Chega de copiar e colar de PDF para Excel. Suba o RI, receba o Buffett Score, a planilha exportada e a análise fundamentalista — tudo em menos de 30 segundos.
Todo analista que acompanha empresas listadas conhece o ritual: baixar o PDF do RI, abrir o Excel, copiar Receita Líquida, Lucro Bruto e Patrimônio Líquido linha por linha, calcular margens na mão, e só então começar a pensar se o negócio é bom ou não.
O FinStatement elimina esse trabalho mecânico. Você arrasta o PDF e em segundos tem as demonstrações financeiras estruturadas, 12 métricas do framework de Buffett pontuadas automaticamente e uma planilha Excel pronta para uso.
Para quem quiser ir além dos números brutos, o sistema oferece análise narrativa opcional via IA — SWOT, Porter e veredito de investimento — gerada pelo modelo de linguagem de sua escolha e ancorada nos dados extraídos do próprio PDF.
- Não é uma plataforma SaaS. Não tem dados históricos, gráficos de cotação nem comparação entre empresas. Roda localmente, no seu computador.
- Não substitui o analista. O Buffett Score e a análise de IA são pontos de partida, não decisão de compra. A ferramenta lê o que está no PDF — se a empresa omitir o FCO ou divulgar apenas métricas ajustadas (non-GAAP), o sistema pontua com o que tem e indica os campos ausentes como N/D.
- PDFs escaneados não são suportados. O pipeline extrai texto com coordenadas; imagens não têm texto selecionável. Confirme que consegue selecionar texto no PDF antes de usar.
- A análise de IA depende da extração. Em PDFs com layout incomum, alguns campos podem ficar N/D, e a análise narrativa refletirá essa limitação com honestidade.
- Python 3.9 ou superior
- Nenhuma conta, nenhum cadastro, nenhuma assinatura
# 1. Clonar o repositório
git clone https://github.com/Huarada/finstatement.git
cd finstatement/backend
# 2. Instalar dependências
pip install -r requirements.txt
# 3. Subir o servidor
python server.pyAbra http://localhost:8000 no browser. Não há mais nenhum passo.
- Arraste ou selecione o PDF (DFP, ITR ou Earnings Release)
- Sem API Key: clique em Analisar — Buffett Score e planilha Excel em ~2 segundos
- Com API Key (opcional): selecione o provedor, cole a chave e clique em Analisar — análise narrativa em ~20–30 segundos adicionais
O resultado aparece imediatamente após a extração — você não precisa esperar a IA para ver os dados financeiros.
# Extração sem IA
curl -X POST http://localhost:8000/api/v1/analyze \
-F "file=@PETR4_DFP_2025.pdf"
# Com análise IA — Claude
curl -X POST http://localhost:8000/api/v1/analyze/insights \
-F "file=@PETR4_DFP_2025.pdf" \
--F "api_key=$ANTHROPIC_API_KEY" \
-F "provider=anthropic"
# Com análise IA — OpenAI
curl -X POST http://localhost:8000/api/v1/analyze/insights \
-F "file=@MGLU_ER_4T25.pdf" \
-F "api_key=$OpenAI_API_KEY" \
-F "provider=openai"Pontuação de 0 a 100 baseada em 12 métricas para empresas industriais (ou 7 para bancos), derivadas do livro Warren Buffett and the Interpretation of Financial Statements (Mary Buffett & David Clark, 2008). Cada métrica é clicável e mostra a explicação do capítulo correspondente.
| Score | Diagnóstico |
|---|---|
| 90–100 | Vantagem Competitiva Durável (Moat Forte) |
| 70–89 | Vantagem Competitiva Moderada |
| 50–69 | Negócio Razoável / Sem Moat Claro |
| 30–49 | Negócio Commodity / Alta Competição |
| 0–29 | Evitar — Fundamentos Fracos |
DRE, Balanço Patrimonial e métricas bancárias (quando aplicável) com valores extraídos e normalizados para R$ Milhões. A anualização é automática: se o PDF for de um earnings release com coluna 12M, o sistema detecta e não multiplica por 4 erroneamente.
Todas as tabelas detectadas no PDF, navegáveis diretamente na interface. Útil para conferir se a extração pegou os dados certos em PDFs com layout incomum, e para auditoria dos valores que alimentaram o score.
Análise narrativa gerada pelo modelo de sua escolha, ancorada nos números extraídos do PDF:
- Destaques e desafios do período — com nível de confiança por item e citação da tabela de origem
- Análise SWOT — cada item deve citar um número do relatório; itens genéricos são bloqueados pelo prompt
- 5 Forças de Porter — com comentário setorial por força e concorrentes reais do setor
- Métricas de Decisão — Nível de Risco, Perspectiva de Crescimento e Confiabilidade do RI, com score 1–10 e justificativa baseada nos dados extraídos
- Veredito — COMPRAR / AGUARDAR / VENDER com nível de confiança (ALTA / MÉDIA / BAIXA)
A IA não inventa dados. O prompt é construído com os números já extraídos e instruído a citar valores específicos em cada campo. Se um dado estiver ausente, o score reflete a incerteza em vez de preencher com texto genérico.
