... Operando o IFIX com base em Médias Móveis no Pandas ...

• Este JNB é similar a um estudo feito em um JNB anterior, onde trabalhamos com ações do IDIV:
  https://rafsz.github.io/Python+Pandas21/Trading_IDIV_with_Pandas_20abr22_15h.html
  Contudo, neste JNB, usamos o IFIX, e tivemos que trabalhar mais no Pandas para obter o resultado desejado, uma vez que muitos códigos não tinham cotação na base do Yahoo

• Este JNB tem 3 etapas:

1. Pegando as cotações de uma lista de FIIs e guardando em um Pandas df
2. Calculando a diferença entre os valores das Médias Móveis (MMs) 09x21 e substituindo no df
3. Obtendo as mensagens de BUY (comprar), STOP(stopar, zerar a posição), Hold (segurar, manter a posição) ou Wait (aguardar, não comprar) e salvando num df e em xlsx

I. Pegando as cotações e guardando em um Pandas df

# importando as Bibliotecas que vamos usar
import yfinance as yf
import pandas as pd

# Neste JNB vamos usar uma lista de códigos de FIIs tirados do IFIX da B3
# FII = Fundo de Investimento Imobiliário - para saber mais:
# https://www.b3.com.br/pt_br/produtos-e-servicos/negociacao/renda-variavel/fundos-de-investimento-imobiliario-fii.htm
# O arq CSV baixado do site da B3 foi editado no LibreOffice e salvo como xlsx (Excel)
# https://www.b3.com.br/pt_br/market-data-e-indices/indices/indices-de-segmentos-e-setoriais/indice-fundos-de-investimentos-imobiliarios-ifix-composicao-da-carteira.htm

# Lendo o arq excel simplificado com 3 colunas com a composicao do IDIV e salvando num Pandas df
dftickers = pd.read_excel("IFIXDia_13-04-22.xlsx")

# visualizando o df
display (dftickers)

	Codigo	Acao
0	BPFF11	FII ABSOLUTO
1	AFHI11	FII AFHI CRI
2	ALZR11	FII ALIANZA
3	ARCT11	FII ARCTIUM
4	AIEC11	FII AUTONOMY
...	...	...
99	XPLG11	FII XP LOG
100	XPCM11	FII XP MACAE
101	XPML11	FII XP MALLS
102	XPPR11	FII XP PROP
103	XPSF11	FII XP SELEC

104 rows × 2 columns

# Vamos inserir uma coluna com os codigos.SA para poder gerar a lista de códigos de maneira a poder pegar as cotações na base do Yahoo
# https://www.statology.org/pandas-combine-two-columns/
dftickers['codigoSA'] = dftickers['Codigo'] + '.SA'
display(dftickers)

	Codigo	Acao	codigoSA
0	BPFF11	FII ABSOLUTO	BPFF11.SA
1	AFHI11	FII AFHI CRI	AFHI11.SA
2	ALZR11	FII ALIANZA	ALZR11.SA
3	ARCT11	FII ARCTIUM	ARCT11.SA
4	AIEC11	FII AUTONOMY	AIEC11.SA
...	...	...	...
99	XPLG11	FII XP LOG	XPLG11.SA
100	XPCM11	FII XP MACAE	XPCM11.SA
101	XPML11	FII XP MALLS	XPML11.SA
102	XPPR11	FII XP PROP	XPPR11.SA
103	XPSF11	FII XP SELEC	XPSF11.SA

104 rows × 3 columns

# Temos 104 FIIS neste df
# Transformando a Coluna de Tickers (códigos de negociação) em uma Lista de Tickers
# https://www.delftstack.com/howto/python-pandas/pandas-column-to-list/
ltickers104 = dftickers['codigoSA'].tolist()
print(ltickers104)
print(len(ltickers104))

