Carga de datos

Iniciamos importando los datos de nuestro conjunto de datos y los almacenamos en una variable llamada data. Esto nos proporciona acceso rápido a nuestros datos para su posterior análisis y manipulación

data <-read.csv('dataset/AAPL_prices.csv', header=T, na.strings='')

Estructura

Echamos un vistazo inicial a la estructura y contenido de los datos, mostramos las primeras observaciones y sus respectivas variables a través de la función head() esto nos permite evaluar rápidamente como están nuestros datos.

head(data)
##         Date     Open     High      Low    Close  Adj.Close    Volume
## 1 1980-12-12 0.128348 0.128906 0.128348 0.128348 0.09931865 469033600
## 2 1980-12-15 0.122210 0.122210 0.121652 0.121652 0.09413717 175884800
## 3 1980-12-16 0.113281 0.113281 0.112723 0.112723 0.08722768 105728000
## 4 1980-12-17 0.115513 0.116071 0.115513 0.115513 0.08938663  86441600
## 5 1980-12-18 0.118862 0.119420 0.118862 0.118862 0.09197818  73449600
## 6 1980-12-19 0.126116 0.126674 0.126116 0.126116 0.09759148  48630400

Verificación de Datos Faltantes.

colSums(is.na(data))
##      Date      Open      High       Low     Close Adj.Close    Volume 
##         0         0         0         0         0         0         0

La integridad de los datos en series de tiempo es esencial para garantizar la precisión y fiabilidad de cualquier análisis o modelado realizado en R. La presencia de datos faltantes puede distorsionar los resultados y sesgar las conclusiones, afectando la interpretación de las tendencias y patrones temporales

Convertimos la columna fecha al tipo Date

data$Date <- as.Date(data$Date)

Al convertir la columna “Date” en un objeto de fecha en R al trabajar con series de tiempo, estamos asegurando que nuestros análisis sean precisos y centrados en el tiempo. Esto nos permite realizar operaciones temporales específicas y calcular medidas estadísticas relevantes con mayor exactitud. Además, facilita la visualización y creación de gráficos temporales coherentes, lo que mejora la interpretación de los datos

Comenzamos nuestro análisis de las acciones de Apple creando un objeto de series temporales denominado ‘ts_stock’. Utilizando la función xts() para convertir los datos de cierre de las acciones, junto con las fechas correspondientes, en una serie temporal ordenada cronológicamente

ts_stock <- xts(data$Close, order.by = data$Date)

Empleamos la función dygraph() para generar un gráfico interactivo que ilustra la evolución de los precios de las acciones a lo largo del tiempo. Este gráfico muest ra los años en el eje horizontal y los precios en el eje vertical, proporcionando una representación visual dinámica de los datos.

Luego visualizamos el gráfico resultante ‘ts_stock_graf’, que nos ofrece una perspectiva clara y detallada del comportamiento histórico de los precios de las acciones de Apple

ts_stock_graf <- dygraph(ts_stock, main = "Acciones de APPLE", xlab = "Años", 
                     ylab = "Precio")

ts_stock_graf

En este apartado, añadimos el siguiente gráfico interactivo que le permite al usuario seleccionar un rango específico de fechas para visualizar en la serie temporal. Utilizamos la función dyRangeSelector() para incorporar un selector de rango, estableciendo el intervalo predeterminado de fechas de 1980-12-12 a 2024-01-31

ts_stock_graf %>%
  dyRangeSelector(dateWindow = c("1980-12-12", "2024-01-31"), fillColor = "#febacd", strokeColor = "#bffdea")

En este apartado, pintamos otro tipo de gráfico con el objetivo de resaltar lo fácil que es realizar visualizaciones de datos en R. Hemos ajustado las opciones del gráfico interactivo para mostrar la serie temporal de una manera más detallada y estéticamente atractiva

ts_stock_graf %>%
  dyOptions(fillGraph = TRUE, stepPlot = T, drawPoints = T, colors = "#abecbd", axisLineColor = "red", axisLineWidth = 3, gridLineColor = "gray", axisLabelColor = "#fbbdcc")

Generamos otros gráficos interactivos de la serie temporal, proporcionando otras visualizaciones dinámicas y detalladas de cómo han fluctuado los precios de las acciones de Apple a lo largo del tiempo. Esta son otras perspectivas claras y comprensibles de cómo han variado los precios en diferentes períodos, estos gráficos facilitan la identificación de tendencias y patrones en los datos temporales de las acciones de Apple

# Crea el gráfico interactivo con dygraphs
dygraph(data, x = "Date", y = "Close", main = "Precio de las Acciones de Apple a lo largo del Tiempo") %>%
  dyRangeSelector()  # Agrega un selector de rango para permitir al usuario ajustar el período de tiempo mostrado