src/streamlit_app.py

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
import plotly.graph_objects as go
from PIL import Image
from yahooquery import Ticker
from datetime import date
from pandas.tseries.offsets import BDay
from typing import Tuple

# Função com cache para buscar dados históricos do Yahoo Finance
@st.cache_data(ttl=3600)
def load_data(tickers: Tuple[str, ...], start_date: date, end_date: date) -> pd.DataFrame:
    try:
        tq = Ticker(tickers, asynchronous=False)
        hist = tq.history(
            start=start_date.strftime('%Y-%m-%d'),
            end=end_date.strftime('%Y-%m-%d')
        )

        if hist.empty:
            st.warning("Nenhum dado retornado pelo Yahoo Finance. Verifique os tickers e as datas.")
            return pd.DataFrame()

        df = hist.reset_index().pivot(index='date', columns='symbol', values='close')
        df.reset_index(inplace=True)
        df.rename(columns={col: col.upper() for col in df.columns}, inplace=True)
        df.rename(columns={'DATE': 'Date'}, inplace=True)
        return df

    except Exception as e:
        st.error(f"Erro ao buscar dados com yahooquery: {e}")
        return pd.DataFrame()
    

st.title("Análise de Ativos - Portfólio Eficiente")

st.write("Foram escolhidas 5 ações. O primeiro critério de escolha foi o V/P das ações.")
st.write("Um V/P baixo pode indicar que a ação está sendo negociada abaixo do seu valor real")
st.write("O segundo critério completa o primeiro, um V/P baixo pode indicar envidiamento, então, foi escolhido ações de empresas com risco baixo de endividamento.")
st.write("Exemplo é Bradesco, Caixa e Banco do Brasil na área de seguros, que sempre tem receitas mensais independente maiores que gastos. Pois o segurado só terá a acesso ao benefício se pagar corretamente.")
st.write("O Terceiro critério foi empresas que sempre pagaram dividendos ao longo do tempo.")

acoes = ["BBAS3.SA", "BBSE3.SA", "CXSE3.SA", "BBDC4.SA", "VALE3.SA"]
indice = '^BVSP'

#Download
ticket_acoes = Ticker(acoes + [indice])
dados = ticket_acoes.history(start="2020-01-01", end="2025-01-01", interval='1d' )

precos = dados.reset_index().pivot(index="date", columns="symbol", values = "adjclose")

fig1,ax = plt.subplots(figsize= (10,6))
for ativo in acoes:
    ax.plot(precos.index, precos[ativo], label=ativo)

ax.set_title("Histórico de Preços")
ax.set_xlabel('Data')
ax.set_ylabel("Preço em R$")
ax.legend()
st.pyplot(fig1)

#Retorno logaritmo
precos.columns = [col.upper() for col in precos.columns]
acoes_teste = [teste.upper() for teste in acoes if teste.upper() in precos.columns]
retorno_log = np.log(precos/precos.shift(1).dropna())

if st.button("Rodar Retorno Logaritmo Diário"):
    st.write("As ações sofrem evoluções multiplicativas, ou seja o preço da ação varia so preço do dia anterior multiplicado pela variação do dia atual.")
    st.write("O Retorno Logaritmo facilita, transformando essa multiplicação em soma, assim fica mais fácil descobrir o retorno das ações diariamente, mensalmente ou anualmente.")
    st.write("Este retorno também se comporta mais próximo de uma distrubuição normal (diferente da variação das ações, que tem tendências, crescem ou diminuem com o tempo), sendo possível assim usar metódos estatisticos clássicos. Calcular a Média, o desvio-padrão e o VaR.")

    st.write("Retorno diário em 252 dias - Convenção da B3 sobre a quantidade de dias úteis para calculo de Juros:")
    st.write("https://www.b3.com.br/pt_br/market-data-e-indices/servicos-de-dados/market-data/consultas/mercado-de-derivativos/precos-referenciais/taxas-referenciais-bm-fbovespa/")
    
    st.subheader('Retorno Diario')
    st.line_chart(retorno_log[acoes_teste])

#Simualações Monte Carlo e Indice de Sharpe
carteiras = 50000

ativos = len(acoes_teste)

retornos_anuais = retorno_log[acoes_teste].mean() * 252 #252 são os dias que são comercializados os ativos.
cov_matrix = retorno_log[acoes_teste].cov() * 252

simulados = []
risco = []
pesos_lista = []
sharpe = []

for _ in range(carteiras):
    pesos = np.random.random(ativos)
    pesos /= np.sum(pesos)

    retorno_esperado = np.dot(pesos, retornos_anuais)
    risco_calculado = np.sqrt(np.dot(pesos.T, np.dot(cov_matrix, pesos)))
    indice_sharpe = retorno_esperado/risco_calculado

    simulados.append(retorno_esperado)
    risco.append(risco_calculado)
    sharpe.append(indice_sharpe)
    pesos_lista.append(pesos)


df_carteiras = pd.DataFrame({
    "Retorno": simulados,
    "Risco": risco,
    "Sharpe": sharpe,
    "Pesos": pesos_lista
})

id_otimo = df_carteiras["Sharpe"].idxmax()
carteira_otima = df_carteiras.loc[id_otimo]


if st.button("Rodar Simulação com Carteiras"):

    st.write("Usando o logaritmo dos retornos diários foi possível calcular a matriz de covariância e medir como os ativos se movem juntos.")
    st.write("Foi utilizado pesos aleatórios, uma proporção para cada ativo e sempre garantindo que a soma dos pesos seja 100% da carteira.")
    
