Rodolfo Cruz Losqui

Olá, Criei um código para analisar os dados de valuation das empresas de um ETF usando a parte gratuito da stock analysis, mas essa se limita a 25 tickers e para alguns ETFs isso não chega a representar 20% da carteira. Então queria usar um API para encontrar os tickers e pesos, depois pesquisar os dados disponíveis dessas empresas no Yahoo finance. Porém todos os que vi eram pagos e um valor que não fazia sentido pra uso "casual". Vocês sabem de algum que possa ser útil?

@Filipe Andrade Nascimento kkkkkkk Ai não bicho, eu sou da área da saúde, é aceitável não conhecer tanto. Mas valeu por ter explicado, acho que consegui usar: https://gist.github.com/RodolfoCL04/c699c1e6b367957a2890b2e6671693c8 Mudei algumas coisas do código tirando cálculos que se baseariam no preço das ações e deixei só os dados operacionais das empresas, agilizou o calculo e me dá as medias dos dados operacionais das empresas que compõe o ETF. Talvez seja maluquice minha e esteja até fazendo besteira, mas ter essa noção me dá mais segurança pra escolher

kkkkk Perdão, eu não entendo nada de programação, máximo que programei foi o despertador do celular, não sabia dessa possibilidade e nem como usar😢

Em meio a um devaneio, solicitei a IA que tentasse analisar os ativos que representassem 50% da carteira de um ETF para obter a media ponderada de alguns dados de valuation, como são muitos ativos ela bugou, mas me forneceu o código em Python que permitiria fazer a análise, testei e deu certo, os dados obtidos realmente batem com os contidos no site. Os dados solicitados foram: ROE ROIC ROA DIV LIQ/EBITDA P/EBIT P/EBITDA LIQUIDEZ CORRENTE LIQUIDEZ SECA LIQUIDEZ IMEDIATA PAS/ATIV Caso alguém tenha interesse aqui vai o passo a passo Baixar as planilhas das holdings do ETF no site do gestor, abrir o arquivo no excel e deixar apenas as colunas de ticker e Weight, salvar o arquivo como no formato CSV Acessar o colab.research.google.com Abrir um novo notebook Digitar na caixa de texto do código "!pip install yfinance pandas" e apertar o play do lado esquerdo Nos ícones a esquerda o penúltimo item (ícone com formato de pasta) faça o upload do arquivo CSV Clique na caixa do primero comando e logo acima dela ele te dará a opção "+código"clique nela e insira esse prompt" import yfinance as yf import pandas as pd import numpy as np df_top_50 = pd.read_csv('Nome do arquivo upado.csv', sep=';') print("Colunas do DataFrame após leitura do CSV:") print(df_top_50.columns) # Rename the 'Weight' column to 'Peso' to match expectations df_top_50 = df_top_50.rename(columns={'Weight': 'Peso'}) # Corrected from 'Weight (%)' to 'Weight' # Clean and convert 'Peso' column to numeric, handling problematic characters like '-' df_top_50['Peso'] = df_top_50['Peso'].str.replace(',', '.').replace('-', np.nan).astype(float) # Filter out invalid or problematic tickers that cause yfinance errors df_top_50 = df_top_50[df_top_50['Ticker'].notna()].copy() # Remove rows with NaN Ticker df_top_50 = df_top_50[df_top_50['Ticker'].str.strip() != ''].copy() # Remove empty or whitespace-only Tickers df_top_50 = df_top_50[df_top_50['Ticker'] != '-'].copy() # Remove single hyphen Tickers # Explicitly filter out currency symbols and other known non-stock tickers problematic_symbols = ['_CURRENCYEUR', '_CURRENCYGBP', '_CURRENCYCHF', '_CURRENCYDKK', '_CURRENCYUSD', '_CURRENCYNOK', '_CURRENCYSEK', '___ADI2VD0K2', '2330', '5930', '700', '660', '9988'] # Added common problematic entries from EIMI, if they appear as tickers df_top_50 = df_top_50[~df_top_50['Ticker'].isin(problematic_symbols)].copy() dados_empresas = [] print("Extraindo os dados financeiros atuais... Isso será bem mais rápido.