['BPFF11.SA', 'AFHI11.SA', 'ALZR11.SA', 'ARCT11.SA', 'AIEC11.SA', 'BARI11.SA', 'BBPO11.SA', 'BCFF11.SA', 'BRCR11.SA', 'BCIA11.SA', 'BCRI11.SA', 'BLMR11.SA', 'BLMG11.SA', 'BRCO11.SA', 'BZLI11.SA', 'BTAL11.SA', 'BTCR11.SA', 'BTLG11.SA', 'CPFF11.SA', 'CPTS11.SA', 'HGCR11.SA', 'HGFF11.SA', 'HGLG11.SA', 'HGRU11.SA', 'DEVA11.SA', 'FEXC11.SA', 'VRTA11.SA', 'GTWR11.SA', 'FIGS11.SA', 'GGRC11.SA', 'GALG11.SA', 'HABT11.SA', 'HCTR11.SA', 'HGBS11.SA', 'HGRE11.SA', 'HSAF11.SA', 'HSLG11.SA', 'HSML11.SA', 'HFOF11.SA', 'FIIB11.SA', 'IRDM11.SA', 'JSRE11.SA', 'KISU11.SA', 'KNRI11.SA', 'KNHY11.SA', 'KNIP11.SA', 'KNCR11.SA', 'KNSC11.SA', 'KFOF11.SA', 'MALL11.SA', 'MCCI11.SA', 'MXRF11.SA', 'MFII11.SA', 'MGFF11.SA', 'MORE11.SA', 'NCHB11.SA', 'OUJP11.SA', 'PATL11.SA', 'PLCR11.SA', 'PORD11.SA', 'QAGR11.SA', 'RBRL11.SA', 'RBRY11.SA', 'RBRP11.SA', 'RBRF11.SA', 'RBRR11.SA', 'RECR11.SA', 'RECT11.SA', 'RBFF11.SA', 'RCRB11.SA', 'RBVA11.SA', 'RZAK11.SA', 'RZTR11.SA', 'SADI11.SA', 'SARE11.SA', 'SDIL11.SA', 'SPTW11.SA', 'SNFF11.SA', 'TEPP11.SA', 'TGAR11.SA', 'TORD11.SA', 'TRXF11.SA', 'URPR11.SA', 'VGHF11.SA', 'VGIP11.SA', 'VGIR11.SA', 'CVBI11.SA', 'LVBI11.SA', 'PVBI11.SA', 'RVBI11.SA', 'VCJR11.SA', 'VSLH11.SA', 'VIFI11.SA', 'VILG11.SA', 'VINO11.SA', 'VISC11.SA', 'VTLT11.SA', 'XPCI11.SA', 'XPIN11.SA', 'XPLG11.SA', 'XPCM11.SA', 'XPML11.SA', 'XPPR11.SA', 'XPSF11.SA']
104

# No estudo com o IDIV usamos a combinação MM09x21 por ser uma combinação clássica para ações no gráfico diário, mas para FIIs eu percebi que esta combinação dá muitos "falsos-cruzamentos.
# Decidi usar, então a combinação MM09x80 - o que implica em pegar um período maior de cotações para poder calcular a MM80
# Pegando as cotações de Fechamento Ajustado e guardando num df (cotações = quotes em inglês)
# Queremos cotações até 6a-feira 15/04/22, então a data final vai ser o dia seguinte
dfquotes104 = yf.download(ltickers104, start="2021-11-01", end = "2022-04-16")["Adj Close"]
dfquotes104.shape

