Riesgo y Rentabilidad de un Portafolio de Inversiones.

En esta publicación, nos embarcaremos en un ejemplo sencillo de cómo analizar un portafolio de inversión, centrándonos en evaluar su rentabilidad y riesgo. Para ilustrar este proceso, examinaremos un portafolio compuesto por tres activos distintos, cada uno representando diferentes niveles de riesgo y oportunidades de retorno.

El primer activo es un instrumento considerado libre de riesgo: los ETF que replican la evolución de TBILL, es decir, bonos del gobierno de Estados Unidos con vencimientos de corto plazo, de 1 a 3 meses. Estos se caracterizan por su estabilidad y previsibilidad, ofreciendo una base sólida para el portafolio.

El segundo componente de nuestro análisis es un activo con un perfil de riesgo moderado: el índice Standard & Poor’s 500. Este índice, compuesto por las 500 empresas más representativas del mercado estadounidense, nos permite diversificar el riesgo al estar invertidos en una amplia gama de sectores, al mismo tiempo que aprovechamos el potencial de crecimiento del mercado de valores.

Finalmente, añadiremos a nuestro portafolio un tercer activo, específicamente acciones de una empresa de renombre global y con una sólida presencia en el mercado de valores: Coca-Cola “KO”. Esta elección se fundamenta en la histórica estabilidad y el crecimiento sostenido de la empresa, así como su capacidad para superar diversos desafíos económicos a lo largo de los años.

Al combinar estos tres activos, nuestro objetivo es construir un portafolio equilibrado que nos permita mitigar los riesgos a través de la diversificación, al mismo tiempo que buscamos una rentabilidad atractiva. A lo largo de esta publicación, desglosaremos los métodos y herramientas analíticas que nos permitirán evaluar de manera efectiva el rendimiento potencial de nuestro portafolio frente a diferentes escenarios económicos, asegurándonos de tomar decisiones informadas para optimizar nuestra estrategia de inversión.

Para llevar a cabo este proceso, nos basaremos en la teoría desarrollada por Harry Markowitz, distinguido con el Premio Nobel de Economía. La teoría moderna de carteras de Markowitz, también conocida como teoría de la cartera, proporciona un marco robusto para la toma de decisiones de inversión al analizar la relación entre el riesgo y el rendimiento de los activos.

La teoría de Markowitz nos guía en la construcción de carteras balanceadas, combinando diferentes tipos de activos para maximizar el rendimiento y minimizar el riesgo. Esto implica la integración de activos seguros como los ETF de TBILL, junto con activos más riesgosos como el índice Standard & Poor’s y las acciones de Coca Cola. Al emplear esta teoría, podemos alcanzar nuestros objetivos financieros seleccionando y ponderando cuidadosamente los activos según su correlación y su impacto en la cartera general. Este enfoque nos permite gestionar eficientemente el riesgo y optimizar los retornos, adaptando la cartera a nuestra tolerancia al riesgo y nuestras expectativas de rendimiento.

\[ \sigma^2=\frac{1}{T-1} \sum_{i=1}^{T}(r_i - \bar{r})^2 \]

Dada la función anterior podemos obterner que la desviación estandar es la siguiente:

\[ Sd = \sqrt{\sigma^2} = \sigma \] \[ \sigma^2=\frac{1}{T-1} \sum_{i=1}^{T}(r_i - \bar{r})^2 \]

Dada la función anterior podemos obterner que la desviación estandar es la siguiente:

\[ Sd = \sqrt{\sigma^2} = \sigma \]

A continuación se Procedera a realizar un ejemplo practico con el activo ya mencionado

##

1- Cálculo del Retorno de cada Activo

Se examinara los tres retornos de manera individual, en donde se calculará y analizará sus rendimientos historicos.

