Como referenciar este texto: Análise fundamentalista + técnica com ranking customizável. Rodrigo Terra. Publicado em: 22/02/2026. Link da postagem: https://www.makerzine.com.br/dados/analise-fundamentalista-tecnica-com-ranking-customizavel/.
Análise Fundamentalista e Técnica com Ranking Customizável para Ações da B3
Este projeto consiste no desenvolvimento de um sistema integrado de análise de ações da B3, combinando indicadores fundamentalistas, indicadores técnicos e um modelo quantitativo de pontuação com pesos ajustáveis pelo usuário.
A proposta foi construir uma ferramenta capaz de responder, de forma estruturada e orientada por dados, três perguntas centrais do investidor:
A empresa é financeiramente sólida?
O momento técnico é favorável?
Quais ações melhor se encaixam no meu perfil de investimento?
O resultado é um dashboard interativo que transforma dados financeiros brutos em um sistema objetivo de suporte à decisão.
Objetivo do Projeto
O principal objetivo foi estruturar um modelo analítico que separasse claramente:
Qualidade estrutural da empresa
Momento técnico de mercado
Preferências individuais do investidor
O projeto foi desenvolvido com foco em carteiras mais defensivas, priorizando empresas com:
Boa rentabilidade
Estrutura financeira equilibrada
Liquidez adequada
Pagamento consistente de dividendos
Tendência técnica favorável
Dashboard
O dashboard foi desenvolvido no Google Looker Studio e organizado em três páginas principais.
Página 1 – Fundamental Analysis
A primeira página concentra a análise estrutural da empresa.
São apresentados indicadores como:
ROIC
ROE
Margem Líquida
Crescimento de Receita (5 anos)
Debt to Equity
Current Ratio
Dividend Yield
Liquidez média (2 meses)
Além dos indicadores individuais, é calculado um Quality Score, que consolida rentabilidade, estrutura financeira e liquidez em um único valor entre 0 e 1.
Também é exibido o gráfico “Risk vs Profitability”, que posiciona as empresas de acordo com eficiência de capital e nível de alavancagem.
Página 2 – Technical Analysis
A segunda página analisa o momento técnico da ação.
São utilizados indicadores como:
RSI (14)
MACD Histogram
Retorno de 20 dias
Distância da média móvel de 200 dias
Volume relativo
Esses dados são consolidados em um Technical Score, também limitado entre 0 e 1, permitindo avaliar objetivamente o alinhamento entre tendência e momentum.
Página 3 – Investment Ranking
A terceira página integra todos os componentes do modelo.
O usuário pode definir pesos (de 1 a 3) para:
Quality
Technical
Dividend Yield
Liquidity
Com base nesses parâmetros, o sistema calcula o Final Investment Score, por meio de média ponderada, garantindo que o resultado permaneça entre 0 e 1.
O ranking é atualizado dinamicamente, mostrando as ações que melhor se encaixam no perfil selecionado.
Arquitetura e Desenvolvimento
O projeto foi estruturado em quatro etapas principais.
1. Coleta e Processamento de Dados (Python – Google Colab)
Foram utilizadas as seguintes bibliotecas:
Fundamentus (dados fundamentalistas)
yfinance (dados históricos para cálculo técnico)
pandas e numpy (tratamento e cálculo)
gspread (integração com Google Sheets)
O código foi desenvolvido no Google Colab:
Para ver o notebook, no Google Colab, clique aqui.
2. Normalização dos Indicadores
Todos os indicadores utilizados no cálculo dos scores foram normalizados para uma escala entre 0 e 1.
Foram aplicadas regras específicas para:
Indicadores onde valores maiores são melhores
Indicadores de risco (invertidos)
Ajuste especial para RSI
Essa etapa garante consistência matemática e evita distorções entre métricas com escalas diferentes.
3. Integração com Google Sheets
Os dados processados são exportados automaticamente para uma planilha estruturada.
Para ver a base de dados no Google Sheets (base de dados), clique aqui.
4. Visualização e Cálculo de Scores (Looker Studio)
O dashboard foi construído no Google Looker Studio, onde:
Os dados são importados
Os scores são calculados
Os parâmetros de peso são aplicados
O ranking final é gerado
Para ver o dashboard interativo, no Google Looker Studio, clique aqui.
Vídeo de Apresentação
Para uma explicação detalhada do funcionamento do sistema, arquitetura e lógica de cálculo, assista ao vídeo de apresentação:
Possíveis Evoluções
Entre as melhorias planejadas estão:
Atualização automática diária via orquestrador
Implementação de backtesting histórico
Inclusão de indicadores macroeconômicos
Otimização de pesos via machine learning
Desenvolvimento de API própria
Simulador de carteira
Conclusão
Este projeto demonstra a aplicação prática de ciência de dados e modelagem quantitativa no contexto do mercado financeiro.
Ele integra:
Engenharia de dados
Normalização estatística
Modelagem de score
Visualização estratégica
Interatividade
Transformando dados financeiros dispersos em um sistema estruturado de apoio à decisão.
