معرفی شرکت ها
fortunae-0.0.9
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Fortunae quer ser tornar uma biblioteca de análise financeira. Indicada para importar indicadores fundamentalistas de ações e fundos
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | fortunae-0.0.9 |
| نام | fortunae |
| نسخه کتابخانه | 0.0.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Arthur Chabole |
| ایمیل نویسنده | <chabole.arthur@gmail.com> |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/fortunae/ |
| مجوز | - |
# fortunae
Fortunae quer ser tornar uma biblioteca de análise 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:
[](https://github.com/seu-usuario/seu-repositorio/releases)
[](https://github.com/seu-usuario/seu-repositorio/releases)
[](https://github.com/seu-usuario/seu-repositorio/releases)
## Instalação
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` será um dataframe com os ativos e seus indicadores. São 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` será um dataframe com os ativos e seus indicadores. São 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()
```
## Atualização 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
preço e indicadores fundamentalistas. Após a coleta de dados concluida salva o arquivo em formato de planilha `.xlsx`. Esse operação dura em média `3min` e depende de conexão com a internet.
## Exemplos do DataFrame `df_acoes`
Quando usar a função *get_stocks* ela retornara os indicadores de cada ativo informado em seu argumento em forma de um DataFrame. Assim, fica mais fácil executar analises, filtros e plotagem.
## Exemplos - Visualizando os dados do DataFrame
Com os dados do DataFrame agrupar por subsetor de atuação 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 Atuação", hue="Setor de Atuação", 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)])
```
Pode-se também fazer um histograma pra verificar como o `ROE` de distribuiu de acordo com cada setor de atuação.
```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 Atuação",
fill=True, common_norm=False, palette="Spectral", multiple="stack",
alpha=.5, linewidth=0,
)
ax.grid(linestyle='dotted')
ax.set_xlim(-5, 50)
```
Ou fazer um histograma pra verificar como o `P/L` de distribuiu de acordo com cada setor de atuação.
```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 Atuação",
fill=True, common_norm=False, palette="Spectral", multiple="stack",
alpha=.5, linewidth=0,
)
ax.grid(linestyle='dotted')
ax.set_xlim(-5, 50)
```
### Support ou contato
[](https://www.instagram.com/arthurchabole/)
[](https://twitter.com/Arthur__Chabole)
[](https://www.linkedin.com/in/arthur-chabole-1589a8149/)
نیازمندی
| مقدار | نام |
|---|---|
| - | pandas |
| - | requests |
نحوه نصب
نصب پکیج whl fortunae-0.0.9:
pip install fortunae-0.0.9.whl
نصب پکیج tar.gz fortunae-0.0.9:
pip install fortunae-0.0.9.tar.gz