Asimismo se tomaron los siguientes periodos de referencia, desde el 31 de diciembre del 2017 al 31 de diciembre del 2020

data_spy=getSymbols("SPY",from="2017-12-31",
                    to="2020-01-01",
                    auto.assign = FALSE)
head(data_spy)
##            SPY.Open SPY.High SPY.Low SPY.Close SPY.Volume SPY.Adjusted
## 2018-01-02   267.84   268.81  267.40    268.77   86655700     242.3193
## 2018-01-03   268.96   270.64  268.96    270.47   90070400     243.8521
## 2018-01-04   271.20   272.16  270.54    271.61   80636400     244.8799
## 2018-01-05   272.51   273.56  271.95    273.42   83524000     246.5118
## 2018-01-08   273.31   274.10  272.98    273.92   57319200     246.9625
## 2018-01-09   274.40   275.25  274.08    274.54   57254000     247.5216
tail(data_spy)
##            SPY.Open SPY.High SPY.Low SPY.Close SPY.Volume SPY.Adjusted
## 2019-12-23   321.59   321.65  321.06    321.22   52990000     300.6967
## 2019-12-24   321.47   321.52  320.90    321.23   20270000     300.7061
## 2019-12-26   321.65   322.95  321.64    322.94   30911200     302.3068
## 2019-12-27   323.74   323.80  322.28    322.86   42528800     302.2319
## 2019-12-30   322.95   323.10  320.55    321.08   49729100     300.5657
## 2019-12-31   320.53   322.13  320.15    321.86   57077300     301.2958
data_TBill=getSymbols("BIL",from="2017-12-31",
                    to="2020-01-01",
                    auto.assign = FALSE)
head(data_TBill)
##            BIL.Open BIL.High BIL.Low BIL.Close BIL.Volume BIL.Adjusted
## 2018-01-02    91.41    91.43   91.41     91.41     790000     81.80921
## 2018-01-03    91.43    91.43   91.42     91.43     218300     81.82710
## 2018-01-04    91.44    91.44   91.42     91.44    1098100     81.83607
## 2018-01-05    91.43    91.44   91.43     91.44     247600     81.83607
## 2018-01-08    91.43    91.45   91.43     91.45     199800     81.84502
## 2018-01-09    91.43    91.45   91.43     91.45     185900     81.84502
tail(data_TBill)
##            BIL.Open BIL.High BIL.Low BIL.Close BIL.Volume BIL.Adjusted
## 2019-12-23    91.40    91.41   91.40     91.41    2846500     84.89384
## 2019-12-24    91.42    91.42   91.41     91.42    1042700     84.90311
## 2019-12-26    91.41    91.43   91.41     91.43     956200     84.91243
## 2019-12-27    91.42    91.43   91.42     91.42    1325600     84.90311
## 2019-12-30    91.44    91.44   91.43     91.43    1381300     84.91243
## 2019-12-31    91.45    91.45   91.43     91.43    1406200     84.91243
data_KO=getSymbols("KO",from="2017-12-31",
                    to="2020-01-01",
                    auto.assign = FALSE)
head(data_KO)
##            KO.Open KO.High KO.Low KO.Close KO.Volume KO.Adjusted
## 2018-01-02   45.91   45.94  45.51    45.54  10872200    37.35706
## 2018-01-03   45.49   45.69  45.34    45.44  12635600    37.27503
## 2018-01-04   45.56   46.22  45.45    46.08  12709400    37.80004
## 2018-01-05   46.02   46.20  45.79    46.07  13113100    37.79183
## 2018-01-08   45.95   46.10  45.88    46.00   7068600    37.73440
## 2018-01-09   46.00   46.36  45.94    46.23   9962400    37.92308
tail(data_KO)
##            KO.Open KO.High KO.Low KO.Close KO.Volume KO.Adjusted
## 2019-12-23   55.00   55.24  54.84    54.91   9300800    48.07792
## 2019-12-24   54.80   55.00  54.64    54.71   3359300    47.90279
## 2019-12-26   54.92   55.02  54.79    55.02   6228500    48.17424
## 2019-12-27   55.01   55.45  55.00    55.35   6895500    48.46317
## 2019-12-30   55.18   55.39  55.06    55.27   6431700    48.39313
## 2019-12-31   55.20   55.38  54.98    55.35   7982600    48.46317

Obteniendo las matrices de los dos activos ahora vamos a realizar el proceso de obtener los retornos y retornos acumulados

