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.
1.4 inventario de las API del Banco mundial(wbstats)
|
Paquete |
Descripción |
uso |
|
wbstats |
Es un paquete de R para buscar y descargar datos del API del Banco
Mundial. |
Library(wbstats) |
|
wb |
El valor predeterminado para el parámetro de país
es un valor especial de que, como es de esperar, devuelve datos sobre el
indicador seleccionado para el país. |
wb( country = "all", indicator, startdate, enddate, mrv, return_wide = FALSE, gapfill, freq, cache, lang = c("en",
"es", "fr", "ar",
"zh"), removeNA = TRUE, POSIXct = FALSE, include_dec = FALSE, include_unit = FALSE, include_obsStatus = FALSE, include_lastUpdated = FALSE ) |
|
wbcache |
Descarga una lista actualizada de información sobre países,
indicadores, fuentes, catálogo de datos, temas de indicadores, tipos de
préstamos y niveles de ingresos del Banco Mundial |
wbcache(lang = c("en",
"es", "fr", "ar",
"zh")) |
|
wbcountries |
Descarga información actualizada sobre países de la API del Banco
Mundial |
wb_countries(lang = c("en",
"es", "fr", "ar",
"zh")) |
|
wbsearch |
Permite encontrar indicadores que coincidan con un término de búsqueda. |
wbsearch(pattern = "insert_topic", fields = c("indicator",
"indicatorDesc"), extra = FALSE, cache |
|
wb_data |
Esta función descarga la información solicitada
usando la API del Banco Mundial |
wb_data( indicator, country = "countries_only", start_date, end_date, return_wide = TRUE, mrv, mrnev, cache, freq, gapfill = FALSE, date_as_class_date = FALSE, lang ) |
|
wbdatacatalog |
Descarga una lista actualizada del catálogo de datos del Banco Mundial |
wb_datacatalog() |
|
wbdatacatalog |
Descarga una lista actualizada del catálogo de datos del Banco Mundial |
wb_datacatalog() |
|
wbincome |
Descarga información actualizada sobre los tipos de ingresos de la API
del Banco Mundial |
wbincome(lang = c("en",
"es", "fr", "ar",
"zh")) |
|
wb_indicators |
Descarga información actualizada sobre indicadores de la API del Banco Mundial |
wb_indicators(lang, include_archive = FALSE) |
|
wblending |
Descarga información actualizada sobre los tipos de préstamos
disponibles de la API del Banco Mundial |
wblending(lang = "es") |
|
wbsources |
Descargue información actualizada sobre las fuentes de datos de la API
del Banco Mundial |
wbsources(lang = c("en",
"es", "fr", "ar",
"zh")) |
|
wbtopics |
Descargue información actualizada sobre el tema del indicador de la API
del Banco Mundial |
Topics<-wbtopics(lang = c("en", "es", "fr", "ar", "zh")) |
|
wb_cachelist |
Este marco de datos contiene información relevante
sobre cada país o región. Estos datos se denominan wb_cachelist
y proporcionan una instantánea información de los países disponibles, los
indicadores y otra información relevante. wb_cachelist
es por defecto la fuente desde la cual wbsearch() y wb() usan para encontrar
información coincidente. |
wb_cachelist |
2. Utilizando librerya IMFR
Utilizando IMFR para acceso a los datos disponibles mediante api al Fondo Monetario Internacional
###2.1 cargando libreria y accediendo a la informacion
library(imfr)
real_ex <- imf_data(database_id = 'IFS', indicator = 'EREER_IX',
country = c('CN', 'GB'), freq = 'A',
start = 2013, end = current_year())##
|
| | 0%
|
|=========== | 16%
|
|======================================================================| 100%segundo ejemplo
imf_databases<-imf_ids()##
|
| | 0%
|
|=================================== | 49%
|
|============================================ | 63%
|
|=============================================================== | 90%
|
|======================================================================| 100%head(imf_databases,10)## database_id
