Observação: Durante a aula, no tempo 07:19, o instrutor realizará uma alteração no nome da coluna, substituindo level1 por Ativo. No entanto, a coluna a ser renomeada deve ser Ticker para Ativo. O código correto para essa modificação é :
cotacoes = cotacoes.reset_index().rename(columns={"Ticker": "Ativo"}).
Para construir nosso projeto, antes de gerar o dashboard, precisaremos extrair os dados e as cotações de uma carteira. Usaremos uma carteira hipotética, de um único cliente, com dez ativos que estarão dentro de uma lista.
No entanto, antes de importar essa lista, precisamos trazer a biblioteca que vamos utilizar, a yfinance.
Dados de cotações da carteira hipotética
Para fazer isso, vamos importar da biblioteca yfinance, escrevendo import yfinance e o alias as yf.
Após importar a biblioteca para o nosso projeto, vamos buscar a carteira de dez ativos. Todos os ativos estão finalizados com .SA, que é a forma como ações brasileiras são lidas pela biblioteca yfinance.
carteira_yf = ['ABEV3.SA', 'B3SA3.SA', 'ELET3.SA', 'GGBR4.SA', 'ITSA4.SA',
'PETR4.SA', 'RENT3.SA', 'SUZB3.SA', 'VALE3.SA', 'WEGE3.SA']
Vamos rodar nossa carteira_yf para defini-la e para extrair somente os valores dentro dela.
Agora vamos carregar esses dados para nosso DataFrame chamado df. Mas para isso, precisamos selecionar um período.
Para que a sua reprodução seja a mesma da nossa, vamos fazer um alinhamento:
Vamos trabalhar com o período de 1º de agosto de 2022 até 1º de agosto de 2023. Se você se sentir confortável, pode aumentar ou modificar esse período, apenas levando em conta que o ativo precisa ter negociação na data que você escolher.
Para começar, vamos criar um df que será igual à yf.download(). Dentro de download(), precisaremos trazer três parâmetros diferentes.
O primeiro parâmetro será a carteira ou o ticker que vamos utilizar.
Ticker se refere ao nome do papel. Portanto, como você encontrará essa empresa dentro da bolsa de valores? É a partir desse ticker, que seria este nome com quatro letras e um número ou dois números dentro da bolsa brasileira. Claro que em outras bolsas será um pouco diferente.
Por exemplo, usamos as quatro letras ABEV e o número 3. Será assim para todos os tipos de tickers. Mas no nosso caso, usaremos uma lista, pois queremos trazer todos os dez valores juntos.
Portanto, o primeiro parâmetro será carteira_yf, que serão os tickers dos quais vamos extrair os dados.
Os outros dois parâmetros serão a data de início e fim. Para iniciar, usaremos start e passaremos um texto entre aspas. Este texto estará no formato de ano, mês e dia (YYYY-MM-DD), que é o período que queremos definir. Portanto, será 2022-08-01 entre aspas, referente a 1º de agosto de 2022.
Agora, passamos o período final que será end igual à 2023-08-01 entre aspas. Assim, vamos fazer a carga do DataFrame
df = yf.download(carteira_yf, start="2022-08-01", end="2023-08-01")
10 of 10 completed
Com isso, carregamos todos os dez ativos que possuem uma série de dados com os quais vamos trabalhar.
Para visualizar o nosso DataFrame, vamos utilizar o df.head(3), exibindo assim somente as três primeiras linhas.
| - | Adj Close | - | - | - | - | - | - | - | - | - | … | Volume | - | - | - | - | - | - | - | - | - |
|---|
| Date | ABEV3.SA | B3SA3.SA | ELET3.SA | GGBR4.SA | ITSA4.SA | PETR4.SA | RENT3.SA | SUZB3.SA | VALE3.SA | WEGE3.SA | … | ABEV3.SA | B3SA3.SA | ELET3.SA | GGBR4.SA | ITSA4.SA | PETR4.SA | RENT3.SA | SUZB3.SA | VALE3.SA | WEGE3.SA |
| 2022-08-01 | 13.897732 | 10.545437 | 46.199085 | 19.448982 | 7.204308 | 19.308052 | 55.758350 | 45.813416 | 61.271076 | 27.456799 | … | 34565900 | 26237600 | 12239200 | 13879215 | 23302400 | 81365100 | 6737700 | 7127600 | 38874000 | 8202200 |
| 2022-08-02 | 13.973727 | 10.477528 | 46.556755 | 20.048803 | 7.271795 | 19.394045 | 56.021736 | 46.189804 | 63.224045 | 27.949211 | … | 12515800 | 29130100 | 7477600 | 13398945 | 14225860 | 69147100 | 4847800 | 4379000 | 32636900 | 7214800 |
| 2022-08-03 | 13.897732 | 10.826777 | 46.705784 | 19.235350 | 7.330847 | 19.405508 | 57.767841 | 45.678299 | 60.767082 | 27.693161 | … | 19576600 | 29172900 | 8281500 | 25537890 | 22885280 | 65544500 | 4904200 | 4451900 | 31934600 | 6627100 |
No DataFrame gerado, temos a coluna de índice chamada Date que vem com as datas diárias.
