______________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Parte I
¿Explique que es un API?
El término API es una abreviatura de Application Programming Interfaces, que en español significa interfaz de programación de aplicaciones. Se trata de un conjunto de definiciones y protocolos que se utiliza para desarrollar e integrar el software de las aplicaciones, permitiendo la comunicación entre dos aplicaciones de software a través de un conjunto de reglas.
(Yúbal, 2019).
Las API son un medio simplificado para conectar su propia
infraestructura a través del desarrollo de aplicaciones nativas de la
nube, pero también le permiten compartir sus datos con clientes y otros
usuarios externos. Las API públicas aportan un valor comercial único
porque simplifican y amplían sus conexiones con los partners y, además,
pueden rentabilizar sus datos (un ejemplo conocido es la API de Google
Maps).
(Red Hat,2017).
¿Cómo Funcionan las API?
Las API permiten que sus productos y servicios se comuniquen con otros, sin necesidad de saber cómo están implementados. Esto simplifica el desarrollo de las aplicaciones y permite ahorrar tiempo y dinero. Las API le otorgan flexibilidad; simplifican el diseño, la administración y el uso de las aplicaciones; y ofrecen oportunidades de innovación, lo cual es ideal al momento de diseñar herramientas y productos nuevos (o de gestionar los actuales).(Red Hat,2017).
Esquema de Funcionamiento de las API`S
Fuente: Red Hat (2017)
Un ejemplo de API
Cuando se utiliza una aplicación en un teléfono móvil, la aplicación se conecta a Internet y envía datos a un servidor. El servidor, a continuación, recupera los datos, los interpreta, realiza las acciones necesarias y los envía de vuelta al teléfono móvil. La aplicación interpreta entonces los datos y presenta la información deseada de manera legible. Todo ello sucede a través de una API.
(Mulesoft, 2022).
Parte II
1. Usando Libreria Wbstats
Utilizando Wbstats para acceso a los datos disponibles mediante api al Banco Mundial
Introducción
El Banco Mundial entrega información de múltiples indicadores
asociados a distintas áreas de interés como: Cambio Climático, Economía,
Salud, Educación, entre otros
En esta oportunidad elaboraremos una visualización basada en un
gráfico de serie de tiempo para ver la evolución del ingreso per cápita
de algunos países de la región.
Ejemplo #1
1.1 Llamando las Librerias
library(WDI)
library(wbstats)
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ ggplot2 3.3.6 ✔ purrr 0.3.5
## ✔ tibble 3.1.8 ✔ dplyr 1.0.10
## ✔ tidyr 1.2.1 ✔ stringr 1.4.1
## ✔ readr 2.1.3 ✔ forcats 0.5.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()1.1.1 Información de 1 Pais
gdp_data<- wb_data(country = "MX", indicator = "NY.GDP.PCAP.CD", start_date = 1973, end_date = 2022)
summary(gdp_data)## iso2c iso3c country date
## Length:49 Length:49 Length:49 Min. :1973
## Class :character Class :character Class :character 1st Qu.:1985
## Mode :character Mode :character Mode :character Median :1997
## Mean :1997
## 3rd Qu.:2009
## Max. :2021
## NY.GDP.PCAP.CD unit obs_status footnote
## Min. : 981.5 Length:49 Length:49 Length:49
## 1st Qu.: 2569.2 Class :character Class :character Class :character
## Median : 5650.0 Mode :character Mode :character Mode :character
## Mean : 5751.7
## 3rd Qu.: 9068.3
## Max. :10928.9
## last_updated
## Min. :2022-09-16
## 1st Qu.:2022-09-16
## Median :2022-09-16
## Mean :2022-09-16
## 3rd Qu.:2022-09-16
## Max. :2022-09-161.1.2 Mostrando los primeros 5 datos
head(gdp_data)## # A tibble: 6 × 9
