Spaces:
Sleeping
Sleeping
File size: 25,689 Bytes
4565b50 bdb29bf 4565b50 bdb29bf 4565b50 bdb29bf 4565b50 bdb29bf 4565b50 bdb29bf 4565b50 bdb29bf 4565b50 bdb29bf 4565b50 bdb29bf 4565b50 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 |
import matplotlib
matplotlib.use('Agg')
import streamlit as st
import pandas as pd
from PIL import Image
import plotly.graph_objects as go
import numpy as np
import yfinance as yf
import datetime as dt
from collections import OrderedDict
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
import uteis as uteis
import scrap as scraping
def flatten(d):
'''
Flatten an OrderedDict object
'''
result = OrderedDict()
for k, v in d.items():
if isinstance(v, dict):
result.update(flatten(v))
else:
result[k] = v
return result
def analise_carteira():
#código para ativar bootstrap css
st.markdown(
"""
<link rel="stylesheet" href="https://maxcdn.bootstrapcdn.com/bootstrap/4.0.0/css/bootstrap.min.css" integrity="sha384-Gn5384xqQ1aoWXA+058RXPxPg6fy4IWvTNh0E263XmFcJlSAwiGgFAW/dAiS6JXm" crossorigin="anonymous">
<script src="https://maxcdn.bootstrapcdn.com/bootstrap/4.0.0/js/bootstrap.min.js" integrity="sha384-JZR6Spejh4U02d8jOt6vLEHfe/JQGiRRSQQxSfFWpi1MquVdAyjUar5+76PVCmYl" crossorigin="anonymous"></script>
""",unsafe_allow_html=True
)
top_ativos = pd.read_excel('data/top_200.xlsx')#, index_col=0)
col1, col2,col3 = st.columns([0.1,0.4,0.1])
with col2:
st.title('Análise de carteira e previsão de lucro')
st.subheader('Receba insights sobre suas operações realizadas no passado e preveja se sua próxima operação no futuro será lucrativa, ou não!')
st.write('Usando os dados do seu extrato histórico fornecido pelo site da B3 iremos treinar um algorítimo de inteligência artificial que será capaz de analisar suas operações passadas, mostrar padrões que te levaram ao lucro ou prejuízo, além de prever a probabilidade de lucro de uma ação caso ela seja comprada hoje por você')
menu = ["Escolha uma opção","Usar algoritmo do site","Usar os dados de minhas operações"]
choice = st.selectbox("Menu",menu)
if choice == "Usar os dados de minhas operações":
# se usuário estiver logado
if st.session_state['loged']:
#st.subheader('Faça upload aqui do seu extrato da B3')
col1, col2,col3 = st.columns([0.1,0.4,0.1])
with col2:
with st.expander("Passo a passo de como acessar os dados no site da B3"):
st.write('Acessar o site www.investidorb3.com.br')
st.write('Aba Extratos > Negociação > Aplicar filtro trazendo dados do último ano > baixar extrato em formato excel')
image = Image.open('images/b3.png')
st.image(image, use_column_width=True)
st.subheader('Faça upload aqui do seu extrato da B3')
file = st.file_uploader('Entre com seu extrato (.xlsx)', type = 'xlsx')
if file:
df = pd.read_excel(file)
lista = []
retirar = []
for i in range(len(df['code'])):
#PEGANDO SOMENTE AÇÕES AO INVÉS DE FIIS CORRELATAS
if len(df.iloc[i]['code']) == 5:
lista.append(df.iloc[i]['code'])
elif df.iloc[i]['code'][-1] == '1':
retirar.append(df.iloc[i]['code'][-1])
#PEGANDO AÇÕES FRACIONADAS E TRANSFORMANDO EM AÇÕES NORMAIS
else:
lista.append(df.iloc[i]['code'][:-1])
lista = pd.DataFrame(lista)[0].unique()
lista_input = []
#PEGAR DADOS HISTÓRICOS DE CADA UMA DAS AÇÕES
for i in range(len(lista)):
lista_input.append(str(lista[i] + '.SA'))
