API Open Source untuk Kalender Earnings Saham AS dan Deteksi Beat/Miss EPS

Banyak trader kuantitatif atau sistem sinyal otomatis membutuhkan data kalender earnings agar strategi dapat mempertimbangkan kapan laporan keuangan dirilis. Biasanya data yang dibutuhkan meliputi:

• Tanggal rilis laporan
• Waktu rilis (pre‑market / after‑market)
• EPS aktual vs estimasi
• Status hasil: beat, miss, atau inline

Untungnya, ada beberapa API yang bisa diintegrasikan langsung ke program trading atau pipeline data.

1. OpenBB: opsi yang paling mudah untuk integrasi Python

Jika program sinyal Anda berbasis Python, OpenBB sering menjadi pilihan pertama. Platform ini menyediakan endpoint:

obb.equity.calendar.earnings()

Endpoint tersebut memungkinkan Anda mengambil kalender earnings historis maupun yang akan datang, lengkap dengan data EPS dan revenue.

Contoh penggunaan:

• from openbb import obb

• obb.equity.calendar.earnings()

• obb.equity.calendar.earnings(start_date='2024-02-01', end_date='2024-02-07')

Keunggulan pendekatan ini:

• Integrasi Python langsung
• Mendukung query berdasarkan rentang tanggal
• Bisa mengganti data provider (misalnya FMP atau NASDAQ) melalui parameter provider.

Ini cocok sebagai sumber utama kalender earnings di sistem trading atau alert Anda.

2. AInvest: mudah untuk menentukan beat atau miss

Jika tujuan utama Anda adalah menentukan apakah earnings lebih tinggi atau lebih rendah dari ekspektasi, API dari AInvest menyediakan field yang sangat jelas.

Contoh field yang dikembalikan:

• eps_actual
• eps_forecast
• eps_surprise
• revenue_actual
• revenue_forecast

Dengan struktur ini Anda bisa langsung membuat logika sederhana:

• EPS actual > forecast → Beat (di atas ekspektasi)
• EPS actual < forecast → Miss (di bawah ekspektasi)
• EPS actual = forecast → Inline

Endpoint earnings calendar mereka dapat diakses melalui REST API dengan autentikasi token.

3. Bigdata API: fokus pada earnings surprise

API lain yang sering dipakai untuk analisis hasil laporan adalah endpoint Earnings Surprises dari Bigdata.

Data yang tersedia antara lain:

• reporting_date
• eps_actual
• eps_estimated
• revenue_actual
• revenue_estimated

Data ini sangat cocok untuk mengevaluasi apakah laporan terbaru menghasilkan positive surprise atau negative surprise dibanding estimasi analis.

Namun endpoint ini biasanya lebih fokus pada data yang sudah dirilis, bukan kalender earnings masa depan.

4. Alternatif lain yang bisa dipertimbangkan

Selain tiga opsi di atas, beberapa API lain juga menyediakan kalender earnings:

• API Ninjas – menyediakan hasil earnings sebelumnya dan tanggal laporan berikutnya.
• StockFit Earnings API – menyediakan upcoming earnings, lookup per ticker, snapshot earnings, dan riwayat EPS.
• Alpha Vantage / FMP / Finnhub – banyak digunakan di proyek quant karena menyediakan data fundamental dan earnings calendar.

Beberapa di antaranya bahkan menyertakan field seperti before market open atau after market close untuk waktu rilis laporan.

Contoh struktur data untuk integrasi sistem sinyal

Dalam program trading, biasanya data earnings ditambahkan sebagai kolom tambahan dalam tabel sinyal. Misalnya:

ticker | signal_time | earnings_status | earnings_date | earnings_session | eps_actual | eps_estimate | surprise_result

Keterangan:

• earnings_status

  • reported
  • upcoming

• surprise_result

  • beat
  • miss
  • inline
  • pending

Logika sederhana Python:

if eps_actual is None:
    result = "pending"
elif eps_actual > eps_estimate:
    result = "beat"
elif eps_actual < eps_estimate:
    result = "miss"
else:
    result = "inline"

Dengan pendekatan ini, sistem sinyal Anda bisa langsung menampilkan informasi seperti:

• "12 Mei – sebelum market buka"
• "Beat earnings"
• "Miss earnings"

Hal yang perlu diverifikasi sebelum produksi

Walaupun banyak API menyediakan kalender earnings, tidak semuanya secara konsisten memberikan field berikut:

• waktu rilis spesifik
• label pre‑market / after‑market
• jam rilis dalam zona waktu tertentu

Dokumentasi yang tersedia hanya memastikan adanya data seperti tanggal laporan, EPS actual, EPS estimate, dan revenue.

Karena itu sebaiknya lakukan uji coba pada beberapa ticker terlebih dahulu sebelum mengintegrasikan API ke sistem trading produksi.

Kesimpulan

Untuk sistem sinyal otomatis yang memerlukan kalender earnings dan analisis hasil laporan:

• OpenBB cocok sebagai sumber kalender earnings dan integrasi Python.
• AInvest memudahkan deteksi beat atau miss melalui field EPS actual vs forecast.
• Bigdata berguna untuk analisis earnings surprise setelah laporan dirilis.

Sebagai cadangan, API seperti API Ninjas, Finnhub, atau StockFit juga bisa digunakan untuk mendapatkan data kalender earnings perusahaan publik di AS.

Kombinasi beberapa sumber data sering menjadi pendekatan paling stabil untuk sistem trading otomatis.