## iso2c iso3c country date NY.GDP.PCAP.CD unit obs_status footnote last_upda…¹
## <chr> <chr> <chr> <dbl> <dbl> <chr> <chr> <chr> <date>
## 1 MX MEX Mexico 1973 981. <NA> <NA> <NA> 2022-09-16
## 2 MX MEX Mexico 1974 1242. <NA> <NA> <NA> 2022-09-16
## 3 MX MEX Mexico 1975 1476. <NA> <NA> <NA> 2022-09-16
## 4 MX MEX Mexico 1976 1454. <NA> <NA> <NA> 2022-09-16
## 5 MX MEX Mexico 1977 1301. <NA> <NA> <NA> 2022-09-16
## 6 MX MEX Mexico 1978 1589. <NA> <NA> <NA> 2022-09-16
## # … with abbreviated variable name ¹last_updated1.1.3 Mostrando los Ultimos 5 datos
tail(gdp_data)## # A tibble: 6 × 9
## iso2c iso3c country date NY.GDP.PCAP.CD unit obs_status footnote last_upda…¹
## <chr> <chr> <chr> <dbl> <dbl> <chr> <chr> <chr> <date>
## 1 MX MEX Mexico 2016 8745. <NA> <NA> <NA> 2022-09-16
## 2 MX MEX Mexico 2017 9288. <NA> <NA> <NA> 2022-09-16
## 3 MX MEX Mexico 2018 9687. <NA> <NA> <NA> 2022-09-16
## 4 MX MEX Mexico 2019 9950. <NA> <NA> <NA> 2022-09-16
## 5 MX MEX Mexico 2020 8432. <NA> <NA> <NA> 2022-09-16
## 6 MX MEX Mexico 2021 9926. <NA> <NA> <NA> 2022-09-16
## # … with abbreviated variable name ¹last_updated1.1.4 Grafica de 1 Pais
ggplot(gdp_data, aes(x = date, y = NY.GDP.PCAP.CD)) +
geom_point()
ggplot(gdp_data, aes(x = date, y = NY.GDP.PCAP.CD)) +
geom_col()
ggplot(gdp_data, aes(x = date, y = NY.GDP.PCAP.CD)) +
geom_col(fill = "red") +
geom_point(color = "blue")
1.1.5 Información de Varios Paises
more_gdp_data<- wb_data(country = c("NG", "HT", "KE"),
indicator = "NY.GDP.PCAP.CD",
start_date = 1981, end_date = 2015)
ggplot(more_gdp_data, aes(x=date,y=NY.GDP.PCAP.CD,color=country,shape=country))+
geom_point()
1.2 Ejemplo 2 Utilizando libreria Wbstats
Ejemplo # 2
1.2.1 Seleccionando el indicador
El comando WDISearch() permie realizar la búsqueda de los indicadores de
interés y permite incluir vairables de país con codificación iso2c En
esta oportunidad utilizaremos la data para extraer el ingreso per
cápita.
WDIsearch(string = "GDP per capita (current US$)",
field = "name",
short = FALSE)## [1] indicator name description sourceDatabase
## [5] sourceOrganization
## <0 rows> (or 0-length row.names)1.2.2 Buscando la data en la API
Si queremos transformar la información obtenida en un dataframe, lo
podemos hacer con el comando WDI() y usando la función data.frame.
Asimismo, seleccionar los paises y la fecha de inicio y término de la
serie de datos.
df <- data.frame(
WDI(country = c("CL",
"BR",
"CO",
"MX",
"PE",
"1W",
"ZJ"),
indicator = "NY.GDP.PCAP.CD",
start = 1980,
end = 2020,
extra = FALSE))
### 1.2.3 Visualizacion de los datos
head(df)## country iso2c iso3c year NY.GDP.PCAP.CD
## 1 Brazil BR BRA 2020 6814.876
## 2 Brazil BR BRA 2019 8876.060
## 3 Brazil BR BRA 2018 9151.382
## 4 Brazil BR BRA 2017 9928.676
## 5 Brazil BR BRA 2016 8710.063
## 6 Brazil BR BRA 2015 8813.990
### 1.2.4 Filtrando la data en distintos data frame para cada
país
Brasil <- df %>% filter(iso2c == "BR")
Colombia <- df %>% filter(iso2c == "CO")
Chile <- df %>% filter(iso2c == "CL")
Mexico <- df %>% filter(iso2c == "MX")
Peru <- df %>% filter(iso2c == "PE")
Mundo <- df %>% filter(iso2c == "1W")
LATAM <- df %>% filter(iso2c == "ZJ")1.2.5 Graficando la data
El código que se señala permite realizar la viusalización a través de la libreria plotly.
