Primavera de 1998, seis alunos de MBA da Cornell aplicaram uma única equação nas finanças da Enron e obtiveram -1,89 como resultado.
O ponto de corte para "essa empresa provavelmente está maquiando os números" é -2,22. A Enron estava acima disso. E, de novo, eram estudantes, não uma firma de contabilidade forense.
Eles publicaram o relatório no site da faculdade. Naquela época, Wall Street ainda recomendava compra da Enron, e a maioria manteve a recomendação até poucas semanas antes de a ação ir a zero.
Era um documento público que qualquer um poderia baixar e uma única fórmula que leva uns 20 minutos para calcular na mão. É exatamente isso que vou mostrar a você, só que você vai executar em segundos e pode aplicar a qualquer empresa ou token do planeta.
Não é um conselho financeiro, faça sua própria pesquisa. Escores forenses são indicadores de probabilidade, não provas, e todos os preços aqui mudam — verifique antes de assumir qualquer compromisso. Crio ferramentas para traders profissionais de mercados de previsão @coldvisionXYZ
L0: Central de Dados
Toda empresa de capital aberto nos EUA arquiva documentos na SEC, e a SEC disponibiliza tudo por meio de uma API chamada EDGAR. Você acessa uma URL e obtém todos os números já reportados por uma empresa, já estruturados.
Duas coisas fazem do EDGAR uma arma:
- Busca em texto completo. Ele indexa o texto real de todos os documentos já arquivados. Assim, você pode pesquisar uma frase como "material weakness" em todo o mercado e obter todas as empresas que admitiram, discretamente, que seus controles contábeis estão quebrados. Isso gera uma lista de observação para vendas a descoberto em cerca de um segundo.
- Financeiros estruturados. Cada item de linha, cada trimestre, legível por máquina, com dados de anos anteriores.
edgartools é a biblioteca que você quer.
Instalação via pip, sem chave, e ela analisa 10-Ks, 8-Ks, Formulários 4 de insiders, participações de fundos 13F, tudo isso em objetos Python limpos.
Ela também vem com um servidor MCP, então você pode apontar o Claude diretamente para ela e pedir "compare o crescimento da receita da Apple e da Microsoft em 3 anos" — e ela realmente busca os documentos reais, em vez de inventar números que parecem certos.
sec-edgar-downloader é o que todo mundo encontra primeiro. Ele só baixa o documento bruto e te joga num monte de HTML para você mesmo fazer o parsing. Isso era o que se fazia alguns anos atrás; hoje é só sofrimento. Use o edgartools.
BamSEC se você só quiser ler documentos sem a interface do EDGAR de 1998. Leitor limpo, comparação lado a lado, gratuito para a maioria das suas necessidades. Bom para dar uma olhada.
Agora você tem acesso estruturado gratuito aos livros contábeis de todas as empresas de capital aberto.
L1 - Pegar Mentirosos
Você tem os números. Antes de ler uma única frase da administração falando sobre seu "ano transformacional", você aplica algumas fórmulas nos valores brutos.
Acadêmicos criaram essas fórmulas a partir de décadas de casos reais de fraude. Você só precisa saber o que cada uma está procurando.
O Beneish M-Score é o da Enron.
Oito entradas combinadas em um único número. A entrada mais pesada, de longe, é o total de acréscimos sobre o total de ativos, porque a maneira mais rápida de falsificar lucros é registrar receitas que nunca se materializaram em caixa. O próximo sinal é um crescimento de vendas suspeitamente perfeito — e foi esse que acendeu na Enron. Acima de -2,22 você investiga. A Enron marcou -1,89.
O Altman Z-Score é a leitura de falência.
Ele combina lucratividade, alavancagem e eficiência dos ativos em um único escore de dificuldade financeira. Abaixo de 1,81 é a zona de perigo.
O Índice de Acréscimos de Sloan é a qualidade dos lucros.
Lucros baseados em caixa são reais; lucros baseados em acréscimos se revertem. Se o desvio ultrapassar cerca de 25% em qualquer direção, os lucros são basicamente uma miragem contábil prestes a se desfazer.