date_year_ago = dt.datetime.today() - dt.timedelta(days=565)
date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
data = yf.download(lista_input,start=date_year_ago)
#CRIA UMA DF COM UMA LINHA PARA CADA AÇÃO
df_filled = pd.DataFrame(columns = ['name'])
df_filled['name'] = lista_input
# lógica para input de dados calculados
#UTILIZA LISTA COM NOMES ÚNICOS DAS AÇÕES, DATAFRAME DA B3, DADOS HISTÓRICOS E A TABELA DE INPUT COM UMA LINHA PARA CADA AÇÃO
uteis.inputer_train(lista, df, data, df_filled)
df_input = df_filled.fillna(0).replace(np.inf, 0)
st.subheader('Avaliação de carteira:')
st.write('Lucro Total do período avaliado: R$',round(df_input['Ganho_total'].sum(),2))
#st.write('Rendimento Total do período avaliado: %',round(df_input['Rendimento_total_%'].sum(),2))
df_input = df_input.loc[df_input['data_compra_1'] != 0]
df_input['data_compra_1'] = pd.to_datetime(df_input['data_compra_1']).copy()
df_ordered = df_input.sort_values('data_compra_1')
#ordenando e criando campo mes ano
df_ordered['mes/ano'] =df_ordered['data_compra_1'].astype(str).str[:-3]
df_grouped = df_ordered.groupby('mes/ano').agg({'Rendimento_total_%':'mean','Ganho_total':'sum'})
df_grouped = df_grouped.reset_index()
#from plotly.subplots import make_subplots
#fig = make_subplots(rows=2, cols=1, specs=[[{"type": "scatter"}, {"type": "bar"}]], subplot_titles=("Rendimento mensal %","Lucro total mensal R$") )
#fig.add_trace(go.Scatter(x =df_grouped['mes/ano'], y=df_grouped['Rendimento_total_%']), row=1, col=1)
#fig.add_trace(go.Bar(x =df_grouped['mes/ano'], y=df_grouped['Ganho_total']), row=1, col=2)
#fig.update_layout(height=800, showlegend=False, paper_bgcolor='rgba(0,0,0,0)', plot_bgcolor='rgba(0,0,0,0)')
#st.plotly_chart(fig)
layout = go.Layout(title="Rendimento mensal %",xaxis=dict(title="mês/ano"), yaxis=dict(title="Rendimento total %"))
fig = go.Figure(layout = layout)
fig.add_trace(go.Scatter(x =df_grouped['mes/ano'], y=df_grouped['Rendimento_total_%']))
fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)')
fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
st.plotly_chart(fig,use_container_width=True)
layout = go.Layout(title="Lucro total mensal R$",xaxis=dict(title="mês/ano"), yaxis=dict(title="Ganho total R$"))
fig = go.Figure(layout = layout)
fig.add_trace(go.Bar(x =df_grouped['mes/ano'], y=df_grouped['Ganho_total']))
fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)')
fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
st.plotly_chart(fig,use_container_width=True)
#MODELAGEM
df_ordered['lucro'] = 0
df_ordered.loc[df_ordered['Ganho_total'] > 0 , 'lucro'] = 1
df_ordered = df_ordered.fillna(0).replace(-np.inf, 0)
X = df_ordered.drop(['name', 'data_compra_1','mes/ano','Ganho_total','Rendimento_total_%','lucro','Preço_médio_comprado','Preço_médio_vendido'],axis=1)
y = df_ordered['lucro']
# divisão entre treino e teste 70/30
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30, random_state=42)
# Random Forest Regressor MVP
regr = RandomForestRegressor(random_state=42)
regr.fit(X_train,y_train)
predictions = regr.predict(X_test)
comparar = pd.DataFrame(y_test)
comparar['previsto'] = predictions
comparar['dif'] = comparar['previsto'] - comparar['lucro']
erros = len(comparar.loc[comparar['dif'] > 0.5]) + len(comparar.loc[comparar['dif'] < -0.5])
