Análisis de cartera FCI

Leemos los datos de FCI 1826 - Valores Negociables de Banco Provincia

library(dplyr) #para manipulación de datos
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tidyr) #para manipulación de datos
library(readxl) #leer los datos
library(ggplot2) #para gráficos
library(flextable)
library(lubridate)
## 
## Adjuntando el paquete: 'lubridate'
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

Tomamos los datos de movimiento de suscripción y rescate de información

df = read_excel("20082024_1822_movimientos.xlsx", skip = 1)

Luego tomamos el comportamiento de la variable (VN)

df_fci = read_excel("Provincia Fondos - Sociedad Gerente de Fondos Comunes de Inversión del Grupo Provincia.xlsx")
Nos quedamos con los datos de suscripción
transacciones = df %>% 
  filter(Descripción == "Suscripción Cuotas P")

transacciones = transacciones %>%
  rename(Fecha_Movimiento = 'Fecha Movimiento')

Si tenemos fechas repetidas las agrupamos para tener los fondos por día.

transacciones_agrupadas = transacciones %>%
  group_by(Fecha_Movimiento, Descripción) %>%
  summarise(
    Credito = sum(Crédito, na.rm = TRUE),
    Debito = sum(Débito, na.rm = TRUE),
    Saldo = sum(Saldo, na.rm = TRUE)
  ) %>%
  ungroup() #quito el agrupamiento
## `summarise()` has grouped output by 'Fecha_Movimiento'. You can override using
## the `.groups` argument.

Configuramos las fechas

transacciones_agrupadas = transacciones_agrupadas %>%
  mutate(Fecha_Movimiento = as.Date(Fecha_Movimiento, format = "%d/%m/%Y"))

str(transacciones_agrupadas)
## tibble [7 × 5] (S3: tbl_df/tbl/data.frame)
##  $ Fecha_Movimiento: Date[1:7], format: "2023-08-03" "2023-09-05" ...
##  $ Descripción     : chr [1:7] "Suscripción Cuotas P" "Suscripción Cuotas P" "Suscripción Cuotas P" "Suscripción Cuotas P" ...
##  $ Credito         : num [1:7] 67.05 16.55 31.42 8.09 118.34 ...
##  $ Debito          : num [1:7] 0 0 0 0 0 0 0
##  $ Saldo           : num [1:7] 67.05 16.55 54.58 8.09 126.95 ...
transacciones_agrupadas = transacciones_agrupadas %>%
  arrange(desc(Fecha_Movimiento))

transacciones_agrupadas
## # A tibble: 7 × 5
##   Fecha_Movimiento Descripción          Credito Debito  Saldo
##   <date>           <chr>                  <dbl>  <dbl>  <dbl>
## 1 2024-06-18       Suscripción Cuotas P    8.09      0   8.09
## 2 2023-11-17       Suscripción Cuotas P   31.4       0  54.6 
## 3 2023-09-05       Suscripción Cuotas P   16.6       0  16.6 
## 4 2023-08-03       Suscripción Cuotas P   67.0       0  67.0 
## 5 2023-06-27       Suscripción Cuotas P   23.6       0  23.6 
## 6 2023-06-22       Suscripción Cuotas P  118.        0 127.  
## 7 2023-05-24       Suscripción Cuotas P    8.61      0   8.61

Análisis de los fondos

Se fragmentara en dos etapas. Revisión de saldos y de credito. El primero es para revisar el acumulado y el de credito para simular cuanto hubiera sido el saldo si se mantenia la suscripción y no teniamos rescate.

FCI Acumulado - Saldo

Revisar como se comportaron los saldos para revisar como fue la fluctuación del total de las variables.

Primero revisamos como estan los datos del fondo y su comportamiento diario.

Ajustamos la variable Fecha a Date

#str(df_fci)

df_fci = df_fci %>%
  mutate(Fecha = as.Date(Fecha, format = "%d/%m/%Y"))

str(df_fci)
## tibble [323 × 4] (S3: tbl_df/tbl/data.frame)
##  $ Fecha            : Date[1:323], format: "2024-08-27" "2024-08-26" ...
##  $ Número Fondo     : num [1:323] 1 1 1 1 1 1 1 1 1 1 ...
##  $ Nombre Fondo     : chr [1:323] "1822 RAÍCES VALORES NEGOCIABLES" "1822 RAÍCES VALORES NEGOCIABLES" "1822 RAÍCES VALORES NEGOCIABLES" "1822 RAÍCES VALORES NEGOCIABLES" ...
##  $ Valor Cuota Parte: num [1:323] 15856 15632 15769 15483 15904 ...

Revisamos comportamiento de la variable

# Instalar la librería (si aún no está instalada)
#install.packages("quantmod")

# Cargar la librería
library(quantmod)
## Cargando paquete requerido: xts
## Cargando paquete requerido: zoo
## 
## Adjuntando el paquete: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## 
## ######################### Warning from 'xts' package ##########################
## #                                                                             #
## # The dplyr lag() function breaks how base R's lag() function is supposed to  #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or       #
## # source() into this session won't work correctly.                            #
## #                                                                             #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop           #
## # dplyr from breaking base R's lag() function.                                #
## #                                                                             #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning.  #
## #                                                                             #
## ###############################################################################
## 
## Adjuntando el paquete: 'xts'
## The following objects are masked from 'package:dplyr':
## 
##     first, last
## Cargando paquete requerido: TTR
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(xts)
df_fci = df_fci %>%
  rename(Valor_Cuota_Parte = 'Valor Cuota Parte')

Necesitamos convertir el dataframe a un objeto xts, donde las fechas sean las filas y los valores sean los precios.

# Convierte el dataframe a un objeto xts, usando Fecha como índice
df_fci_xts = xts(df_fci$Valor_Cuota_Parte, order.by = df_fci$Fecha)

chartSeries(df_fci_xts, theme = "white", name = "Cotizacion de FCI")

Realizamos las simulaciones.