Wat is 'Fundamental Data' en kun je dit automatiseren?
Stel je voor: je bouwt een prachtige trading bot in Python. Je backtest hem tot in den treure, je API-verbinding met een broker als Interactive Brokers of Alpaca loopt als een trein, en je risicomanagement is strakker dan een spijkerbroek.
Toch blijft het resultaat matig. Waarom? Omdat je alleen naar de koers hebt gekeken, en niet naar het verhaal erachter.
Dat verhaal, dat is fundamental data. Het is de balans, de winstcijfers, het management. De blauwdruk van een bedrijf. En de grote vraag is: kun je die blauwdruk automatiseren?
Wat is fundamental data eigenlijk?
Denk aan fundamental data als de gezondheidscheck van een bedrijf. Het is de rauwe, financiële informatie die laat zien hoe een bedrijf er echt voorstaat, los van de hysterie op de beursvloer.
Dit is niet wat een aandeel nu kost, maar wat het waard zou kunnen zijn. Het zijn de cijfers die CEO's en analisten gebruiken om langetermijnbeslissingen te nemen. Het draait allemaal om drie hoofdpijlers:
- De resultatenrekening (Income Statement): Dit is de film van hoe het bedrijf presteert. Hoeveel omzet draaien ze (revenue)? Wat is de winst na aftrek van kosten (net income)? Denk aan een bedrijf als Apple dat ieder kwartaal rapporteert hoeveel iPhones ze hebben verkocht.
- De balans (Balance Sheet): Dit is de fotofoto op een specifiek moment. Wat bezit het bedrijf (assets) en wat schuld het (liabilities)? Hebben ze genoeg cash om hun rekeningen te betalen? Dit zegt iets over de stabiliteit.
- De kasstroomoverzicht (Cash Flow Statement): Dit is de waarheid. Geld in, geld uit. Een bedrijf kan papieren winst maken, maar als er geen cash binnenkomt, is het einde oefening. Dit laat zien waar het geld echt blijft.
Daarnaast heb je nog de 'soft facts': hoe zit het bestuur in elkaar, wat zijn productplannen, of een CEO met een twijfelachtige reputatie. Het is het complete plaatje.
Waarom dit onmisbaar is voor je bot
Je Python bot die alleen RSI en moving averages gebruikt, is eigenlijk een gokkast die een beetje slimme statistieken gebruikt. Hij reageert op koersbewegingen, maar heeft geen idee waarom die beweging plaatsvindt.
Hij kan in paniek raken bij een plotse daling, terwijl dat misschien alleen komt omdat iemand een verkeerd getal intoetste. Fundamental data geeft je bot context. Stel je voor dat je een short-strategy bouwt.
Je bot ziet een dalende koers en opent een short positie. Maar als je fundamental data had geautomatiseerd, had je bot geweten dat het bedrijf zojuist een nieuw revolutionair product heeft aangekondigd en een recordwinst heeft geboekt.
Die daling was dan misschien maar een tijdelijke correctie. Zonder die data loop je het risico op een 'short squeeze' en verlies je je volledige account. Goede data bespaart je van die domme fouten.
Met fundamental data kun je filteren. Je kunt je bot zeggen: "Puur technisch ziet het er goed uit, maar koop alleen aandelen van bedrijven met een omzetgroei van meer dan 15% per jaar." Zo combineer je het beste van twee werelden: de snelheid van technische analyse en de diepgang van fundamentele analyse. Je verlaagt je risico aanzienlijk.
De werking: Data, bronnen en integratie
Hoe kom je aan die goudmijn van data? Je haalt het niet uit je broker-API.
Die geeft je meestal alleen de 'ticks' en de orderboeken. Nee, je moet naar specifieke financiële data providers. Dit zijn bedrijven die rapporten van duizenden bedrijven verwerken en netjes via een API aanbieden.
- Finnhub: Vaak gebruikt omdat het redelijk betaalbaar is en een brede dekking heeft. Prijzen liggen rond de €50 - €100 per maand voor seriële data.
- FMP (Financial Modeling Prep): Heeft zeer gedetailleerde data, inclusief 'fair value' berekeningen. Prijzen starten vaak rond de €70 per maand.
