# Cargar librerías
library(quantmod)

library(PerformanceAnalytics)

library(zoo)

#Importar librerías
library(dplyr)

library(ggplot2)
library(tidyr)
library(scales)
library(quantmod)
library(PerformanceAnalytics)
library(caret)

library(caTools)

#Definir colores
p_blue <- '#5478DC'
p_red <- '#FF4E62'
p_green <- '#1FBF1D'
p_yellow <- '#F0C24F'
p_purple <- '#764DE8'
p_orange <- '#FF7342'

# 10 Acciones del IPC y S&P500 
Tickers <- c("GCARSOA1.MX", "FEMSAUBD.MX", "META", "COST", "MAR", "IBM", "WMT", "JNPR", "TSLA", "FTNT")

# Datos de los tickers de los últimos 6 meses
getSymbols(Tickers, from = as.Date("2023-08-01"), to = as.Date("2024-01-31"))

# Precios ajustados de los tickers
Precios_ajustados <- lapply(Tickers, function(ticker) Ad(get(ticker)))

# Contar NA's
NA_ticker <- sapply(Precios_ajustados, function(data) sum(is.na(data)))
NA_ticker

# Combinar los precios ajustados
Precios <- do.call(merge, Precios_ajustados)
Precios

# Contar y rellenar NA's
NA_total <- sum(is.na(Precios))
NA_total

Precios <- na.locf(Precios)

NA_total <- sum(is.na(Precios))
NA_total

# Rendimientos diarios
Rends <- Return.calculate(Precios)[-1]
Rends

# Matriz de varianzas y covarianzas
MVC <- cov(Rends)
MVC * 100

# Matriz de varianzas y covarianzas invertida
MVC_Inv = solve(MVC)
MVC_Inv

MVC %*% MVC_Inv

# Matriz de unos
Unos <-  matrix(data = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1),
                nrow = 1)
Unos

# Formula de Markowitz: w* = (1n * MVC-1) / (1n * MVC-1 * t(1n))
Numerador <- Unos %*% MVC_Inv
Numerador

Denominador <- Unos %*% MVC_Inv %*% t(Unos)
Denominador

w <- Numerador / as.numeric(Denominador)
w

sum(w)

# Rendimiento punta a punta
RendsGCARSOA1.MX <- as.numeric(last(Precios$GCARSOA1.MX))/as.numeric(first(Precios$GCARSOA1.MX)) -1
RendsGCARSOA1.MX

RendsFEMSAUBD.MX <- as.numeric(last(Precios$FEMSAUBD.MX))/as.numeric(first(Precios$FEMSAUBD.MX)) -1
RendsFEMSAUBD.MX

RendsMETA <- as.numeric(last(Precios$META))/as.numeric(first(Precios$META)) -1
RendsMETA

RendsCOST <- as.numeric(last(Precios$COST))/as.numeric(first(Precios$COST)) -1
RendsCOST

RendsMAR <- as.numeric(last(Precios$MAR))/as.numeric(first(Precios$MAR)) -1
RendsMAR

RendsIBM <- as.numeric(last(Precios$IBM))/as.numeric(first(Precios$IBM)) -1
RendsIBM

RendsWMT <- as.numeric(last(Precios$WMT))/as.numeric(first(Precios$WMT)) -1
RendsWMT

RendsJNPR <- as.numeric(last(Precios$JNPR))/as.numeric(first(Precios$JNPR)) -1
RendsJNPR

RendsTSLA <- as.numeric(last(Precios$TSLA))/as.numeric(first(Precios$TSLA)) -1
RendsTSLA

RendsFTNT <- as.numeric(last(Precios$FTNT))/as.numeric(first(Precios$FTNT)) -1
RendsFTNT

Rendimiento_1 <- (0.08614403) * RendsGCARSOA1.MX +
               (0.08957364) * RendsFEMSAUBD.MX +
               (0.05058752) * RendsMETA +
               (0.06904116) * RendsCOST +
               (0.1228616)  * RendsMAR  +
               (0.1732409)  * RendsIBM +
               (0.3045014)  * RendsWMT +
               (0.0801241)  * RendsJNPR +
               (-0.006024369) * RendsTSLA  +
               (0.02995006) * RendsFTNT

Rendimiento_1 <- Rendimiento_1 * 100
Rendimiento_1

# Varianza del portafolio óptimo: Var(p) = w * MVC * t(w)
VarP <- w %*% MVC %*% t(w)
VarP * 100

# Rendimiento esperado de la cartera
E_rp <- colMeans(Rends, na.rm = TRUE)
E_rp

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("GCARSOA1.MX",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "GCARSOA1.MX",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "GCARSOA1.MX)",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "GCARSOA1.MX")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "GCARSOA1.MX")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_GCARSOA1.MX <- Resultado$RendsTotalC
R_L_GCARSOA1.MX

