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

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.