total = len(comparar)
precision_model = round(1 - (erros / total),2)
st.write('O modelo criado com os seus dados tem uma precisão de acerto de: ',precision_model * 100 ,'%')
st.write('Caso a precisão seja baixa ( < 65% ) é necessário mais dados para melhorar a performance do modelo, neste caso utilize nosso modelo pré treinado na opção " Testar com nossos dados" ou incremente seus dados com operações fictícias')
#trazendo features + importantes
features, rank = uteis.rank(X, y)
st.subheader('Estas variáveis são as que mais impactam nas decisões da inteligência artificial')
#col1, col2,col3 = st.columns([0.1,0.4,0.1])
col1, col2,col3 = st.columns([1,2,1])
with col2:
#st.dataframe(rank['features'].head(10).reset_index(drop=True).T)
top_features = rank['features'].head(10).reset_index(drop=True)
st.table(top_features)
#fazendo previsão em toda a bolsa
#lista = scraping.get_data()
#todos = pd.DataFrame(flatten(lista).keys()).transpose()
#todos.columns = todos.iloc[0]
#for i in range(len(lista)):
# todos = pd.concat([todos,pd.DataFrame(lista[i]).transpose()])
#todos = todos.iloc[1:]
#todos['name'] = (todos.index + '.SA' )
#lista = top_ativos.copy()
#PREVENDO 1 AÇÃO ESPECÍFICA
col1, col2,col3 = st.columns([0.1,0.4,0.1])
with col2:
st.subheader('Escolha o código de até 4 ativos específicos que deseja prever e pressione enter')
nome_do_ativo1 = st.text_input('Nome do ativo 1',value='PETR4')
nome_do_ativo2 = st.text_input('Nome do ativo 2',value='VALE3')
nome_do_ativo3 = st.text_input('Nome do ativo 3',value='WEGE3')
nome_do_ativo4 = st.text_input('Nome do ativo 4')
if st.button('prever lucro das ações especificadas acima'):
ativo1 = str(nome_do_ativo1 + '.SA').upper()
ativo2 = str(nome_do_ativo2 + '.SA').upper()
ativo3 = str(nome_do_ativo3 + '.SA').upper()
ativo4 = str(nome_do_ativo4 + '.SA').upper()
nome_do_ativo1 = nome_do_ativo1.upper()
nome_do_ativo2 = nome_do_ativo2.upper()
nome_do_ativo3 = nome_do_ativo3.upper()
nome_do_ativo4 = nome_do_ativo4.upper()
todos = pd.DataFrame(columns = ['name'])
todos['name'] = [ativo1,ativo2,ativo3,ativo4]
lista = pd.DataFrame(columns = ['name'])
lista['name'] = [nome_do_ativo1,nome_do_ativo2,nome_do_ativo3,nome_do_ativo4]
date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
data = yf.download(list(todos['name']),start=date_year_ago)
df_filled = pd.DataFrame(columns = ['name'])
df_filled['name'] = lista['name']
df_filled['ativo'] = df_filled['name'].copy()
df_filled = df_filled.set_index('ativo')
df_filled = uteis.inputer_predict(data, df_filled)
# retirar nulos e infinitos positivos
df_input = df_filled.fillna(0).replace(np.inf, 0)
#df_ordered = df_input.fillna(0).replace(-np.inf, 0)
input_predict = df_input[list(X.columns)]
# retirar nulos e infinitos negativos
input_predict = input_predict.fillna(0).replace(-np.inf, 0)
predictions = regr.predict(input_predict)
input_predict['probabilidade de lucro'] = predictions.round(2) * 100
st.subheader('Previsão de lucro das principais ações da bolsa')
st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelas suas operações')
#col1, col2,col3 = st.columns([0.1,0.4,0.1])
col1, col2,col3 = st.columns([1,2,1])
with col2:
st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))
