Publicação inicial do dashboard de diagnóstico de séries temporais

Dashboard_Diagnostico_ST.py

@@ -0,0 +1,165 @@
+#!/usr/bin/env python
+# coding: utf-8
+
+import streamlit as st
+import pandas as pd
+import numpy as np
+from yahooquery import Ticker
+import plotly.graph_objects as go
+from statsmodels.tsa.stattools import adfuller, kpss, acf, pacf
+from statsmodels.stats.diagnostic import acorr_ljungbox, het_arch
+from statsmodels.stats.stattools import jarque_bera
+from PIL import Image
+
+# Configuração da página
+st.set_page_config(
+    page_title="Diagnóstico de Séries Temporais Financeiras",
+    layout="wide",
+    initial_sidebar_state="expanded"
+)
+
+# Estilo do slider
+st.markdown("""
+    <style>
+    .stSlider > div > div > div > div > div > div {
+        background-color: #4CAF50 !important;
+    }
+    </style>
+    """, unsafe_allow_html=True)
+
+# Logo
+logo_unb = Image.open("Logo/MARCADOR.png")
+col1, col2, col3 = st.columns([1, 6, 1])
+with col1:
+    st.image(logo_unb, use_column_width=True)
+with col2:
+    st.markdown("<h1 style='text-align: center; color: #003366;'>Diagnóstico de Séries Temporais Financeiras</h1>", unsafe_allow_html=True)
+    st.markdown("<h3 style='text-align: center; color: #003366;'>Professor João Gabriel de Moraes Souza</h3>", unsafe_allow_html=True)
+with col3:
+    st.image(logo_unb, use_column_width=True)
+
+# Interface
+ativos = ['ITUB4.SA', 'BBAS3.SA', 'BBDC4.SA', 'PETR3.SA', 'CSNA3.SA']
+ativo = st.selectbox("Escolha um ativo:", ativos)
+tipo_serie = st.radio("Tipo de série:", ["Preços", "Retornos"])
+alpha = st.slider("Nível de significância (α):", min_value=0.01, max_value=0.10, value=0.01, step=0.01)
+diagnostico = st.selectbox("Escolha o tipo de diagnóstico:", [
+    "Estacionariedade",
+    "Ergodicidade",
+    "Autocorrelação",
+    "Heterocedasticidade",
+    "Normalidade"
+])
+
+# Cache para download de dados
+@st.cache_data(ttl=3600)
+def carregar_dados(ativo):
+    ticker = Ticker(ativo)
+    df_raw = ticker.history(start='2012-01-01', interval='1d').reset_index()
+    df_raw['date'] = pd.to_datetime(df_raw['date'], utc=True, errors='coerce').dt.tz_convert(None)
+    df_prices = df_raw[df_raw['adjclose'].notna()][['date', 'adjclose']].rename(columns={'date': 'Data', 'adjclose': 'Preco'})
+    df_prices.set_index('Data', inplace=True)
+    df_prices = df_prices[~df_prices.index.duplicated()]
+    return df_prices
+
+# Carregar dados cacheados
+df_prices = carregar_dados(ativo)
+
+# Calcular série conforme tipo
+if tipo_serie == "Retornos":
+    serie = np.log(df_prices / df_prices.shift(1)).dropna()
+else:
+    serie = df_prices.copy()
+
+# Visualização da série
+st.markdown("### Dados Históricos")
+st.line_chart(serie)
+
+# Diagnóstico
+st.markdown(f"### Diagnóstico: {diagnostico}")
+
+if diagnostico == "Estacionariedade":
+    try:
+        adf_stat, adf_p, *_ = adfuller(serie.values.flatten())
+        if adf_p < alpha:
+            st.success(f"ADF: p-valor = {adf_p:.4f} < α → estacionária ao nível de {alpha*100:.0f}%")
+        else:
+            st.warning(f"ADF: p-valor = {adf_p:.4f} ≥ α → não estacionária ao nível de {alpha*100:.0f}%")
+    except Exception as e:
+        st.error(f"Erro no teste ADF: {e}")
+
+    try:
+        kpss_stat, kpss_p, *_ = kpss(serie.values.flatten(), nlags='auto')
+        if kpss_p < alpha:
+            st.warning(f"KPSS: p-valor = {kpss_p:.4f} < α → rejeita estacionariedade ao nível de {alpha*100:.0f}%")
+        else:
+            st.success(f"KPSS: p-valor = {kpss_p:.4f} ≥ α → estacionariedade não rejeitada")
+    except Exception as e:
+        st.error(f"Erro no teste KPSS: {e}")
+
+elif diagnostico == "Ergodicidade":
+    expanding_mean = serie.expanding().mean()
+    fig = go.Figure([go.Scatter(x=expanding_mean.index, y=expanding_mean.values.flatten())])
+    fig.update_layout(title="Média Acumulada (Ergodicidade)", xaxis_title="Data", yaxis_title="Média")
+    st.plotly_chart(fig)
+
+elif diagnostico == "Autocorrelação":
+    try:
+        serie_valida = serie.values.flatten()
+        serie_valida = serie_valida[~np.isnan(serie_valida)]
+        serie_valida = serie_valida[~np.isinf(serie_valida)]
+
+        if len(serie_valida) > 30 and np.std(serie_valida) > 0:
+            lb_p = acorr_ljungbox(serie_valida, lags=[10], return_df=True)['lb_pvalue'].iloc[0]
+            if lb_p < alpha:
+                st.warning(f"Ljung-Box: p-valor = {lb_p:.4f} < α → autocorrelação presente")
+            else:
+                st.success(f"Ljung-Box: p-valor = {lb_p:.4f} ≥ α → sem evidência de autocorrelação")
+        else:
+            st.warning("Série inválida para o teste de Ljung-Box: tamanho insuficiente ou variância nula.")
+    except Exception as e:
+        st.error(f"Erro no teste Ljung-Box: {e}")
+
+    try:
+        acf_vals = acf(serie_valida, nlags=30)
+        pacf_vals = pacf(serie_valida, nlags=30)
+        lags = list(range(len(acf_vals)))
+
+        fig_acf = go.Figure([go.Bar(x=lags, y=acf_vals)])
+        fig_acf.update_layout(title="Autocorrelação (ACF)", xaxis_title="Lag", yaxis_title="ACF")
+        st.plotly_chart(fig_acf)
+
+        fig_pacf = go.Figure([go.Bar(x=lags, y=pacf_vals)])
+        fig_pacf.update_layout(title="Autocorrelação Parcial (PACF)", xaxis_title="Lag", yaxis_title="PACF")
+        st.plotly_chart(fig_pacf)
+
+    except Exception as e:
+        st.error(f"Erro nos gráficos ACF/PACF: {e}")
+
+elif diagnostico == "Heterocedasticidade":
+    try:
+        serie_valida = serie.values.flatten()
+        serie_valida = serie_valida[~np.isnan(serie_valida)]
+        serie_valida = serie_valida[~np.isinf(serie_valida)]
+
+        if len(serie_valida) > 30 and np.std(serie_valida) > 0:
+            p_arch = het_arch(serie_valida)[1]
+            if p_arch < alpha:
+                st.warning(f"ARCH: p-valor = {p_arch:.4f} < α → heterocedasticidade condicional presente")
+            else:
+                st.success(f"ARCH: p-valor = {p_arch:.4f} ≥ α → sem evidência de heterocedasticidade")
+        else:
+            st.warning("Série inválida para o teste ARCH: tamanho insuficiente ou variância nula.")
+    except Exception as e:
+        st.error(f"Erro no teste ARCH: {e}")
+
+elif diagnostico == "Normalidade":
+    try:
+        jb_stat, jb_p, *_ = jarque_bera(serie.values.flatten())
+        if jb_p < alpha:
+            st.warning(f"Jarque-Bera: p-valor = {jb_p:.4f} < α → distribuição não normal")
+        else:
+            st.success(f"Jarque-Bera: p-valor = {jb_p:.4f} ≥ α → distribuição aproximadamente normal")
+    except Exception as e:
+        st.error(f"Erro no teste Jarque-Bera: {e}")
+