library(plotly)
trace0 <- Brasil$NY.GDP.PCAP.CD
trace1 <- Colombia$NY.GDP.PCAP.CD
trace2 <- Chile$NY.GDP.PCAP.CD
trace3 <- Mexico$NY.GDP.PCAP.CD
trace4 <- Peru$NY.GDP.PCAP.CD
trace5 <- Mundo$NY.GDP.PCAP.CD
trace6 <- LATAM$NY.GDP.PCAP.CD
dts <- Brasil$year
df.plot <- data.frame(dts, trace0, trace1, trace2, trace3, trace4, trace5, trace6)
p1 <- plot_ly(df.plot,
x = ~dts,
y = ~trace0,
name = "Brasil",
type = "scatter",
mode = "lines+markers") %>%
add_trace(y = ~trace1,
name = "Colombia",
type = "scatter",
mode = "lines+markers") %>%
add_trace(y = ~trace2,
name = "Chile",
type = "scatter",
mode = "lines+markers") %>%
add_trace(y = ~trace3,
name = "Mexico",
type = "scatter",
mode = "lines+markers") %>%
add_trace(y = ~trace4,
name = "Peru",
type = "scatter",
mode = "lines+markers") %>%
add_trace(y = ~trace5,
name = "Mundo",
type = "scatter",
mode = "lines+markers") %>%
add_trace(y = ~trace6,
name = "LATAM",
type = "scatter",
mode = "lines+markers") %>%
layout(title = "Ingreso per cápita LATAM",
xaxis = list(title = "Year",
zeroline = FALSE),
yaxis = list(title = "Ingreso Per cápita",
zeroline = FALSE))
p11.3 Conclusion del uso de la libreria Wbstats
Este codigo nos ayuda a extraer datos del banco mundial sobre muchos paises ya que ellos cuentan con muchisimas bases de datos. En este codigo se puede observar como el GDP de Mexico ha cambiado durante los años en una grafica y como el GDP de diferentes paises ha cambiado en una misma grafica.
2. Utilizando librerya IMFR
Utilizando IMFR para acceso a los datos disponibles mediante api al Fondo Monetario Internacional
3. Utilizando la libreria Comtradr
Utilizando Comtradr para acceso a los datos disponibles mediante api al Naciones Unidad
Ejemplo I
Cargando la libreria
library(comtradr)3.1 Planteamiento del ejemplo 1
Supongamos que queremos analizar la evolución de las exportaciones argelinas (valores monetarios de bienes y servicios) en relación con el mercado de Europa occidental que representa un mercado importante. Para ello, utilizaremos la función ct_search.
export_DZ <- ct_search(reporters = "Algeria",
partners = c("France", "Spain", "Italy", "Germany"),
trade_direction = "exports")
# nota: a API limita nuestra solicitud a 5 socios.3.1.1 Seleccionando Informacion Relevante para el ejemplo
library(tidyverse)
export_DZ <- as.tibble(export_DZ)## Warning: `as.tibble()` was deprecated in tibble 2.0.0.
## ℹ Please use `as_tibble()` instead.
## ℹ The signature and semantics have changed, see `?as_tibble`.export_DZ <- export_DZ %>% select(year, partner, trade_value_usd)
head(export_DZ)## # A tibble: 6 × 3
## year partner trade_value_usd
## <int> <chr> <dbl>
## 1 2017 France 4431261656
## 2 2017 Germany 14045034
## 3 2017 Italy 5629479666
## 4 2017 Spain 4103370763
## 5 2012 France 6124176488
## 6 2012 Germany 2381729293.1.2 Representaciòn Grafica
options(scipen = 999)
ggplot(export_DZ, aes(x = year, y= ((trade_value_usd)/1000))) +
facet_grid( ~ as.factor(partner))+
geom_line(size = 2, color = "lightgreen") +
ylab("trade value in 1000$")+
xlab("years")+
scale_x_continuous(breaks = c(seq(1992, 2015, by = 2), 2017))+
theme(axis.text.x = element_text(angle = 90, hjust = 1))
3.2.1 Ejemplo 2: El Salvador: Comercio salvadoreño y diversificación de mercados socios
Cargando librerias
library(dplyr)
library(tidyr)
library(stringr)
library(base)
library(kableExtra)## Warning in !is.null(rmarkdown::metadata$output) && rmarkdown::metadata$output
## %in% : 'length(x) = 3 > 1' in coercion to 'logical(1)'library(flextable)
library(ggplot2)
library(treemap)
library(RColorBrewer)
library(comtradr)
library(officer)3.2.2 Importación de datos
Los datos utilizados provienen de la base de datos mundial de comercio de mercancías UN COMTRADE. Una limitante en el acceso a los datos, es que sin una licencia, no es posible descargar datos a nivel de partida o subpartida. Por ello el análisis se realiza a nivel de capítulo arancelario del Sistema Armonizado.