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "GCARSOA1.MX")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "GCARSOA1.MX")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_GCARSOA1.MX <- Resultado$RendsCyV
R_CyV_GCARSOA1.MX

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "GCARSOA1.MX")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("FEMSAUBD.MX",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "FEMSAUBD.MX",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "FEMSAUBD.MX",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "FEMSAUBD.MX")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "FEMSAUBD.MX")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_FEMSAUBD.MX <- Resultado$RendsTotalC
R_L_FEMSAUBD.MX

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "FEMSAUBD.MX")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "FEMSAUBD.MX")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_FEMSAUBD.MX <- Resultado$RendsCyV
R_CyV_FEMSAUBD.MX

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "FEMSAUBD.MX")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("META",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "META",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "META",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "META")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "META")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_META <- Resultado$RendsTotalC
R_L_META

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "META")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "META")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_META <- Resultado$RendsCyV
R_CyV_META

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "META")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("COST",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "COST",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "COST",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "COST")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "COST")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_COST <- Resultado$RendsTotalC
R_L_COST

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "COST")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "COST")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_COST <- Resultado$RendsCyV
R_CyV_COST

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "COST")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("MAR",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "MAR",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "MAR",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "MAR")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "MAR")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_MAR <- Resultado$RendsTotalC
R_L_MAR

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "MAR")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "MAR")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_MAR <- Resultado$RendsCyV
R_CyV_MAR

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "MAR")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("IBM",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "IBM",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "IBM",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "IBM")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "IBM")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_IBM <- Resultado$RendsTotalC
R_L_IBM

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "IBM")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "IBM")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_IBM <- Resultado$RendsCyV
R_CyV_IBM

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "IBM")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("WMT",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "WMT",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "WMT",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "WMT")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "WMT")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_WMT <- Resultado$RendsTotalC
R_L_WMT

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "WMT")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "WMT")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_WMT <- Resultado$RendsCyV
R_CyV_WMT

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "WMT")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("JNPR",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "JNPR",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "JNPR",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "JNPR")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "JNPR")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_JNPR <- Resultado$RendsTotalC
R_L_JNPR

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "JNPR")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "JNPR")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_JNPR <- Resultado$RendsCyV
R_CyV_JNPR

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "JNPR")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("TSLA",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "TSLA",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "TSLA",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "TSLA")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "TSLA")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_TSLA <- Resultado$RendsTotalC
R_L_TSLA

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "TSLA")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "TSLA")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_TSLA <- Resultado$RendsCyV
R_CyV_TSLA

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "TSLA")

# Definir el periodo y la acción
Fecini <- as.Date("2023-08-01")
Fecfin <- as.Date("2024-01-31")
Accion <- getSymbols("FTNT",
                     from = Fecini,
                     to = Fecfin,
                     auto.assign = F,
                     warnings = F)
Precios <-  Ad(Accion)
Fechas <- index(Precios)

NA_total <- sum(is.na(Precios))
NA_total

NA_total <- sum(is.na(Fechas))
NA_total

# Definir momento rápido y momento lento
MMrapida <- SMA(Precios, n = 10)
MMlenta <- SMA(Precios, n = 40)

# Crear un data frame 
Datos <- data.frame(Fechas = Fechas,
                    Precios = as.numeric(Precios),
                    MM1 = as.numeric(MMrapida),
                    MM2 = as.numeric(MMlenta))
Datos %>%
  glimpse()

#Gráfica 1
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Fechas vs Precios",
       subtitle = "FTNT",
       x = "Fecha")

#Gráfica 2
Datos %>%
  ggplot(aes(x = Fechas,
             y = Precios)) +
  geom_line(col = p_blue, linewidth = 1) +
  geom_line(aes(y = MM1), col = p_red) +
  geom_line(aes(y = MM2), col = p_green) +
  labs(title = "Precios vs Medias Móviles",
       subtitle = "FTNT",
       x = "Fecha")

# Consideraciones:
# Si la media móvil rápida es mayor que la media móvil lenta --> Tendencia Bullish (Toro)
# Si la media móvil lenta es mayor que la media móvil rápida --> Tendencia Bearish (Oso)

Datos <-  Datos %>%
  mutate(Tend = case_when(MM1 >= MM2 ~ "Bull",
                          MM2 >= MM1 ~ "Bear"))
Datos %>%
  glimpse()