if st.button('prever as top 200 ações de uma vez'):
lista = top_ativos.copy()
top_ativos['name'] =top_ativos['name'] + '.SA'
todos = top_ativos.copy()
#todos = top_ativos.head(2) #RETIRAR AQUI PARA PEGAR OS TOP 200
date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
data = yf.download(list(todos['name']),start=date_year_ago)
df_filled = pd.DataFrame(columns = ['name'])
df_filled['name'] = lista['name']
df_filled['ativo'] = df_filled['name'].copy()
df_filled = df_filled.set_index('ativo')
#uteis.inputer_predict(data, df_filled)
df_filled = uteis.inputer_predict(data, df_filled)
# retirar nulos e infinitos positivos
df_input = df_filled.fillna(0).replace(np.inf, 0)
#df_ordered = df_input.fillna(0).replace(-np.inf, 0)
input_predict = df_input[list(X.columns)]
# retirar nulos e infinitos negativos
input_predict = input_predict.fillna(0).replace(-np.inf, 0)
predictions = regr.predict(input_predict)
input_predict['probabilidade de lucro'] = predictions.round(2) * 100
st.subheader('Previsão de lucro das principais ações da bolsa')
st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelas suas operações')
col1, col2,col3 = st.columns([1,2,1])
with col2:
st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))
else:
st.warning("Faça o Login na seção Login")
if choice == "Usar algoritmo do site":
st.subheader('As previsões feitas aqui utilizam dados de movimentação de milhares de operações para composição da inteligência artificial!')
df = pd.read_excel('data/b3_sem_resumo.xlsx')
lista = []
retirar = []
for i in range(len(df['code'])):
#PEGANDO SOMENTE AÇÕES AO INVÉS DE FIIS CORRELATAS
if len(df.iloc[i]['code']) == 5:
lista.append(df.iloc[i]['code'])
elif df.iloc[i]['code'][-1] == '1':
retirar.append(df.iloc[i]['code'][-1])
#PEGANDO AÇÕES FRACIONADAS E TRANSFORMANDO EM AÇÕES NORMAIS
else:
lista.append(df.iloc[i]['code'][:-1])
lista = pd.DataFrame(lista)[0].unique()
lista_input = []
#PEGAR DADOS HISTÓRICOS DE CADA UMA DAS AÇÕES
for i in range(len(lista)):
lista_input.append(str(lista[i] + '.SA'))
date_year_ago = dt.datetime.today() - dt.timedelta(days=565)
date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
data = yf.download(lista_input,start=date_year_ago)
#CRIA UMA DF COM UMA LINHA PARA CADA AÇÃO
df_filled = pd.DataFrame(columns = ['name'])
df_filled['name'] = lista_input
# lógica para input de dados calculados
#UTILIZA LISTA COM NOMES ÚNICOS DAS AÇÕES, DATAFRAME DA B3, DADOS HISTÓRICOS E A TABELA DE INPUT COM UMA LINHA PARA CADA AÇÃO
uteis.inputer_train(lista, df, data, df_filled)
df_input = df_filled.fillna(0).replace(np.inf, 0)
# st.subheader('Avaliação de carteira:')
# st.write('Lucro Total do período avaliado: R$',round(df_input['Ganho_total'].sum(),2))
# #st.write('Rendimento Total do período avaliado: %',round(df_input['Rendimento_total_%'].sum(),2))
df_input = df_input.loc[df_input['data_compra_1'] != 0]
df_input['data_compra_1'] = pd.to_datetime(df_input['data_compra_1']).copy()
df_ordered = df_input.sort_values('data_compra_1')
#ordenando e criando campo mes ano
df_ordered['mes/ano'] =df_ordered['data_compra_1'].astype(str).str[:-3]
df_grouped = df_ordered.groupby('mes/ano').agg({'Rendimento_total_%':'mean','Ganho_total':'sum'})
df_grouped = df_grouped.reset_index()