##Retornos
ret_spy=Delt(data_spy$SPY.Adjusted)
ret_spy
##            Delt.1.arithmetic
## 2018-01-02                NA
## 2018-01-03      6.325375e-03
## 2018-01-04      4.214856e-03
## 2018-01-05      6.664009e-03
## 2018-01-08      1.828553e-03
## 2018-01-09      2.263648e-03
## 2018-01-10     -1.529753e-03
## 2018-01-11      7.295843e-03
## 2018-01-12      6.518877e-03
## 2018-01-16     -3.418186e-03
##        ...                  
## 2019-12-17      2.193279e-04
## 2019-12-18      6.243171e-05
## 2019-12-19      4.099221e-03
## 2019-12-20      4.384163e-03
## 2019-12-23      1.527718e-03
## 2019-12-24      3.105580e-05
## 2019-12-26      5.323266e-03
## 2019-12-27     -2.477289e-04
## 2019-12-30     -5.513081e-03
## 2019-12-31      2.429196e-03
ret_TBill=Delt(data_TBill$BIL.Adjusted)
ret_KO = Delt(data_KO$KO.Adjusted)

rets=cbind(ret_spy,ret_TBill, ret_KO)
names(rets)=c("SPY","TBill", "KO")
head(rets,6)
##                    SPY        TBill           KO
## 2018-01-02          NA           NA           NA
## 2018-01-03 0.006325375 0.0002185976 -0.002195870
## 2018-01-04 0.004214856 0.0001096479  0.014084741
## 2018-01-05 0.006664009 0.0000000000 -0.000217276
## 2018-01-08 0.001828553 0.0001093562 -0.001519648
## 2018-01-09 0.002263648 0.0000000000  0.005000280
###Retornos acumulados

rets[1,]=c(0,0,0)
gross_ret=1+rets
head(rets)
##                    SPY        TBill           KO
## 2018-01-02 0.000000000 0.0000000000  0.000000000
## 2018-01-03 0.006325375 0.0002185976 -0.002195870
## 2018-01-04 0.004214856 0.0001096479  0.014084741
## 2018-01-05 0.006664009 0.0000000000 -0.000217276
## 2018-01-08 0.001828553 0.0001093562 -0.001519648
## 2018-01-09 0.002263648 0.0000000000  0.005000280
head(gross_ret)
##                 SPY    TBill        KO
## 2018-01-02 1.000000 1.000000 1.0000000
## 2018-01-03 1.006325 1.000219 0.9978041
## 2018-01-04 1.004215 1.000110 1.0140847
## 2018-01-05 1.006664 1.000000 0.9997827
## 2018-01-08 1.001829 1.000109 0.9984804
## 2018-01-09 1.002264 1.000000 1.0050003
cum_rets=cumprod(gross_ret)
head(cum_rets)
##                 SPY    TBill        KO
## 2018-01-02 1.000000 1.000000 1.0000000
## 2018-01-03 1.006325 1.000219 0.9978041
## 2018-01-04 1.010567 1.000328 1.0118579
## 2018-01-05 1.017301 1.000328 1.0116381
## 2018-01-08 1.019162 1.000438 1.0101008
## 2018-01-09 1.021469 1.000438 1.0151515
tail(cum_rets)
##                 SPY    TBill       KO
## 2019-12-23 1.240911 1.037705 1.286983
## 2019-12-24 1.240950 1.037819 1.282295
## 2019-12-26 1.247556 1.037932 1.289562
## 2019-12-27 1.247247 1.037819 1.297296
## 2019-12-30 1.240370 1.037932 1.295421
## 2019-12-31 1.243383 1.037932 1.297296
plot(rets$SPY,col="pink",main="Retornos de S&P, KO y Tbills",
     legend(legend = c("KO","TBILL","S&P")))

lines(ret_TBill, col = "purple", lwd = 4)

lines(ret_KO, col = "turquoise", lwd = 4)

plot(cum_rets$SPY, col = "pink", main = "Retornos acumulados de los activos")

lines(cum_rets$TBill, col = "purple", lwd = 2)

lines(cum_rets$KO, col = "turquoise", lwd = 2)

addLegend(legend.loc = "topleft", legend = c("SPY", "TBill", "KO"), col = c("pink", "purple", "turquoise"), lwd = 2 )

En resumen, al observar gráficamente los rendimientos de los activos, es evidente que la empresa privada “KO” (Coca-Cola) muestra el mayor rendimiento, superando significativamente al activo representado por el S&P (Standard & Poor’s) y al TBILL. Este último, aunque seguro, ofrece un rendimiento más bajo debido a su naturaleza de bonos del gobierno.

Este hallazgo respalda la teoría de que los activos más seguros, como los TBILL, tienden a ofrecer rendimientos más bajos en comparación con activos de mayor riesgo, como las acciones de empresas privadas. Por lo tanto, la comprensión de la relación entre riesgo y rendimiento es crucial para tomar decisiones de inversión informadas y construir carteras que equilibren estos dos aspectos.

