Um estudo conduzido pela Bloomberg mostra que a tendência para os próximos cinco anos é de que o processo decisório nas gestoras financeiras será cada vez mais automatizado com base na aplicação de Data Science.

Na corrida para ganhar vantagem competitiva frente ao desafiador contexto econômico e político, as gestoras exponenciais vêm se destacando por obter insights por meio da aplicação de técnicas de análise e modelagem de dados, inteligência artificial e machine learning capazes de otimizar workflows de investimento. 

Saem na frente aquelas que investem no desenvolvimento de modelos analíticos cada vez mais sofisticados para tomada de decisão, reduzindo riscos operacionais e automatizando processos com apoio de novas ferramentas, conhecimentos de programação e plataformas tecnológicas. Para cumprir com este objetivo, é necessária a aplicação de grandes volumes de dados de múltiplos instrumentos financeiros, históricos, intraday ou real time e, também, a inclusão de dados alternativos na integração dessas análises financeiras.

Diante desse cenário, o Python desponta como a linguagem de programação mais popular do mundo. Tamanha fama deve-se especialmente por ser funcional com grandes volumes de dados e inteligência artificial. 

Mas, afinal, qual é a melhor ferramenta para a análise de dados nas gestoras: o Python, o “queridinho” da vez, ou o bom e velho Excel? Entre as vantagens proporcionadas por cada um, é certo que as gestoras terão que avançar na curva de aprendizado da análise dos dados e investir em novas capacidades para lidar com a complexidade de dados em escala e a competitividade do mercado. 

Por que o Python vem ganhando espaço nesse contexto?

Considerada uma linguagem dinâmica, de alto nível, versátil, ágil e modular, o Python está entre as linguagens de programação que mais crescem entre os desenvolvedores, ao oferecer suporte tanto à programação orientada a objetos quanto à programação estruturada. Entre as suas vantagens, está a facilidade de aprendizado e a visualização, leitura e codificação da linguagem, que permite aplicar a lógica de programação diretamente no código, atraindo de programadores iniciantes aos mais experientes. 

Além disso, a linguagem abrange uma ampla biblioteca de códigos (como “Pandas”, para análise de dados, e “NumPY”, para cálculos numéricos) que oferecem suporte ao desenvolvimento de algoritmos de machine learning, criação de modelos de inteligência artificial e análise de grandes volumes de dados. Assim, são necessárias menos linhas de código e menos tempo de desenvolvimento, facilitando a criação de aplicações e soluções.

O Python é extremamente popular na ciência dos dados, uma vez que pode ser utilizado em diferentes etapas de um projeto de data science, como tratamento e normalização de dados, exploração, visualização, análise e machine learning. Sua flexibilidade simplifica a conexão com outros sistemas, o que viabiliza processos como web scraping, extração de dados de diferentes fontes como APIs, web e demais arquivos. Já as funções nativas possibilitam o processamento de dados textuais e numéricos, reduzindo a quantidade de linhas em um código.

Dessa forma, a linguagem é capaz de alavancar a sinergia entre a área do front office com o departamento de TI. A Bloomberg, por exemplo, oferece uma sofisticada plataforma de desenvolvimento em Python dentro do terminal para que as gestoras sejam capazes de criar programas, aplicações e rotinas diretamente conectadas com os dados da Bloomberg para alimentar modelos existentes, materializando suas ideias de análises de forma sistêmica, autônoma e segura.

Os analistas que buscam dominar o Python e se destacar no mercado devem ter em mente que aprender uma linguagem de programação é avançar gradualmente na curva de aprendizado. Entre as recomendações que auxiliam nesse processo, estão a prática regular e a evolução constante. É possível começar por meio de treinamentos, ampliar conhecimentos por meio da conexão com comunidade de usuários e com fornecedores do mercado financeiro especialistas no assunto e, aos poucos, aumentar a complexidade na criação de modelos. 

O suporte e o engajamento da liderança da gestora também são essenciais para incentivar o desenvolvimento de novas habilidades técnicas. Fomentar uma mudança de cultura orientada a dados é um caminho para a obtenção de resultados exponenciais  nas gestoras. 

Excel: recurso ainda amplamente utilizado nas gestoras

Devido à facilidade do uso e à acessibilidade, o Excel ainda é a principal aplicação de gestão utilizada globalmente. O software se destaca pela capacidade de cálculos e pela automação suportada por suas planilhas. 

Muitas gestoras ainda dependem do Excel para analisar e construir visualizações dos dados e alimentar sistemas internos. Vale ressaltar que o potencial dessa ferramenta na administração de dados e na criação de modelos é limitado, por isso nem sempre é possível construir dashboards com um forte apelo visual.

Além das limitações visuais, o software tem restrições na importação e atualização de grandes volumes de dados e na automação de operações. O Excel permite trabalhar com 1,05 milhão de linhas — o que pode parecer considerável, contudo, há processos complexos de análise que exigem mais de 20 mil linhas diariamente, o que torna inviável alimentar uma planilha por mais de dois meses.

O Excel também mostra-se menos eficiente à medida que a complexidade das análises de dados aumenta e essas passam a demandar dados de diversas fontes, acessadas por meio de APIs ou servidores. Com isso, a atualização dos modelos analíticos também pode ser prejudicada. 

Há ainda uma maior exposição aos riscos de segurança, já que informações sensíveis armazenadas em planilhas podem acabar sendo expostas em ataques cibernéticos. Sem contar que o uso individual leva à despadronização, por exemplo, com exclusão indesejada de fórmulas ou colunas. 

A questão é que não se trata de Excel versus Python e, sim, de adotar a melhor solução à medida que sua gestora evolui na curva de aprendizado da ciência dos dados. O “bom e velho” Excel continuará sendo uma ferramenta indispensável nas empresas de gestão de recursos, porém a linguagem Python oferece inúmeras vantagens frente à complexidade da manipulação de grande volume de dados.

Python: um grande aliado para os analistas financeiros

Conforme a gestora avança na jornada de maturidade analítica, os analistas financeiros precisam aprender essa linguagem de programação para lidar com a complexidade dos dados. A boa notícia é que o Python está entre as dez hard skills mais procuradas pelas empresas em 2023, segundo o LinkedIn. 

Sem dúvidas, os analistas que dominarem a linguagem de programação popularmente usada na análise de dados serão cada vez mais valorizados no mercado financeiro. E eles podem se beneficiar da linguagem para ampliar o repertório de análise para a carteira dos clientes e as fontes de dados usados para a construção de modelos de análise mais sofisticados, ágeis, sistêmicos e prognósticos. 

A produtividade também aumenta com as possibilidades de automação de tarefas proporcionadas pelo Python, sem que seja necessário rodar dados diariamente ou real time. Isso quer dizer mais tempo disponível para atividades mais estratégicas e para se dedicar à melhoria dos modelos analíticos que trarão alfa para as gestoras.

A Bloomberg têm soluções que acompanham as gestoras de investimento que querem adotar tecnologias necessárias para data science. Fale com especialistas e torne os modelos de análise de dados ainda mais sofisticados.