-
Notifications
You must be signed in to change notification settings - Fork 9
/
05-Updating_Prices_DataFrame.py
1015 lines (628 loc) · 36.6 KB
/
05-Updating_Prices_DataFrame.py
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
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#!/usr/bin/env python
# coding: utf-8
# In[ ]:
import pandas as pd
import datetime
import numpy as np
from yahooquery import Ticker
from dateutil.relativedelta import relativedelta
this_year = datetime.datetime.today().strftime('%Y')
last_year = (datetime.datetime.now() - relativedelta(years=1)).strftime('%Y')
two_years_ago = (datetime.datetime.now() - relativedelta(years=2)).strftime('%Y')
today = datetime.datetime.today().strftime('%Y-%m-%d')
one_year_ago = (datetime.datetime.today() - relativedelta(years=1)).strftime('%Y-%m-%d')
# In[ ]:
import warnings
warnings.filterwarnings('ignore')
# # Adding price history, current price and calculating KPIs
# In[ ]:
## adding price history by month and year
hist_price = pd.read_csv('PRICES/monthly/todos_precos_montlhy_AV.csv', index_col=False,low_memory=False)
hist_price['date'] = pd.to_datetime(hist_price['date'])
hist_price['ano'] = hist_price['date'].dt.year
hist_price['mês'] = hist_price['date'].dt.month
lpp = hist_price.sort_values('date').groupby(['symbol','ano','mês']).tail(1)
lpp.drop(lpp.columns.difference(['date','5. adjusted close','symbol','ano','mês']),
axis=1,inplace=True)
lpp = lpp.drop(lpp[(lpp.ano == datetime.datetime.today().year) & (lpp["mês"] == datetime.datetime.today().month)].index)
pivall = pd.read_pickle('clean_data/pivoted_data/pivot_all_data.pkl')
pivall_hist_prices = pivall.merge(lpp, left_on=['CODIGO','ano','mês'], right_on=['symbol','ano','mês'],
how='left')
pivall_hist_prices.to_pickle('clean_data/pivoted_data/pivot_all_data_hist_prices.pkl')
##backup
pivall_hist_prices.to_pickle('BACKUPS/pivoted_data/pivot_all_data_hist_prices%s.pkl'%today)
# In[ ]:
## Reading current price from yahoo finance
companies_data = pd.read_excel('info_brazilian_companies.xlsx')
item_list = companies_data['CODIGO'].to_list()
## getting currente prices
current_prices = {}
for item in item_list:
try:
item_1 = item.lower()
current_prices.update({item: Ticker('%s.sa'%item_1).price[item_1+'.sa']['regularMarketPrice']})
except:
continue
companies_curr_price = pd.DataFrame.from_dict(current_prices, orient='index', columns=['current_price'])
companies_curr_price['current_price'] = np.select([companies_curr_price['current_price']== {}],[0],companies_curr_price['current_price'])
companies_curr_price['current_price'] = companies_curr_price['current_price'].astype('float64')
companies_curr_price.to_pickle('PRICES/current_prices.pkl')
##backup
companies_curr_price.to_pickle('BACKUPS/price/current_prices%s.pkl'%today)
# In[ ]:
### adding current prices to dataframe on TTM row
df_data = pd.read_pickle('clean_data/pivoted_data/pivot_all_data_hist_prices.pkl')
companies_curr_price = pd.read_pickle('PRICES/current_prices.pkl')
companies_curr_price['TTM'] = 'TTM'
companies_curr_price.reset_index(inplace=True)
df_data = df_data.merge(companies_curr_price,left_on=['CODIGO','LABEL'],right_on=['index','TTM'],how='outer')
df_data['Preço'] = np.nan_to_num(df_data['5. adjusted close'])+np.nan_to_num(df_data['current_price'])
df_data.drop(['current_price','symbol','5. adjusted close','TTM','date'],axis=1,inplace=True)
df_data.to_pickle('clean_data/pivoted_data/pivot_alldata_with_curr_price.pkl')
##backup
df_data.to_pickle('BACKUPS/pivoted_data/pivot_alldata_with_curr_price%s.csv'%today)
# In[ ]:
# Calculating KPIs
pivot_alldata = pd.read_pickle('clean_data/pivoted_data/pivot_alldata_with_curr_price.pkl')
# Proventos
pivot_alldata['Proventos'] = np.nan_to_num(pivot_alldata['Dividendos'])+np.nan_to_num(pivot_alldata['Juros sobre o Capital Próprio'])