2- Evaluación del Riesgo del Portafolio

Ahora vamos a examinar el riesgo de nuestra cartera, utilizando varias herramientas para evaluar la volatilidad y la fluctuación en los rendimientos de cada activo y su impacto conjunto en la cartera.

head (rets)
##                    SPY        TBill           KO
## 2018-01-02 0.000000000 0.0000000000  0.000000000
## 2018-01-03 0.006325375 0.0002185976 -0.002195870
## 2018-01-04 0.004214856 0.0001096479  0.014084741
## 2018-01-05 0.006664009 0.0000000000 -0.000217276
## 2018-01-08 0.001828553 0.0001093562 -0.001519648
## 2018-01-09 0.002263648 0.0000000000  0.005000280
returns = rets [-1,]
head(returns)
##                     SPY        TBill           KO
## 2018-01-03  0.006325375 0.0002185976 -0.002195870
## 2018-01-04  0.004214856 0.0001096479  0.014084741
## 2018-01-05  0.006664009 0.0000000000 -0.000217276
## 2018-01-08  0.001828553 0.0001093562 -0.001519648
## 2018-01-09  0.002263648 0.0000000000  0.005000280
## 2018-01-10 -0.001529753 0.0000000000 -0.003461013
Sd_spy = sd(returns$SPY)
Sd_spy
## [1] 0.009428114
Sd_bill= sd(returns$TBill)
Sd_bill
## [1] 0.0001182168
Sd_KO= sd(returns$KO)
Sd_KO
## [1] 0.01009434

De acuerdo con los resultados obtenidos en R, podemos determinar que el activo más riesgoso es el representado por “KO” (Coca-Cola), ya que tiene la mayor desviación estándar de los rendimientos, con un valor de aproximadamente 0.0101. Por otro lado, el activo menos riesgoso es el representado por “TBill” (bonos del gobierno), con una desviación estándar mucho menor, alrededor de 0.000118. Finalmente, el activo representado por el S&P (SPY) se encuentra en un punto intermedio en términos de riesgo, con una desviación estándar de aproximadamente 0.00943.

Para confirmar lo discutido, generaremos gráficos que ilustren la dispersión de los datos, marcando la desviación estándar de los rendimientos de cada activo en color rosado. A través de la interpretación de estos gráficos, se hace evidente la variabilidad en los rendimientos de los distintos activos, facilitando así la comparación y la toma de decisiones basadas en su riesgo relativo.

hist(returns$SPY, breaks = 50, col = "purple")
curve(dnorm(x, mean = mean(returns$SPY), sd = sd(returns$SPY)), 
      col = "pink", lwd =2, add =TRUE)
legend("topright", legend = paste("Sd =", round(sd(returns$SPY), digits = 4)), col = "pink", lwd = 1)

En la visualización, hemos organizado los datos en 50 segmentos para mejorar la claridad de su distribución. Esta metodología nos permite observar que la mayoría de los retornos fluctúan en un rango de -0.02 a 0.02, subrayando así el patrón predominante en la distribución.

hist(returns$TBill, breaks = 5, col = "purple")
curve(dnorm(x, mean = mean(returns$TBill), sd = sd(returns$TBill)), 
      col = "pink", lwd =2, add =TRUE)
legend("topright", legend = paste("Sd =", round(sd(returns$TBill), digits = 4)), col = "pink", lwd = 1)

Al analizar los rendimientos del activo TBILL, se observa una desviación mínima, lo que ocasiona que la mayoría de los datos se concentren en un rango estrecho de apenas 5 intervalos.

hist(returns$KO, breaks = 500, col = "purple")
curve(dnorm(x, mean = mean(returns$KO), sd = sd(returns$KO)), 
      col = "pink", lwd =2, add =TRUE)
legend("topright", legend = paste("Sd =", round(sd(returns$KO), digits = 4)), col = "pink", lwd = 1)

Por último, los rendimientos de Coca Cola se extienden a lo largo de un vasto espectro, abarcando hasta 500 intervalos, lo que destaca la significativa fluctuación en los rendimientos de la empresa.