#Exportaciones salvadoreñas
El_Salvador_export_HS2 <- ct_search(reporters = "El Salvador",
type = "goods",
commod_codes = "AG2",
freq = "annual",
partners = "All",
trade_direction = "exports",
start_date = '2020',
end_date = '2021')
#Importaciones salvadoreñas
El_Salvador_import_HS2 <- ct_search(reporters = "El Salvador",
type = "goods",
commod_codes = "AG2",
freq = "annual",
partners = "All",
trade_direction = "imports", start_date = '2020',
end_date = '2021')
#Balanza comercial salvadoreñas
El_Salvador_balanza_HS2 <- rbind(El_Salvador_import_HS2,
El_Salvador_export_HS2)3.2.3 Principales socios
En el presente gráfico se muestran los principales socios salvadoreños para las exportaciones e importaciones durante 2021.
El_Salvador_balanza_HS2 %>%
filter(partner != "World", year=="2021") %>%
group_by(trade_flow, partner)%>%
summarise(Valor=sum(trade_value_usd)) %>%
treemap(index = c("trade_flow","partner"),
vSize = "Valor", vColor = "partner",
range = c(0,50),
fontsize.labels=c(20, 10),
title = "El Salvador. Socios comerciales en 2021",
mirror.x = T,
palette = brewer.pal(n=5,"Paired"),
border.col = "grey")## `summarise()` has grouped output by 'trade_flow'. You can override using the
## `.groups` argument.
### 3.2.4 Principales productos comerciados
De igual forma, en la siguiente gráfica se muestran los capítulos del Sistema Armonizado y el comercio salvadoreño.
El_Salvador_balanza_HS2 %>% filter(partner == "World" & year=="2021") %>%
transform(commodity=str_sub(commodity, 1L, 30L)) %>%
group_by(trade_flow, commodity)%>%
summarise(Valor=sum(trade_value_usd)) %>%
treemap(index = c("trade_flow", "commodity"),
vSize = "Valor", vColor = "commodity",
range = c(0,50),
fontsize.labels=c(20, 10),
title = "El Salvador. Productos comerciados en el año 2021",
mirror.x = T,
palette = brewer.pal(n=3,"Paired"),
border.col = "grey")## `summarise()` has grouped output by 'trade_flow'. You can override using the
## `.groups` argument.
### 3.2.5 Principales exportaciones:
Top_Exportaciones<-El_Salvador_export_HS2 %>%
filter(year=="2021" & partner=="World") %>%
transform(trade_value_usd=round(trade_value_usd/1000000),1) %>%
arrange(desc(trade_value_usd)) %>% slice_max(trade_value_usd, n=5) %>%
select(commodity_code, commodity, trade_value_usd) %>%
transform(commodity=str_sub(commodity, 1L, 30L)) %>%
kable(caption = "Principales capítulos arancelarios exportados por El Salvador al año 2021",
align = 'c',
digits = round(1),
col.names = c("Capítulo", "Descripción", "Valor en millones de US$")) %>%
kable_classic() %>% kable_styling(font_size=14,
full_width = TRUE)%>%
kable_paper(full_width = F, "striped") %>%
column_spec(2, width = "30em", background = "#bdc9e1", bold = T, color = "Grid") %>%
add_footnote(c("Fuente= Elaboración propia con datos de UN COMTRADE"), notation = "none")
Top_Exportaciones| Capítulo | Descripción | Valor en millones de US$ |
|---|---|---|
| 61 | Apparel and clothing accessori | 1962 |
| 39 | Plastics and articles thereof | 519 |
| 48 | Paper and paperboard; articles | 386 |
| 85 | Electrical machinery and equip | 369 |
| 17 | Sugars and sugar confectionery | 316 |
| Fuente= Elaboración propia con datos de UN COMTRADE |
3.2.6 Diversificación de los destinos
La diversificación de la oferta exportable se analizó utilizando el indice Herfindahl
3.2.7 Indice Herfindahl aplicado a los flujos globales de comercio salvadoreño
Estimación del Índice Herfindahl
IHH<- El_Salvador_balanza_HS2 %>%
filter( partner!="World") %>%
transform(year=as.factor(year)) %>%
group_by(trade_flow, year, partner) %>%
summarise(Valor=sum(trade_value_usd)) %>%
mutate(S2= (round(Valor / sum(Valor),5))^2) %>% group_by(year, trade_flow) %>%
summarise(IH=sum(S2))## `summarise()` has grouped output by 'trade_flow', 'year'. You can override
