Este projeto tem como objetivo criar uma aplicação web para análise de dados financeiros utilizando Flask, MongoDB e Bokeh. A aplicação conecta-se ao Yahoo Finance para recuperar dados históricos de ações, armazena esses dados no MongoDB (uma base de dados NoSQL) e exibe visualizações gráficas desses dados juntamente com recomendações de compra, venda ou manutenção com base em médias móveis simples.

1. Conexão ao Yahoo Finance:

   • A aplicação conecta-se à API do Yahoo Finance para recuperar dados históricos de ações com base no símbolo fornecido pelo utilizador.

2. Armazenamento no MongoDB:

   • Os dados recuperados do Yahoo Finance são armazenados no MongoDB. Cada ação é armazenada como um documento na coleção stocks na base de dados stock_data.

3. Análise de Investimento e Recomendação:

   • Com base nos dados históricos das ações, a aplicação calcula médias móveis de 20 e 50 dias.
   • É feita uma recomendação de "Compra" se a média móvel de 20 dias estiver acima da média móvel de 50 dias.
   • É feita uma recomendação de "Venda" se a média móvel de 20 dias estiver abaixo da média móvel de 50 dias.
   • É feita uma recomendação de "Manutenção" se as médias móveis não mostrarem um padrão claro.

4. Visualização Gráfica com Bokeh:

   • Utiliza a biblioteca Bokeh para criar gráficos rativos dos preços de fechamento das ações e suas médias móveis.
   • Os gráficos são incorporados na página web para fácil visualização e compreensão dos dados.

5. Autenticação de Utilizadores:

   • Implementa um sistema simples de login para restringir o acesso à aplicação a utilizadores autenticados.

6. Alertas:

   • Os utilizadores podem definir alertas de preço para ações específicas. Quando uma ação atinge a condição de preço especificada (acima ou abaixo), o utilizador é notificado.

7. Atualizações em Tempo Real:

   • Utiliza o Socket.IO para fornecer atualizações em tempo real para os dados das ações e alertas.

Para executar esta aplicação localmente, é necessário ter o Python instalado juntamente com as bibliotecas especificadas no ficheiro requirements.txt. Além disso, um servidor MongoDB deve estar em execução na máquina local ou numa máquina remota acessível.

1. Clonar o repositório:

   • Execute o comando git clone https://github.com/Dark1nessss/Finance-Bot
   • Navegue para o diretório do projeto com o comando cd Finance-Bot

2. Instalar as dependências:

   • Execute o comando pip install -r requirements.txt

3. Configurar o MongoDB:

   • Certifique-se de que o servidor MongoDB está em execução.

4. Executar a aplicação:

   • Execute o comando python app.py

5. Aceder à aplicação:

   • Abra o navegador e vá para http://localhost:5000.

1. Buscar dados de ações:

   • Na página inicial, insira o símbolo de uma ação (por exemplo, AAPL para Apple) e clique em "Fetch Data".
   • Isto buscará os dados mais recentes das ações do Yahoo Finance e armazená-los-á no MongoDB.

2. Visualizar dados e recomendação:

   • Após buscar os dados, pode clicar em "Show Data" para visualizar os dados históricos das ações, um gráfico com médias móveis e uma recomendação de investimento.

• Flask: Framework web que ajuda a interagir com HTML usando Python.

  • Documentação Flask

• Flask-SocketIO: Adiciona suporte para comunicação em tempo real entre o servidor e os clientes.

  • Documentação Flask-SocketIO

• Bokeh: Ajuda na criação de imagens/gráficos e muito mais.

  • Documentação Bokeh

• pymongo: Framework que facilita a conexão entre Python e MongoDB.

  • Documentação pymongo

• yfinance: API do Yahoo Finance para auxiliar com bots e mais.

  • Repositório GitHub yfinance

• pandas: Biblioteca de manipulação e análise de dados.

  • Documentação pandas

• datetime: Biblioteca para manipulação de datas em Python.

  • Documentação datetime

• SweetAlert: Biblioteca para substituição de caixas de diálogo JavaScript por pop-ups bonitos, responsivos, personalizáveis e acessíveis (WAI-ARIA).

  • Documentação SweetAlert

A aplicação utiliza a API do Yahoo Finance para obter dados financeiros e históricos de ações. Para isso, usamos a biblioteca yfinance, que fornece uma interface fácil de usar para acessar esses dados.

• Uso da API:

  • Utilizamos a biblioteca yfinance para obter informações detalhadas sobre as ações. Por exemplo, para recuperar o preço atual de uma ação, utilizamos o seguinte código:

    import yfinance as yf
    ticker = yf.Ticker('AAPL')
    ticker_info = ticker.info
    current_price = ticker_info.get('currentPrice')

  • O código acima cria um objeto para a ação da Apple e obtém informações financeiras relevantes através da propriedade info.

