Metadata-Version: 2.1
Name: fortunae
Version: 0.0.10
Summary: Fortunae quer ser tornar uma biblioteca de análise financeira. Indicada para importar indicadores fundamentalistas de ações e fundos
Home-page: UNKNOWN
Author: Arthur Chabole
Author-email: <chabole.arthur@gmail.com>
License: UNKNOWN
Keywords: python,finance,money,invest
Platform: UNKNOWN
Classifier: Development Status :: 1 - Planning
Classifier: Intended Audience :: Developers
Classifier: Programming Language :: Python :: 3
Classifier: Operating System :: Unix
Classifier: Operating System :: MacOS :: MacOS X
Classifier: Operating System :: Microsoft :: Windows
Description-Content-Type: text/markdown
License-File: LICENSE

# fortunae
 Fortunae quer ser tornar uma biblioteca de anÃ¡lise financeira. Voltada pra importacao de indicadores fundamentalistas de acoes ou fundos imobiliarios usando multithreading. Usando a biblioteca `threads` para acelerar a coleta de dados automatizada e massiva. Funciona pra ativos brasileiros e BDR's.

## Download

Computer Version:

[![Windows](https://img.shields.io/badge/Windows-0078D6?style=for-the-badge&logo=windows&logoColor=white)](https://github.com/seu-usuario/seu-repositorio/releases)
[![Linux](https://img.shields.io/badge/Linux-FF6600?style=for-the-badge&logo=linux&logoColor=white)](https://github.com/seu-usuario/seu-repositorio/releases)
[![Mac OS](https://img.shields.io/badge/mac%20os-000000?style=for-the-badge&logo=macos&logoColor=F0F0F0)](https://github.com/seu-usuario/seu-repositorio/releases)

## InstalaÃ§Ã£o

Voce pode instalar fortunae via `pip`

```md
pip install fortunae
```
## Extraindo dados de acoes
Verificando indicadores fundamentalistas de acoes

```python
import fortunae as ft

acoes = ['mglu3', 'bbas3', 'cash3', 'disb34']
df_acoes = ft.get_stocks(acoes)
```
O `df_acoes` serÃ¡ um dataframe com os ativos e seus indicadores. SÃ£o identificados 43 indicadores fundamentalistas pra acoes.

## Extraindo dados de fundos imobiliarios

Verificando indicadores fundamentalistas de fundos imobiliarios.

```python
import fortunae as ft

fiis = ['hglg11', 'knri11', 'bcff11']
df_fiis = ft.get_fiis(fiis)
```
O `df_fiis` serÃ¡ um dataframe com os ativos e seus indicadores. SÃ£o identificados 23 indicadores fundamentalistas pra acoes.

## Verificando lista de ativos
Verificando lista de acoes
```python
import fortunae as ft

acoes_lista = ft.br_stocks()
```
Verificando lista de fundos imobiliarios
```python
import fortunae as ft

acoes_lista = ft.br_fiis()
```

## AtualizaÃ§Ã£o de ativos

```python
import fortunae as ft
import pandas as pd
import time 

start = time.time()

#Pegando a lista de acoes e fundos
acoes = ft.br_stocks() #473 acoes
fiis = ft.br_fiis()    #250 fundos

#Scraping de dados usando threads
df_acoes = ft.get_stocks(acoes)
df_fiis = ft.get_fiis(fiis)

#Gravando os resultados
with pd.ExcelWriter('outputs.xlsx') as writer:  
    df_acoes.to_excel(writer, sheet_name='acoes')
    df_fiis.to_excel(writer, sheet_name='FIIs')
    
print(f'Tempo de processamento gasto {(time.time() - start):.3f}s')
```
Esse codigo percorre `473 acoes` e `250 fundos imobiliarios` listadas na `B3` pegando informacoes de 
preÃ§o e indicadores fundamentalistas. ApÃ³s a coleta de dados concluida salva o arquivo em formato de planilha `.xlsx`. Esse operaÃ§Ã£o dura em mÃ©dia `3min` e depende de conexÃ£o com a internet.

## Exemplos do DataFrame `df_acoes`
Quando usar a funÃ§Ã£o *get_stocks* ela retornara os indicadores de cada ativo informado em seu argumento em forma de um DataFrame. Assim, fica mais fÃ¡cil executar analises, filtros e plotagem.

![](imgs/df.PNG)

## Exemplos - Visualizando os dados do DataFrame

Com os dados do DataFrame agrupar por subsetor de atuaÃ§Ã£o e visualizarmos como o `P/L` se distribui em cada setor.
```python

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

#Filtrando dados
df = pd.read_excel('outputs.xlsx', index_col=False)
df = df[(df['VOLUME (dia)'] >=0.5e6) & (df['P/L']>0) & (df['P/L']<100)]

#Plot
sns.relplot(size="P/L", y="Subsetor de AtuaÃ§Ã£o", hue="Setor de AtuaÃ§Ã£o", x="D.Y",
            sizes=(40, 400), alpha=.5, palette="Paired",
            height=6, data=df[(df['D.Y'] > 0) & (df['D.Y'] < 50) & 
                              (df['P/L'] > 0) & (df['P/L'] < 50)])
```

![](imgs/plot1.png)

Pode-se tambÃ©m fazer um histograma pra verificar como o `ROE` de distribuiu de acordo com cada setor de atuaÃ§Ã£o.
```python

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

#Filtrando dados
df = pd.read_excel('outputs.xlsx', index_col=False)
df = df[(df['VOLUME (dia)'] >=0.5e6) & (df['P/L']>0) & (df['P/L']<100)]

fig, ax = plt.subplots()
sns.kdeplot(
   data=df, x="ROE", hue="Setor de AtuaÃ§Ã£o",
   fill=True, common_norm=False, palette="Spectral", multiple="stack",
   alpha=.5, linewidth=0,
)
ax.grid(linestyle='dotted')
ax.set_xlim(-5, 50)
```

![](imgs/plot2.png)

Ou fazer um histograma pra verificar como o `P/L` de distribuiu de acordo com cada setor de atuaÃ§Ã£o.
```python

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

#Filtrando dados
df = pd.read_excel('outputs.xlsx', index_col=False)
df = df[(df['VOLUME (dia)'] >=0.5e6) & (df['P/L']>0) & (df['P/L']<100)]

fig, ax = plt.subplots()

sns.kdeplot(
   data=df, x="P/L", hue="Setor de AtuaÃ§Ã£o",
   fill=True, common_norm=False, palette="Spectral", multiple="stack",
   alpha=.5, linewidth=0,
)

ax.grid(linestyle='dotted')
ax.set_xlim(-5, 50)

```

![](imgs/plot3.png)


### Support ou contato

[![Instagram Badge](https://img.shields.io/badge/Instagram-E4405F?style=for-the-badge&logo=instagram&logoColor=white)](https://www.instagram.com/arthurchabole/)
[![Twitter Badge](https://img.shields.io/badge/Twitter-1DA1F2?style=for-the-badge&logo=twitter&logoColor=white)](https://twitter.com/Arthur__Chabole)
[![Linkedin](https://img.shields.io/badge/LinkedIn-0077B5?style=for-the-badge&logo=linkedin&logoColor=white)](https://www.linkedin.com/in/arthur-chabole-1589a8149/)


