Criando um Dashboard de Análise de Dados de Demonstrativos Financeiros no Python

Resumo

Este projeto demonstra como criar um dashboard para análise de dados das demonstrações financeiras de empresas brasileiras, utilizando dados disponibilizados pela CVM. Desenvolvemos o dashboard com Python e Shiny, permitindo a coleta, tratamento e análise dos dados diretamente na interface.

Como automatizar uma análise?

Com uma linguagem de programação, é possível desenvolver métodos que automatizam processos, facilitando sua implementação em sistemas como dashboards.

Estrutura do Dashboard

O desenvolvimento do dashboard será feito em etapas:

  1. Compreensão e uso das fontes de dados;
  2. Criação de um código para coleta de dados;
  3. Análise e visualização de dados por meio de gráficos;
  4. Implementação do código em um ambiente de dashboard;
  5. Automatização da coleta e análise com o GitHub Actions.

O que iremos analisar?

Antes de começar o código, vamos entender melhor o escopo do que será construído. A partir dessa compreensão, utilizaremos um exemplo inicial como protótipo do dashboard.

Indicadores contábeis

Indicadores extraídos das demonstrações financeiras auxiliam decisões de investimento e representam uma base importante na análise fundamentalista. Com esses indicadores, é possível comparar empresas do mesmo setor e avaliar se uma ação está "descontada" (ou seja, com preço de mercado abaixo de seu valor intrínseco), gerando oportunidades de investimento.

A análise regular desses indicadores é essencial para investidores, mas muitos encontram dificuldade não apenas em acessar esses dados, como também em automatizar o processo de coleta e análise.

Com o código disponível, vamos mostrar como importar automaticamente os demonstrativos das empresas listadas na B3 e realizar uma análise inicial dos indicadores.

Demonstrações Financeiras Padronizadas

Antes de buscar os dados, é importante compreender a fonte. As empresas listadas na B3 enviam à CVM suas Demonstrações Financeiras Padronizadas, de acordo com as instruções contábeis da CVM.

Entre os demonstrativos obrigatórios na DFP, temos:

  • Balanço Patrimonial Ativo (BPA)
  • Balanço Patrimonial Passivo (BPP)
  • Demonstração de Fluxo de Caixa - Método Direto (DFC-MD)
  • Demonstração de Fluxo de Caixa - Método Indireto (DFC-MI)
  • Demonstração das Mutações do Patrimônio Líquido (DMPL)
  • Demonstração de Resultado Abrangente (DRA)
  • Demonstração de Resultado (DRE)
  • Demonstração de Valor Adicionado (DVA)

Dados da CVM

As informações sobre as DFPs podem ser acessadas no Portal de Dados da CVM, com histórico disponível desde 2011:

Portal de dados da CVM - DFP

Para baixar o histórico, clique em “Histórico desde 2010,” que leva a uma página com os arquivos anuais em formato zip. Esses arquivos são extensos e contêm diversos subarquivos, o que pode dificultar o trabalho.

Exemplo do Dashboard

Abaixo, apresentamos uma imagem do dashboard criado com Python e Shiny.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, conheça o Clube AM clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Previsões do Boletim Focus em Anos Eleitorais

Eleições são momentos de incerteza, mas os dados do Boletim Focus mostram que nem toda incerteza é igual. Ao analisar as previsões de inflação, juros e câmbio nos anos que antecederam as eleições de 2014, 2018 e 2022, este post investiga como o mercado revisa cenários macroeconômicos ao longo do tempo.

Como Medir o Ciclo das Concessões de Crédito usando Python

Este exercício apresenta uma análise quantitativa da relação entre o ciclo de concessões de crédito, a atividade econômica e a política monetária no Brasil. Utilizando a linguagem Python, o estudo aplica técnicas de decomposição de séries temporais (X13-ARIMA e Filtro HP) para isolar os componentes cíclicos dos dados. Os resultados da modelagem econométrica confirmam a pró ciclicidade do crédito em relação ao hiato do produto e sua sensibilidade às variações no hiato da taxa de juros real.

Choque de juros e renda em bens duráveis e não duráveis usando Python

Este artigo analisa a dinâmica do consumo no Brasil utilizando Python e modelos de Vetores Autorregressivos (VAR). Ao segregar bens duráveis e não duráveis, o estudo quantifica a sensibilidade a choques de juros e renda. Criamos todo o processo através do ciclo de dados: coleta, tratamento, análise de dados, modelagem e apresentação dos resultados, tudo automatizado usando a linguagem Python.

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.