# Rendimiento diario
Rend <- Return.calculate(Precios)

# Rendimiento punta a punta
R_simple <-  as.numeric(last(Precios))/as.numeric(first(Precios)) -1
R_simple * 100

# Rendimiento agregado
G_rend <- 1 + Rend
(prod(G_rend, na.rm = T) - 1) * 100

# Añadir columna de rendimiento
Datos <-  Datos %>%
  mutate(Rends = as.numeric(Rend))

Datos%>%
  glimpse()

    # PORTAFOLIOS CON POSICIÓN LARGA

# Señal de compra
Datos <-  Datos %>%
  mutate(Compra = case_when(Tend == "Bull" ~ 1,
                            Tend == "Bear" ~ 0))

Datos%>%
   tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Compra)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señales de compra en tendencia Bullish",
       subtitle = "FTNT")

# Calcular y graficar los rendimientos con la señal de compra
Datos <-  Datos %>%
  mutate(Ganancia = Compra * Rends)

Datos %>%
  tail(200) %>%
  ggplot(aes(x = Fechas,
             y = Ganancia)) +
  geom_line(col = p_purple, linewidth = 1) +
  geom_line(aes(y = Rends), col = p_yellow, linewidth = 1) +
  labs(title = "Ganancia por señales de compra en tendencia Bullish",
       subtitle = "FTNT")

Datos <-  Datos %>%
  mutate(GanNeta = 1 + Ganancia)

Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsTotalC = prod(GanNeta, na.rm = T) - 1) * 100
R_L_FTNT <- Resultado$RendsTotalC
R_L_FTNT

#Generar una gráfica con el rendimiento acumulado
Datos <-  Datos %>%
  mutate(G_Rend_L = replace_na(GanNeta, 1),
         RendAcum = cumprod(G_Rend_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcum)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de ganancias netas en portafolio largo (Bullish)",
       subtitle = "FTNT")

   # PORTAFOLIOS CON VENTA EN CORTO

# Señal de compra y venta
Datos <-  Datos %>%
  mutate(CyV = case_when(Tend == "Bull" ~ 1,
                         Tend == "Bear" ~ -1))

Datos %>%
  tail(200) %>%
   ggplot(aes(x = Fechas,
             y = CyV)) +
  geom_line(col = p_orange, linewidth = 1) +
  labs(title = "Señal de compra y venta (venta en corto)",
       subtitle = "FTNT")

# Calcular y graficar los rendimientos con la señal de compra y venta
Datos <-  Datos %>%
    mutate(GanCyV = CyV * Rends,
         GanCyVNeta =  GanCyV + 1)

Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100

Resultado <- Datos %>%
  summarize(RendsCyV = prod(GanCyVNeta, na.rm = T) - 1) * 100
R_CyV_FTNT <- Resultado$RendsCyV
R_CyV_FTNT

Datos <-  Datos %>%
  mutate(G_RendCyV_L = replace_na(GanCyVNeta, 1),
         RendAcumCyV = cumprod(G_RendCyV_L) - 1)

Datos %>%
  ggplot(aes(x = Fechas,
             y = RendAcumCyV)) +
  geom_line(col = p_blue, linewidth = 1) +
  labs(title = "Rendimiento acumulado de compra y venta (venta en corto)",
       subtitle = "FTNT")

# Calcular el rendimiento del portafolio largo
Rendimiento_Largo <- (0.08614403) * R_L_GCARSOA1.MX +
                     (0.08957364) * R_L_FEMSAUBD.MX +
                     (0.05058752) * R_L_META +
                     (0.06904116) * R_L_COST +
                     (0.1228616)  * R_L_MAR +
                     (0.1732409)  * R_L_IBM +
                     (0.3045014)  * R_L_WMT +
                     (0.0801241)  * R_L_JNPR +
                     (-0.006024369) * R_L_TSLA +
                     (0.02995006) * R_L_FTNT

# Calcular el rendimiento del portafolio corto
Rendimiento_Corto <- (0.08614403) * R_CyV_GCARSOA1.MX +
                     (0.08957364) * R_CyV_FEMSAUBD.MX +
                     (0.05058752) * R_CyV_META +
                     (0.06904116) * R_CyV_COST +
                     (0.1228616)  * R_CyV_MAR +
                     (0.1732409)  * R_CyV_IBM +
                     (0.3045014)  * R_CyV_WMT +
                     (0.0801241)  * R_CyV_JNPR +
                     (-0.006024369) * R_CyV_TSLA +
                     (0.02995006) * R_CyV_FTNT

# Calcular el rendimiento total del portafolio combinado
Rendimiento_2 <- Rendimiento_Largo + Rendimiento_Corto
Rendimiento_2