#from plotly.subplots import make_subplots
#fig = make_subplots(rows=2, cols=1, specs=[[{"type": "scatter"}, {"type": "bar"}]], subplot_titles=("Rendimento mensal %","Lucro total mensal R$") )
#fig.add_trace(go.Scatter(x =df_grouped['mes/ano'], y=df_grouped['Rendimento_total_%']), row=1, col=1)
#fig.add_trace(go.Bar(x =df_grouped['mes/ano'], y=df_grouped['Ganho_total']), row=1, col=2)
#fig.update_layout(height=800, showlegend=False, paper_bgcolor='rgba(0,0,0,0)', plot_bgcolor='rgba(0,0,0,0)')
#st.plotly_chart(fig)
# layout = go.Layout(title="Rendimento mensal %",xaxis=dict(title="mês/ano"), yaxis=dict(title="Rendimento total %"))
# fig = go.Figure(layout = layout)
# fig.add_trace(go.Scatter(x =df_grouped['mes/ano'], y=df_grouped['Rendimento_total_%']))
# fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)')
# fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
# st.plotly_chart(fig,use_container_width=True)
# layout = go.Layout(title="Lucro total mensal R$",xaxis=dict(title="mês/ano"), yaxis=dict(title="Ganho total R$"))
# fig = go.Figure(layout = layout)
# fig.add_trace(go.Bar(x =df_grouped['mes/ano'], y=df_grouped['Ganho_total']))
# fig.update_layout( height=600, width=800 ,showlegend=False, paper_bgcolor='rgba(255,255,255,0.9)', plot_bgcolor='rgba(255,255,255,0.9)')
# fig.update_yaxes(showgrid=True, gridwidth=0.1, gridcolor = 'rgb(240,238,238)')
# st.plotly_chart(fig,use_container_width=True)
#MODELAGEM
df_ordered['lucro'] = 0
df_ordered.loc[df_ordered['Ganho_total'] > 0 , 'lucro'] = 1
df_ordered = df_ordered.fillna(0).replace(-np.inf, 0)
X = df_ordered.drop(['name', 'data_compra_1','mes/ano','Ganho_total','Rendimento_total_%','lucro','Preço_médio_comprado','Preço_médio_vendido'],axis=1)
y = df_ordered['lucro']
# divisão entre treino e teste 70/30
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30, random_state=42)
# Random Forest Regressor MVP
regr = RandomForestRegressor(random_state=42)
regr.fit(X_train,y_train)
predictions = regr.predict(X_test)
comparar = pd.DataFrame(y_test)
comparar['previsto'] = predictions
comparar['dif'] = comparar['previsto'] - comparar['lucro']
erros = len(comparar.loc[comparar['dif'] > 0.5]) + len(comparar.loc[comparar['dif'] < -0.5])
total = len(comparar)
precision_model = round(1 - (erros / total),2)
st.write('O modelo utilizado tem uma precisão de acerto de: ',precision_model * 100 ,'%')
#trazendo features + importantes
features, rank = uteis.rank(X, y)
st.subheader('Estas variáveis são as que mais impactam nas decisões desta inteligência artificial')
#col1, col2,col3 = st.columns([0.1,0.4,0.1])
col1, col2,col3 = st.columns([1,2,1])
with col2:
#st.dataframe(rank['features'].head(10).reset_index(drop=True).T)
top_features = rank['features'].head(10).reset_index(drop=True)
st.table(top_features)
#fazendo previsão em toda a bolsa
#lista = scraping.get_data()
#todos = pd.DataFrame(flatten(lista).keys()).transpose()
#todos.columns = todos.iloc[0]
#for i in range(len(lista)):
# todos = pd.concat([todos,pd.DataFrame(lista[i]).transpose()])
#todos = todos.iloc[1:]
#todos['name'] = (todos.index + '.SA' )
#lista = top_ativos.copy()
#PREVENDO 1 AÇÃO ESPECÍFICA
col1, col2,col3 = st.columns([0.1,0.4,0.1])
with col2:
st.subheader('Escolha o código de até 4 ativos específicos que deseja prever e pressione enter')
