Financiële ratio's (P/E, EBITDA) ophalen via een API
Je wilt weten of een aandeel duur of goedkoop is, zonder urenlang spreadsheets te volschrijven. Financiële ratio’s zoals P/E en EBITDA geven je in één oogopslag die info.
In de wereld van algoritmische trading bots en Python backtesting is dat goud waard. Je kunt deze data direct via een API ophalen en verwerken in je risicomanagement-modellen. Geen gedoe met handmatig plakken, maar direct schaalbare inzichten voor je broker-strategieën. Dit is hoe je het aanpakt, van basisbegrip tot praktische code.
Wat zijn P/E en EBITDA eigenlijk?
P/E staat voor Price-to-Earnings, oftewel de verhouding tussen de aandelenkoers en de winst per aandeel. Een P/E van 15 betekent dat je 15 keer de jaarwinst betaalt voor één aandeel.
EBITDA is een maat voor de operationele winst vóór rente, belastingen, afschrijvingen en amortisatie. Het laat zien hoe gezond een bedrijf is zonder financiële en boekhoudkundige ruis. Beide ratio’s helpen je snel te beoordelen of een aandeel over- of ondergewaardeerd is.
Stel je voor: je bouwt een Python-bot die automatisch aandelen scant op basis van P/E.
Een lage P/E kan wijzen op een koopje, maar soms ook op problemen. EBITDA geeft je een schoner beeld van de operationele kracht. Combineer beide en je hebt een robuust filter voor je algoritmische trading. Bij backtesting test je hoe deze filters historisch hebben gepresteerd, bijvoorbeeld op de AEX of S&P 500.
P/E en EBITDA zijn als een röntgenfoto voor aandelen: ze laten het binnenste zien zonder dat je door de huid heen hoeft te snijden.
Waarom via een API?
Een API (Application Programming Interface) is een brug tussen je code en een dataleverancier. Je stuurt een verzoek en krijgt gestructureerde data terug, vaak in JSON-formaat.
Handmatig data plukken van websites is tijdrovend en foutgevoelig. Met een API haal je realtime of historische ratio’s op, direct in je Python-script. Dit is essentieel voor snelle beslissingen in live trading of strakke backtests.
Voor algoritmische trading bots betekent dit: je bot kan elke minuut de nieuwste P/E en EBITDA ophalen en daarop reageren.
Bij brokers zoals Interactive Brokers of DEGIRO kun je via hun API niet alleen handelen, maar ook data aanvragen. Risicomanagement wordt eenvoudiger, want je kunt stop-losses baseren op fundamentele data, niet alleen op koersbewegingen. Denk aan een bot die automatisch afstapt bij een P/E boven 25, om overgewaardeerde aandelen te mijden. Er zijn verschillende data-providers voor financiële ratio’s.
Populair in Python-kringen zijn Alpha Vantage, Financial Modeling Prep (FMP) en Quandl. Een basisaccount bij Alpha Vantage is gratis (tot 25 verzoeken per dag), betaalde plannen beginnen rond €10-€50 per maand.
FMP kost ongeveer €20-€100 per maand, afhankelijk van de datadiepte. Kies een provider die bij je backtesting-behoeften past: historische data voor lange-termijn tests, realtime voor live bots.
Hoe werkt het in de praktijk? Een Python-voorbeeld
Laten we een eenvoudig script bouwen om P/E en EBITDA op te halen via de Financial Modeling Prep API. Je hebt een API-sleutel nodig (aan te vragen op hun site).
Installeer de library met pip install requests. Het script stuurt een GET-verzoek en parseert de JSON-responds.
Dit draait op je laptop of in de cloud, bijvoorbeeld op een AWS EC2-instantie vanaf €10 per maand. Stel je wilt de P/E en EBITDA van Apple (AAPL) ophalen. Je endpoint is iets als https://financialmodelingprep.com/api/v3/ratios/AAPL?apikey=JE_SLEUTEL.
De API retourneert JSON met keys zoals peRatio en ebitda. Je kunt dit in een DataFrame van pandas stoppen voor verdere analyse. Mocht je dataset gaten bevatten, dan kun je missende data interpoleren met Pandas voordat je deze in backtesting libraries zoals Backtrader of Zipline laadt. Code-voorbeeld in Python:
import requests
import pandas as pd
api_key = "JE_API_SLEUTEL"
symbol = "AAPL"
url = f"https://financialmodelingprep.com/api/v3/ratios/{symbol}?apikey={api_key}"
response = requests.get(url)
data = response.json()
pe = data[0]['peRatio']
ebitda = data[0]['ebitda']
print(f"P/E: {pe}, EBITDA: {ebitda} miljoen USD")
df = pd.DataFrame([{'symbol': symbol, 'pe': pe, 'ebitda': ebitda}])
df.to_csv('aandelendata.csv', index=False)Dit script haalt de data op en slaat het op voor je bot.