pivot_alldata['Payout'] = (pivot_alldata['Proventos'])/(pivot_alldata['Lucro Atribuído a Controladores'])
pivot_alldata['Proventos por ação'] = (pivot_alldata['Proventos'])/(pivot_alldata['Total Ações'])
# operations
pivot_alldata['Margem EBITDA'] = pivot_alldata['EBITDA']/pivot_alldata['Receita Líquida']
pivot_alldata['Margem EBIT'] = pivot_alldata['EBIT']/pivot_alldata['Receita Líquida']
pivot_alldata['Margem líquida'] = (pivot_alldata['Lucro Atribuído a Controladores'])/(pivot_alldata['Receita Líquida'])
pivot_alldata['Margem bruta'] = (pivot_alldata['Resultado Bruto'])/(pivot_alldata['Receita Líquida'])
pivot_alldata['Taxa efetiva de imposto'] = np.abs(pivot_alldata['Imposto']/pivot_alldata['EBIT'])
pivot_alldata['EBIT(1-t)'] = pivot_alldata['EBIT']*(1-pivot_alldata['Taxa efetiva de imposto'])
# divida e patrimonio
pivot_alldata['Dívida Bruta'] = pivot_alldata['Dívida curto prazo']+pivot_alldata['Dívida longo prazo']
pivot_alldata['Disponibilidade'] = pivot_alldata['Caixa e Equivalentes de Caixa']+pivot_alldata['Aplicações Financeiras']
pivot_alldata['Dívida Líquida'] = pivot_alldata['Dívida Bruta']-pivot_alldata['Disponibilidade']
pivot_alldata['Dív_Líq/EBIT'] = pivot_alldata['Dívida Líquida']/pivot_alldata['EBIT']
pivot_alldata['Dív_Líq/PL'] = (pivot_alldata['Dívida Líquida'])/(pivot_alldata['Patrimônio Líquido Consolidado'])
pivot_alldata['D/E'] = (pivot_alldata['Dívida Bruta'])/(pivot_alldata['Patrimônio Líquido Consolidado'])
pivot_alldata['Capital Investido'] = (pivot_alldata['Dívida Bruta'])+(pivot_alldata['Patrimônio Líquido Consolidado'])
pivot_alldata['Dívida/Capital_Inv'] = (pivot_alldata['Dívida Bruta'])/(pivot_alldata['Capital Investido'])
pivot_alldata['Patrimônio/Capital_Inv'] = (pivot_alldata['Patrimônio Líquido Consolidado'])/(pivot_alldata['Capital Investido'])
pivot_alldata['Endividamento Financeiro'] = (pivot_alldata['Dívida Bruta'])/(pivot_alldata['Ativo Total'])
pivot_alldata['Endividamento Financeiro Curto Prazo'] = (pivot_alldata['Dívida curto prazo'])/(pivot_alldata['Ativo Total'])
pivot_alldata['Dív_Líq/ebitda'] = (pivot_alldata['Dívida Líquida'])/(pivot_alldata['EBITDA'])
pivot_alldata['Dívida Líquida Anterior'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['Dívida Líquida'].shift()
pivot_alldata['PL Con Anterior'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['Patrimônio Líquido Consolidado'].shift()
pivot_alldata['PL + Dív_Líq_Ant'] = (pivot_alldata['PL Con Anterior'])+(pivot_alldata['Dívida Líquida Anterior'])
pivot_alldata['PL/Ativos'] = (pivot_alldata['Patrimônio Líquido Consolidado'])/(pivot_alldata['Ativo Total'])
pivot_alldata['PL + Dív_Líq'] = (pivot_alldata['Patrimônio Líquido Consolidado'])+(pivot_alldata['Dívida Líquida'])
# returns
pivot_alldata['ROE'] = (pivot_alldata['Lucro Atribuído a Controladores'])/(pivot_alldata['PL Con Anterior'])
pivot_alldata['Porcentagem Retida'] = 1-(pivot_alldata['Payout'])
pivot_alldata['Ativo Total Anterior'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['Ativo Total'].shift()
pivot_alldata['ROA'] = (pivot_alldata['EBIT(1-t)'])/(pivot_alldata['Ativo Total Anterior'])
pivot_alldata['ROIC']=pivot_alldata['EBIT(1-t)']/pivot_alldata['PL + Dív_Líq_Ant']
## ajustando indicadores onde patrimonio liquido é negativo
pivot_alldata['ROE'] = np.select([pivot_alldata['PL Con Anterior'] < 0],[np.nan],pivot_alldata['ROE'])
pivot_alldata['ROIC'] = np.select([pivot_alldata['PL Con Anterior'] < 0],[np.nan],pivot_alldata['ROIC'])
# ativos e passivos
pivot_alldata['Passivo/Ativo'] = (pivot_alldata['Passivo Circulante']+pivot_alldata['Passivo Não Circulante'])/(pivot_alldata['Ativo Total'])
pivot_alldata['Líquidez Corrente'] = (pivot_alldata['Ativo Circulante'])/(pivot_alldata['Passivo Circulante'])
pivot_alldata['Giro dos Ativos'] = (pivot_alldata['Receita Líquida'])/(pivot_alldata['Ativo Total'])
# capex
pivot_alldata['Depreciação'] = np.abs(pivot_alldata['Depreciação, Amortização e Exaustão'])
