Spaces:
Sleeping
Sleeping
| import matplotlib | |
| matplotlib.use('Agg') | |
| import streamlit as st | |
| import pandas as pd | |
| import numpy as np | |
| from collections import OrderedDict | |
| import scrap as scraping | |
| from st_aggrid import AgGrid | |
| 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 descobrir_ativos(): | |
| #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 | |
| ) | |
| col1, col2,col3 = st.columns([0.1,0.4,0.1]) | |
| with col2: | |
| st.title('Analisar ativos com filtros e recomendações fundamentalistas') | |
| st.title("") | |
| st.subheader('Médias dos principais setores, subsetores e segmentos') | |
| codigo_nome = pd.read_excel('data/classification_b3.xlsx') | |
| 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 = todos.reset_index() | |
| #tratamentos | |
| todos['P/L'] = todos['P/L'].str.replace('.','') | |
| todos['DY'] = todos['DY'].apply(lambda x: x[:-1]) | |
| todos['Cresc.5a %'] = todos['Cresc.5a'].apply(lambda x: x[:-1]).str.replace('.','').str.replace(',','.').astype(float) | |
| todos['ROE'] = todos['ROE'].apply(lambda x: x[:-1]).str.replace('.','').str.replace(',','.').astype(float) | |
| todos['Pat.Liq'] = todos['Pat.Liq'].str.replace('.','') | |
| todos = todos.replace(',','.', regex=True) | |
| todos = todos.apply(pd.to_numeric,errors='ignore') | |
| todos.rename(columns={'cotacao': 'Cotação'}, inplace=True) | |
| todos.rename(columns={'index': 'Código'}, inplace=True) | |
| #criação colunas | |
| todos['VPA'] = todos['Cotação'] / todos['P/VP'] | |
| todos['Lucro Líquido'] = (todos['ROE'] /100 ) * 1159400000 | |
| todos['Quantidade de ações'] = 1159400000 / todos['VPA'] | |
| todos['LPA'] = todos['Lucro Líquido'] / todos['Quantidade de ações'] | |
| todos['DPA'] = todos['Cotação'] * (todos['DY'] / 100) | |
| todos['Payout'] = todos['DPA'] / todos['LPA'] | |
| todos['Expectativa de crescimento'] = (1 - todos['Payout']) * todos['ROE'] | |
| todos['Valuation Bazin'] = todos['DPA'] / 0.06 | |
| todos['Desconto Bazin'] = (todos['Valuation Bazin'] - todos['Cotação']) / todos['Valuation Bazin'] | |
| todos['Valuation Graham'] = (22.5 * todos['LPA'] * todos['VPA']) ** 0.5 | |
| todos['Desconto Graham'] = (todos['Valuation Graham'] - todos['Cotação']) / todos['Valuation Graham'] | |
| todos = todos.fillna(0) | |
| merged = pd.merge(todos,codigo_nome,on='Código', how="left") | |
| merged.replace([np.inf, -np.inf], 0, inplace=True) | |
| #group | |
| col1, col2, col3 = st.columns([1,1,1]) | |
| with col1: | |
| grouped_setor = merged.groupby('Setor').mean() | |
| st.dataframe(grouped_setor[['Expectativa de crescimento','Desconto Graham', 'Desconto Bazin']].sort_values('Expectativa de crescimento', ascending=False).reset_index()) | |
| with col2: | |
| grouped_subsetor = merged.groupby('Subsetor').mean() | |
| st.dataframe(grouped_subsetor[['Expectativa de crescimento','Desconto Graham', 'Desconto Bazin']].sort_values('Expectativa de crescimento', ascending=False).reset_index()) | |
| with col3: | |
| grouped_subsetor = merged.groupby('Segmento').mean() | |
| st.dataframe(grouped_subsetor[['Expectativa de crescimento','Desconto Graham', 'Desconto Bazin']].sort_values('Expectativa de crescimento', ascending=False).reset_index()) | |
| #filter | |
| col1, col2,col3 = st.columns([0.1,0.4,0.1]) | |
| st.title('') | |
| with col2: | |
| st.write('Aplique alguns filtros na tabela') | |
| exp_min = float(st.number_input(label='Expectativa de crescimento >',value=10,step=5)) | |
| desc_bazin = int(st.number_input(label='Desconto Bazin >',value=0.3,step=0.1)) | |
| desc_graham = float(st.number_input(label='Desconto Graham >',value=0.3,step=0.1)) | |
| filtred = merged.loc[(merged['Expectativa de crescimento']>= exp_min) & (merged['Desconto Bazin']>= desc_bazin) & (merged['Desconto Graham']>= desc_graham) & (merged['Desconto Bazin']!= 0)& (merged['Desconto Graham']!= 0)] | |
| filtred = filtred.sort_values('Expectativa de crescimento',ascending=False) | |
| #st.dataframe(merged[['Código','Cotação', 'Pat.Liq', 'Expectativa de crescimento','Desconto Bazin', 'Desconto Graham','Nome', 'Setor','Subsetor', 'Segmento']]) | |
| AgGrid(filtred[['Código','Cotação', 'Lucro Líquido', 'Expectativa de crescimento','Desconto Bazin', 'Desconto Graham','Nome', 'Setor','Subsetor', 'Segmento']].round(2)) | |