Analises-B3

Bem-vindo ao Analises-B3, um projeto em Python para análise técnica e predição de preços de ações da B3 (Bolsa de Valores do Brasil) e criptomoedas. Este projeto é ideal para desenvolvedores iniciantes, como Douglas, que desejam aprender sobre análise de dados financeiros, machine learning e visualização de dados, utilizando ferramentas gratuitas. Ele pode ser usado em cenários de freelancing, como relatórios financeiros para clientes ou ferramentas de suporte à decisão para investidores.

Objetivo do Projeto

O Analises-B3 tem como objetivo fornecer uma ferramenta para:

• Coletar Dados: Obter dados históricos de ações e criptomoedas usando APIs públicas (yfinance e cryptocompare).
• Análise Técnica: Calcular indicadores como Média Móvel Simples (SMA) e Índice de Força Relativa (RSI).
• Previsão de Preços: Utilizar modelos de machine learning (Regressão Linear e LSTM) para prever preços futuros.
• Gerenciamento de Risco: Gerar hipóteses de compra/venda com stop loss e take profit.
• Visualização: Plotar gráficos com preços e indicadores para análise visual.

Este projeto é educativo e prático, ideal para desenvolver habilidades em Python, análise de dados e machine learning, além de criar um portfólio atrativo para freelancing.

Funcionalidades

• Coleta de Dados: Obtém dados de ações (ex.: PETR4.SA, VALE3.SA) e criptomoedas (ex.: BTC, ETH).
• Análise Técnica: Calcula indicadores como SMA50 e RSI para avaliar tendências.
• Modelos de Previsão:
  • Regressão Linear para prever preços com base em indicadores técnicos.
  • Redes Neurais LSTM para previsão de séries temporais.
• Gerenciamento de Risco: Sugere ações de compra, venda ou manutenção com stop loss e take profit.
• Visualização: Gera gráficos com preços, indicadores e previsões.
• Integração com Google Drive: Armazena dados no Google Colab (pode ser adaptado para outras plataformas).

Tecnologias Utilizadas

• Python: Linguagem principal.
• yfinance: Biblioteca para coleta de dados de ações.
• cryptocompare: API para dados de criptomoedas.
• ta: Biblioteca para análise técnica.
• pandas: Manipulação de dados.
• matplotlib: Visualização de gráficos.
• scikit-learn: Modelos de machine learning (Regressão Linear).
• keras: Redes neurais LSTM.
• numpy: Operações numéricas.
• Google Colab: Ambiente gratuito para execução do código (pode ser adaptado para VS Code ou WebStorm).

Pré-requisitos

• Python 3.8+ (python.org).
• Conta no Google Colab (para executar no ambiente atual).
• Bibliotecas Python:

  pip install yfinance cryptocompare ta pandas matplotlib scikit-learn numpy keras

• Git para versionamento.
• Conta no GitHub para hospedar o repositório.

Instalação

1. Clone o Repositório:

   git clone https://github.com/dev-queiroz/analises-b3.git
   cd analises-b3

2. Crie um Ambiente Virtual (recomendado):

   python -m venv venv
   source venv/bin/activate  # Linux/Mac
   venv\Scripts\activate     # Windows

3. Instale as Dependências:

   pip install -r requirements.txt

4. Execute o Projeto:

   • No Google Colab, faça upload do arquivo analises_b3.py e execute as células.
   • Localmente, rode:

     python analises_b3.py

Como Usar

1. Coletar Dados:

   • Edite a lista de tickers_acoes e tickers_criptos no arquivo analises_b3.py para incluir os ativos desejados.
   • Exemplo:

     tickers_acoes = ['PETR4.SA', 'VALE3.SA']
     tickers_criptos = ['BTC', 'ETH']

2. Executar Análise Técnica:

   • A função analise_tecnica adiciona indicadores SMA50 e RSI aos dados.
   • Exemplo de uso:

     dados_acoes = coletar_dados_acoes(tickers_acoes)
     dados_acoes = analise_tecnica(dados_acoes)