pivot_alldata['Capex'] = np.abs(pivot_alldata['Capex'])
pivot_alldata['Capex'] = np.select([pivot_alldata['Capex'].isna()],
[np.abs(pivot_alldata['Caixa Líquido Atividades de Investimento'])],
pivot_alldata['Capex'])
pivot_alldata['Capex Líquido'] = np.abs(pivot_alldata['Capex'])-(pivot_alldata['Depreciação'])
pivot_alldata['Ativo_Circ non-cash'] = (pivot_alldata['Ativo Circulante']-pivot_alldata['Caixa e Equivalentes de Caixa']-pivot_alldata['Aplicações Financeiras'])
pivot_alldata['Passivo_Circ non-cash'] = (pivot_alldata['Passivo Circulante']-pivot_alldata['Dívida curto prazo'])
pivot_alldata['Capital de Giro non-cash'] = (pivot_alldata['Ativo_Circ non-cash']-pivot_alldata['Passivo_Circ non-cash'])
pivot_alldata['Capital de Giro non-cash anterior'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['Capital de Giro non-cash'].shift()
pivot_alldata['Variação Capital de Giro'] = (pivot_alldata['Capital de Giro non-cash']-pivot_alldata['Capital de Giro non-cash anterior'])
pivot_alldata['Capital_Giro/revenues'] = (pivot_alldata['Capital de Giro non-cash']/pivot_alldata['Receita Líquida'])
pivot_alldata['Patrimônio Reinvestido'] = (pivot_alldata['Capex Líquido'])+(pivot_alldata['Variação Capital de Giro'])
pivot_alldata['Porcentagem Reinvestida'] = (pivot_alldata['Patrimônio Reinvestido'])/(pivot_alldata['EBIT(1-t)'])
pivot_alldata['Receitas/Capital_Inv'] = (pivot_alldata['Receita Líquida'])/(pivot_alldata['PL + Dív_Líq'])
pivot_alldata['Capex/Receita'] = np.abs(pivot_alldata['Capex'])/pivot_alldata['Receita Líquida']
pivot_alldata['Capex/Depreciação'] = np.abs(pivot_alldata['Capex'])/pivot_alldata['Depreciação']
pivot_alldata['Capex Líquido/Receita'] = pivot_alldata['Capex Líquido']/pivot_alldata['Receita Líquida']
pivot_alldata['Capex Líquido/EBIT(1-t)'] = pivot_alldata['Capex Líquido']/pivot_alldata['EBIT(1-t)']
# pivotando preços units, on, pn e calculando market cap hist
prices_pivoted = pivot_alldata.pivot_table(columns=['CLASSE'], index=['Codigo_CVM','DT_FIM_EXERC'],values='Preço')
pivot_alldata = pivot_alldata.merge(prices_pivoted, left_on=['Codigo_CVM','DT_FIM_EXERC'], right_index=True,how='outer',)
units = {'TIET11': 5,
'ALUP11': 3,
'BIDI11': 3,
'BPAC11': 3,
'ENGI11': 5,
'KLBN11': 5,
'RNEW11': 3,
'SAPR11': 5,
'SANB11': 2,
'SULA11': 3,
'TAEE11': 3}
qnt_units = pd.DataFrame.from_dict(units, orient='index',columns=['Qtde de ações UN'])
pivot_alldata = pivot_alldata.merge(qnt_units, left_on=['CODIGO'], right_index=True, how='outer')
pivot_alldata['Qtde de ações UN'] = pivot_alldata['Qtde de ações UN'].fillna(value=1)
qnt_mv_value = {'TIET': 5,
'ALUP': 3,
'BIDI': 3,
'BPAC': 3,
'ENGI': 5,
'KLBN': 5,
'RNEW': 3,
'SAPR': 5,
'SANB': 2,
'SULA': 3,
'TAEE': 3}
qnt_mv = pd.DataFrame.from_dict(qnt_mv_value, orient='index',columns=['Qtde de ações UNITS'])
pivot_alldata = pivot_alldata.merge(qnt_mv, left_on=['CDO_STRIP'], right_index=True, how='outer')
conditions = [pivot_alldata['UNT N2'] > 0]
choices = [((pivot_alldata['UNT N2']/pivot_alldata['Qtde de ações UNITS'])*pivot_alldata['Total Ações'])]
pivot_alldata['Valor de Mercado'] = np.select(conditions, choices, default=((np.nan_to_num(pivot_alldata['ON'])*np.nan_to_num(pivot_alldata['Total ON'])) +
(np.nan_to_num(pivot_alldata['PN'])*np.nan_to_num(pivot_alldata['Total PN'])) +
(np.nan_to_num(pivot_alldata['PNA'])*np.nan_to_num(pivot_alldata['Total PN'])) +
(np.nan_to_num(pivot_alldata['PNB'])*np.nan_to_num(pivot_alldata['Total PN'])) +
(np.nan_to_num(pivot_alldata['PNC'])*np.nan_to_num(pivot_alldata['Total PN'])) +
(np.nan_to_num(pivot_alldata['PND'])*np.nan_to_num(pivot_alldata['Total PN'])) +
(np.nan_to_num(pivot_alldata['PNE'])*np.nan_to_num(pivot_alldata['Total PN'])) +
(np.nan_to_num(pivot_alldata['PNF'])*np.nan_to_num(pivot_alldata['Total PN']))))
conditions = [pivot_alldata['UNT'] > 0]