Um .xlsx com abas separadas para resumo, demonstrações financeiras, cada tabela extraída do PDF (DRE, Balanço, DFC, KPIs…), Buffett Score completo com benchmarks e, quando disponível, a análise de IA.
A API Key é detectada automaticamente pelo prefixo. Você traz sua própria chave; o FinStatement não armazena nada além do necessário para a chamada ao provedor.
| Prefixo | Provedor | Modelo |
|---|---|---|
sk-ant- |
Anthropic | claude-sonnet-4-20250514 |
sk- |
OpenAI | gpt-4o |
AIza |
gemini-1.5-flash |
Custo estimado por análise: ~$0.04 (Claude) · ~$0.06 (GPT-4o) · ~$0.01 (Gemini Flash)
Onde obter chaves: Anthropic · OpenAI · Google
| Empresa | Ticker | Tipo |
|---|---|---|
| Magazine Luiza | MGLU3 | Earnings Release 4T |
| Petrobras | PETR4 | DFP / ITR |
| Suzano | SUZB3 | DFP / ITR |
| BTG Pactual | BPAC11 | Demonstrações IFRS |
| Banco do Brasil | BBAS3 | Destaques Gerenciais |
| Itaú Unibanco | ITUB4 | DFP |
| Ambev | ABEV3 | DFP |
PDFs disponíveis em: site de RI de cada empresa · B3 · CVM
finstatement/
├── backend/
│ ├── server.py # Entrypoint Flask
│ ├── requirements.txt
│ └── app/
│ ├── api/main.py # Rotas HTTP + serialização
│ ├── application/
│ │ ├── analyze_pdf.py # Orquestrador principal
│ │ ├── generate_ai.py # Análise narrativa via IA
│ │ └── ai_providers.py # Adapters Claude/GPT/Gemini (Strategy Pattern)
│ ├── domain/
│ │ ├── entities.py # Dataclasses imutáveis
│ │ ├── parsers/ # Resolução de colunas e linhas
│ │ └── scoring/buffett.py # Engine de scoring
│ └── infrastructure/pdf/
│ └── extractor.py # Pipeline L1→L4 (pdfplumber)
└── frontend/
└── index.html # SPA completo (vanilla JS, sem framework)
Pipeline L1→L4:
PDF bytes
L1 → pdfplumber extrai palavras com coordenadas X/Y
L2 → agrupa em linhas, detecta limites de colunas por posição de header,
monta matriz de texto
L3 → classifica cada bloco (DRE, Balanço, DFC, KPIs…) por assinatura semântica
L4 → split de mega-tabelas, deduplicação, conversão para entidades de domínio
Os dados extraídos passam por schemas Pydantic v2 que descartam valores com inconsistências contábeis — por exemplo, lucro líquido maior que 5× a receita — antes de chegarem ao scoring.
cd backend
python -m pytest tests/ -v109 testes cobrindo extração de PDF, scoring, classificação semântica de tabelas, resolução de colunas e adapters de IA (com mocks — sem chamadas reais à API).
Todas têm valores padrão funcionais. Nenhuma é obrigatória para rodar.
| Variável | Padrão | Descrição |
|---|---|---|
PORT |
8000 |
Porta do servidor |
DEBUG |
false |
Modo debug Flask |
ANTHROPIC_API_KEY |
"" |
Chave padrão (pode ser passada pela UI em vez de aqui) |
AI_MAX_TOKENS |
4096 |
Tokens máximos por resposta de IA |
MAX_PDF_SIZE_MB |
50 |
Tamanho máximo de PDF aceito |
"Empresa não identificada" — O nome de marca não foi reconhecido nas primeiras 5 páginas. Os dados financeiros são extraídos normalmente. Para adicionar uma empresa, inclua o padrão em _COMPANY_BRAND_PATS no extractor.py.
Score 0/100 com todos os campos N/D — O PDF provavelmente é escaneado. Tente selecionar texto nele para confirmar. PDFs de imagem não são suportados.
Valores 4× maiores que o esperado — Verifique effective_af no debug (aba Tabelas → Debug info). Abra a aba Tabelas e confira os nomes das colunas da DRE para confirmar se a coluna anual foi detectada corretamente.
"JSON inválido" na análise de IA — A resposta foi truncada. Aumente AI_MAX_TOKENS para 6000 via variável de ambiente.
PRs são bem-vindos, especialmente para suporte a novos layouts de PDF, correções de padrões de extração e novos provedores de IA. Se encontrar um PDF que extrai errado, abra uma issue com o nome da empresa, o tipo de documento e quais campos ficaram N/D.
FinStatement não constitui recomendação de investimento. Os dados são extraídos dos documentos fornecidos pelo usuário e não são verificados de forma independente.