Introdução da analise do mercado financerio utilizando o Python

A introdução da análise do mercado financeiro usando Python emergiu como uma ferramenta poderosa para profissionais do mercado. Sua versatilidade, simplicidade e comunidade ativa tornam-no ideal para automatizar tarefas, analisar dados e criar algoritmos de trading. Por fim qual é a vantagem de optar pelo Python?

• Python é ideal para o mercado financeiro:
  • Porque é Fácil de aprender e usar, mesmo para iniciantes.
  • Por causa de sua ampla biblioteca de ferramentas financeiras e científicas.
  • Em terceiro lugar por ser Código aberto e por sua comunidade ativa.
  • Porque é versátil para automatizar tarefas, analisar dados e desenvolver algoritmos.

Dessa maneira o que você pode fazer com Python no mercado financeiro:

• Automatizar tarefas:
  • Coletar e analisar dados de mercado.
  • Gerar relatórios e dashboards.
  • Backtestar e otimizar estratégias de trading.
• Analisar dados:
  • Visualizar e analisar dados históricos de mercado.
  • Identificar padrões e tendências.
  • Criar modelos preditivos para auxiliar na tomada de decisões.
• Desenvolver algoritmos de trading:
  • Implementar diferentes estratégias de trading.
  • Testar e otimizar algoritmos para melhor performance.
  • Automatizar a execução de trades.

Para começar:

• Instale o Python: https://www.python.org/downloads/
• Aprenda o básico da linguagem: https://www.learnpython.org/
• Explore bibliotecas financeiras:
  • Pandas: https://pandas.pydata.org/
  • NumPy: https://numpy.org/
  • Matplotlib: https://matplotlib.org/

Antes de tudo para usar o Python nessa Introdução no Mercado Financeiro, gostaria de mencionar a importância do gerenciamento de ambientes e bibliotecas.

O virtualenv é uma ferramenta poderosa que permite criar ambientes virtuais isolados para cada projeto.

Vantagens de usar o virtualenv:

• Isolamento de ambientes: Cada projeto Python terá seu próprio ambiente virtual, com suas próprias bibliotecas e configurações. Isso evita conflitos entre diferentes projetos e garante a reprodutibilidade do seu código.
• Gerenciamento de bibliotecas: O virtualenv permite instalar bibliotecas específicas para cada projeto, sem afetar outras instalações de Python no seu sistema. Isso facilita a organização e o controle das bibliotecas que você usa.
• Facilidade de compartilhamento: Você pode compartilhar o ambiente virtual do seu projeto com outros colaboradores, garantindo que eles tenham acesso às mesmas bibliotecas e configurações que você.
• Depuração facilitada: O virtualenv ajuda a identificar problemas de dependência de bibliotecas, facilitando a depuração do seu código.

Então a utilização do ambiente virtual é uma ferramenta importantíssima quando estamos desenvolvendo em Python.

Como usar o virtualenv:

1. Instale o virtualenv:

pip install virtualenv

2. Crie um ambiente virtual para o seu projeto:

virtualenv nome_do_seu_projeto

3. Ative o ambiente virtual:

source nome_do_seu_projeto/bin/activate

4. Instale as bibliotecas que você precisa no ambiente virtual:

pip install biblioteca1 biblioteca2

5. Desative o ambiente virtual:

deactivate

Por exemplo um site que é muito visitado por conta das informações muito relevantes para quem opera no mercado finaneiro é o investing.com, na parte de calendário econômico, nessa página tem informações dos eventos mais importantes do dia e qual horário eles vão acontecer.

Assim sendo como fariamos para buscar essas informações utilizando o python.

Primeiramente vamos ter instalar quatro bibliotecas, que são elas pandas, resquests, beatutifulsoup e lxml, para isso executamos o seguinte comando:

pip install pandas requests beautifulsoup4 lxml

Em seguida vamos escrever o seguinte codigo:

import requests
import pandas as pd
import re
from bs4 import BeautifulSoup
# Url a ser acessada:
url = 'https://br.investing.com/economic-calendar/'
response = requests.get(url)
if response.status_code == 200:
    soup = BeautifulSoup(response.content, "html.parser")

tabela = soup.find('table', id='economicCalendarData')

nomes_colunas = [cabecalho.get_text() for cabecalho in tabela.find('tr').find_all('th')]

# Inicializar listas para armazenar dados das linhas
linhas_dados = []
# Ignorar as três primeiras linha, pois é o
# cabeçalho que se repete e a terceira linha é a data do dia.
linhas = tabela.find_all('tr')[3:]

# Extrair dados das linhas
for linha in linhas:
    data_cols = linha.find_all(['th', 'td'])
    data = [col.get_text() for col in data_cols]
    # Contar o número de ocorrências de
    # 'grayFullBullishIcon' na coluna 'Import.'
    import_col = data_cols[2]  # Índice da coluna 'Import.' (começando do zero)
    num_full_bullish_icons = len(re.findall(r'grayFullBullishIcon',
                                            str(import_col)))
    # Substituir o conteúdo da coluna 'Import.'
    # pelo número de ícones encontrados
    data[2] = num_full_bullish_icons
    pais_span = data_cols[1].find('span')
    if pais_span:
        pais = pais_span.get('title')
    else:
        pais = None
    # Adicionar o país à lista de dados
    data.insert(1, pais)
    linhas_dados.append(data)

# adicionar a coluna pais criada na base da dados
nomes_colunas.insert(1, 'País')
# Criar DataFrame usando pandas
df = pd.DataFrame(linhas_dados, columns=nomes_colunas)

Após executar o codigo acima, por exemplo no dia de hoje (27/03/2024) ele nos retornou um dataframe com 9 coluna e 63 linhas, com mostra a imagem a seguir:

No entanto, um olhar mais atento verifica-se que os dados ainda tem algumas inconsistencias, por exemplo a última coluna não trás qualquer informação relevante;

Por conseguinte, podemos exclui-la, e para isso no final do código inserir a seguinte linha:

df = df.drop(df.columns[-1], axis=1)

Visto que na coluna Events podemos observar os caracteres “\n” no inicio e no fim dos valores de cada linha. Para remover esses caracteres, basta você executar a seguinte linha no final do código:

df['Evento'] = df['Evento'].str.strip()

Finalmente terminamos nosso dataframe da seguite forma:

Portanto, com esse mini projeto, agora temos em nossas mãos um pipeline de notícias relevantes que podem influenciar o mercado, tanto positiva quanto negativamente. Você pode enviar essas informações para uma base de dados para estudos posteriores, como entender o impacto das notícias no mercado em um determinado dia.

Tecnologia