Python para finanças: aposentando as planilhas

Compartilhe com seus amigos!

8 minutos de leitura

Durante muito tempo utilizamos planilhas para armazenar informações. Dentro de uma empresa do mercado financeiro são realizadas diversas análises todos os dias a partir de dados provenientes de diferentes áreas e ainda muitos profissionais da área não sabem o quão poderosa é a linguagem Python para finanças.

 

Para cada análise existe uma planilha com dados diferentes, aumentando o tempo de consulta, as chances de cometer equívocos ou simplesmente deixando uma informação relevante passar em branco. Felizmente, a tecnologia chegou para facilitar e melhorou a forma como pedimos comida, como nos transportamos e até mesmo permitiu que nos comunicássemos com alguém do outro lado do mundo em um instante.

 

Toda essa comodidade tecnológica só aumentou o volume de informações e dados gerados todos os dias. Um levantamento divulgado recentemente pelo IDC afirma que a produção de dados dobra a cada dois anos, e a previsão é de que em 2020 sejam gerados 350 zettabytes de dados, ou 35 trilhões de gigabytes.

 

Com isso, muitas empresas estão migrando para soluções digitais e as financeiras e fintechs não escaparam. Para isso, eles precisavam também de ferramentas novas, uma solução diferente das comuns planilhas, uma ferramenta que pudesse ajudar a navegar nesse mar de dados a surfar as melhores ondas. E Essa solução é o Python. 

Python para finanças: uma solução fantástica

A linguagem Python para finanças tem sido muito importante e a prova disso é o fato de ser uma das linguagens mais utilizadas em instituições financeiras e fintechs e é uma grande aliada dos cientistas de dados. Através desta ferramenta, é possível fazer tudo que as planilhas fazem e muito, muito mais!

 

Python é uma linguagem de alto nível criada por Guido Van Rossum. Foi levado à público em 1991 e é conhecida por sua simplicidade e legibilidade (caso queira saber mais temos uma publicação falando sobre ele).

 

No setor financeiro, Python é muito útil, pois ajuda a automatizar tarefas críticas, como coleta de dados, análises e produção de resultados úteis. É amplamente usada em finanças quantitativas – soluções que processam e analisam grandes conjuntos de dados financeiros. A sintaxe do Python é simples e aumenta a velocidade de desenvolvimento, ajudando as organizações a construir rapidamente o software de que precisam ou lançar novos produtos.

 

Essa linguagem pode ser utilizada para as mais diversas atividades, com diferentes níveis de complexidade.

 

Para saber mais….

Selecionamos aqui 3 exemplos de aplicações para você entender melhor do que estamos falando.

 

  • Análise de bolsa de valores em Python

 

Saiba mais como se aprofundar em nossa página de Formação em Python.

 

Na área de investimentos, a análise de dados é fundamental. E quem tem essa habilidade sai muito à frente. Nesse exemplo, acessamos os dados da biblioteca Yahoo Finance que é atualizada diariamente e contém o histórico dos índices das principais bolsas de valores. Nesse exemplo, estamos trazendo o histórico do índice Bovespa.

 

 

Agora que temos as informações, vamos imprimir um gráfico para visualizar o histórico baseado na coluna “Close”:

 

 

Outra informação relevante é buscar entender quais foram os piores e melhores dias deste índice, comparando o valor de saída e o de entrada. Abaixo vemos os 10 piores dias da história do iBovespa:

 

 

Caso você tenha ações em outras companhias, basta trocar o código do índice:

 

 

  • Segmentação de clientes

 

Uma parte importante da área financeira é de identificar padrões e informações relevantes a partir da base de dados da empresa. Gráficos são fundamentais nesse momento. Porém a dificuldade em gerar essas visualizações em ferramentas tradicionais, fazem com que você gaste muito tempo para criar os gráficos e sobre pouco para a análise. Mas com python para finanças, você consegue fazer gráficos complexos em poucos segundos.

 

 

Nesse exemplo, temos um arquivo “csv” com as informações de compra da empresa para analisarmos:

 

 

Podemos então visualizar gráficos de agrupamento de distribuição para entender “Como é o comportamento de compra por idade?” e “Como é o comportamento do ticket médio de compra?”:

 

 

Também podemos com poucas linhas entender “Qual é o percentual masculino e feminino do nosso público?”:

 

 

E também uma distribuição mais detalhada por idade:

 

 

 

E usar um único comando para visualizar todos os cruzamentos entre colunas:

 

 

E um mapa de correlação para ver como as colunas se relacionam. Nas correlações positivas, quanto mais cresce uma coluna, mais a outra cresce. E nas negativas as relações são inversas:

 

 

  • Processando notas fiscais “impressas” para tabular informações importantes

 

Outra grande vantagem em se utilizar python para finanças é o pré-processamento de dados, tendo em vista que muitos dados ainda estão desestruturados nas empresas ou ainda em formato físico.

