Como lhe disse no início deste pequeno livro, a análise financeira pode parecer um
bicho de sete cabeças para o leigo, porém à medida que vamos entendendo cada ponto
ela passa a ser algo interessante de ser estudado, e acredito que a este ponto, se
você compreendeu cada conceito, você já tem bases bastante sólidas para dar seus
primeiros passos criando suas ferramentas de análise financeira.
Nosso foco aqui, embora prático, foi desmistificar muita coisa que erroneamente nos
é passado sobre esse meio, e também esclarecer tópicos sobre esse nicho, de forma
que possamos dar nossos primeiros passos nele.
Agradeço a compra deste humilde livro e sinceramente espero que a leitura do mesmo
tenha sido tão proveitosa quando foi prazerosa para mim o escrever.
Caso deseje se aprofundar mais em outros conceitos, principalmente baseados em
redes neurais artificiais, sugiro a leitura de meus outros livros, encontrados
facilmente a preço justo na Amazon e em outras publicadoras de autores
independentes.
Novamente, muito obrigado pela aquisição deste material.
Um forte abraço.
Fernando Feltrin Códigos Completos Abaixo estão os códigos completos dos
exemplos apresentados no livro, em função da diagramação do livro eles podem
apresentar em certos blocos problemas de indentação, para contornar esse problema
todos os códigos estão disponíveis em meu repositório no GitHub, acessível via
https://github.com/fernandofeltrin/ Análise Financeira Simples import numpy as np
import pandas as pd from pandas_datareader import data as wb import
matplotlib.pyplot as plt data = wb.DataReader('PG', data_source='yahoo',
start='2000-1-1') data.head() data.tail() data['Resultado'] = (data['Adj
Close'] / data['Adj Close'].shift(1)) -1 print(data['Resultado']) data.head()
data['Resultado'].plot(figsize=(8,5)) plt.show() media_simples =
data['Resultado'].mean() print(media_simples) media_anual =
data['Resultado'].mean() * 250 print(media_anual) print(str(round(media_anual,
5)*100)+'%') data['RetLogaritmico'] = np.log(data['Adj Close'] / data['Adj
Close'].shift(1)) print(data['RetLogaritmico'])
data['RetLogaritmico'].plot(figsize = (8,5)) plt.show() medialog =
data['RetLogaritmico'].mean() * 250 print(str(round(medialog, 5) * 100) + '%')
carteiras = ['PG', 'MSFT', 'F', 'GE', 'AAPL'] database = pd.DataFrame() for i in
carteiras:
database[i] = wb.DataReader(i, data_source='yahoo', start='2000-1-1') ['Adj
Close'] database.info() database.head() database.tail() database.iloc[0]
(database / database.iloc[0] * 100).plot(figsize = (8,5)) ret_carteiras =
(database / database.shift(1)) -1 ret_carteiras.head() pesos = np.array([0.2, 0.2,
0.2, 0.2, 0.2]) np.dot(ret_carteiras, pesos) mediacarteiras = ret_carteiras.mean()
* 100 print(mediacarteiras) mediaretornoanual = ret_carteiras.mean() * 250
print(mediaretornoanual) np.dot(mediaretornoanual, pesos) portfolio =
str(round(np.dot(mediaretornoanual, pesos), 5) * 100) + '%' print(portfolio)
pesos2 = np.array([0.3, 0.3, 0.15, 0.05, 0.2]) portfolio2 =
str(round(np.dot(mediaretornoanual, pesos2), 5) * 100) + '%' print(portfolio2)
ind_carteiras = ['^GSPC', '^IXIC', '^GDAXI'] indicadores = pd.DataFrame() for t in
ind_carteiras:
indicadores[t] = wb.DataReader(t, data_source='yahoo', start='2000-1-1') ['Adj
Close'] indicadores.head() indicadores.tail() (indicadores / indicadores.iloc[0]
* 100).plot(figsize = (8,5)) plt.show() retindicadores = (indicadores /
indicadores.shift(1)) -1 retindicadores.tail() retindicadoresanuais =
retindicadores.mean() * 250 print(retindicadoresanuais) carteiras = ['PG', 'AAPL']
database = pd.DataFrame()
