Propuesta Bookdown

1 Propuesta de análisis

El tipo de información que proponemos analizar corresponde a los precios históricos de acciones en el mercado financiero, específicamente la acción de la empresa NVIDIA (NVDA), obtenida desde la plataforma Yahoo Finance.

NVIDIA es una empresa líder en el sector tecnológico, especialmente en el desarrollo de hardware para inteligencia artificial y procesamiento gráfico. En los últimos años, su crecimiento ha estado altamente influenciado por la expansión de la inteligencia artificial, lo que la convierte en un caso interesante para el análisis de series de tiempo.

Estos datos constituyen una serie de tiempo, ya que están organizados cronológicamente (diario, semanal o mensual) y presentan dependencia temporal, lo que nos permitrirá aplicar técnicas de análisis y modelación.

2 Justificación

El análisis de los precios de la acción de NVIDIA es relevante porque nos permite estudiar el comportamiento de una empresa altamente dinámica dentro del mercado tecnológico. Este tipo de información presenta características como tendencia, volatilidad y posibles patrones que pueden ser modelados.

Realizar pronósticos sobre estos datos permite anticipar posibles comportamientos futuros del mercado, lo cual es útil para la toma de decisiones financieras, como inversión o gestión de riesgos. Además, este análisis contribuye a comprender cómo factores externos, como avances tecnológicos o cambios en la economía global, pueden influir en el comportamiento de los precios.

El uso de herramientas del lenguaje R, como los paquetes zoo, xts o quantmod, permitirá descargar, manipular y analizar estos datos de manera eficiente, facilitando la aplicación de modelos de series de tiempo.

3 Ejemplo de obtención y visualización de datos en R

A continuación, se presenta un ejemplo de cómo descargar y visualizar los datos históricos de NVIDIA utilizando el paquete quantmod:

# Instalar paquete (solo la primera vez)
# install.packages("quantmod")

library(quantmod)

## Warning: package 'quantmod' was built under R version 4.5.3

## Cargando paquete requerido: xts

## Warning: package 'xts' was built under R version 4.5.3

## Cargando paquete requerido: zoo

## 
## Adjuntando el paquete: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

## Cargando paquete requerido: TTR

## Warning: package 'TTR' was built under R version 4.5.3

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

# Descargar datos de NVIDIA
getSymbols("NVDA", from = "2020-01-01", to = "2023-01-01")

## [1] "NVDA"

# Visualizar primeras filas
head(NVDA)

##            NVDA.Open NVDA.High NVDA.Low NVDA.Close NVDA.Volume NVDA.Adjusted
## 2020-01-02   5.96875   5.99775  5.91800    5.99775   237536000      5.970754
## 2020-01-03   5.87750   5.94575  5.85250    5.90175   205384000      5.875187
## 2020-01-06   5.80800   5.93175  5.78175    5.92650   262636000      5.899825
## 2020-01-07   5.95500   6.04425  5.90975    5.99825   314856000      5.971252
## 2020-01-08   5.99400   6.05100  5.95375    6.00950   277108000      5.982451
## 2020-01-09   6.09625   6.14825  6.02150    6.07550   255112000      6.048155

# Graficar precios de cierre
plot(Cl(NVDA), main = "Precio de cierre de NVIDIA (NVDA)",
     ylab = "Precio", xlab = "Fecha")

4 Fuentes de información

La fuente principal de información será Yahoo Finance, que proporciona datos históricos de acceso público sobre activos financieros, incluyendo precios de acciones como NVIDIA (NVDA).

5 Permisos de uso

Los datos obtenidos de Yahoo Finance son de acceso público y se utilizarán exclusivamente con fines académicos y de investigación, sin fines comerciales, respetando las políticas de uso de la plataforma.

6 Conclusión

El análisis de los precios de la acción de NVIDIA como serie de tiempo nos permitirá aplicar de manera práctica los conceptos desarrollados a lo largo del curso, facilitando la identificación de patrones como tendencia, volatilidad y posibles comportamientos estacionales. A través de este estudio, nos será posible comprender cómo evolucionan los datos en el tiempo y cómo los eventos externos, como avances tecnológicos o cambios en el mercado, influyen en su comportamiento.

Asimismo, este análisis nos permitirá el uso de herramientas estadísticas y computacionales para la construcción de modelos de pronóstico, los cuales contribuyen a reducir la incertidumbre en la toma de decisiones. De esta manera, no solo fortaleceremos las habilidades técnicas en el manejo de series de tiempo, sino también la capacidad de interpretar resultados y generar conclusiones basadas en datos reales.

En conclusión, este ejercicio representa una oportunidad para integrar teoría y práctica, aportando valor en el análisis de información financiera y en el desarrollo de competencias aplicables a distintos contextos profesionales.