## 1 BOP_2017M06
## 2 BOP_2020M3
## 3 BOP_2017M11
## 4 DOT_2020Q1
## 5 GFSMAB2016
## 6 BOP_2019M12
## 7 GFSYFALCS2014
## 8 GFSE2016
## 9 FM201510
## 10 GFSIBS2016
## description
## 1 Balance of Payments (BOP), 2017 M06
## 2 Balance of Payments (BOP), 2020 M03
## 3 Balance of Payments (BOP), 2017 M11
## 4 Direction of Trade Statistics (DOTS), 2020 Q1
## 5 Government Finance Statistics Yearbook (GFSY 2016), Main Aggregates and Balances
## 6 Balance of Payments (BOP), 2019 M12
## 7 Government Finance Statistics Yearbook (GFSY 2014), Financial Assets and Liabilities by Counterpart Sector
## 8 Government Finance Statistics Yearbook (GFSY 2016), Expense
## 9 Fiscal Monitor (FM) October 2015
## 10 Government Finance Statistics Yearbook (GFSY 2016), Integrated Balance Sheet (Stock Positions and Flows in Assets and Liabilities)2.2 Inventario de la libreria del Fondo Monetario Internacional(imfr)
|
Paquete |
Descripción: |
Uso |
Argumento |
|
all_iso2c |
Data frame de 253 códigos de
país de dos letras ISO |
Uso: all_iso2c |
|
|
Current_year |
Regresar al año actual |
Uso: año corriente () |
|
|
imf_codelist |
Recuperar la lista de códigos (codelist) de una base de datos
individual del Fondo Monetario
Internacional. |
Uso: imf_codelist (database_id, return_raw =
FALSO, veces = 3) Valor: Si return_raw = FALSE, se
devuelve un data frame con los ID y las descripciones
de la lista de códigos. Si return_raw = TRUE,
entonces se devuelve la lista de estructuras de datos sin procesar. |
database_id : cadena de
caracteres de un database_id de imf_ids. return_raw: lógico. Si
devolver la lista de estructura de datos sin procesar o un data frame con lista de códigos, códigos y descripciones. Times: Número
máximo de solicitudes para intentar |
|
imf_codes |
Recuperar códigos de bases de datos individuales |
Uso: imf_codes (codelist, return_raw = FALSE,
times = 3) Valor: Si return_raw = FALSE, se
devuelve un data frame con los códigos y las
descripciones. Si return_raw = VERDADERO luego se
devuelve la lista de códigos sin procesar. |
Argumentos: Codelist:
cadena de caracteres de una lista de códigos de imf_codelist. Return_raw: lógico.
Si devolver la lista de códigos sin formato o un marco de datos con variable
códigos y descripciones. Times: numérico. Número máximo de solicitudes para intentar. |
|
imf_data |
Se utiliza para descargar un dato del FMI. |
Uso: imf_data (database_id, indicator, country = "all", start
= 2000, end = current_year (), freq
= "A", return_raw = FALSE, print_url = FALSE, times = 3) Valor: Si return_raw = FALSE, se
devuelve un data frame con solo la serie de datos
solicitada. Si return_raw = TRUE, entonces se
devuelve la lista de datos sin procesar. Esto puede incluir información
adicional sobre la serie. |
Argumentos: Database_id: ID de
base de datos de cadena de caracteres. Se puede encontrar usando imf_ids. Indicator: cadena
de caracteres o vector de caracteres de ID de indicador. Estos se pueden
encontrar usando códigos_imf. Country:
cadena de caracteres o vector de caracteres de códigos de paísde
dos letras ISO que identifican los países Si país = 'todos' entoncesimf_data
intentará descargar todos los países disponibles. Start: año para el que le gustaría comenzar a recopilar los
datos. End: año
para el que le gustaría terminar de recopilar los datos. Freq: cadena de caracteres que indica la frecuencia de la
serie. Con 'A' para anual, 'Q' para trimestral y 'M' para mensual. Return_raw: lógico. Si devolver los datos como una lista sin
procesar. Print_url: lógico. Si imprimir la URL utilizada en la llamada a la
API. Puede ser útil para depuración. Times: numérico.