Análisis del Riesgo a lo Largo del Tiempo

La volatilidad de los activos, medida por su desviación estándar, proporciona una perspectiva crucial sobre su comportamiento temporal. Esta métrica es esencial para diferenciar entre activos con alta volatilidad y aquellos que mantienen una consistencia en sus rendimientos. Al adentrarnos en este estudio, nos proponemos explorar cómo la variabilidad en los retornos de un portafolio, constituido por tres activos específicos, se manifiesta a través del tiempo.

Nuestro objetivo es desentrañar y cuantificar, empleando herramientas gráficas y análisis numéricos, cuál de los activos en cuestión demostró ser el más riesgoso durante el periodo evaluado. Esto no solo arrojará luz sobre la estabilidad relativa de cada activo sino que también proveerá una base sólida para futuras decisiones de inversión basadas en la comprensión del riesgo asociado a lo largo del tiempo.

Mediante este enfoque, buscamos aportar claridad sobre la dinámica de riesgo de los activos, ofreciendo una visión integral que abarca desde la volatilidad hasta la consistencia de los rendimientos, lo cual es vital para cualquier estrategia de inversión que busque equilibrar riesgo y recompensa a lo largo del tiempo.

######## Desv EST 2018

head(returns)
##                     SPY        TBill           KO
## 2018-01-03  0.006325375 0.0002185976 -0.002195870
## 2018-01-04  0.004214856 0.0001096479  0.014084741
## 2018-01-05  0.006664009 0.0000000000 -0.000217276
## 2018-01-08  0.001828553 0.0001093562 -0.001519648
## 2018-01-09  0.002263648 0.0000000000  0.005000280
## 2018-01-10 -0.001529753 0.0000000000 -0.003461013
index(returns)
##   [1] "2018-01-03" "2018-01-04" "2018-01-05" "2018-01-08" "2018-01-09"
##   [6] "2018-01-10" "2018-01-11" "2018-01-12" "2018-01-16" "2018-01-17"
##  [11] "2018-01-18" "2018-01-19" "2018-01-22" "2018-01-23" "2018-01-24"
##  [16] "2018-01-25" "2018-01-26" "2018-01-29" "2018-01-30" "2018-01-31"
##  [21] "2018-02-01" "2018-02-02" "2018-02-05" "2018-02-06" "2018-02-07"
##  [26] "2018-02-08" "2018-02-09" "2018-02-12" "2018-02-13" "2018-02-14"
##  [31] "2018-02-15" "2018-02-16" "2018-02-20" "2018-02-21" "2018-02-22"
##  [36] "2018-02-23" "2018-02-26" "2018-02-27" "2018-02-28" "2018-03-01"
##  [41] "2018-03-02" "2018-03-05" "2018-03-06" "2018-03-07" "2018-03-08"
##  [46] "2018-03-09" "2018-03-12" "2018-03-13" "2018-03-14" "2018-03-15"
##  [51] "2018-03-16" "2018-03-19" "2018-03-20" "2018-03-21" "2018-03-22"
##  [56] "2018-03-23" "2018-03-26" "2018-03-27" "2018-03-28" "2018-03-29"
##  [61] "2018-04-02" "2018-04-03" "2018-04-04" "2018-04-05" "2018-04-06"
##  [66] "2018-04-09" "2018-04-10" "2018-04-11" "2018-04-12" "2018-04-13"
##  [71] "2018-04-16" "2018-04-17" "2018-04-18" "2018-04-19" "2018-04-20"
##  [76] "2018-04-23" "2018-04-24" "2018-04-25" "2018-04-26" "2018-04-27"
##  [81] "2018-04-30" "2018-05-01" "2018-05-02" "2018-05-03" "2018-05-04"
##  [86] "2018-05-07" "2018-05-08" "2018-05-09" "2018-05-10" "2018-05-11"
##  [91] "2018-05-14" "2018-05-15" "2018-05-16" "2018-05-17" "2018-05-18"
##  [96] "2018-05-21" "2018-05-22" "2018-05-23" "2018-05-24" "2018-05-25"
## [101] "2018-05-29" "2018-05-30" "2018-05-31" "2018-06-01" "2018-06-04"
## [106] "2018-06-05" "2018-06-06" "2018-06-07" "2018-06-08" "2018-06-11"
## [111] "2018-06-12" "2018-06-13" "2018-06-14" "2018-06-15" "2018-06-18"
## [116] "2018-06-19" "2018-06-20" "2018-06-21" "2018-06-22" "2018-06-25"
## [121] "2018-06-26" "2018-06-27" "2018-06-28" "2018-06-29" "2018-07-02"
## [126] "2018-07-03" "2018-07-05" "2018-07-06" "2018-07-09" "2018-07-10"
## [131] "2018-07-11" "2018-07-12" "2018-07-13" "2018-07-16" "2018-07-17"