nome_do_ativo1 = st.text_input('Nome do ativo 1',value='PETR4')
nome_do_ativo2 = st.text_input('Nome do ativo 2',value='VALE3')
nome_do_ativo3 = st.text_input('Nome do ativo 3',value='WEGE3')
nome_do_ativo4 = st.text_input('Nome do ativo 4')
if st.button('prever lucro das ações especificadas acima'):
ativo1 = str(nome_do_ativo1 + '.SA').upper()
ativo2 = str(nome_do_ativo2 + '.SA').upper()
ativo3 = str(nome_do_ativo3 + '.SA').upper()
ativo4 = str(nome_do_ativo4 + '.SA').upper()
nome_do_ativo1 = nome_do_ativo1.upper()
nome_do_ativo2 = nome_do_ativo2.upper()
nome_do_ativo3 = nome_do_ativo3.upper()
nome_do_ativo4 = nome_do_ativo4.upper()
todos = pd.DataFrame(columns = ['name'])
todos['name'] = [ativo1,ativo2,ativo3,ativo4]
lista = pd.DataFrame(columns = ['name'])
lista['name'] = [nome_do_ativo1,nome_do_ativo2,nome_do_ativo3,nome_do_ativo4]
date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
data = yf.download(list(todos['name']),start=date_year_ago)
df_filled = pd.DataFrame(columns = ['name'])
df_filled['name'] = lista['name']
df_filled['ativo'] = df_filled['name'].copy()
df_filled = df_filled.set_index('ativo')
df_filled = uteis.inputer_predict(data, df_filled)
# retirar nulos e infinitos positivos
df_input = df_filled.fillna(0).replace(np.inf, 0)
#df_ordered = df_input.fillna(0).replace(-np.inf, 0)
input_predict = df_input[list(X.columns)]
# retirar nulos e infinitos negativos
input_predict = input_predict.fillna(0).replace(-np.inf, 0)
predictions = regr.predict(input_predict)
input_predict['probabilidade de lucro'] = predictions.round(2) * 100
st.subheader('Previsão de lucro das principais ações da bolsa')
st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelo algoritmo do explorador de ativos')
#col1, col2,col3 = st.columns([0.1,0.4,0.1])
col1, col2,col3 = st.columns([1,2,1])
with col2:
st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))
if st.button('prever as top 200 ações de uma vez'):
lista = top_ativos.copy()
top_ativos['name'] =top_ativos['name'] + '.SA'
todos = top_ativos.copy()
#todos = top_ativos.head(2) #RETIRAR AQUI PARA PEGAR OS TOP 200
date_year_ago = dt.datetime.today() - dt.timedelta(days=300)
date_year_ago = date_year_ago.strftime(format='20%y-%m-%d')
data = yf.download(list(todos['name']),start=date_year_ago)
df_filled = pd.DataFrame(columns = ['name'])
df_filled['name'] = lista['name']
df_filled['ativo'] = df_filled['name'].copy()
df_filled = df_filled.set_index('ativo')
#uteis.inputer_predict(data, df_filled)
df_filled = uteis.inputer_predict(data, df_filled)
# retirar nulos e infinitos positivos
df_input = df_filled.fillna(0).replace(np.inf, 0)
#df_ordered = df_input.fillna(0).replace(-np.inf, 0)
input_predict = df_input[list(X.columns)]
# retirar nulos e infinitos negativos
input_predict = input_predict.fillna(0).replace(-np.inf, 0)
predictions = regr.predict(input_predict)
input_predict['probabilidade de lucro'] = predictions.round(2) * 100
st.subheader('Previsão de lucro das principais ações da bolsa')
st.text('Essa previsão é feita com base nas tendências de sucesso captadas pelas suas operações')
col1, col2,col3 = st.columns([1,2,1])
with col2:
st.table(input_predict['probabilidade de lucro'].sort_values(ascending=False).round(2))
|