentemente recorremos a ferramentas convencionais, que embora sejam úteis, muitas vezes carecem de automação. É aqui que entra o Python. Neste post, exploramos o poder do Python para automatizar o processo de coleta, tratamento e análise dos dados da Demonstração do Resultado do Exercício (DRE) da Copel, utilizando dados fornecidos pela CVM.

Análise de demonstrações financeiras

A Análise de demonstrações financeiras permite que se extraia, dos demonstrativos contábeis apurados e divulgados por uma empresa, informações úteis sobre o seu desempenho econômico- financeiro, podendo atender aos objetivos de análise dos investidores, credores, concorrentes, empregados, governo etc.

Insumos

Relatórios contábeis elaborados periodicamente pelas empresas.

Lei das Sociedades por Ações:

Balanço Patrimonial; Demonstração do Resultado do Exercício; Demonstração dos Fluxos de Caixa; Demonstração das Mutações do Patrimônio Líquido; Demonstração do Valor Adicionado

Uma companhia de capital aberto deve apurar as seguintes demonstrações em atendimento às exigências da Comissão de Valores Mobiliários (CVM), B3 e seus acionistas:

Demonstrações Financeiras Padronizadas (DFP) – Este documento é composto por todos os demonstrativos financeiros referentes ao exercício social encerrado, e deve ser encaminhado ao final de cada trimestre de cada ano à CVM e à B3.

Acesso: https://dados.cvm.gov.br/dataset/cia_aberta-doc-dfp

Informações e Resultados Trimestrais (ITR) – São elaborados e enviados por todas as companhias listadas em Bolsa de Valores para a CVM e B3 todo trimestre. A ITR tem por finalidade permitir que o investidor acompanhe o desempenho da empresa no trimestre.

Acesso: https://dados.cvm.gov.br/dataset/cia_aberta-doc-itr

Estudo de Caso: DRE da Copel

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.

Aprenda a coletar, processar e analisar dados do mercado financeiro no curso de Análise de Demonstrativos Financeiros usando o Python.

Podemos utilizar como exemplo a Demonstração do Resultado do Exercício da Copel, através de um processo simples por meio da linguagem de programação Python:

  • Coleta de dados da DFP através do site https://dados.cvm.gov.br/dataset/cia_aberta-doc-dfp
  • Tratamento de dados, retirando colunas e linhas desnecessárias, e manipulando a formatação da melhor forma possível para comunicar os resultados;
  • Apresentação dos resultados, através da construção de uma tabela que exibe as principais contas da DRE ao longos dos anos, acompanhado da Análise Horizontal.

O resultado da tabela criada usando o Python pode ser verificado abaixo:

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

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.