## [136] "2018-07-18" "2018-07-19" "2018-07-20" "2018-07-23" "2018-07-24"
## [141] "2018-07-25" "2018-07-26" "2018-07-27" "2018-07-30" "2018-07-31"
## [146] "2018-08-01" "2018-08-02" "2018-08-03" "2018-08-06" "2018-08-07"
## [151] "2018-08-08" "2018-08-09" "2018-08-10" "2018-08-13" "2018-08-14"
## [156] "2018-08-15" "2018-08-16" "2018-08-17" "2018-08-20" "2018-08-21"
## [161] "2018-08-22" "2018-08-23" "2018-08-24" "2018-08-27" "2018-08-28"
## [166] "2018-08-29" "2018-08-30" "2018-08-31" "2018-09-04" "2018-09-05"
## [171] "2018-09-06" "2018-09-07" "2018-09-10" "2018-09-11" "2018-09-12"
## [176] "2018-09-13" "2018-09-14" "2018-09-17" "2018-09-18" "2018-09-19"
## [181] "2018-09-20" "2018-09-21" "2018-09-24" "2018-09-25" "2018-09-26"
## [186] "2018-09-27" "2018-09-28" "2018-10-01" "2018-10-02" "2018-10-03"
## [191] "2018-10-04" "2018-10-05" "2018-10-08" "2018-10-09" "2018-10-10"
## [196] "2018-10-11" "2018-10-12" "2018-10-15" "2018-10-16" "2018-10-17"
## [201] "2018-10-18" "2018-10-19" "2018-10-22" "2018-10-23" "2018-10-24"
## [206] "2018-10-25" "2018-10-26" "2018-10-29" "2018-10-30" "2018-10-31"
## [211] "2018-11-01" "2018-11-02" "2018-11-05" "2018-11-06" "2018-11-07"
## [216] "2018-11-08" "2018-11-09" "2018-11-12" "2018-11-13" "2018-11-14"
## [221] "2018-11-15" "2018-11-16" "2018-11-19" "2018-11-20" "2018-11-21"
## [226] "2018-11-23" "2018-11-26" "2018-11-27" "2018-11-28" "2018-11-29"
## [231] "2018-11-30" "2018-12-03" "2018-12-04" "2018-12-06" "2018-12-07"
## [236] "2018-12-10" "2018-12-11" "2018-12-12" "2018-12-13" "2018-12-14"
## [241] "2018-12-17" "2018-12-18" "2018-12-19" "2018-12-20" "2018-12-21"
## [246] "2018-12-24" "2018-12-26" "2018-12-27" "2018-12-28" "2018-12-31"
## [251] "2019-01-02" "2019-01-03" "2019-01-04" "2019-01-07" "2019-01-08"
## [256] "2019-01-09" "2019-01-10" "2019-01-11" "2019-01-14" "2019-01-15"
## [261] "2019-01-16" "2019-01-17" "2019-01-18" "2019-01-22" "2019-01-23"
## [266] "2019-01-24" "2019-01-25" "2019-01-28" "2019-01-29" "2019-01-30"
## [271] "2019-01-31" "2019-02-01" "2019-02-04" "2019-02-05" "2019-02-06"
## [276] "2019-02-07" "2019-02-08" "2019-02-11" "2019-02-12" "2019-02-13"
## [281] "2019-02-14" "2019-02-15" "2019-02-19" "2019-02-20" "2019-02-21"
## [286] "2019-02-22" "2019-02-25" "2019-02-26" "2019-02-27" "2019-02-28"
## [291] "2019-03-01" "2019-03-04" "2019-03-05" "2019-03-06" "2019-03-07"
## [296] "2019-03-08" "2019-03-11" "2019-03-12" "2019-03-13" "2019-03-14"
## [301] "2019-03-15" "2019-03-18" "2019-03-19" "2019-03-20" "2019-03-21"
## [306] "2019-03-22" "2019-03-25" "2019-03-26" "2019-03-27" "2019-03-28"
## [311] "2019-03-29" "2019-04-01" "2019-04-02" "2019-04-03" "2019-04-04"
## [316] "2019-04-05" "2019-04-08" "2019-04-09" "2019-04-10" "2019-04-11"
## [321] "2019-04-12" "2019-04-15" "2019-04-16" "2019-04-17" "2019-04-18"
## [326] "2019-04-22" "2019-04-23" "2019-04-24" "2019-04-25" "2019-04-26"
## [331] "2019-04-29" "2019-04-30" "2019-05-01" "2019-05-02" "2019-05-03"
## [336] "2019-05-06" "2019-05-07" "2019-05-08" "2019-05-09" "2019-05-10"
## [341] "2019-05-13" "2019-05-14" "2019-05-15" "2019-05-16" "2019-05-17"
## [346] "2019-05-20" "2019-05-21" "2019-05-22" "2019-05-23" "2019-05-24"
## [351] "2019-05-28" "2019-05-29" "2019-05-30" "2019-05-31" "2019-06-03"
## [356] "2019-06-04" "2019-06-05" "2019-06-06" "2019-06-07" "2019-06-10"
## [361] "2019-06-11" "2019-06-12" "2019-06-13" "2019-06-14" "2019-06-17"
## [366] "2019-06-18" "2019-06-19" "2019-06-20" "2019-06-21" "2019-06-24"
## [371] "2019-06-25" "2019-06-26" "2019-06-27" "2019-06-28" "2019-07-01"
## [376] "2019-07-02" "2019-07-03" "2019-07-05" "2019-07-08" "2019-07-09"
