Rodrigo_Mesquita_DR3

OS ÚLTIMOS GRÁFICOS NÃO ESTÃO APARECENDO NO PDF, ABRIR PELO LINK ABAIXO PARA VISUALIZAR O TRABALHO COMPLETO.

Link para o notebook: https://deepnote.com/@infnet-b5b4/RodrigoMesquitaDR3TP3-32e2bc95-2f79-48c7-b6d6-ecd54442874d

!pip install waterfallcharts

import pandas as pd import matplotlib.pyplot as plt import waterfall_chart import matplotlib.dates as mdates

1.Carregue a base “TP3_spx.csv” fornecida em um dataframe Pandas e execute a conversão de datas para que os dados possam ser utilizados corretamente.

df = pd.read_csv('TP3_spx.csv') df

df['date'] = pd.to_datetime(df['date'], errors='coerce') df.index = df['date'] df = df[['close']] df

2.Apresente uma visualização temporal da série de dados.

fig, ax = plt.subplots(figsize = (20,10)) ax.plot(df) plt.title('Série Temporal Original') plt.ylabel('Valor') plt.xlabel('Data') plt.show()

3.Aplique três suavizações na série, utilizando janelas de 30, 60 e 90 dias e apresente tanto a série original quanto as suavizadas em uma visualização única, identificando claramente cada uma das séries por meio de uma legenda.

fig, ax = plt.subplots(figsize = (20,10)) ax.plot(df.index, df['close']) ax.plot(df.index, df['close'].rolling(window=30).mean(), label = 'Janela móvel @30d') ax.plot(df.index, df['close'].rolling(window=60).mean(), label = 'Janela móvel @60d') ax.plot(df.index, df['close'].rolling(window=90).mean(), label = 'Janela móvel @70d') #plt.xlim(pd.Timestamp('1996-01-01'), pd.Timestamp('2004-01-01')) plt.legend() plt.title('Série Temporais Suavizadas') plt.ylabel('Valor') plt.xlabel('Data') plt.show()

4.A partir da série original e sua suavização com janela de 15 dias (sugiro fazer um gráfico isolado apenas com estas duas) apresente o padrão existente para identificar quando o preço tende a subir ou descer, de forma que pudéssemos programar um hipotético robô de investimento que aproveite estas oportunidades de negócio.

fig, ax = plt.subplots(figsize = (20,10)) ax.plot(df.index, df['close'], label = 'Variação original') ax.plot(df.index, df['close'].ewm(span=15).mean(), label = 'Janela móvel exp @15d') plt.legend() plt.show()

#Adicionei no meu dataset a coluna da média móvel #Em seguida calculei a diferença (o delta) entre cada intervalo e o intervalo anterior #Adicionalmente alculei o % representado pelo delta df['close_movel_exp_15'] = df['close'].ewm(span=15).mean() df['close_diff_15'] = df['close_movel_exp_15'].diff(1) df['Percent_Delta'] = round((df['close_diff_15'] / df['close_movel_exp_15'].shift(1))*100,2) df

#Selecionei um intervalo das últimas 30 observações para plotar em um watterfall e criei uma coluna com o formato que eu desejava para o eixo X df_wat = df.iloc[-30:].copy() df_wat['date_format'] = df_wat.index.strftime('%d/%m/%y') df_wat

plt.rcParams.update({'figure.figsize':(15,5), 'figure.dpi':100}) waterfall_chart.plot(df_wat['date_format'], df_wat['close_diff_15'],rotation_value=90) plt.title('Variação Diária') plt.show() '''Além da variação da ação, também criei um segundo gráfico mostrando a variação percentual, assim vemos que no período plotado a variação acumulada foi de 1.54% ''' waterfall_chart.plot(df_wat['date_format'], df_wat['Percent_Delta']/100,formatting="{:.2%}", rotation_value=90) plt.title('Variação Diária Percentual') plt.show()