Como ler o CSV da CVM sem errar: 6 armadilhas, com a contagem de cada uma

ESCALA_MOEDA: o valor está em MILHARES

A coluna ESCALA_MOEDA diz MIL na esmagadora maioria das linhas. Quem lê VL_CONTA direto erra por mil vezes — e o erro passa despercebido porque razões (margem, ROE) se cancelam; só quantidades (EBITDA, dívida) quebram. Pior: a MESMA empresa pode publicar o mesmo exercício com escalas diferentes nas duas publicações. Quando isso acontece, não publicamos o valor absoluto — só as razões, com flag.

ORDEM_EXERC: o mesmo exercício aparece duas vezes

Cada arquivo traz ÚLTIMO (o exercício de referência) e PENÚLTIMO (o anterior, como reportado agora). Filtrar sem essa coluna soma dois anos no mesmo número. E o PENÚLTIMO do arquivo seguinte é o ÚLTIMO deste REAPRESENTADO — comparar os dois é como se descobre que a companhia refez o balanço.

A mesma conta aparece DUAS VEZES com valores diferentes

Mesmo CD_CVM, mesmo exercício, mesma ORDEM_EXERC, mesmo CD_CONTA — e dois valores, sem nada que distinga qual vale. Quem usa `first()` fica com um; quem usa `last()` fica com outro; os dois acham que leram o arquivo direito. Nós não escolhemos: suprimimos com flag.

Na DMPL, CD_CONTA não isola a linha

A DMPL tem uma dimensão a mais: COLUNA_DF, a coluna do patrimônio. Filtrar por CD_CVM + ORDEM_EXERC + CD_CONTA devolve UMA linha em BPA, BPP, DRE e DFC — e várias na DMPL. Um auditor externo achou isto nas coordenadas que publicamos: devolviam seis linhas para a ELETROPAULO de 2022. Coordenada ambígua é pior que ausente, porque quem escolhe no escuro acha um número que EXISTE.

COTAHIST não ajusta preço por grupamento ou desdobramento

O arquivo de cotações da B3 traz o preço COMO FOI NEGOCIADO no dia. Depois de um desdobramento o preço cai pela metade sem que a empresa tenha perdido valor — e uma série não ajustada mostra queda de 50% que nunca existiu. Quem calcula retorno direto do COTAHIST precisa ajustar por esses eventos.

O arquivo é latin-1 e o separador é ponto e vírgula

Abrir como UTF-8 quebra em qualquer acento — e nomes de conta são cheios deles. O separador é `;`, não vírgula, porque o decimal brasileiro é vírgula. Erros triviais que custam a primeira hora de quem tenta.

Suprimimos e declaramos o motivo. A tentação é escolher um lado e seguir — e escolher no escuro produz um número que parece auditável e não é. A lista completa do que não publicamos, com o motivo de cada um, está em /qualidade.

dados.cvm.gov.br · qualidade dos dados · contas de banco · reapresentações