## [381] "2019-07-10" "2019-07-11" "2019-07-12" "2019-07-15" "2019-07-16"
## [386] "2019-07-17" "2019-07-18" "2019-07-19" "2019-07-22" "2019-07-23"
## [391] "2019-07-24" "2019-07-25" "2019-07-26" "2019-07-29" "2019-07-30"
## [396] "2019-07-31" "2019-08-01" "2019-08-02" "2019-08-05" "2019-08-06"
## [401] "2019-08-07" "2019-08-08" "2019-08-09" "2019-08-12" "2019-08-13"
## [406] "2019-08-14" "2019-08-15" "2019-08-16" "2019-08-19" "2019-08-20"
## [411] "2019-08-21" "2019-08-22" "2019-08-23" "2019-08-26" "2019-08-27"
## [416] "2019-08-28" "2019-08-29" "2019-08-30" "2019-09-03" "2019-09-04"
## [421] "2019-09-05" "2019-09-06" "2019-09-09" "2019-09-10" "2019-09-11"
## [426] "2019-09-12" "2019-09-13" "2019-09-16" "2019-09-17" "2019-09-18"
## [431] "2019-09-19" "2019-09-20" "2019-09-23" "2019-09-24" "2019-09-25"
## [436] "2019-09-26" "2019-09-27" "2019-09-30" "2019-10-01" "2019-10-02"
## [441] "2019-10-03" "2019-10-04" "2019-10-07" "2019-10-08" "2019-10-09"
## [446] "2019-10-10" "2019-10-11" "2019-10-14" "2019-10-15" "2019-10-16"
## [451] "2019-10-17" "2019-10-18" "2019-10-21" "2019-10-22" "2019-10-23"
## [456] "2019-10-24" "2019-10-25" "2019-10-28" "2019-10-29" "2019-10-30"
## [461] "2019-10-31" "2019-11-01" "2019-11-04" "2019-11-05" "2019-11-06"
## [466] "2019-11-07" "2019-11-08" "2019-11-11" "2019-11-12" "2019-11-13"
## [471] "2019-11-14" "2019-11-15" "2019-11-18" "2019-11-19" "2019-11-20"
## [476] "2019-11-21" "2019-11-22" "2019-11-25" "2019-11-26" "2019-11-27"
## [481] "2019-11-29" "2019-12-02" "2019-12-03" "2019-12-04" "2019-12-05"
## [486] "2019-12-06" "2019-12-09" "2019-12-10" "2019-12-11" "2019-12-12"
## [491] "2019-12-13" "2019-12-16" "2019-12-17" "2019-12-18" "2019-12-19"
## [496] "2019-12-20" "2019-12-23" "2019-12-24" "2019-12-26" "2019-12-27"
## [501] "2019-12-30" "2019-12-31"
str(returns)
## An xts object on 2018-01-03 / 2019-12-31 containing: 
##   Data:    double [502, 3]
##   Columns: SPY, TBill, KO
##   Index:   Date [502] (TZ: "UTC")
##   xts Attributes:
##     $ src    : chr "yahoo"
##     $ updated: POSIXct[1:1], format: "2024-03-16 20:25:49"
returns ["2018"]
##                     SPY         TBill            KO
## 2018-01-03  0.006325375  0.0002185976 -0.0021958699
## 2018-01-04  0.004214856  0.0001096479  0.0140847405
## 2018-01-05  0.006664009  0.0000000000 -0.0002172760
## 2018-01-08  0.001828553  0.0001093562 -0.0015196478
## 2018-01-09  0.002263648  0.0000000000  0.0050002800
## 2018-01-10 -0.001529753  0.0000000000 -0.0034610134
## 2018-01-11  0.007295843 -0.0001093442 -0.0006507585
## 2018-01-12  0.006518877  0.0003284415  0.0023889814
## 2018-01-16 -0.003418186 -0.0002190133  0.0082337895
## 2018-01-17  0.009531596  0.0002190613  0.0062329730
##        ...                                         
## 2018-12-17 -0.019618431  0.0001093852 -0.0204699843
## 2018-12-18 -0.001096585  0.0000000000 -0.0002068385
## 2018-12-19 -0.014975700 -0.0001095568 -0.0086921788
## 2018-12-20 -0.016277901  0.0002187705 -0.0075156601
## 2018-12-21 -0.020489566  0.0002188144  0.0006311108
## 2018-12-24 -0.026422843  0.0001094291 -0.0338452264
## 2018-12-26  0.050524735 -0.0001094172  0.0213230772
## 2018-12-27  0.007677415  0.0003284708  0.0125694454
## 2018-12-28 -0.001289772  0.0001090264 -0.0069431113
## 2018-12-31  0.008758635  0.0001096563  0.0031778086
sd(returns["2018"])
## [1] 0.008253007
sd_2018 = apply( X = returns["2018"], MARGIN = 2, 
                 FUN = sd)
sd_2018
##          SPY        TBill           KO 
## 0.0107437647 0.0001171529 0.0094508314
barplot(sd_2018, main = "Desviaciones Estándar de los Activos en 2018", 
        xlab = "sd_2018", ylab = "Desviación Estándar", col = "pink")