## using the `.groups` argument.
## `summarise()` has grouped output by 'year'. You can override using the
## `.groups` argument.head(IHH)## # A tibble: 4 × 3
## # Groups: year [2]
## year trade_flow IH
## <fct> <chr> <dbl>
## 1 2020 Export 0.219
## 2 2020 Import 0.119
## 3 2021 Export 0.225
## 4 2021 Import 0.1283.2.8 Representación gráfica 2020-2021
## 3.2.9
Índice Herfindahl aplicado a las partidas arancelarias en el comercio
salvadoreño
IHH_HS2<- El_Salvador_balanza_HS2 %>%
filter( partner!="World") %>%
transform(commodity=str_sub(commodity, 1L, 30L),
year=as.factor(year)) %>%
group_by(trade_flow, year,commodity, partner) %>%
summarise(Valor=sum(trade_value_usd),
Volumen=sum(netweight_kg)) %>%
mutate(S2= (round(Valor / sum(Valor),5))^2) %>%
group_by(trade_flow, year, commodity) %>%
summarise(IH=sum(S2), Socios= n())## `summarise()` has grouped output by 'trade_flow', 'year', 'commodity'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'trade_flow', 'year'. You can override
## using the `.groups` argument.IHH_HS2## # A tibble: 384 × 5
## # Groups: trade_flow, year [4]
## trade_flow year commodity IH Socios
## <chr> <fct> <chr> <dbl> <int>
## 1 Export 2020 "Aircraft, spacecraft and parts" 0.958 3
## 2 Export 2020 "Albuminoidal substances; modif" 0.225 14
## 3 Export 2020 "Aluminium and articles thereof" 0.105 39
## 4 Export 2020 "Animal or vegetable fats and o" 0.462 8
## 5 Export 2020 "Animal originated products; no" 0.643 3
## 6 Export 2020 "Animals; live" 0.453 17
## 7 Export 2020 "Apparel and clothing accessori" 0.742 62
## 8 Export 2020 "Arms and ammunition; parts and" 0.612 8
## 9 Export 2020 "Articles of leather; saddlery " 0.400 31
## 10 Export 2020 "Beverages, spirits and vinegar" 0.186 22
## # … with 374 more rows3.2.10 Partidas arancelarias con menor valor del IH, y cambios entre 2020-2021
Top_IH<-IHH_HS2%>%
pivot_wider(names_from = year, values_from = c(IH, Socios)) %>%
mutate(`Variación de IH`= IH_2021-IH_2020,
`Variación del número de socios`= Socios_2021- Socios_2020 ) %>%
arrange(desc(`Variación del número de socios`))
Top_IH_HS4 <- Top_IH %>% group_by(trade_flow) %>%
slice_max(order_by = `Variación del número de socios`, n=5)
Top_IH_HS4%>% select(-trade_flow) %>%
kable(title="Top 5. Capítulos arancelarios con mejora en el número de socios",
align = 'c', digits = round(2),
col.names = c("trade_flow",
"Capítulo arancelario",
"IH 2021",
"IH 2020",
"Número de mercados 2021",
"Número de mercados 2020",
"Variación del IH 2020-2021",
"Variación del número de socios 2020-2021")) %>%
kable_classic() %>%
kable_styling(font_size=14,full_width = TRUE) %>%
pack_rows(
index = c("Exportaciones" = 5,
"Importaciones" = 5)) %>%
add_footnote(c("Fuente= Elaboración con datos de UN COMTRADE"), notation = "none")## Adding missing grouping variables: `trade_flow`| trade_flow | Capítulo arancelario | IH 2021 | IH 2020 | Número de mercados 2021 | Número de mercados 2020 | Variación del IH 2020-2021 | Variación del número de socios 2020-2021 |
|---|---|---|---|---|---|---|---|
| Exportaciones | |||||||
| Export | Railway, tramway locomotives, | 0.93 | 0.21 | 3 | 16 | -0.71 | 13 |
| Export | Nuclear reactors, boilers, mac | 0.16 | 0.17 | 43 | 53 | 0.01 | 10 |
| Export | Soap, organic surface-active a | 0.19 | 0.16 | 19 | 27 | -0.03 | 8 |