choices = [((pivot_alldata['UNT']/pivot_alldata['Qtde de ações UNITS'])*pivot_alldata['Total Ações'])]
pivot_alldata['Valor de Mercado'] = np.select(conditions, choices, pivot_alldata['Valor de Mercado'])
# calculando indicadores historicos que dependem do market cap
pivot_alldata['Valor de Firma'] = pivot_alldata['Valor de Mercado']+(pivot_alldata['Dívida Líquida'])
pivot_alldata['EV/EBITDA'] = pivot_alldata['Valor de Firma']/(pivot_alldata['EBITDA'])
pivot_alldata['EV/EBIT'] = pivot_alldata['Valor de Firma']/(pivot_alldata['EBIT'])
# dependentes do share outstanding
pivot_alldata['LPA'] = (pivot_alldata['Qtde de ações UN']*pivot_alldata['Lucro Atribuído a Controladores'])/(pivot_alldata['Total Ações'])
pivot_alldata['VPA'] = (pivot_alldata['Qtde de ações UN']*pivot_alldata['Patrimônio Líquido Consolidado'])/(pivot_alldata['Total Ações'])
# indicadores de preço históricos
pivot_alldata['P/L'] = pivot_alldata['Preço']/pivot_alldata['LPA']
pivot_alldata['P/VPA'] = pivot_alldata['Preço']/pivot_alldata['VPA']
pivot_alldata['P/EBITDA'] = (pivot_alldata['Preço']*pivot_alldata['Total Ações'])/(pivot_alldata['Qtde de ações UN']*pivot_alldata['EBITDA'])
pivot_alldata['P/EBIT'] = (pivot_alldata['Preço']*pivot_alldata['Total Ações'])/(pivot_alldata['Qtde de ações UN']*pivot_alldata['EBIT'])
pivot_alldata['P/Ativo'] = (pivot_alldata['Preço']*pivot_alldata['Total Ações'])/(pivot_alldata['Qtde de ações UN']*pivot_alldata['Ativo Total'])
pivot_alldata['P/Cap_Giro'] = (pivot_alldata['Preço']*pivot_alldata['Total Ações'])/(pivot_alldata['Qtde de ações UN']*(pivot_alldata['Ativo Circulante']-pivot_alldata['Passivo Circulante']))
pivot_alldata['P/Ativo_Circ_Líq'] = (pivot_alldata['Preço']*pivot_alldata['Total Ações'])/(pivot_alldata['Qtde de ações UN']*(pivot_alldata['Ativo Circulante']-pivot_alldata['Passivo Total']))
# classficiação small/large caps
conditions = [(pivot_alldata['Valor de Mercado'] == 0),(pivot_alldata['Valor de Mercado'] < 50000000), ((pivot_alldata['Valor de Mercado'] >= 50000000) & (pivot_alldata['Valor de Mercado'] < 300000000)),
((pivot_alldata['Valor de Mercado'] >= 300000000) & (pivot_alldata['Valor de Mercado'] < 2000000000)), ((pivot_alldata['Valor de Mercado'] >= 2000000000) & (pivot_alldata['Valor de Mercado'] < 10000000000)),
((pivot_alldata['Valor de Mercado'] >= 10000000000) & (pivot_alldata['Valor de Mercado'] < 200000000000)), (pivot_alldata['Valor de Mercado'] >= 200000000000)]
choices = [np.nan,'Nano Cap','Micro Cap','Small Cap','Mid Cap','Large Cap','Mega Cap']
pivot_alldata['Classificação Capitalização'] = np.select(conditions, choices, default=np.nan)
# expected growths
pivot_alldata['Crescimento esperado LPA'] = (pivot_alldata['Porcentagem Retida'])*(pivot_alldata['ROE'])
pivot_alldata['Crescimento esperado EBIT'] = (pivot_alldata['Porcentagem Reinvestida'])*(pivot_alldata['ROIC'])
pivot_alldata['Crescimento EBIT'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['EBIT'].pct_change()
pivot_alldata['Crescimento Margem EBIT'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['Margem EBIT'].pct_change()
pivot_alldata['Crescimento LPA'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['LPA'].pct_change()
pivot_alldata['Crescimento Receita'] = pivot_alldata.groupby(['CODIGO','tipo_resultado','trimestre'])['Receita Líquida'].pct_change()
pivot_alldata = pivot_alldata.replace([np.inf, -np.inf], np.nan)
pivot_alldata.to_pickle('clean_data/pivoted_data/pivot_com_indicadores.pkl')
##backup
pivot_alldata.to_pickle('BACKUPS/pivoted_data/pivot_com_indicadores%s.csv'%today)
# In[ ]:
## adding dividends and calculating dividend yield
alldiv = pd.read_pickle('clean_data/dividends/proventos_b3.pkl')
alldiv['Data COM'] = pd.to_datetime(alldiv['Data COM'])
dv_year = alldiv.drop(alldiv.columns.difference(['Codigo_CVM','CLASSE','ano','Valor ajustado']),axis=1)
dv_year = dv_year.groupby(['Codigo_CVM','CLASSE','ano'],as_index=False).sum()