# Graficar las desviaciones estándar como distribuciones normales
curve(dnorm(x, mean = sd_2018["SPY"], sd = sd(sd_2018)), 
      col = "pink", lwd = 2, xlim = c(0, max(sd_2018) * 2),
      main = "Distribuciones Normales de Desviaciones Estándar",
      xlab = "Desviación Estándar", ylab = "Densidad")

curve(dnorm(x, mean = sd_2018["TBill"], sd = sd(sd_2018)), 
      col = "purple", lwd = 2, add = TRUE)

curve(dnorm(x, mean = sd_2018["KO"], sd = sd(sd_2018)), 
      col = "turquoise", lwd = 2, add = TRUE)

# Agregar leyenda
legend("topright", legend = c("SPY", "TBill", "KO"), col = c("pink", "purple", "turquoise"), lty = 1, lwd = 2)

######### Desv EST 2019

sd_2019 = apply( X = returns["2019"], MARGIN = 2, 
                 FUN = sd)
sd_2019
##          SPY        TBill           KO 
## 0.0078811262 0.0001192254 0.0107084577
barplot(sd_2019, main = "Desviaciones Estándar de los Activos en 2019", 
        xlab = "sd_2019", ylab = "Desviación Estándar", col = "pink")

# Graficar las desviaciones estándar como distribuciones normales
curve(dnorm(x, mean = sd_2019["SPY"], sd = sd(sd_2019)), 
      col = "pink", lwd = 2, xlim = c(0, max(sd_2019) * 2),
      main = "Distribuciones Normales de Desviaciones Estándar",
      xlab = "Desviación Estándar", ylab = "Densidad")

curve(dnorm(x, mean = sd_2019["TBill"], sd = sd(sd_2019)), 
      col = "purple", lwd = 2, add = TRUE)

curve(dnorm(x, mean = sd_2019["KO"], sd = sd(sd_2019)), 
      col = "turquoise", lwd = 2, add = TRUE)

# Agregar leyenda
legend("topright", legend = c("SPY", "TBill", "KO"), col = c("pink", "purple", "turquoise"), lty = 1, lwd = 2)

}