O Piotroski F-Score são 9 pontos sim/não sobre se uma empresa está realmente se fortalecendo financeiramente. 6 ou mais é saudável.
O que transforma isso de dever de casa em um fluxo de trabalho é executar todos os 4 ao mesmo tempo em toda a sua lista de observação e ler apenas os nomes que acendem alertas. Que é exatamente o que o script abaixo faz.
E, por favor, não reimplemente esses escores a partir de blogs aleatórios — metade do código do M-Score no GitHub está sutilmente errado.
O repositório FinanceToolkit tem mais de 150 índices — Beneish, Altman, Piotroski, Sloan, todos — com as fórmulas escritas abertamente para que você possa auditar um número quando não confiar nele.
Combine com uma chave da FMP para os dados e pronto. Honestamente, um dos repositórios de finanças mais subestimados por aí, transparente e realmente mantido.
O Beneish roda com dados do ano anterior, então a manipulação pode já estar se desfazendo quando você a vê. Ele perde algumas fraudes reais e acende falsos positivos em algumas empresas limpas. Um escore ruim significa abrir o documento. Nunca é motivo isolado para vender a descoberto.
L2: Deixe a IA Ler as Palavras para Você
Você fez a triagem, algo acendeu, agora abre o 10-K, que tem mais de 100 páginas de juridiquês feito especificamente para ser ilegível.
Deixe esse trabalho para a IA.
O jeito errado é:
colar o documento inteiro numa caixa de chat e perguntar "essa empresa é boa?" A IA se afoga e te diz o que você quer ouvir.
O jeito certo é:
Peça para ela comparar este ano com o ano anterior.
Pegue a seção de Fatores de Risco do 10-K deste ano e do ano passado, entregue ambas ao modelo e dê uma única tarefa.
Diga-me apenas o que é NOVO este ano ou o que foi REMOVIDO. Cite a nova linguagem. Ignore o texto padrão que está em ambos.
Uma empresa que insere discretamente um parágrafo sobre concentração de clientes acabou de te dizer que um grande cliente está balançando. Uma que exclui uma linha sobre um fornecedor importante acabou de te dizer que um relacionamento terminou. Nada disso chega aos comunicados de imprensa. Os advogados escrevem essas frases porque têm medo de serem processados, e o medo é informação que está em texto puro que ninguém lê duas vezes.
A mesma comparação funciona na MD&A (a própria narrativa da administração sobre o ano) e nas notas explicativas. Toda a fraude da Enron estava nas notas sobre entidades fora do balanço. A história era uma mentira; as notas não eram.
O repositório edgar-crawler existe basicamente para extrair essas seções de itens, Fatores de Risco e MD&A, em JSON limpo, para que você não precise usar expressões regulares no HTML para obtê-las. Esse é o único trabalho dele e ele o faz bem — alimente a saída na sua comparação.
Se você preferir pagar a construir, aqui está um mapa honesto de quem faz isso por você.
Hudson Labs (antigo Bedrock AI)
É a opção discreta e a única pela qual eu realmente pagaria. Faz a extração automática de bandeiras vermelhas entre anos, destaca linguagem de continuidade operacional, fraquezas materiais, risco de partes relacionadas sem você precisar pedir. Começa em cerca de $100/mês. Se você lê documentos a sério, é o melhor custo-benefício da lista.
AlphaSense
Padrão institucional, algo em torno de 15-20 mil por assento, então realista apenas se sua firma estiver pagando. É dona do Tegus, uma biblioteca de milhares de entrevistas pagas com ex-executivos e clientes. O mais próximo de informação privilegiada legal que você consegue, e não é recriável de graça.
Daloopa
Extrai dados financeiros prontos para modelagem, com cada número vinculado ao local exato no documento. Essa trilha de auditoria é por que as pessoas que constroem DCFs sérios o usam. Preço corporativo, exagero a menos que modelagem seja seu trabalho de verdade.
Fintool é focado em IA, construído para ações dos EUA, citações em tudo, além de alertas contínuos como "me avise quando qualquer empresa mencionar problemas na cadeia de suprimentos."
Um meio-termo decente se o Hudson parecer muito forense e o AlphaSense muito caro.
L3: Cripto
Passe para tokens. Exatamente a mesma ideia.