dv_year.rename({"Valor ajustado":"Proventos no Período","ano":"label"},axis=1,inplace=True)
dv_ttm = alldiv.drop(alldiv.columns.difference(['Codigo_CVM','CLASSE','Data COM','Valor ajustado']),axis=1)
dv_ttm = dv_ttm.set_index('Data COM')
dv_ttm = dv_ttm.loc[one_year_ago:today]
dv_ttm = dv_ttm.groupby(['Codigo_CVM','CLASSE'],as_index=False).sum()
dv_ttm.rename({'Valor ajustado':"Proventos no Período"},axis=1,inplace=True)
dv_ttm['label'] = 'TTM'
dv_all = pd.concat([dv_year,dv_ttm])
df = pd.read_pickle('clean_data/pivoted_data/pivot_com_indicadores.pkl')
df['Class div'] = np.select([((df['CLASSE']=='UNT') | (df['CLASSE']=='UNT N2'))],
['UNT'],df['CLASSE'])
dv_all['label'] = dv_all['label'].astype(str)
df['LABEL'] = df['LABEL'].astype(str)
df_all = df.merge(dv_all,left_on=['Codigo_CVM','Class div','LABEL'],right_on=['Codigo_CVM','CLASSE','label'],
how='left')
df_all['Dividend Yield'] = df_all['Proventos no Período']/df_all['Preço']
df_all.drop(['CLASSE_y','Class div', 'label'], axis=1,inplace=True)
df_all = df_all.dropna(subset=['Nome_Empresarial'])
df_all.to_pickle('clean_data/final_data/df_principal.pkl')
##backup
df_all.to_pickle('BACKUPS/final_data/df_principal%s.pkl'%today)
# # Valuation KPIs
# In[ ]:
df = pd.read_pickle("clean_data/final_data/df_principal.pkl")
# In[ ]:
ttm = df.loc[df['LABEL'] == 'TTM']
# In[ ]:
damodaran_table = pd.read_excel('VALUATION/damodaran_table.xlsx')
# In[ ]:
# function to get spread and calculate cost of debt for company
def cost_of_debt(brazil_risk_free_rate, interest_coverage_ratio):
if interest_coverage_ratio > 12.5:
#Rating is AAA
credit_spread = 0.0063
if (interest_coverage_ratio > 9.5) & (interest_coverage_ratio <= 12.5):
#Rating is AA
credit_spread = 0.0078
if (interest_coverage_ratio > 7.5) & (interest_coverage_ratio <= 9.5):
# Rating is A+
credit_spread = 0.0098
if (interest_coverage_ratio > 6) & (interest_coverage_ratio <= 7.5):
#Rating is A
credit_spread = 0.0108
if (interest_coverage_ratio > 4.5) & (interest_coverage_ratio <= 6):
# Rating is A-
credit_spread = 0.0122
if (interest_coverage_ratio > 4) & (interest_coverage_ratio <= 4.5):
#Rating is BBB
credit_spread = 0.0156
if (interest_coverage_ratio == 4):
# Rating is BB+
credit_spread = 0.02
if (interest_coverage_ratio > 3) & (interest_coverage_ratio < 4):
#Rating is BB
credit_spread = 0.0240
if (interest_coverage_ratio > 2.5) & (interest_coverage_ratio <= 3):
# Rating is B+
credit_spread = 0.0351
if (interest_coverage_ratio > 2) & (interest_coverage_ratio <= 2.5):
#Rating is B
credit_spread = 0.0421
if (interest_coverage_ratio > 1.5) & (interest_coverage_ratio <= 2):
# Rating is B-
credit_spread = 0.0515
if (interest_coverage_ratio > 1.25) & (interest_coverage_ratio <= 2):
#Rating is CCC
credit_spread = 0.0820
if (interest_coverage_ratio > 0.8) & (interest_coverage_ratio <= 1.25):
#Rating is CC
credit_spread = 0.0864
if (interest_coverage_ratio > 0.5) & (interest_coverage_ratio <= 0.8):
#Rating is C
credit_spread = 0.1134
if interest_coverage_ratio <= 0.5:
#Rating is D
credit_spread = 0.1512
cd = brazil_risk_free_rate + credit_spread
return cd
# In[ ]:
def busca_titulos_tesouro_direto():
url = 'https://www.tesourotransparente.gov.br/ckan/dataset/df56aa42-484a-4a59-8184-7676580c81e3/resource/796d2059-14e9-44e3-80c9-2d9e30b405c1/download/PrecoTaxaTesouroDireto.csv'
df = pd.read_csv(url, sep=';', decimal=',')
df['Data Vencimento'] = pd.to_datetime(
df['Data Vencimento'], dayfirst=True)
df['Data Base'] = pd.to_datetime(df['Data Base'], dayfirst=True)
multi_indice = pd.MultiIndex.from_frame(df.iloc[:, :3])
df = df.set_index(multi_indice).iloc[:, 3:]
return df
# ## BRAZILIAN BOND 10 YEAR
# In[ ]:
titulos = busca_titulos_tesouro_direto()
# getting 10 year brazilian bond
pre2031 = titulos.loc[('Tesouro Prefixado com Juros Semestrais', '2031-01-01')]
bond = pre2031.iloc[-1]['Taxa Compra Manha']/100