Dockerfile

@@ -0,0 +1,23 @@
+# Dockerfile para Diagnóstico de Séries Temporais com Streamlit
+
+# syntax=docker/dockerfile:1
+
+FROM python:3.10-slim
+
+ENV PYTHONUNBUFFERED=1 \
+    PYTHONDONTWRITEBYTECODE=1
+
+WORKDIR /app
+
+# Copiar e instalar dependências
+COPY requirements.txt .
+RUN pip install --upgrade pip && pip install --no-cache-dir -r requirements.txt
+
+# Copiar código e recursos
+COPY Logo ./Logo
+COPY Dashboard_Diagnostico_ST.py .
+
+EXPOSE 8501
+
+CMD ["streamlit", "run", "Dashboard_Diagnostico_ST.py", "--server.port=8501", "--server.enableCORS=false", "--server.address=0.0.0.0"]
+

README.md

@@ -0,0 +1,20 @@
+---
+title: "Diagnóstico de Séries Temporais"
+emoji: "📉"
+colorFrom: "indigo"
+colorTo: "green"
+sdk: "docker"
+app_file: "Dockerfile"
+app_port: 8501
+tags:
+ - streamlit
+ - séries temporais
+ - econometria
+ - testes estatísticos
+ - machine-learning
+ - finanças
+ - UnB
+pinned: false
+short_description: "Dashboard com testes de diagnóstico em séries temporais financeiras"
+license: mit
+---

requirements.txt

@@ -0,0 +1,9 @@
+streamlit==1.32.0
+pandas==2.2.2
+numpy==1.26.4
+plotly==5.18.0
+yahooquery==2.3.7
+scipy==1.13.1
+pillow==9.4.0
+statsmodels==0.14.1
+