[*********************100%***********************]  104 of 104 completed

24 Failed downloads:
- KISU11.SA: No data found for this date range, symbol may be delisted
- TORD11.SA: No data found for this date range, symbol may be delisted
- FEXC11.SA: No data found for this date range, symbol may be delisted
- VGHF11.SA: No data found for this date range, symbol may be delisted
- PATL11.SA: No data found for this date range, symbol may be delisted
- RZTR11.SA: No data found for this date range, symbol may be delisted
- NCHB11.SA: No data found for this date range, symbol may be delisted
- BTAL11.SA: No data found for this date range, symbol may be delisted
- RZAK11.SA: No data found for this date range, symbol may be delisted
- HSLG11.SA: No data found for this date range, symbol may be delisted
- BLMR11.SA: No data found for this date range, symbol may be delisted
- ARCT11.SA: No data found for this date range, symbol may be delisted
- BCFF11.SA: No data found for this date range, symbol may be delisted
- DEVA11.SA: No data found for this date range, symbol may be delisted
- CPTS11.SA: No data found for this date range, symbol may be delisted
- BLMG11.SA: No data found for this date range, symbol may be delisted
- SNFF11.SA: No data found for this date range, symbol may be delisted
- HSAF11.SA: No data found for this date range, symbol may be delisted
- TGAR11.SA: No data found for this date range, symbol may be delisted
- AFHI11.SA: No data found for this date range, symbol may be delisted
- GALG11.SA: No data found for this date range, symbol may be delisted
- VSLH11.SA: No data found for this date range, symbol may be delisted
- URPR11.SA: No data found for this date range, symbol may be delisted
- PVBI11.SA: No data found for this date range, symbol may be delisted

(113, 104)

# Para confirmar se apenas temos 24 colunas totalmente nulas, vamos criar um df com a soma de nulos por papel(coluna do dfquotes104) e depois filtrar as colunas todas nulas:
dfisna = dfquotes104.isna().sum()
display(dfisna)

AFHI11.SA    113
AIEC11.SA     90
ALZR11.SA      0
ARCT11.SA    113
BARI11.SA      0
            ... 
XPIN11.SA      0
XPLG11.SA      0
XPML11.SA      0
XPPR11.SA      0
XPSF11.SA      0
Length: 104, dtype: int64

# O df acima tem 104 papeis, e alguns deles têm 113 valores nulos
# Como o dfquotes104 têm 113 linhas, isto significa que os papeís com 113 valores nulos na verdade são colunas do dfquotes104 que estão todas nulas
# Vamos trabalhar o dfisna um pouco para confirmar quantas colunas têm 113 valores nulos
# Incluindo index
dfisna = dfisna.reset_index()

# E renomenado as colunas
dfisna.columns = ['papel', 'isnasum']
display(dfisna)

	papel	isnasum
0	AFHI11.SA	113
1	AIEC11.SA	90
2	ALZR11.SA	0
3	ARCT11.SA	113
4	BARI11.SA	0
...	...	...
99	XPIN11.SA	0
100	XPLG11.SA	0
101	XPML11.SA	0
102	XPPR11.SA	0
103	XPSF11.SA	0

104 rows × 2 columns

# criando um outro df que vai ter apenas as colunas nulas
dfisnab = dfisna[dfisna['isnasum'] == 113]
display(dfisnab)
dfisnab.shape

	papel	isnasum
0	AFHI11.SA	113
3	ARCT11.SA	113
6	BCFF11.SA	113
9	BLMG11.SA	113
10	BLMR11.SA	113
14	BTAL11.SA	113
19	CPTS11.SA	113
21	DEVA11.SA	113
22	FEXC11.SA	113
25	GALG11.SA	113
37	HSAF11.SA	113
38	HSLG11.SA	113
43	KISU11.SA	113
56	NCHB11.SA	113
58	PATL11.SA	113
61	PVBI11.SA	113
74	RZAK11.SA	113
75	RZTR11.SA	113
79	SNFF11.SA	113
82	TGAR11.SA	113
83	TORD11.SA	113
85	URPR11.SA	113
87	VGHF11.SA	113
95	VSLH11.SA	113

(24, 2)

# Com o dfisnab confirmamos 113 papeis com valores nulos
# Vamos criar uma cópia deste df104 para remover estas colunas e preservar o histórico para consulta futura, se necessário
dfquotes80 = dfquotes104.copy()
# Removendo as colunas que estão completamente nulas
dfquotes80 = dfquotes80.dropna(axis = 1, how ='all')

# Devemos ter então um df com 113 linhas (dias) e 80 colunas (FIIs)
dfquotes80.shape

(113, 80)