| Export | Paper and paperboard; articles | 0.20 | 0.20 | 45 | 51 | 0.00 | 6 |
| Export | Tools, implements, cutlery, sp | 0.15 | 0.15 | 37 | 43 | 0.00 | 6 |
| Importaciones | |||||||
| Import | Glass and glassware | 0.14 | 0.19 | 61 | 79 | 0.05 | 18 |
| Import | Vehicles; other than railway o | 0.12 | 0.12 | 88 | 102 | 0.00 | 14 |
| Import | Iron or steel articles | 0.14 | 0.15 | 84 | 95 | 0.01 | 11 |
| Import | Fruit and nuts, edible; peel o | 0.16 | 0.15 | 28 | 37 | -0.01 | 9 |
| Import | Tools, implements, cutlery, sp | 0.21 | 0.22 | 69 | 78 | 0.01 | 9 |
| Fuente= Elaboración con datos de UN COMTRADE | |||||||
4. Utilizando libreria Quantmod
Utilizando (quantmod) para acceso a los datos disponibles mediante api a Yahoo Finance
Ejemplo # 1
4.1 Preparacion de Datos
Aquí, cargamos todos los paquetes necesarios, importamos datos para el índice Wilshire 5000 de FRED, eliminamos los valores faltantes y limitamos nuestras observaciones al período entre 1980 y 2020. Luego trazamos los datos como un objeto de serie de tiempo interactivo usando el paquete dygraphs .
library(quantmod); library(ggplot2); library(dygraphs); options(scipen = 999)
wilsh <- getSymbols("WILL5000IND", src = "FRED", auto.assign = FALSE)
wilsh <- na.omit(wilsh)
wilsh <- wilsh["1980-01-02/2020-06-01"]
colnames(wilsh) <- "Index Value"
tail(wilsh)## Index Value
## 2020-05-22 140.71
## 2020-05-26 142.63
## 2020-05-27 144.90
## 2020-05-28 144.35
## 2020-05-29 145.04
## 2020-06-01 145.814.1.1 Representacion Grafica
dygraph(wilsh, main = "Wilshire 5000 Performance") %>%
dyAxis("y")4.1.2 Calculo de los rendimientos del ejemplo propuesto
El fragmento de código a continuación calcula los rendimientos logarítmicos y discretos diarios de nuestros datos de Wilshire 5000 e imprime las observaciones más recientes de cada uno. Para las observaciones diarias, los dos retornos son casi idénticos. Para períodos de tiempo más largos, la diferencia es mayor. De cara al futuro, es preferible utilizar rendimientos logarítmicos debido a la forma más simétrica de la distribución.
log_ret <- diff(log(wilsh))[-1]
disc_ret <- exp(log_ret) - 1
colnames(log_ret) <- "TR"
colnames(disc_ret) <- "TR"
tail(log_ret)## TR
## 2020-05-22 0.003060610
## 2020-05-26 0.013552830
## 2020-05-27 0.015789985
## 2020-05-28 -0.003802943
## 2020-05-29 0.004768660
## 2020-06-01 0.005294838tail(disc_ret)## TR
## 2020-05-22 0.003065298
## 2020-05-26 0.013645086
## 2020-05-27 0.015915305
## 2020-05-28 -0.003795721
## 2020-05-29 0.004780048
## 2020-06-01 0.0053088804.1.3 Visualizacion de los retornos
Visualizando el retornos de registro diarios de Wilshire 5000
mu.d <- mean(log_ret)
median.d <- median(log_ret)
sigma.d <- sd(log_ret)
cat(" Mean:", round(mu.d, 6), "\n",
"Median:", round(median.d, 6), "\n",
"Standard Deviation:", round(sigma.d, 6))## Mean: 0.000428
## Median: 0.00065
## Standard Deviation: 0.0110634.1.4 Calculo de devoluciones y grafico de rendimientosç
Aplicando funciones integradas para calcular las devoluciones semanales, mensuales, trimestrales y anuales. Siempre podemos convertir fácilmente entre retornos logarítmicos y discretos. Lo hacemos a continuación y graficamos rendimientos discretos anuales usando otra serie de tiempo interactiva.