hoje = datetime.date.today()
hoje_em_texto = '{}/{}/{}'.format(hoje.day, hoje.month, hoje.year)
ontem = hoje - datetime.timedelta(days=4)
ontem_em_texto = '{}/{}/{}'.format(ontem.day, ontem.month, ontem.year)
#dez_ano = inv.get_bond_historical_data('Brazil 10Y', from_date=ontem_em_texto, to_date=hoje_em_texto)
#brazil_10y_bond = dez_ano.iloc[-1]['Close']/100
# ## ERP, RISK FREE RATE
# In[ ]:
# getting spread, risk free rate and erp
brazil_default_spread = (damodaran_table.loc[damodaran_table['Country'] == 'Brazil']['Rating-based Default Spread'].values[0])/100
brazil_risk_free_rate = bond-brazil_default_spread
brazil_erp = (damodaran_table.loc[damodaran_table['Country'] == 'Brazil']['Total Equity Risk Premium'].values[0])/100
# ## BETA
# In[ ]:
### beta from yahoo
companies = ttm['CODIGO'].unique()
ttm['beta'] = np.nan
for x in companies:
try:
y = x.lower()
beta = Ticker(y+'.sa').key_stats[y+'.sa']['beta']
ttm['beta'] = np.select([ttm['CODIGO'] == x],[beta],ttm['beta'])
except:
continue
### SE ERRO beta médio do setor
med = ttm.drop_duplicates('Nome_Empresarial',keep='first')
mean = med.groupby('SEGMENTO')['beta'].mean()
ttm['beta'] = np.select([ttm['beta'].isna()],[mean[ttm['SEGMENTO']]],ttm['beta'])
### SE ERRO, beta médio global do damodaran
mean_global = pd.read_excel('VALUATION/global_means_damodaran2021.xlsx')
beta_glob = mean_global.groupby('Industry name')['Equity (Levered) Beta'].mean()
ttm['beta'] = np.select([ttm['beta'].isna()],[beta_glob[ttm['DAMODARAN_GROUP']]],
ttm['beta'])
# ## COST OF EQUITY
# In[ ]:
#cost_of_equity = brazil_risk_free_rate + beta*brazil_erp
ttm['Cost of Equity'] = brazil_risk_free_rate+ttm['beta']*brazil_erp
# ## COST OF CAPITAL
# In[ ]:
### INTEREST COVERAGE RATIO
ttm['IC ratio'] = ttm['EBIT']/np.abs(ttm['Juros Pagos'])
## you need to fin a better way to calculate the IC ratio
ttm['IC ratio'] = np.select([ttm['IC ratio'].isna()],[3.5],ttm['IC ratio'] )
### after tax cost of debt
# after tax cost of debt
ttm['Cost of Debt'] = ttm.apply(lambda row: cost_of_debt(brazil_risk_free_rate,row['IC ratio']), axis=1)
ttm['After Taxes Cost of Debt'] = ttm['Cost of Debt']*(1-0.34) ## brazilian marginal tax rate
## COST OF CAPITAL
ttm['Cost of Capital'] = (ttm['After Taxes Cost of Debt'] * ttm['Dívida/Capital_Inv'])+ (ttm['Cost of Equity'] * ttm['Patrimônio/Capital_Inv'])
# ## EXPECTED GROWTH REVENUE
# In[ ]:
rev = pd.read_pickle("clean_data/final_data/df_principal.pkl")
rev1 = rev.loc[(rev['LABEL'] == 'TTM') | (rev['tipo_resultado'] == 'anual')]
companies = rev1['CODIGO'].unique()
grw = {}
for x in companies:
try:
rev2 = rev1.loc[rev1['CODIGO'] == x].drop_duplicates("Crescimento Receita")
growth = rev2['Crescimento Receita'][-5:].dropna().to_list()
growths = np.array(growth)
weights = []
for y in range(len(growths)):
weights.append(10**y)
growth_rate_mean = np.average(growths, weights=weights)
growth_rate_std_dev = growths.std()
grw[x] = growth_rate_mean
except:
continue
# In[ ]:
media_crescimento_5anos = pd.DataFrame.from_dict(grw,orient='index',columns=['Média Crescimento Receitas 5 anos'])
# In[ ]:
ttm = ttm.merge(media_crescimento_5anos,right_index=True, left_on=['CODIGO'])
# In[ ]:
# ## 5-years average reinvested capital
# In[ ]:
rev = pd.read_pickle("clean_data/final_data/df_principal.pkl")
rev1 = rev.loc[(rev['LABEL'] == 'TTM') | (rev['tipo_resultado'] == 'anual')]
companies = rev1['CODIGO'].unique()
pctr = {}
for x in companies:
try:
rev2 = rev1.loc[rev1['CODIGO'] == x].drop_duplicates("Porcentagem Reinvestida")
growth = rev2['Porcentagem Reinvestida'][-10:].dropna().to_list()
growth = [item for item in growth if item >= 0 and item < 1]
pctr_reinv = np.array(growth)
media_porcent_reinv = np.average(pctr_reinv)
pctr[x] = media_porcent_reinv
except:
continue
# In[ ]:
media_pctr_5anos = pd.DataFrame.from_dict(pctr,orient='index',columns=['Média Porcetagem Reivenstida 5 anos'])