3. Treinar e Prever com Modelos:

   • Use treinar_modelo para treinar modelos de Regressão Linear.
   • Use treinar_modelo_lstm para treinar modelos LSTM.
   • Exemplo de previsão com LSTM:

     modelo_lstm, scaler = treinar_modelo_lstm(dados_acoes['PETR4.SA'], look_back=10)
     previsoes = prever_precos_lstm(modelo_lstm, scaler, dados_acoes['PETR4.SA'], look_back=10)

4. Gerar Hipóteses:

   • A função gerar_hipoteses sugere ações de compra/venda com base em previsões e indicadores.
   • Exemplo de saída:

     PETR4.SA: {'Ação': 'Comprar', 'Stop Loss': 35.50, 'Take Profit': 37.80}
     

5. Visualizar Resultados:

   • A função comparar_analises plota gráficos com preços, SMA50 e linhas de tendência.
   • Gráficos LSTM são gerados automaticamente no final do script.

Exemplo Prático

Abaixo está um exemplo de como usar o projeto para analisar a ação PETR4.SA:

from analises_b3 import coletar_dados_acoes, analise_tecnica, treinar_modelo, comparar_analises, gerar_hipoteses

# Coletar dados
tickers = ['PETR4.SA']
dados = coletar_dados_acoes(tickers)

# Aplicar análise técnica
dados = analise_tecnica(dados)

# Treinar modelo
modelos = treinar_modelo(dados)

# Gerar hipóteses
hipoteses = gerar_hipoteses(dados, modelos)
print(hipoteses)

# Visualizar resultados
comparar_analises(dados, modelos)

Saída Esperada (exemplo):

PETR4.SA: {'Ação': 'Comprar', 'Stop Loss': 35.50, 'Take Profit': 37.80}

Gráficos com preços, SMA50 e linhas de tendência serão exibidos.

Estrutura do Projeto

analises-b3/
├── analises_b3.py        # Script principal com toda a lógica
├── requirements.txt      # Lista de dependências
├── README.md            # Este arquivo
└── data/                # (Opcional) Pasta para salvar dados exportados

Documentação do Código

Exemplo de como documentar uma função no analises_b3.py:

def coletar_dados_acoes(tickers):
    """
    Coleta dados históricos de ações usando yfinance.

    Args:
        tickers (list): Lista de tickers das ações (ex.: ['PETR4.SA']).

    Returns:
        dict: Dicionário com DataFrames contendo dados das ações.
    """
    dados_acoes = {}
    for ticker in tickers:
        dados = yf.download(ticker, period='6mo', interval='1d')
        dados_acoes[ticker] = dados
    return dados_acoes

Crie um arquivo docs/guia_usuario.md para clientes não técnicos, explicando como interpretar os gráficos e hipóteses de investimento.

Recursos Gratuitos

• yfinance: Documentação – Guia para coleta de dados financeiros.
• cryptocompare: API Docs – API gratuita para criptomoedas.
• FreeCodeCamp: Tutorial de Machine Learning – Introdução a ML em finanças.
• Stack Overflow: Comunidade para dúvidas técnicas.
• Python Discord: Suporte e networking para desenvolvedores.
• Kaggle: Datasets financeiros e tutoriais gratuitos.

Próximos Passos

Plano de aprendizado de 4 semanas:

• Semana 1: Entenda os indicadores técnicos (SMA, RSI) e experimente diferentes tickers. Leia a documentação do yfinance.
• Semana 2: Adicione novos indicadores (ex.: MACD, Bollinger Bands) usando a biblioteca ta. Atualize o README.
• Semana 3: Crie uma API REST com Flask para expor as análises como serviço (hospede gratuitamente na Render).
• Semana 4: Desenvolva um portfólio no GitHub Pages, destacando o Analises-B3 como um projeto para clientes financeiros.

Dica de Freelancing

Crie um relatório de exemplo com análises de ações populares (ex.: PETR4.SA) e publique no seu portfólio. Mostre como o projeto pode ajudar clientes a tomar decisões de investimento, destacando a clareza dos gráficos e hipóteses.

Contribuições

1. Faça um fork do reposit