II. Calculando as Médias Móveis (MMs) e sua diferença e salvando estes valores em um df

# Vamos calcular as Médias Móveis (MM) e substituir os valores das cotações pela diferença da MM09 para a MM80
# Esta diferença vai nos indicar se a MM09 está acima (valor positivo) da MM80 ou abaixo (valor negativo)
dfMM80 = dfquotes80.copy()
for (col) in dfMM80:
    dfMM80[col] = (dfMM80[col].rolling(9).mean()) - (dfMM80[col].rolling(80).mean())

# Como ainda temos alguns papéis com histórico curto, vamos seguir limpando o df
# Primeiro vamos excluir as linhas que estão todas nulas
dfMM80 = dfMM80.dropna(axis = 0, how ='all')
dfMM80.shape

(34, 80)

# Então seguimos com 80 FIIs mas agora só temos 34 linhas (antes eram 113) - o q faz sentido, pois a MM80 não pode ser calculada para as primeiras 79 linhas
# Vamos ver quantos papéis ainda têm null no seu histórico:
dfisnac = dfMM80.isna().sum()
display (dfisnac)

AIEC11.SA    34
ALZR11.SA     0
BARI11.SA     0
BBPO11.SA     0
BCIA11.SA     0
             ..
XPIN11.SA     0
XPLG11.SA     0
XPML11.SA     0
XPPR11.SA     0
XPSF11.SA     0
Length: 80, dtype: int64

dfisnac = dfisnac.reset_index()
dfisnac.columns = ['papel', 'isnasum']
display(dfisnac)

	papel	isnasum
0	AIEC11.SA	34
1	ALZR11.SA	0
2	BARI11.SA	0
3	BBPO11.SA	0
4	BCIA11.SA	0
...	...	...
75	XPIN11.SA	0
76	XPLG11.SA	0
77	XPML11.SA	0
78	XPPR11.SA	0
79	XPSF11.SA	0

80 rows × 2 columns

# https://www.geeksforgeeks.org/selecting-rows-in-pandas-dataframe-based-on-conditions/
# Vamos filtrar quais papéis têm valores nulos
dfisnad = dfisnac[dfisnac['isnasum'] != 0]
display(dfisnad)

	papel	isnasum
0	AIEC11.SA	34
11	BZLI11.SA	34
35	KNSC11.SA	34
41	MORE11.SA	34
49	RBRL11.SA	34

# Então temos outras 5 colunas nulas, já que o dfMM80 tem 34 linhas
# Vamos dropar estas colunas
dfMM75 = dfMM80.copy()
dfMM75 = dfMM75.dropna(axis = 1, how ='all')
dfMM75.shape

(34, 75)

III. Obtendo as mensagens de BUY, STOP, Hold ou Wait no df e salvando no formato excel

# Vamos criar uma funcao para obter as mensagens
def alertasimples (acao):
    if (dfMM75.at[dfMM75.index[a],acao] > 0) and (dfMM75.at[dfMM75.index[b],acao] < 0):
        return('BUY')
    elif (dfMM75.at[dfMM75.index[a],acao] < 0) and (dfMM75.at[dfMM75.index[b],acao] > 0):
        return('STOP!')
    elif (dfMM75.at[dfMM75.index[a],acao] > 0) and (dfMM75.at[dfMM75.index[b],acao] > 0):
        return('hold')
    else:
        return('wait')

ltickers75 = dfMM75.columns.tolist()
print(len(ltickers75))

75

# Gerando um df a partir da lista de 75 FIIs, para depois preencher com as mensagens
dfalert75 = pd.DataFrame(ltickers75)
display(dfalert75)

	0
0	ALZR11.SA
1	BARI11.SA
2	BBPO11.SA
3	BCIA11.SA
4	BCRI11.SA
...	...
70	XPIN11.SA
71	XPLG11.SA
72	XPML11.SA
73	XPPR11.SA
74	XPSF11.SA

75 rows × 1 columns

# Renomeando a coluna do df
dfalert75.columns = ['FII']
display(dfalert75)

	FII
0	ALZR11.SA
1	BARI11.SA
2	BBPO11.SA
3	BCIA11.SA
4	BCRI11.SA
...	...
70	XPIN11.SA
71	XPLG11.SA
72	XPML11.SA
73	XPPR11.SA
74	XPSF11.SA