Em ações, a fraude se esconde em acréscimos e notas explicativas.
Em cripto, ela se esconde em cronogramas de distribuição e concentração de detentores — e ambos estão em uma blockchain pública que você pode ler de graça.
Seu equivalente ao EDGAR aqui é DefiLlama.
API gratuita, sem chave, cobre basicamente o TVL, taxas, receita e cronograma de desbloqueio de praticamente todos os protocolos.
Um protocolo tem 3 números que se mapeiam diretamente a uma empresa normal.
- Taxas = tudo que os usuários pagam. Isso é a receita bruta.
- Receita = a parcela que o protocolo realmente retém. Isso é o líquido.
- Lucro = receita menos os tokens que ele imprimiu para subornar usuários a aparecerem.
Token Terminal padroniza exatamente esses — taxas, receita, lucro, os equivalentes cripto do P/L — em todas as principais blockchains.
Verdadeiramente o Bloomberg-das-cripto, e a padronização é um trabalho real que você odiaria fazer manualmente. Mas custa ~$350/mês, o que é muito para uma pessoa, e o nível gratuito mais o DefiLlama te levam até a maior parte do caminho.
Em seguida, os 2 assassinos, a versão cripto da triagem forense.
Primeiro, cronogramas de desbloqueio.
Tokens não existem todos no lançamento. Alocações da equipe e de VCs são liberadas ao longo de anos, e quando são desbloqueadas, as pessoas que entraram perto de zero finalmente podem despejar em você. Regra geral: qualquer desbloqueio único acima de 5% da oferta circulante é uma bandeira vermelha. Para dar um exemplo real, o primeiro grande desbloqueio do Arbitrum liberou, em um único dia, uma quantidade de ARB aproximadamente igual a toda a oferta circulante da época. Baleias que seguravam desde o início puderam sair vendendo para o varejo, e a data estava em um calendário meses antes.
Conheça os 3 formatos.
- Cliff — despeja um bloco de uma vez (violento).
- Vest linear — goteja diariamente (sangria lenta que às vezes dá para segurar).
- Emissão baseada em atividade. Um cliff em uma carteira de VC é o que acaba com carteiras.
Segundo, concentração de detentores. Quem realmente possui a coisa. Se um punhado de carteiras detém a maior parte da oferta e elas são identificadas como equipe ou algum fundo de VC antigo, parabéns, você é a liquidez de saída por design.
É aqui que as ferramentas de rotulagem de carteiras valem seu custo, porque dados brutos da blockchain são apenas 0xxxxxxx... até que alguém te diga que é Jump Trading ou um contrato de vest da equipe.
Arkham
Comece aqui porque é gratuito para pessoas físicas, o que nenhuma outra plataforma séria é. O mecanismo de desanonimização é legítimo — é a firma que rastreou publicamente bilhões em bitcoin roubados de volta a um hack. Você pode usar esse mesmo rastreamento de entidades no token que estiver analisando. Gratuito é o recurso matador. Apenas use.
Nansen
Rastreia "smart money", carteiras com histórico de estarem cedo e certas, em várias blockchains. Recentemente cortou o preço do Pro para cerca de $49/mês. Os rótulos são o produto inteiro e são bons, mas o rastro se perde assim que os fundos chegam a uma exchange centralizada. Vale a pena se você negocia on-chain a sério.
Dune
Mais de 100 mil dashboards SQL da comunidade que você pode copiar sem escrever uma linha de SQL. O nível gratuito é suficiente para quase todo mundo, e alguém já construiu o dashboard que você quer, então encontre-o antes de construir o seu.
Messari tem pesquisas qualitativas e classificações sólidas. O preço é opaco e voltado para empresas; a pesquisa gratuita vale a leitura, mas não espere o conteúdo bom sem uma ligação comercial.
Tokenomist (antigo Token Unlocks) é o calendário dedicado de desbloqueios. O DefiLlama também cobre desbloqueios, mas se negociar desbloqueios é a sua praia, este é o especialista.