- Bloomberg of Refinitiv (LSEG): De professionele standaard, maar extreem duur. Hier betaal je al snel €20.000+ per jaar voor. Niet voor de beginnende retail trader.
Voorbeelden van populaire diensten voor algoritmische traders zijn: is er gratis real-time data beschikbaar voor Python? Je Python script moet een 'ETL' pipeline (Extract, Transform, Load) worden.
Je script draait eens per kwartaal (of dagelijks voor sommige data). Het haalt de data op via de API, slaat het op in een database (zoals PostgreSQL of een simpele CSV), en je trading bot leest deze database uit voordat hij een order plaatst via de broker-API. Wil je direct aan de slag? Polygon.io koppelen aan Python voor ultra-snelle aandelen data is een uitstekende stap voor betrouwbare marktfeeds.
Onthoud dit: Fundamentele data is traag. Een kwartaalrapport komt vier keer per jaar. Je bouwt dus geen high-frequency bot die op microseconden handelt. Je bouwt een bot die weken of maanden aanhoudt. De frequentie van je data bepaalt de frequentie van je trades.
Modellen, strategieën en de kosten
Je kunt deze data op verschillende manieren gebruiken, afhankelijk van je doel. Een populaire benadering is 'Factor Investing'.
Dit betekent dat je zoekt naar specifieke eigenschappen (factoren) die historisch gezien een hoger rendement opleveren.
Je programmeert je bot om aandelen te kopen die voldoen aan een set regels. Een klassiek model is de 'Value-strategie'. Je zoekt bedrijven die ondergewaardeerd zijn.
- Haal de 'Price-to-Earnings' (P/E) ratio op van alle aandelen.
- Haal de 'Debt-to-Equity' ratio op.
- Kies aandelen met een P/E lager dan 15 (goedkoop) en een Debt-to-Equity lager dan 0.5 (veilig).
- Check met de technische analyse of het momentum positief is.
- Koop.
Je script zou er zo uit kunnen zien (in pseudocode): Een ander model is 'Growth'.
Hier filter je op bedrijven die hard groeien: omzetgroei > 20%, winstmarge stijgend. Je betaalt hier een hogere prijs voor het aandeel, maar je gokt op toekomstige explosie. Wat kost dit? Naast de data-provider (€50-€100/maand) en je broker-kosten, is de grootste kostenpost je tijd.
Een fundamentele API is vaak complexer dan een koers-API. Je zult tijd kwijt zijn aan het schrijven en onderhouden van de parsers die deze data schoonmaken.
Want als je bot een 'None' waarde vindt in de winstcijfers en die interpreteert als 0, ben je je geld kwijt.
Praktische tips om te beginnen
Wil je dit proberen? Begin klein. Probeer niet meteen de Bloomberg terminal te kopen.
Kies een data-provider die een gratis 'Free Tier' heeft, zoals Finnhub of FMP. Daarmee kun je vaak al genoeg historische data downloaden om te backtesten op een jaar of 5.
Focus op de 'Key Ratios'. Je hebt geen honderden data punten nodig. Begin met de essentials die je makkelijk kunt begrijpen: P/E ratio, P/B ratio (Price-to-Book), en de 'Current Ratio' (kan het bedrijf zijn kortetermijnschulden betalen?). Zorg dat je weet wat ze betekenen voordat je ze in je bot programmeert.
Test je data-kwaliteit. Voordat je live gaat: download de data voor bijvoorbeeld Tesla van de afgelopen 3 jaar. Plot het.
Klopt de winstpiek in het vierde kwartaal? Klopt de dip tijdens de corona-crash? Als de data ruis bevat, gooit je bot roet in het eten.
Een backtest op slechte data is hetzelfde als navigeren met een kapotte kompas: je komt er nooit. En tot slot: combineer het.
De beste bots zijn hybride. Gebruik fundamental data om de juiste aandelen te selecteren (de 'watchlist'), en gebruik technische analyse (price action) om het juiste entry-moment te bepalen.
Zo ben je niet alleen een programmeur, maar een echte strategist.