Voor een volledige trading-bot integreer je dit met een broker-API zoals die van Interactive Brokers (IBKR). IBKR biedt een Python-API (ib_insync library) voor handelen en data.
Je bot kan dan bijvoorbeeld een order plaatsen als P/E < 20 en EBITDA groeit met 10% jaar-op-jaar. Test dit eerst in een paper-trading account voordat je echt geld inzet. Voor risicomanagement voeg je een check toe: als de EBITDA-marge (EBITDA/omzet) onder de 15% zakt, stop je de positie.
Dit voorkomt dat je in zwakke bedrijven blijft zitten. Gebruik tijdens backtesting historische data van FMP (vanaf €50/jaar voor uitgebreide historie) om te zien hoe deze regels presteren onder marktdruk, zoals de crash van 2020.
Prijzen, varianten en welke provider kiezen?
Niet alle APIs zijn gelijk. Alpha Vantage gebruiken voor gratis data is een slimme keuze voor beginners, al is de historische diepte soms beperkt tot 20 jaar.
Financial Modeling Prep is uitgebreider, met directe toegang tot P/E, EBITDA, en meer zoals P/S en ROE. Quandl (nu Nasdaq Data Link) is ideaal voor institutionele backtests, maar prijzig: vanaf €50 per maand voor premium data.
- Alpha Vantage: Gratis tot 25 verzoeken/dag, daarna €10/maand voor 750 verzoeken.
- Financial Modeling Prep: Starter €20/maand (onbeperkt P/E, EBITDA), Pro €100/maand (realtime + historisch).
- Quandl/Nasdaq: Vanaf €50/maand, ideaal voor diepgaande backtests.
- Bloomberg API: Niet voor beginners—kost duizenden euros per jaar, voor professionele risicomanagement-teams.
Voor algoritmische trading bots met Python is FMP een goede middenweg—betaalbaar en developer-friendly. Prijsindicaties op een rij: Varianten op de ratio’s zijn er ook. Forward P/E kijkt naar verwachte winsten, handig voor groeiaandelen in je bot.
Normalized EBITDA past seizoensinvloeden aan, wat helpt bij retail-aandelen. Voor je Python-backtesting met Backtrader of QuantConnect, combineer deze met technische indicatoren zoals RSI.
Een model dat P/E < 18 en EBITDA-groei > 5% filtert, presteerde historisch goed op stabiele markten (gemiddeld 8-12% jaarrendement, afhankelijk van de broker). Kies op basis van je setup: voor een eenvoudige bot op een Raspberry Pi (€50) met gratis data, begin met Alpha Vantage. Voor serieuze risicomanagement en live trading via DEGIRO of IBKR, investeer in FMP. Test altijd eerst met een demo-account—bijvoorbeeld via de IBKR Paper Trading API—om kosten te vermijden.
Praktische tips voor integratie in je trading-bot
Begin klein: haal eerst P/E en EBITDA op voor één aandeel, zoals Shell (SHELL.AS), en bouw een simpele filter in Python.
Gebruik libraries als requests voor API-calls en pandas voor data-analyse. Voor backtesting met historische data, synchroniseer de API-data met je broker-historie—bijvoorbeeld via de IBKR TWS API voor exacte prijzen. Vermijd over-trading: stel een limiet in op API-verzoeken om kosten en ratelimits te omzeilen.
Risicomanagement is key: combineer ratio’s met stop-losses. Stel je bot in om een positie te sluiten als P/E boven 25 stijgt zonder EBITDA-groei.
Voor algoritmische bots, log elke API-call in een database (SQLite is gratis) voor audits.
Probeer providers uit met gratis trials—FMP biedt 7 dagen gratis. En onthoud: geen enkele API is perfect; kruiscontroleer met bronnen zoals Yahoo Finance voor betrouwbaarheid. Als je bot live gaat, monitor dan de API-latency; sommige gratis plannen hebben vertragingen van 15-30 minuten. Voor high-frequency trading upgrade dan naar betaalde plannen.
Tot slot, diversifieer je data: voeg EBITDA-marge toe voor dieper inzicht en gebruik altijd point-in-time data om bias te voorkomen. Zo bouw je een bot die niet alleen snel is, maar ook slim en veilig.