L4: Um Único Sistema
Você já tem as peças: dados gratuitos de ambos os lados, matemática forense, comparação de documentos, triagem on-chain. A última camada é fazer tudo funcionar como uma máquina única, em vez de você copiar e colar entre 15 abas.
virattt/ai-hedge-fund é uma equipe de agentes de IA, cada um modelado a partir da filosofia de um investidor famoso, que discutem sobre uma ação e dão uma recomendação. A questão da persona de investidor é, honestamente, meio que um truque e você absolutamente não deve usar isso ao vivo com dinheiro real.
Mas, como uma lição gratuita sobre como orquestrar agentes de análise, como encadear um coletor de dados a um triador e a um raciocinador, é o melhor professor do GitHub no momento.
OpenBB é o terminal Bloomberg de código aberto. Conecte seus provedores de dados uma vez, use-os em todos os lugares, com um servidor MCP para que um agente possa dirigir tudo. Poderoso, mas pesado — a configuração dá trabalho real e a qualidade dos dados depende inteiramente de qual provedor gratuito você conectar. Vale a pena se você quiser uma única cabine de comando para tudo; é exagero se você só quer triar alguns nomes.
FinGPT / FinRobot são LLMs financeiros de código aberto que você pode ajustar (fine-tune) de forma barata. Impressionante academicamente e, sim, fine-tuning é mais barato do que as pessoas pensam.
Mas, para praticamente todo mundo, não é preciso fazer fine-tuning de nada; um modelo de ponta com os prompts acima já faz o trabalho.
Em ordem
Camada de ferramentas primeiro — function calling ou servidores MCP encapsulando EDGAR, FMP, DefiLlama — para que o modelo busque números reais e nunca os invente. Inegociável: uma IA citando um número financeiro sem fonte é um passivo, não um analista.
Camada de triagem — os escores forenses e verificações on-chain são executados automaticamente em tudo que entra no seu universo.
Camada de leitura — a comparação ano a ano no que sobrevive à triagem.
Síntese — o modelo escreve o relatório com uma citação para cada afirmação, e você lê o relatório em vez das 200 páginas.
Sobre modelos: Claude ou GPT funcionam. Se você estiver lidando com dados sensíveis e não quiser que documentos saiam da sua máquina, execute um modelo aberto localmente via Ollama. O modelo nunca foi o fosso. O fosso é conectá-lo a dados limpos, verificados e com vínculo à fonte, e aplicar matemática disciplinada a eles.
L5: Construir o L1
Forneça um ticker, ele pega os documentos reais do EDGAR, calcula o Beneish, Altman, Piotroski e o índice de acréscimos e, se você der uma chave, executa a comparação ano a ano dos Fatores de Risco e escreve um veredito de um parágrafo.
1#!/usr/bin/env python32"""3forensic_screener.py - read any company like an analyst, in one command.45setup:6 pip install edgartools anthropic7 export SEC_IDENTITY="Your Name [email protected]" # SEC requires this header8 export ANTHROPIC_API_KEY="sk-..." # optional, only for the diff910run:11 python forensic_screener.py AAPL12 python forensic_screener.py TSLA NVDA SMCI # screen several at once13 python forensic_screener.py SMCI --diff # add the risk-factor diff14"""1516import os, sys, argparse17from dataclasses import dataclass1819# THRESHOLDS - the lines that change your stance. tune to taste.20M_FLAG = -1.78 # Beneish above this -> manipulation risk (classic cutoff -2.22)21Z_DISTRESS = 1.81 # Altman below this -> distress zone22Z_SAFE = 2.99 # Altman above this -> safe zone23ACCRUAL_BAD = 0.25 # |accruals/assets| above this -> earnings-quality red flag24F_STRONG = 6 # Piotroski at or above this -> strengthening2526@dataclass27class