• Dados Recuperados:

  • Preço atual da ação.
  • Histórico de preços (preços de fechamento, máximos e mínimos).
  • Métricas financeiras como P/E (Price to Earnings Ratio) e EPS (Earnings Per Share).

A API do Financial Modeling Prep fornece dados financeiros detalhados, como balanço patrimonial, demonstração de resultados e fluxos de caixa. Esses dados são essenciais para a análise fundamentalista e para a criação de recomendações de investimento.

• Uso da API:

  • Dados financeiros são acessados através de requisições HTTP para endpoints específicos. Por exemplo, para obter o balanço patrimonial, utilizamos o seguinte código:

    import requests
    API_KEY_FMP = 'YOUR_API_KEY'
    balance_sheet_url = f'https://financialmodelingprep.com/api/v3/balance-sheet-statement/AAPL?apikey={API_KEY_FMP}'
    balance_sheet_response = requests.get(balance_sheet_url)
    balance_sheet_data = balance_sheet_response.json()[0]

  • O código acima faz uma requisição para o endpoint de balanço patrimonial da ação da Apple e analisa a resposta JSON para obter os dados necessários.

• Dados Recuperados:

  • Balanço patrimonial: ativos, passivos e patrimônio líquido.
  • Demonstração de resultados: receitas, despesas, lucro líquido.
  • Fluxos de caixa: entradas e saídas de caixa.

A aplicação inclui uma funcionalidade onde os utilizadores podem definir alertas para preços específicos de ações. Quando o preço da ação ultrapassa o limite definido, o utilizador recebe uma notificação.

1. Navegar para a Página de Alertas:

   • Utilize a barra de navegação para ir para a página "Alerts".

2. Definir um Novo Alerta:

   • Insira o símbolo da ação (por exemplo, AAPL para Apple).
   • Selecione a condição ("above" ou "below").
   • Insira o preço-alvo para o alerta.
   • Clique em "Set Alert".

• A página de alertas exibe todos os alertas definidos pelo utilizador.
• Os utilizadores podem remover um alerta clicando no botão "Remove" ao lado do respetivo alerta.

• A aplicação utiliza WebSockets para fornecer notificações em tempo real quando uma ação atinge o limite de alerta.
• As notificações aparecem como pop-ups no canto superior direito da tela.

Para fins de teste, a aplicação inclui uma funcionalidade para simular alterações no preço das ações e acionar alertas.

1. Simular uma Alteração de Preço:
   • Navegue para a página de Alertas.
   • Insira o símbolo da ação para a qual deseja simular uma alteração de preço.
   • Clique no botão "Simulate Alert".
   • A aplicação gerará um preço aleatório para a ação e verificará os alertas definidos.
   • Se o preço simulado atender a qualquer condição de alerta, uma notificação será exibida.

• app.py: O ficheiro principal da aplicação que inicializa a aplicação Flask, configura a base de dados e inicia o servidor.
• routes.py: Define as rotas para a aplicação web, incluindo buscar dados de ações, exibir dados, definir alertas e gerir a autenticação de utilizadores.
• operations.py: Contém as operações principais para buscar dados de ações do Yahoo Finance, armazenar dados no MongoDB, gerar recomendações e gerir alertas.
• initdb.py: Inicializa a base de dados MongoDB com as coleções e índices necessários.
• insert_data.py: Insere dados iniciais na base de dados MongoDB, incluindo utilizadores e dados de ações de exemplo.
• templates/: Diretório contendo os templates HTML para a aplicação web.
• static/: Diretório contendo ficheiros estáticos como CSS e JavaScript.

• Segurança Aprimorada:

  • Implementar hashing de senhas para a autenticação de utilizadores.
  • Adicionar controlo de acesso baseado em funções para restringir certas funcionalidades a utilizadores administradores.

• Análise de Dados Avançada:

  • Incluir indicadores técnicos adicionais para uma análise de investimento mais abrangente.
  • Implementar modelos de machine learning para previsão de preços de ações.

• Melhorias na Interface de Utilizador:

  • Melhorar o design e a usabilidade da aplicação web.
  • Adicionar gráficos mais interativos e personalizáveis.

• Notificações:

  • Implementar notificações por email ou SMS para alertas de ações.
  • Fornecer opções para os utilizadores personalizarem as preferências de notificações.

Contribuições são bem-vindas! Se tiver ideias para melhorias ou novas funcionalidades, sinta-se à vontade para fazer um fork do repositório e submeter um pull request.