ttm = ttm.merge(media_pctr_5anos,right_index=True, left_on=['CODIGO'])
# In[ ]:
med = ttm.drop_duplicates('Nome_Empresarial',keep='first')
mean = med.groupby('SEGMENTO')['Média Porcetagem Reivenstida 5 anos'].mean()
ttm['Média Porcetagem Reivenstida 5 anos'] = np.select([ttm['Média Porcetagem Reivenstida 5 anos'].isna()],[mean[ttm['SEGMENTO']]],ttm['Média Porcetagem Reivenstida 5 anos'])
# ## CAGR Revenues 5-year
# In[ ]:
rev = pd.read_pickle("clean_data/final_data/df_principal.pkl")
rev1 = rev.loc[(rev['LABEL'] == 'TTM') | (rev['tipo_resultado'] == 'anual')]
companies = rev1['CODIGO'].unique()
cagr = {}
for x in companies:
try:
rev2 = rev1.loc[rev1['CODIGO'] == x].drop_duplicates("Receita Líquida")
rec = rev2[["LABEL","Receita Líquida"]][-6:].dropna()
first = rec.head(1)["Receita Líquida"].item()
first_yr = rec.head(1)["LABEL"].item()
last = rec.tail(1)["Receita Líquida"].item()
last_yr = rec.tail(1)["LABEL"].item()
num_yrs = int(last_year)-int(first_yr)
cagr_receita = np.power(last / first,(1 / num_yrs)) - 1
cagr[x] = cagr_receita
except:
continue
# In[ ]:
cagr_receita_5anos = pd.DataFrame.from_dict(cagr,orient='index',columns=['CAGR Receita 5 anos'])
ttm = ttm.merge(cagr_receita_5anos,right_index=True, left_on=['CODIGO'])
# ## CAGR Earnings 5-years
# In[ ]:
rev = pd.read_pickle("clean_data/final_data/df_principal.pkl")
rev1 = rev.loc[(rev['LABEL'] == 'TTM') | (rev['tipo_resultado'] == 'anual')]
companies = rev1['CODIGO'].unique()
cagr_lr = {}
for x in companies:
try:
rev2 = rev1.loc[rev1['CODIGO'] == x].drop_duplicates("Lucro Líquido")
rec = rev2[["LABEL","Lucro Líquido"]][-6:].dropna()
first = rec.head(1)["Lucro Líquido"].item()
first_yr = rec.head(1)["LABEL"].item()
last = rec.tail(1)["Lucro Líquido"].item()
last_yr = rec.tail(1)["LABEL"].item()
num_yrs = int(last_year)-int(first_yr)
cagr_lucro = np.power(last / first,(1 / num_yrs)) - 1
cagr_lr[x] = cagr_lucro
except:
continue
# In[ ]:
cagr_lucro_5anos = pd.DataFrame.from_dict(cagr_lr,orient='index',columns=['CAGR Lucro 5 anos'])
ttm = ttm.merge(cagr_lucro_5anos,right_index=True, left_on=['CODIGO'])
# In[ ]:
ttm.sort_values(['CLASSE_x'],inplace=True)
ttm.drop_duplicates('Nome_Empresarial',keep='first',inplace=True)
ttm.to_pickle('clean_data/final_data/last_results_alldata.pkl')
##backup
ttm.to_pickle('BACKUPS/last_results/last_results_alldata%s.pkl'%today)
# # KPIs averages calculation
# In[ ]:
last_results = pd.read_pickle('clean_data/final_data/last_results_alldata.pkl')
# In[ ]:
indicadores = ['Margem EBIT',
'Margem líquida',
'Margem bruta',
'Taxa efetiva de imposto',
'Dív_Líq/EBIT',
'Dív_Líq/PL',
'D/E',
'Dívida/Capital_Inv',
'Patrimônio/Capital_Inv',
'Endividamento Financeiro',
'Endividamento Financeiro Curto Prazo',
'Dív_Líq/ebitda',
'PL/Ativos',
'ROE',
'Porcentagem Retida',
'ROA',
'ROIC',
'Passivo/Ativo',
'Líquidez Corrente',
'Giro dos Ativos',
'Capital_Giro/revenues',
'Porcentagem Reinvestida',
'Receitas/Capital_Inv',
'Capex/Receita',
'Capex/Depreciação',
'Capex Líquido/Receita',
'Capex Líquido/EBIT(1-t)',
'Crescimento esperado LPA',
'Crescimento esperado EBIT',
'Crescimento EBIT',
'Crescimento Margem EBIT',
'Crescimento LPA',
'Crescimento Receita',
'LPA',
'VPA',
'P/L',
'P/VPA',
'P/EBITDA',
'P/EBIT',
'P/Ativo',
'P/Cap_Giro',
'P/Ativo_Circ_Líq',
'Payout','Dividend Yield','EV/EBIT','EV/EBITDA',
'beta','Média Crescimento Receitas 5 anos','Cost of Capital','Cost of Debt',
'IC ratio','Cost of Equity','CAGR Receita 5 anos','Média Porcetagem Reivenstida 5 anos',
'CAGR Lucro 5 anos']
# In[ ]:
def remove_outlier(df_in, col_name):
if len(df_in) > 5:
q1 = df_in[col_name].quantile(0.15)
q3 = df_in[col_name].quantile(0.85)
iqr = q3-q1 #Interquartile range
fence_low = q1-1.5*iqr
fence_high = q3+1.5*iqr
df_out = df_in.loc[(df_in[col_name] > fence_low) & (df_in[col_name] < fence_high) & (df_in[col_name] != 0)]
return df_out
else:
return df_in