No cabeçalho, temos duas colunas, ou seja, trabalhamos com multi-colunas, a Adj Close (fechamento ajustado) e Volume. A presença das reticências indica que temos muitas colunas dentro do DataFrame.
Abaixo deles, temos outra sequência de colunas que são todos os ativos com os quais trabalhamos. Note que eles são repetidos de 10 em 10 até concluir todas as 60 colunas.
Porém, o DataFrame ficou muito grande e não conseguimos entender muito bem o que esses dados significam. Mas, como podemos tratar esses dados para poder compreendê-los melhor?
Vamos utilizar uma função do Pandas utilizada pelo Yahoo Finance, chamada stack() que significa pilha em inglês. Essa função transformar essas colunas que estão em formato de linhas em uma única coluna, colocando seus dados empilhados.
Para utilizá-lo, vamos criar outro DataFrame chamado cotacoes que vai receber um df.stack(). O stack() recebe alguns parâmetros, dentre eles, o nível da coluna que queremos empilhar.
A primeira coluna, onde está o Adj Closee Volume é a coluna 0, enquanto a coluna de baixo é a coluna 1. Assim como no índice, começamos a contar a partir do zero. Por isso, nesse caso, vamos passar o parâmetro level igual à 1.
Por fim, vamos ler o resultado do DataFrame cotacoes.
cotacoes = df.stack(level = 1)
cotacoes
| Date | - | Adj Close | Close | High | Low | Open | Volume |
|---|
| 2022-08-01 | ABEV3.SA | 13.897732 | 14.630000 | 14.890000 | 14.430000 | 14.860000 | 34565900 |
| - | B3SA3.SA | 10.545437 | 10.870000 | 11.120000 | 10.710000 | 11.020000 | 26237600 |
| - | ELET3.SA | 46.199085 | 46.500000 | 46.889999 | 45.660000 | 45.799999 | 12239200 |
| - | GGBR4.SA | 19.448982 | 22.542856 | 23.457142 | 22.380953 | 23.457142 | 13879215 |
| - | ITSA4.SA | 7.204308 | 7.763636 | 7.890909 | 7.681818 | 7.863636 | 23302400 |
| … | … | … | … | … | … | … | … |
| 2023-07-31 | PETR4.SA | 29.967674 | 31.110001 | 31.150000 | 30.299999 | 30.299999 | 91290800 |
| - | RENT3.SA | 67.220001 | 67.220001 | 67.660004 | 66.440002 | 67.040001 | 5966900 |
| - | SUZB3.SA | 48.070000 | 48.070000 | 48.610001 | 47.340000 | 47.389999 | 4602700 |
| - | VALE3.SA | 67.134636 | 69.160004 | 69.680000 | 67.839996 | 68.000000 | 26065700 |
| - | WEGE3.SA | 39.919998 | 39.919998 | 40.290001 | 39.810001 | 40.290001 | 7141800 |
Com isso, já conseguimos notar uma grande diferença. Ao invés de várias colunas, o nosso DataFrame tem várias linhas. Por isso, são colocadas as reticências para indicar a omissão de algumas das 2500 linhas.
Foram criados dois índices, o índice que vai ter os dados agrupados da data e outro índice com os valores dos ativos. Para utilizar esses dados no Power BI, precisamos transformar os índices em colunas.
Para que todos os dados sejam colunas, precisamos resetar o índice, trazendo os dados de data e ativos para coluna.
Em uma célula vazia, vamos escrever cotacoes igual à cotacoes.reset_index().
Além disso, vamos renomear a coluna de índice com os ativos que não tem um nome visível. Quando trabalhamos com stack(), esse nome é transformado em level_numero, sendo o número do nível em que estava. Por exemplo, se colocamos level como 1 anteriormente, o nome será level_1.
Para fazer essa troca pelo nome Ativo, devemos usar a função rename(). Dentro de rename(), vamos passar o parâmetro columns igual à, entre chaves, "level_1": "Ativo".
cotacoes = cotacoes.reset_index().rename(columns={"level_1": "Ativo"})
Assim, vamos transformar os dois índices em colunas e renomear a coluna level_1 para Ativo.