75 rows × 1 columns

# Obtendo as mensagens e salvando em um novo df
# O range de a usado na funcao alerta deve ser igual ao número de dias do dfMM75
for a in range (34):
	dctemp = {}
	for papel in ltickers75:
		b=a-1
		dctemp[papel]=alertasimples(papel)
	dfalert75[dfMM75.index[a]] = dctemp.values()
display(dfalert75)

	FII	2022-02-24 00:00:00	2022-02-25 00:00:00	2022-03-02 00:00:00	2022-03-03 00:00:00	2022-03-04 00:00:00	2022-03-07 00:00:00	2022-03-08 00:00:00	2022-03-09 00:00:00	2022-03-10 00:00:00	...	2022-04-01 00:00:00	2022-04-04 00:00:00	2022-04-05 00:00:00	2022-04-06 00:00:00	2022-04-07 00:00:00	2022-04-08 00:00:00	2022-04-11 00:00:00	2022-04-12 00:00:00	2022-04-13 00:00:00	2022-04-14 00:00:00
0	ALZR11.SA	hold	hold	hold	hold	hold	hold	hold	STOP!	wait	...	BUY	hold	hold	hold	hold	hold	hold	hold	hold	hold
1	BARI11.SA	BUY	hold	hold	hold	hold	hold	hold	hold	hold	...	wait	wait	wait	wait	wait	wait	wait	wait	wait	wait
2	BBPO11.SA	BUY	hold	hold	hold	STOP!	wait	wait	wait	wait	...	wait	wait	wait	wait	wait	wait	wait	wait	wait	wait
3	BCIA11.SA	BUY	STOP!	wait	wait	wait	wait	wait	wait	wait	...	wait	wait	wait	wait	wait	wait	wait	wait	wait	wait
4	BCRI11.SA	BUY	hold	hold	hold	hold	hold	hold	hold	hold	...	hold	hold	hold	hold	hold	hold	STOP!	wait	wait	wait
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
70	XPIN11.SA	wait	wait	wait	wait	wait	wait	wait	wait	wait	...	wait	wait	wait	wait	wait	wait	wait	wait	wait	wait
71	XPLG11.SA	wait	wait	wait	wait	wait	wait	wait	wait	BUY	...	hold	hold	STOP!	wait	wait	wait	wait	wait	wait	wait
72	XPML11.SA	STOP!	wait	wait	wait	wait	wait	wait	wait	wait	...	BUY	hold	hold	hold	hold	hold	hold	hold	hold	hold
73	XPPR11.SA	wait	wait	wait	wait	wait	wait	wait	wait	wait	...	wait	wait	wait	wait	wait	wait	wait	wait	wait	wait
74	XPSF11.SA	wait	wait	wait	wait	wait	wait	wait	wait	wait	...	wait	wait	wait	wait	wait	wait	wait	wait	wait	wait

75 rows × 35 columns

# Salvando em XLSX:
writer = pd.ExcelWriter('IFIX_df_alert75_.xlsx', engine='xlsxwriter')
dfalert75.to_excel(writer, sheet_name='Mensagens')
writer.save()

fim 🐍

• Referências:

Canal Youtube: Código Quant - Finanças Quantitativas PYTHON PARA INVESTIMENTOS #2: Definindo intervalos, calculando e plotando médias móveis
https://youtu.be/BBomKv3NFNc?list=PLmQ5Q79miLmxDc16motuYuG1hLjW0T4Wo

Inserir uma nova coluna num df e copiar os valores de um dicionario pra esta coluna, contanto que as chaves do dicionario batam com alguma coluna do df: https://www.geeksforgeeks.org/use-get-method-to-create-a-dictionary-in-python-from-a-list-of-elements/?ref=gcse

Meu repositório GitHub onde está o JNB que gerou este html:
https://github.com/Rafsz/rafsz.github.io