# In[ ]:
### calculating market average
mean_indicators = last_results.drop(last_results.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
'Margem EBITDA']),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
arq=remove_outlier(mean_indicators,'Margem EBITDA')
for item in indicadores:
mean_indicators = last_results.drop(last_results.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
item]),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
test = remove_outlier(mean_indicators,item)
arq = arq.merge(test,how='outer')
medias_mercado_ttm = arq.mean()
medias_mercado_ttm.name = 'Média Mercado'
medias_mercado_ttm.to_pickle('clean_data/final_data/medias_mercado_ttm.pkl')
medias_mercado_ttm.to_pickle('BACKUPS/medias/medias_mercado_ttm%s.pkl'%today)
# In[ ]:
setores = last_results['SETOR'].unique()
subsetores = last_results['SUBSETOR'].unique()
segmento = last_results['SEGMENTO'].unique()
capitaliz = last_results['Classificação Capitalização'].unique()
# In[ ]:
### calculating sector averages
concat_setor = pd.DataFrame()
for setor in setores:
alq = last_results.loc[(last_results['SETOR'] == setor)]
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
'Margem EBITDA']),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
arq=remove_outlier(mean_indicators,'Margem EBITDA')
for item in indicadores:
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
item]),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
test = remove_outlier(mean_indicators,item)
arq = arq.merge(test,how='outer')
concat_setor = pd.concat([concat_setor,arq])
medias_setor = concat_setor.groupby('SETOR').mean()
medias_setor.to_pickle('clean_data/final_data/medias_setor.pkl')
medias_setor.to_pickle('BACKUPS/medias/medias_setor%s.pkl'%today)
# In[ ]:
### calculating subsector averages
concat_subsetor = pd.DataFrame()
for setor in subsetores:
alq = last_results.loc[(last_results['SUBSETOR'] == setor)]
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
'Margem EBITDA']),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
arq=remove_outlier(mean_indicators,'Margem EBITDA')
for item in indicadores:
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
item]),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
test = remove_outlier(mean_indicators,item)
arq = arq.merge(test,how='outer')
concat_subsetor = pd.concat([concat_subsetor,arq])
medias_subsetor = concat_subsetor.groupby('SUBSETOR').mean()
medias_subsetor.to_pickle('clean_data/final_data/medias_subsetor.pkl')
medias_subsetor.to_pickle('BACKUPS/medias/medias_subsetor%s.pkl'%today)
# In[ ]:
### calculating industry averages
concat_segmento = pd.DataFrame()
for setor in segmento:
alq = last_results.loc[(last_results['SEGMENTO'] == setor)]
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
'Margem EBITDA']),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
arq=remove_outlier(mean_indicators,'Margem EBITDA')
for item in indicadores:
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
item]),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
test = remove_outlier(mean_indicators,item)
arq = arq.merge(test,how='outer')
concat_segmento = pd.concat([concat_segmento,arq])
medias_segmento = concat_segmento.groupby('SEGMENTO').mean()
medias_segmento.to_pickle('clean_data/final_data/medias_segmento.pkl')
medias_segmento.to_pickle('BACKUPS/medias/medias_segmento%s.pkl'%today)
# In[ ]:
### calculating capital segment averages
concat_capital = pd.DataFrame()
for setor in capitaliz:
alq = last_results.loc[(last_results['Classificação Capitalização'] == setor)]
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',
'SEGMENTO','SUBSETOR',
'Classificação Capitalização',
'Margem EBITDA']),axis=1)
mean_indicators.replace([-np.inf,np.inf],np.nan,inplace=True)
arq=remove_outlier(mean_indicators,'Margem EBITDA')
for item in indicadores:
mean_indicators = alq.drop(alq.columns.difference(['CODIGO','SETOR',