\n") for index, row in df_top_50.iterrows(): ticker = row['Ticker'] peso = row['Peso'] # This line was the error. We needed the correct column name. try: acao = yf.Ticker(ticker) info = acao.info # Check if info is empty, which indicates a problematic ticker for yfinance if not info or len(info) <= 1: # len(info) <= 1 often means only 'trailingPegRatio' or similar, indicating no real data print(f"Aviso: Não foi possível obter dados para o ticker {ticker}. Pulando este ativo.") continue bs = acao.balance_sheet inc = acao.financials def dado_recente(df, nome_linha): try: return df.loc[nome_linha].iloc[0] except (KeyError, IndexError): return np.nan roe = info.get('returnOnEquity', np.nan) roa = info.get('returnOnAssets', np.nan) liquidez_corrente = info.get('currentRatio', np.nan) liquidez_seca = info.get('quickRatio', np.nan) ebitda = info.get('ebitda', np.nan) market_cap = info.get('marketCap', np.nan) caixa_total = info.get('totalCash', np.nan) divida_total = info.get('totalDebt', np.nan) ebit = dado_recente(inc, 'EBIT') capital_investido = dado_recente(bs, 'Invested Capital') ativos_totais = dado_recente(bs, 'Total Assets') passivos_totais = dado_recente(bs, 'Total Liabilities Net Minority Interest') passivo_circulante = dado_recente(bs, 'Current Liabilities') roic = (ebit / capital_investido) if (pd.notna(ebit) and pd.notna(capital_investido) and capital_investido != 0) else np.nan divida_liq_ebitda = ((divida_total - caixa_total) / ebitda) if (pd.notna(divida_total) and pd.notna(caixa_total) and pd.notna(ebitda) and ebitda != 0) else np.nan p_ebit = (market_cap / ebit) if (pd.notna(market_cap) and pd.notna(ebit) and ebit != 0) else np.nan p_ebitda = (market_cap / ebitda) if (pd.notna(market_cap) and pd.notna(ebitda) and ebitda != 0) else np.nan passivos_ativos = (passivos_totais / ativos_totais) if (pd.notna(passivos_totais) and pd.notna(ativos_totais) and ativos_totais != 0) else np.nan liquidez_imediata = (caixa_total / passivo_circulante) if (pd.notna(caixa_total) and pd.notna(passivo_circulante) and passivo_circulante != 0) else np.nan dados = { 'Ticker': ticker, 'Peso': peso, 'ROE Atual (%)': roe * 100 if pd.notna(roe) else np.nan, 'ROA Atual (%)': roa * 100 if pd.notna(roa) else np.nan, 'ROIC Atual (%)': roic * 100 if pd.notna(roic) else np.nan, 'Dívida Líq/EBITDA': divida_liq_ebitda, 'P/EBIT': p_ebit, 'P/EBITDA': p_ebitda, 'Liquidez Corrente': liquidez_corrente, 'Liquidez Seca': liquidez_seca, 'Liquidez Imediata': liquidez_imediata, 'Passivos/Ativos (%)': passivos_ativos * 100 if pd.notna(passivos_ativos) else np.nan } dados_empresas.append(dados) except Exception as e: print(f"Aviso: Erro ao processar o ticker {ticker}: {e}. Pulando este ativo.") continue # Ensure df_resultados is created even if dados_empresas is empty df_resultados = pd.DataFrame(dados_empresas) print("--- Dados Extraídos por Empresa ---") print(df_resultados.round(2).to_string(index=False)) print("\n" + "-"*80 + "\n") def media_ponderada(valores, pesos): mascara = valores.notna() & pesos.notna() if not mascara.any(): return np.nan return np.average(valores[mascara], weights=pesos[mascara]) print("---" * 10 + "\nMÉDIA PONDERADA ATUAL DO FUNDO\n" + "---" * 10) colunas_para_media = [c for c in df_resultados.columns if c not in ['Ticker', 'Peso']] if not df_resultados.empty: for coluna in colunas_para_media: resultado = media_ponderada(df_resultados[coluna], df_resultados['Peso']) if "(%)" in coluna: print(f"{coluna}: {resultado:.2f}%") else: print(f"{coluna}: {resultado:.2f}x") else: print("Nenhum dado financeiro foi extraído após a filtragem de tickers.") pedir para rodar o código, nesse passo alguns erros podem surgir e o próprio gemini oferece soluções, peça para as executar e ele tentar rodar novamente Após isso ele ira buscar os dados, ignorar o que não encontrou no site e te dar as medias Deixei abaixo o resultado que consegui para o SPYL versão irlandesa do SPY