    st.write("retorno_esperado = np.dot(pesos, retornos_anuais)")
    st.write("Com o Produto escalar foi possível exibir o vetor de retorno e o vetor de pesos. Conseguindo obter a média ponderada dos retornos dos ativos")
    
    st.write("risco_calculado = np.sqrt(np.dot(pesos.T, np.dot(cov_matrix, pesos)))")
    st.write("Calcula-se o desvio padrão dos retornos da carteira e usa a matriz de covariância para fazer a correlação entre os ativos")
    st.write("Se os ativos forem descorrelacionados, o risco da carteira pode ser menor que a média dos ricos.")
    
    st.write("Depois foi realizado o calculo do indice de Sharp, que mede a eficiência do investimento, quanto de retorno é obitido para cada unidade de risco assumido")
    st.write("Com a simulação de Monte Carlo simula-se diferentes carteiras cada rodada com peso diferente.")
    st.write("E no final calcula-se a carteira ótima, ou seja a fronteira eficiente de Markowitz")

    st.slider(label = 'Número de Carteiras Simuladas - Monte Carlo', min_value=1000, max_value=100000,value=50000,step=1000)

    fig = go.Figure()

    fig.add_trace(go.Scattergl(
        x=df_carteiras["Risco"],
        y=df_carteiras["Retorno"],
        mode="markers",
        marker=dict(color="blue", size=5, opacity=0.5),
        name="Carteiras Simulada"
    ))

    fig.add_trace(go.Scattergl(
        x=[carteira_otima["Risco"]],
        y=[carteira_otima["Retorno"]],
        mode = "markers",
        marker=dict(color="red", size=7, opacity=0.5),
        name = "Carteira Ótima - Indice de Sharpe",
    ))

    fig.update_layout(
        title='Simulação Monte Carlo - Risco x Retorno',
        xaxis_title = "Risco - Desvio Padrão Anual",
        yaxis_title = "Retorno Esperado Anual",
        showlegend=True
    )

    st.write('Melhor Carteira')
    st.write(f'Retorno anual esperado: {carteira_otima['Retorno']*100:.1f}%')
    st.write(f'Risco anual: esperado {carteira_otima['Risco']*100:.1f}%')
    st.write(f'Indice de Sharpe: {carteira_otima['Sharpe']}')
    peso_carteira = {acoes_teste[i]: f"{peso*100:.2f}%" for i, peso in enumerate(carteira_otima['Pesos'])}
    st.write(peso_carteira)
    
    st.plotly_chart(fig)



#Evolução do Patrimonio
if st.button("Rodar Evolução do Patrimonio acumulado com VaR"):
    investimento = st.slider(label ="Valor Inicial do Investimento em R$:", min_value=2000, max_value = 500000, value=35000, step=5000)

    retorno_diario_carteira = retorno_log[acoes_teste].dot(carteira_otima['Pesos']).dropna()
    patrimonio = investimento * np.exp(np.cumsum(retorno_diario_carteira))


    df_patrimonio = pd.DataFrame({
        "Data": retorno_diario_carteira.index,
        "patrimonio": patrimonio
    })

    st.subheader('Evolução da Carteira Ótima')
    fig, ax = plt.subplots(figsize=(10,6))
    ax.plot(df_patrimonio["Data"], df_patrimonio["patrimonio"], color ="blue")
    ax.set_xlabel("Data")
    ax.set_ylabel("Patrimônio R$")
    ax.set_title("Simulação da Evolução")
    st.pyplot(fig)

    retorno_acumulado = (patrimonio[-1]/investimento) * 100
    st.write(f'{retorno_acumulado:.1f}%')

    st.write("A Evolução do patrimonio utilizou a ótima carteira calculada pelo Indice de Sharpe.")
    st.write("Com o retorno logaritmo diário foi possível combinar o pesos dos ativos da carteira ótima e mostrar o retorno acumulado, o valor inicial do investimento e final.")
    st.write("Após isso foi calculado o Var Histórico, ou seja o máximo de perdas em um único dia.")
    st.write("Para 95% de confiança utiliza-se o quinto percentil (pior 5% dos retornos)")	

#Value at Risk
# (95% e/ou 99%) CONTINUA NO BOTÃO DA EVOLUÇÃO

    conf1 = 0.05
    conf2 = 0.01

    var_historico = np.percentile(retorno_diario_carteira, conf1*100)
    var_historico2 = np.percentile(retorno_diario_carteira, conf2*100)

    var_em_real = investimento * (- var_historico)
    var_em_real2 = investimento * (- var_historico2)

    st.write(f"VaR diário com 95% de intervalo de confiança: {var_historico*100:.1f}% || R${var_em_real:,.1f}")
    st.write(f"VaR diário com 99% de intervalo de confiança: {var_historico2*100:.1f}% || R${var_em_real2:,.1f}")