Número máximo de solicitudes para intentar. |
|
imf_ids |
Lista de ID de la base de datos imf. |
Uso: imf_ids (return_raw = FALSE, times = 3) Valor: Si return_raw = FALSE, se devuelve
un data frame con los ID y las descripciones de la
base de datos. Si return_raw = TRUE, luego se
devuelve la lista de flujo de datos sin procesar. |
Argumentos: Return_raw : lógico. Si
devolver la lista de flujo de datos sin procesar o un marco de datos con base
de datos identificaciones y nombres. Times: Número máximo de solicitudes para intentar. |
|
imf_metadata |
Acceda a metadatos para series de países |
Uso: imf_metadata (database_id, indicator,
country = "all", start = 2000, end = current_year
(), return_raw = FALSE) |
Argumentos: database_id: cadena
de caracteres de ID. Indicator: cadena
de caracteres del indicador del ID del indicador. Estos se pueden encontrar
usando imf_codes. Country: cadena
de caracteres de país o vector de caracteres de códigos de país de dos letras
ISO que identifican los países para los que desea descargar los metadatos del
indicador. si country = 'all', se
descargarán todos los países disponibles. Start: año para
el que le gustaría comenzar a recopilar los datos. End: año
para el que le gustaría terminar de recopilar los datos. Return_raw: lógico.
Si devolver los metadatos sin procesar en un marco de datos con solo lo
solicitado metadatos de datos. |
|
imf_metastructure |
Recupere la estructura de metadatos de una base de datos
del FMI individual. |
Uso: imf_metastructure (database_id, return_raw = FALSE) Valor: Si return_raw = FALSE, se devuelve un data frame
con los ID y las descripciones de la lista de códigos. Si return_raw
= TRUE, entonces se devuelve la lista de estructuras de datos sin procesar. |
Argumentos: database_id : cadena de caracteres de un database_id
de imf_ids. return_raw : lógico. Si devolver la lista de estructura de
metadatos sin procesar o un data frame con códigos
de listas de códigos y descripciones |
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 | |||||||
###3.3 inventario de la API de Las Naciones Unidas(comtradr)
|
Definición |
Uso |
Detalles |
|
Devuelve el
"tipo" de la base de datos de mercancías actual que está utilizando
en comtradr. Para una lista completa de los diferentes tipos de bases de
datos de mercancías, consulte "detalles". |
ct_commodity_db_type() Valor: Vector de caracteres
del "tipo" de la base de datos de mercancías actual. |
A continuación,
se presentan algunos ejemplos de los tipos de bases de las mercancías: • HS: Harmonized System (HS), as reported • HS1992: HS 1992 • HS1996: HS 1996 • HS2002: HS 2002 • HS2007: HS 2007 • HS2012: HS 2012 |
|
La API de Comtrade
requiere que las búsquedas de productos básicos se realicen utilizando
códigos de productos básicos. Esta es una función auxiliar para consultar la
base de datos de productos Comtrade. Toma como entrada un vector de
mercancías o códigos de mercancías. La salida es una lista o vector de
descripciones o códigos de mercancías asociado con la entrada search_terms. |
Uso: ct_commodity_lookup( search_terms, return_code = FALSE, return_char = FALSE, verbose = TRUE, ignore.case = TRUE, ) Valor: Una lista o vector de
caracteres de descripciones de mercancías y/o códigos de mercancías que
coinciden con los elementos de "search_terms". |
Esta función
utiliza expresiones regulares (regex) para encontrar coincidencias dentro de
la base de datos de productos básicos. Argumentos: +search_terms:
Nombres de productos básicos o códigos de productos básicos, como un carácter
o vector numérico. + return_code:
Logical, si se establece en FALSO, la función devolverá un conjunto de
descripciones de mercancías junto con los códigos de productos básicos (como
una sola cadena para cada coincidencia encontrada), si se establece en TRUE
devolverá solo los códigos de productos básicos. El valor predeterminado es
FALSO + return_char:
Logical, si se establece en FALSO, la función devolverá las coincidencias
como una lista con nombre, si se ha establecido en TRUE, los devolverá como
un vector de caracteres. El valor predeterminado es FALSO. + verbose:
Logical, si se establece en VERDADERO, se imprimirá un mensaje de advertencia
en la consola si alguno de los elementos de entrada "search_terms"
no arrojaron coincidencias (el mensaje indicará qué elementos no arrojaron
datos). El valor predeterminado es VERDADERO. |
|
Los nombres de países
pasados a la API de Comtrade deben tener una
ortografía/mayúsculas precisas. Esto es una función de ayuda para consultar
los nombres de países/la ortografía utilizada por Comtrade. Toma como entrada
un vector de nombres de países, la salida es cualquier nombre de país que
contenga cualquiera de las cadenas de entrada, utilizando expresiones
regulares a través de la función base grepl. |
Uso: ct_country_lookup( search_terms, type = c("reporter", "partner"), ignore.case = TRUE, ) Valor: Un vector de
caracteres de nombres de países que son coincidencias completas o parciales
con cualquiera de los datos de entrada nombres de países. |
Esta función utiliza
expresiones regulares (regex) para encontrar coincidencias dentro de la base
de datos del país. Esto significa que tratará como una coincidencia cualquier
cadena de país que contenga el término de búsqueda de entrada. Argumentos: + search_terms:
vector de nombres de países. + type:
es la lista de países que se usará para la búsqueda, las entradas válidas son
"reportero" y "socio". + ignore.case:
logical, para ser pasado al argumento ignore.case dentro de grepl.