log_ret.w <- apply.weekly(log_ret, FUN = sum)
log_ret.m <- apply.monthly(log_ret, FUN = sum)
log_ret.q <- apply.quarterly(log_ret, FUN = sum)
log_ret.y <- apply.yearly(log_ret, FUN = sum)
disc_ret.y <- exp(log_ret.y) - 1 # Convert yearly log returns to yearly discrete returns (conventionally reported)
dygraph(disc_ret.y, main = "Wilshire 5000 Index") %>%
dyAxis("y", label = "Yearly Discrete Return")4.1.5 Medicion de la volatilidad
Medición de la volatilidad: valor en riesgo y déficit esperado
Supongamos que tiene una cartera que refleja la Wilshire 5000: posee una colección bien diversificada de acciones estadounidenses. ¿Cómo evaluaría el riesgo de esa cartera? Una forma de cuantificar el riesgo es observando la desviación estándar, que le indica cuánto varían los rendimientos durante un período de tiempo determinado. Ya hemos calculado la desviación estándar de las devoluciones de registros diarios. Ahora podemos hacerlo para horizontes de tiempo más largos:
sigma.w <- sd(log_ret.w)
sigma.m <- sd(log_ret.m)
sigma.q <- sd(log_ret.q)
sigma.y <- sd(log_ret.y)
cat(" Weekly Standard Deviation:", round(sigma.w, 6), "\n",
"Monthly Standard Deviation:", round(sigma.m, 6), "\n",
"Quarterly Standard Deviation:", round(sigma.q, 6), "\n",
"Yearly Standard Deviation:", round(sigma.y, 6))## Weekly Standard Deviation: 0.023257
## Monthly Standard Deviation: 0.045091
## Quarterly Standard Deviation: 0.08521
## Yearly Standard Deviation: 0.1630294.1.6 Valoraciones del modelo
la desviación estándar de los rendimientos aumenta a medida que aumenta el horizonte temporal. Esto significa que, aunque los rendimientos logarítmicos del Wilshire 5000 no son muy volátiles en períodos cortos de tiempo (días, semanas), varían bastante en el transcurso de un mes o más.
Si bien ahora tenemos una idea de cuán volátil es nuestra cartera en diferentes horizontes de tiempo, esto no nos dice cuánto de su cartera podría perder en un día, mes, año, etc. Para medir eso, podemos incorporar dos conceptos en nuestro análisis: valor en riesgo (VaR) y déficit esperado (ES).
El valor en riesgo es la cantidad que una cartera puede perder para una probabilidad dada (1 - α) durante un período de tiempo específico. Nuestra probabilidad, α, suele establecerse en 0,05 o 0,01, correspondientes a niveles de confianza del 95 % o el 99 %, respectivamente. El VaR esencialmente nos dice: ¿Cuál es el peor rendimiento que experimentará nuestra cartera el 95% (o el 99%) del tiempo? Visualmente, el VaR con un nivel de confianza del 95 % para nuestros datos se ve así:
log_ret_plot <- ggplot(data = log_ret, aes(x = log_ret$TR)) +
geom_density(color = "darkblue", fill = "lightblue", size = 1.2) +
ggtitle("Daily Log Returns of the Wilshire 5000") +
geom_vline(xintercept = quantile(x = as.vector(log_ret), probs = 0.05), color = "red", size = 1.2, linetype = "longdash") +
xlab("Total Return") +
theme_minimal()
log_ret_plot## Don't know how to automatically pick scale for object of type xts/zoo. Defaulting to continuous.
Nos preocupa la cola izquierda de la distribución: rendimientos extremadamente negativos. Si estamos encontrando el VaR en un nivel de confianza del 95 %, estamos encontrando el rendimiento en el cuantil del 5 % de la distribución, lo que significa que el 95 % de los rendimientos observados caen a la derecha de ese valor. Por el contrario, también significa que el 5% de los rendimientos observados son peores que ese rendimiento. El déficit esperado, también conocido como valor en riesgo condicional (CVAR), es una idea relacionada. Expected Shortfall es el promedio de todos los retornos a la izquierda del VaR. En este caso, ES es el promedio del peor 5% de retornos. Muchos consideran que ES es superior al VaR porque tiene en cuenta los peores resultados posibles. Hay muchas formas sofisticadas de calcular VaR y ES usando R, pero la forma más simple es usar la distribución empírica de la siguiente manera:
VaR <- quantile(x = as.vector(log_ret), probs = 0.05) # 95% confianza
ES <- mean(log_ret[log_ret < VaR])
cat(" 95% Confidence:", "\n", "VaR:", round(VaR, 6), "\n", "ES:", round(ES, 6))## 95% Confidence:
## VaR: -0.016405
## ES: -0.026512¿Qué nos dicen nuestros resultados anteriores? Nuestro VaR de -0,016, o -1,6 %, indica que el 95 % de las rentabilidades logarítmicas diarias de Wilshire 5000 están a la derecha de (mejor que) esa rentabilidad, mientras que el 5 % son aún más negativas. Según nuestra distribución empírica, tenemos una confianza del 95 % en que nuestra cartera no experimentará una rentabilidad logarítmica inferior al -1,6 % en un día de negociación determinado. Nuestro ES de -0,0265, o -2,65 %, es el promedio del peor 5 % de resultados en nuestras distribuciones empíricas. Esto nos da una idea del “riesgo de cola” de nuestra cartera.
