L’API Earnings Calendar d’AInvest fournit directement les champs nécessaires pour comparer les résultats aux estimations des analystes :
eps_actualeps_forecasteps_surpriseExemple de réponse JSON :
tickerperiod_nameeps_actualeps_forecastrevenue_actualrevenue_forecastCes champs permettent de déterminer automatiquement :
Certaines API sont spécialisées dans l’analyse des surprises de résultats.
L’endpoint Earnings Surprises de Bigdata renvoie notamment :
eps_actualeps_estimatedrevenue_actualrevenue_estimatedreporting_dateAvec ces champs, il est facile d’automatiser la détection d’un beat ou miss dans un pipeline de données.
Plusieurs services proposent également des endpoints dédiés au calendrier des annonces financières.
Permet de récupérer :
Endpoint : EARNINGS_CALENDAR
API populaire chez les développeurs fintech.
Elle fournit :
Certaines API incluent explicitement un champ indiquant l’horaire de publication, par exemple :
before market openafter market closeDans un système de trading, vous pouvez ajouter un champ calculé du type :
ticker | signal_time | earnings_status | earnings_time | eps_actual | eps_estimate | resultLogique possible :
if eps_actual is None:
result = "pending"
elif eps_actual > eps_estimate:
result = "beat"
elif eps_actual < eps_estimate:
result = "miss"
else:
result = "inline"Affichage final dans votre tableau :
5‑12 pré‑marché5‑12 après clôtureEPS beatEPS missPour un système automatisé de signaux :
Cette approche permet de maintenir un pipeline de données simple et robuste.
Selon l’API choisie, certains champs ne sont pas toujours garantis :
Les données confirmées concernent surtout :
En pratique, pour un programme de trading Python, la combinaison la plus simple reste :
OpenBB (calendrier) + AInvest ou Bigdata (surprise EPS).
Elle couvre l’essentiel : date de publication, résultats réels et comparaison avec les attentes des analystes.