 

Quem nunca teve que cadastrar dados de uma pilha de notas fiscais? No Python, temos acesso fácil a várias bibliotecas prontas, inclusive de OCR (optical character recognition).

 

Abaixo segue um exemplo de nota fiscal do estado do Rio de Janeiro:

 

 

Vamos usar a biblioteca “pytesseract” para ler os caracteres impressos e nos retornar em uma variável:

 

 

Como essas bibliotecas de OCR ainda geram algumas informações incoerentes, precisaremos tratá-las:

 

No começo você deverá ter um pouco de trabalho para encontrar as correções, mas com o tempo os problemas vão diminuindo se tornando raros no futuro. Lembrando que operações com notas fiscais em sua grande maioria são mensais, ou seja, as correções efetuadas no primeiro mês não precisarão mais serem feitas nos próximos.

 

Agora vamos extrair os dados que queremos:

 

 

Para finalizar, vamos colocar em uma planilha:

 

 

A comunidade de ciência de dados e Python é gigante e tem muito material bom escrito por gente muito boa na internet. Além de várias bibliotecas a disposição para inteligência artificial, leitura de sites (web scrapping), cálculos complexos entre outras.

Python para finanças: no mundo financeiro e fintechs, toda área quer um Cientista de Dados

         Com a elevada quantidade de dados, os bancos já estão buscando profissionais que saibam explorar e utilizar python para finanças, pois cada vez mais o processo de tomada de decisões em instituições financeiras, se tornará completamente direcionado por dados. 

 

“ Data is the oil of  21st century, and analytics is the combustion engine. ”

 

Para se ter uma ideia, um dos maiores bancos do mundo, o Goldman Sachs, já tem em suas equipes cientistas de dados que atuam com detecção de comportamentos fraudulentos e riscos de ocorrências. Bancos nacionais e fintechs também já têm e continuam buscando profissionais com essas skills para diversas áreas.

 

 Atualmente, trabalho em uma fintech, na área de prevenção à fraude, e diariamente são tomadas decisões direcionadas por dados para melhorar a forma de proteger os clientes. Mas não é apenas em áreas de segurança que esse profissional tem destaque. As instituições financeiras estão investindo em tecnologias de Big Data e Analytics para melhorar o desempenho de seus produtos e serviços, como gestão de portfólio, relatórios de regulação e, claro, relacionamento com o cliente

 

Cientistas de dados serão responsáveis por adotar modelos estatísticos aptos a tornar o uso de ferramentas e tecnologias de Big Data mais efetivos. Então, mesmo que você ainda não atue profissionalmente na área, aprender uma ferramenta que possa ampliar sua visão a este respeito mostra-se fundamental e pode ser um grande diferencial na atração de novas oportunidades. 

 

Referências:

http://www.cienciaedados.com/o-cientista-de-dados-no-mercado-financeiro/#:~:text=Cientistas%20de%20dados%20s%C3%A3o%20os,finalmente%2C%20ganhar%20sabedoria%20do%20conhecimento.

https://canaltech.com.br/carreira/Analistas-afirmam-que-a-producao-de-dados-dobra-a-cada-dois-anos/

 

O que aprendemos com este artigo?

 

Quais as vantagens de utilizar o python comparado com manualmente?

A análise de dados feita manualmente é mais demorada e mais propensa a erros humanos, com a utilização do Python isso é reduzido grandemente.

Python facilita a produção de gráficos?

Com ferramentas tradicionais a criação de gráficos demanda muito tempo e acaba sobrando pouco tempo para a análise, com o python o processo de criar gráficos é agilizado assim aumentando a produtividade da sua empresa.

Python te ajuda no cadastramento de dados físicos?

O python possui bibliotecas que te auxiliam a coletar dados impressos fisicamente (como um papel de nota fiscal) e os convertem em dados reconhecendo cada caractere da imagem.

Qual o tamanho da comunidade de python?

O python possui uma comunidade enorme de diversos ramos, como de inteligência artificial, produção de jogos, calculo. A maior comunidade é o de data science.

 

Autor:

André Luis Krasinski

Ex-aluno da Formação Harve Data Science e atualmente Cientista de Dados na área de prevenção de fraudes na EBANX

 

  • Etapa 1

Quer saber mais sobre as nossas formações? Entre em contato!

Seu nome

Seu telefone

Seu e-mail

Formação de interesse

Compartilhe com seus amigos!

Deixe uma resposta