Imagine que invertimos $10,000 en esta cartera. Puede usar el VaR y el ES que calculamos para encontrar el cambio diario en los activos de la cartera con un 95 % de confianza. Esto requiere que usemos rendimientos discretos.
4.2 Ejemplo 2 utilizando Quantmon
Ejemplo # 2
Cargando la data
#install.packages('quantmod')
require(quantmod)
getSymbols("BAC")## [1] "BAC"head(BAC)## BAC.Open BAC.High BAC.Low BAC.Close BAC.Volume BAC.Adjusted
## 2007-01-03 53.40 54.18 52.99 53.33 16028200 39.43131
## 2007-01-04 53.33 53.89 53.05 53.67 13175000 39.68270
## 2007-01-05 53.59 53.59 53.03 53.24 10205000 39.36477
## 2007-01-08 53.46 53.64 52.80 53.45 9685900 39.52003
## 2007-01-09 53.60 53.71 52.97 53.50 12546500 39.55701
## 2007-01-10 53.26 53.70 53.16 53.58 10083900 39.61615tail(BAC)## BAC.Open BAC.High BAC.Low BAC.Close BAC.Volume BAC.Adjusted
## 2022-10-11 30.37 30.47 29.57 29.77 58124000 29.77
## 2022-10-12 29.64 30.31 29.48 29.86 36137900 29.86
## 2022-10-13 29.41 31.77 29.31 31.69 67671000 31.69
## 2022-10-14 31.81 32.63 31.57 31.70 58108500 31.70
## 2022-10-17 33.36 33.87 32.87 33.62 88896800 33.62
## 2022-10-18 34.98 35.36 34.28 34.88 81937900 34.88head(Ad(BAC))## BAC.Adjusted
## 2007-01-03 39.43131
## 2007-01-04 39.68270
## 2007-01-05 39.36477
## 2007-01-08 39.52003
## 2007-01-09 39.55701
## 2007-01-10 39.616154.2.1 Representacion grafica
Hay una serie de funciones de trazado integradas.
require(quantmod)
plot(Cl(BAC), col = 'black')
barChart(BAC)
# 4.3 Ejemplo 3 utilizando la libreria Quantmond
Desarrollo Ejemplo #3 obteniendo datos de Ford Motor Company
4.3.1 Cargando los datos
require(TTR)
require(quantmod)
getSymbols("GOOG")## [1] "GOOG"4.3.2 Representacion grafica
barChart(GOOG)
candleChart(GOOG,multi.col=TRUE,theme='white', subset = 'last 4 months')
chartSeries(GOOG)
4.3.3 Otra forma de representarlos graficamente
Graficando de Otra manera
getSymbols('CPIAUCNS',src='FRED')## [1] "CPIAUCNS"plot(CPIAUCNS)
plot(diff(log(CPIAUCNS), lag=12), main="CPI Inflation")
getSymbols('DEXJPUS',src="FRED")## [1] "DEXJPUS" plot(DEXJPUS, col = 'black', main = "USD-JPY")
/
______________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Bibliografia
Mulesorf (2022): ¿Qué es una API? (Interfaz de programación de aplicaciones), recuperado de: https://www.mulesoft.com/es/resources/api/what-is-an-api
Red Hat (2017): ¿Qué es una API?, Recuperado de: https://www.redhat.com/es/topics/api/what-are-application-programming-interfaces
Yúbal, Fernandez (2019): API: ¿Qué es y para que sirven?, Xataka basics. Recuperado de: https://www.xataka.com/basics/api-que-sirve