YearData:28 sales: float; cogs: float; sga: float; net_income: float; cfo: float29 receivables: float; current_assets: float; current_liabilities: float30 ppe_net: float; depreciation: float; total_assets: float31 total_liabilities: float; long_term_debt: float; retained_earnings: float32 ebit: float; market_cap: float; shares: float3334def load_two_years(ticker: str):35 """returns (this_year, last_year). calls SEC EDGAR over the network."""36 from edgar import Company, set_identity37 identity = os.environ.get("SEC_IDENTITY")38 if not identity:39 sys.exit("set SEC_IDENTITY='Your Name [email protected]' - the SEC requires it.")40 set_identity(identity)4142 company = Company(ticker)43 fin = company.get_financials()44 inc, bal, cfs = fin.income_statement(periods=2), fin.balance_sheet(periods=2), fin.cash_flow(periods=2)4546 def g(stmt, col, *aliases):47 # best-effort row lookup; companies tag the same idea differently48 for a in aliases:49 try:50 row = stmt.loc[stmt.index.str.contains(a, case=False, na=False)]51 if not row.empty:52 return float(row.iloc[0, col])53 except Exception:54 continue55 return 0.05657 def build(col):58 return YearData(59 sales=g(inc, col, "RevenueFromContractWithCustomerExcludingAssessedTax", "Revenues", "SalesRevenueNet"),60 cogs=g(inc, col, "CostOfGoodsAndServicesSold", "CostOfRevenue"),61 sga=g(inc, col, "SellingGeneralAndAdministrativeExpense"),62 net_income=g(inc, col, "NetIncomeLoss"),63 cfo=g(cfs, col, "NetCashProvidedByUsedInOperatingActivities"),64 receivables=g(bal, col, "AccountsReceivableNetCurrent", "ReceivablesNetCurrent"),65 current_assets=g(bal, col, "AssetsCurrent"),66 current_liabilities=g(bal, col, "LiabilitiesCurrent"),67 ppe_net=g(bal, col, "PropertyPlantAndEquipmentNet"),68 depreciation=g(cfs, col, "DepreciationDepletionAndAmortization", "DepreciationAmortizationAndAccretionNet"),69 total_assets=g(bal, col, "Assets"),70 total_liabilities=g(bal, col, "Liabilities"),71 long_term_debt=g(bal, col, "LongTermDebtNoncurrent", "LongTermDebt"),72 retained_earnings=g(bal, col, "RetainedEarningsAccumulatedDeficit"),73 ebit=g(inc, col, "OperatingIncomeLoss"),74 market_cap=getattr(company, "market_cap", 0.0) or 0.0,75 shares=g(bal, col, "CommonStockSharesOutstanding"),76 )7778 # col 0 = newest year, col 1 = prior year (edgartools orders newest first)79 return build(0), build(1)8081def d(a, b): return a / b if b else 0.0 # safe divide8283def beneish_m_score(t, p):84 DSRI = d(d(t.receivables, t.sales), d(p.receivables, p.sales))85 GMI = d((p.sales - p.cogs)/p.sales if p.sales else 0, (t.sales - t.cogs)/t.sales if t.sales else 0)86 AQI = d(1 - d(t.current_assets + t.ppe_net, t.total_assets), 1 - d(p.current_assets + p.ppe_net, p.total_assets))87 SGI = d(t.sales, p.sales)88 DEPI = d(d(p.depreciation, p.depreciation + p.ppe_net), d(t.depreciation, t.depreciation + t.ppe_net))89 SGAI = d(d(t.sga, t.sales), d(p.sga, p.sales))90 TATA = d(t.net_income - t.cfo, t.total_assets)91 LVGI = d(d(t.total_liabilities, t.total_assets), d(p.total_liabilities, p.total_assets))92 return (-4.84 + 0.92*DSRI + 0.528*GMI + 0.404*AQI + 0.892*SGI93 + 0.115*DEPI - 0.172*SGAI + 4.679*TATA - 0.327*LVGI)9495def altman_z_score(t):96 wc = t.current_assets - t.current_liabilities97 return (1.2*d(wc, t.total_assets) + 1.4*d(t.retained_earnings, t.total_assets)98 + 3.3*d(t.ebit, t.total_assets) + 0.6*d(t.market_cap, t.total_liabilities)99 + 1.0*d(t.sales, t.total_assets))100101def piotroski_f_score(t, p):102 s = 0103 s += t.net_income > 0104 s += t.cfo > 0105 s += d(t.net_income, t.total_assets) > d(p.net_income, p.total_assets)106 s += t.cfo > t.net_income # cash beats accruals107 s += t.long_term_debt < p.long_term_debt108 s += d(t.current_assets, t.current_liabilities) > d(p.current_assets, p.current_liabilities)109 s += t.shares <= p.shares # no dilution110 s += d(t.sales - t.cogs, t.sales) > d(p.sales - p.cogs, p.sales)111 s += d(t.sales, t.total_assets) > d(p.sales, p.total_assets)112 return int(s)113114def sloan_accruals(t): return d(t.net_income - t.cfo, t.total_assets)115116def risk_factor_diff(ticker):117 """diff this year's vs last year's Risk Factors. the single best read in the stack."""118 key = os.environ.get("ANTHROPIC_API_KEY")119 if not key:120 return "(skipped - set ANTHROPIC_API_KEY to enable the diff)"121 from edgar import Company122 import anthropic123 f = Company(ticker).get_filings(form="10-K").latest(2)124 this_rf = getattr(f[0].obj(), "risk_factors", str(f[0]))125 last_rf = getattr(f[1].obj(), "risk_factors", str(f[1]))126 client = anthropic.Anthropic(api_key=key)127 msg = client.messages.create(128 model="claude-opus-4-8", max_tokens=1024,129 messages=[{"role": "user", "content": (130 "compare these two Risk Factors sections from consecutive annual filings. "131 "report ONLY what is NEW this year or what was REMOVED. quote the new language. "132 "ignore boilerplate in both. end with one sentence: does anything here change the risk?\n\n"133 f"LAST YEAR:\n{last_rf[:40000]}\n\nTHIS YEAR:\n{this_rf[:40000]}")}],134 )135 return msg.content[0].text136137def screen(ticker, do_diff=False):138 print(f"\n{'='*60}\n {ticker.upper()}\n{'='*60}")139 try:140 t, p = load_two_years(ticker)141 except Exception as e:142 print(f" could not load filings: {e}"); return143144 m, z, f, a = beneish_m_score(t, p), altman_z_score(t), piotroski_f_score(t, p), sloan_accruals(t)145 flags = []146 if m > M_FLAG: flags.append(f"M-Score {m:+.2f} - earnings-manipulation risk")147 if z < Z_DISTRESS: flags.append(f"Z-Score {z:.2f} - financial distress zone")148 if abs(a) > ACCRUAL_BAD: flags.append(f"Accruals {a:+.1%} - earnings-quality red flag")149 if f < F_STRONG: flags.append(f"F-Score {f}/9 - not strengthening")150151 print(f" Beneish M : {m:+.2f} (> {M_FLAG} = investigate)")152 print(f" Altman Z : {z:.2f} (< {Z_DISTRESS} distress, > {Z_SAFE} safe)")153 print(f" Piotroski F: {f}/9 (>= {F_STRONG} strong)")154 print(f" Sloan Accr : {a:+.1%} (|x| > {ACCRUAL_BAD:.0%} red flag)")155 print(f"\n VERDICT: {'INVESTIGATE' if flags else 'CLEAN'}")156 for fl in flags: print(f" - {fl}")157 if do_diff:158 print("\n RISK-FACTOR DIFF (year over year):")159 print(" " + risk_factor_diff(ticker).replace("\n", "\n "))160161def main():162 ap = argparse.ArgumentParser(description="forensic screener for any US public company")163 ap.add_argument("tickers", nargs="+")164 ap.add_argument("--diff", action="store_true", help="also run the risk-factor diff")165 args = ap.parse_args()166 for tk in args.tickers:167 screen(tk, do_diff=args.diff)168 print("\nreminder: probability flags, not proof. Beneish runs on last year's data so "169 "manipulation may already be unwinding. a bad score means open the filing, never "170 "short on the number alone.\n")171172if __name__ == "__main__":173 main()
Eu verifiquei a matemática antes de publicar. Alimente um conjunto saudável de números e ele imprime um M limpo em torno de -2,24, Z na zona segura, F em 9/9, acréscimos próximos de zero — exatamente o que você esperaria.
A única coisa que precisa da sua máquina é a conexão ao vivo com a SEC e uma chave para a comparação. Os alias de tags cobrem os depositantes padrão; um exótico pode precisar de uma linha adicionada, e marquei onde.
