Python para Finanças

O avanço computacional sempre andou lado a lado com os ganhos de produtividade no mercado financeiro. Num passado nem tão distante, analistas produziam planilhas no papel com régua e lápis, ordens de compra e venda eram executadas por telefone em rodas de pregão… e assim movimentávamos o dinheiro do mundo. O mercado evolui desde então, e programação veio preenchendo diversas áreas em finanças. Quais seriam as principais aplicações que veríamos dentro de bancos e fundos de investimentos hoje?

Áreas de Research & Crédito: a velha máxima que conhecimento é poder pode ser adaptada para conhecimento é dinheiro. Dados são matéria-prima para informação, que por sua vez é a base para conhecimento, que por sua vez é essencial para decisões de investimento inteligentes. Podemos otimizar a busca desses dados com uma técnica de programação chamada web scraping. Esse algoritmo faz a varredura de uma página web em HTML e coleta dados automaticamente para nós. Evitamos assim o trabalho manual de pesquisa, aumentando a velocidade e quantidade de dados que conseguimos estudar. Python possui bibliotecas de código prontas para essa técnica. Acreditamos que a parte de modelagem financeira ainda faça sentido continuar em Excel, dado que a quantidade de células utilizadas não é tão grande e a interface gráfica é amigável.

Áreas de Trading & Prop Trading: quantas vezes o Excel não dá “pau” ao atualizar dados de mercado com requisições do Bloomberg ou outras fontes? Existem APIs e bibliotecas de código em Python que conseguem coletar essas informações e trabalhá-las numa linguagem muito mais veloz e versátil. Na parte de automatização, diversas empresas oferecem a solução de algo trading pronta, mas é válido dividir que existem soluções open source, como o Zipline. Além disso, entender como esses algoritmos são desenvolvidos é essencial para uma boa escolha. Em derivativos, você pode calcular seu Black-Scholes em Python também (como neste caso). Existe uma sub-divisão da ciências da computação chamada Processamento de Linguagem Natural, que analisa dados numa vasta quantidade de linguagem humana. As técnicas conseguem fazer tarefas como produzir resumos, traduzir textos e diversos outros estudos semânticos, como a análise de sentimento. Num mercado que está constantemente analisando expectativas futuras, coletar dados em sites de notícias, Twitter, etc. e inferir sentimento de mercado pode ser um grande diferencial na tomada de decisão.

Ciência de dados está extremamente em voga e realmente tem uma vasta aplicação no mercado financeiro. Não temos a presunção de transformá-los em estatísticos ou matemáticos, no entanto, podemos mostrar que com um pouco de dedicação em programação conseguimos fazer um bom uso de diversas técnicas já existentes em Python (e disponibilizadas de maneira gratuita).

Em Agosto, iniciaremos nossa primeira turma do curso “Python for Finance“. Esse curso tem conteúdo similar ao que abordamos em Data Science & Inteligência Artificial, porém, com funções específicas nas bibliotecas BeautifulSoup, Pandas, Matplotlib, Numpy e Seaborn. Em adição às bibliotecas, trabalharemos APIs e Requests em Python. Caso tenha interesse pelo curso, entre em contato conosco e prepare-se para o futuro.