Finalmente, vamos organizar os dados removendo as colunas que não serão necessárias para o projeto como, por exemplo: Volume e Adj Close. Apenas os valores da data, OHLC (Open, High, Low e Close) e Ativo serão utilizados.
Os valores OHLC são os valores de abertura, máximos, mínimos e de fechamento dos ativos. São essenciais para analisar as cotações de nossos ativos, pois representam as informações mais relevantes negociadas durante o dia.
Eles são importantes para analisar não apenas essa flutuação, mas também prever como uma ação pode se comportar nos próximos dias.
Assim, eles são muito relevantes dentro da análise gráfica, também conhecida como análise técnica, que usa essas variações como maneiras de entender como a ação está performando ao longo do tempo.
cotacoes = cotacoes[["Date", "Open", "High", "Low", "Close", "Ativo"]]
cotacoes.head(10)
Agora, vamos rodar o código para verificar os nossos valores.
| Date | Open | High | Low | Close | Ativo |
|---|
| 2022-08-01 | 14.860000 | 14.890000 | 14.430000 | 14.630000 | ABEV3.SA |
| 2022-08-01 | 11.020000 | 11.120000 | 10.710000 | 10.870000 | B3SA3.SA |
| 2022-08-01 | 45.799999 | 46.889999 | 45.660000 | 46.500000 | ELET3.SA |
| 2022-08-01 | 23.457142 | 23.457142 | 22.380953 | 22.542856 | GGBR4.SA |
| 2022-08-01 | 7.863636 | 7.890909 | 7.681818 | 7.763636 | ITSA4.SA |
| 2022-08-01 | 34.000000 | 34.150002 | 33.220001 | 33.680000 | PETR4.SA |
| 2022-08-01 | 57.400002 | 57.880001 | 56.799999 | 57.160000 | RENT3.SA |
| 2022-08-01 | 48.360001 | 48.360001 | 46.950001 | 47.470001 | SUZB3.SA |
| 2022-08-01 | 68.940002 | 69.849998 | 67.930000 | 68.080002 | VALE3.SA |
| 2022-08-01 | 28.040001 | 28.680000 | 27.770000 | 27.879999 | WEGE3.SA |
Os dados já estão ajustados no formato Date, OHLC e Ativo.
Agora, vamos também rodar cotacoes.info() para verificar como esses dados estão sendo representados.
| # | Column | Non-Null Count | Dtype |
|---|
| 0 | Date | 2500 non-null | datetime64[ns] |
| 1 | Open | 2500 non-null | float64 |
| 2 | High | 2500 non-null | float64 |
| 3 | Low | 2500 non-null | float64 |
| 4 | Close | 2500 non-null | float64 |
| 5 | Ativo | 2500 non-null | object |
O Date tem o formato de tempo dateTime64, enquanto os valores de Open, High, Low e Close estão no formato de número flutuante (decimal) e o Ativo está no formato de objeto. Logo, está tudo certo.
Conclusão
Todos os processos que fizemos nesse mesmo vídeo estão sendo previstos dentro desse código completo:
import yfinance as yf
Definindo a carteira de ações
carteira_yf = ['ABEV3.SA', 'B3SA3.SA', 'ELET3.SA', 'GGBR4.SA', 'ITSA4.SA',
'PETR4.SA', 'RENT3.SA', 'SUZB3.SA', 'VALE3.SA', 'WEGE3.SA']
Carregando os dados da carteira
df = yf.download(carteira_yf, start="2022-08-01", end="2023-08-01")
Passando os ativos para o multindex do df
cotacoes = df.stack(level=1)
Resetando os índices e renomenado a coluna dos ativos
cotacoes = cotacoes.reset_index().rename(columns={'level_1': 'Ativo'})
Organizando o df
cotacoes = cotacoes[["Date", "Open", "High", "Low", "Close", "Ativo"]]
del carteira_yf, df
Esse será o código que vamos utilizar para copiar e colar dentro do Power BI.
Como boa prática, estamos usando a função del para deletar variáveis que são auxiliares, utilizadas apenas para construir aquele DataFrame. Pois o que nos importa é a tabela cotacoes. Portanto, vamos excluir tanto carteira_yf quanto o df dos nossos valores, mantendo apenas o DataFrame de cotacoes.
Já conseguimos extrair os dados das cotações dos ativos para análise gráfica. Agora, vamos trabalhar em extrair os dados fundamentalistas e os dados gerais de um ativo para também trabalhar com a análise fundamentalista. Porém, isso será abordado nos próximos vídeos.