El valor predeterminado es CIERTO. |
|
Se puede
obtener el número restante de consultas que quedan en la hora actual. |
Uso: ct_get_remaining_hourly_queries() Valor: Valor numérico,
número de consultas actuales que quedan en la hora. |
- |
|
Se puede
obtener la hora en la que se restablecerá el límite horario. |
Uso: ct_get_reset_time(set = NULL) Valor: Fecha y hora en que
se restablecerá el límite de consultas por hora. El retorno es un objeto
"POSIXct" |
Argumentos: + set: logical, si es VERDADERO y el tiempo de reinicio actual
es NULL, se configura el tiempo de reinicio para que sea una hora desde el Systime
actual. |
|
Vector con
nombre de encabezados de columna pulidos, diseñado para usarse con gráficos,
tablas de publicación, etc. |
Uso: data(ct_pretty_cols) |
Vector con nombre,
con los encabezados de columna pulidos como nombres y la columna legible por
máquina encabezados como los valores. Cada elemento debe tratarse como un par
clave-valor. La función ct_search devuelve datos con los encabezados
de columna legibles por máquina de forma predeterminada. |
|
Función para
configurar un token de API para la API Comtrade de la ONU. Los detalles sobre
tokens y límites de tasa pueden ser encontrados en el siguiente link: |
Uso: ct_register_token(token) Valor: Estableceel token API
comtradr y actualiza los límites de tasa. |
Argumentos: + token: cadena de caracteres, token de API válido. |
|
Se pueden
realizar consultas a la API Comtrade de la ONU, los datos se devuelven como
un marco de datos ordenado. Comtrade es una base de datos organizada por las
Naciones Unidas que alberga datos de envío a nivel de país. |
Uso: ct_search( reporters, partners, trade_direction = c("all", "imports",
"exports", "re_imports", "re_exports"), freq = c("annual", "monthly"), start_date = "all", end_date = "all", commod_codes = "TOTAL", max_rec = NULL, type = c("goods", "services"), url = "https://comtrade.un.org/api/get?" ) Valor: Marco de datos de los
datos de envío de Comtrade. |
Argumentos: + reporters: País(es) de interés, como vector de caracteres. Puede
ser un vector de nombres de países o "All" para representar a todos
los países. + partners:
País(es) que han interactuado con el(los) país(es) informante(s), como un
vector de caracteres. Puede ser un vector de nombres de países o "All"
para representar a todos los países. + trade_direction:
Indicación de las direcciones comerciales en las que centrarse, como un
vector de caracteres. Debe ser "All" o un vector que contenga
cualquier combinación de lo siguiente: "imports", "exports",
"re_imports", "re_exports". + freq: Frecuencia
de tiempo de los resultados devueltos, como una cadena de caracteres. Debe
ser "annual" o "monthly". + start_date:
Fecha de inicio de un período de tiempo, o "All". + end_date:
Fecha de finalización de un período de tiempo, o "All". + commod_codes:
Vector de caracteres de códigos de mercancías, o "TOTAL". Los
códigos de productos básicos válidos como entrada restringirán la consulta
para buscar solo el comercio relacionado con esos productos básicos. + max_rec:
Número máximo de registros devueltos por cada llamada a la API, como un
número entero. + type: Tipo
de comercio, como una cadena de caracteres. Debe ser "goods" o
"services". El valor predeterminado es "goods". + url: Base
de la cadena de URL de Comtrade, como una cadena de caracteres. ¿El valor
predeterminado es “https://comtrade.un.org/api/get?" y no debe cambiarse
a menos que Comtrade cambie su URL de punto final. |
|
El uso de la
API de Comtrade requiere acceso a la base de datos de países y productos
básicos de Comtrade. El paquete comtradr mantiene cada base de datos guardada
como un marco de datos en el directorio del paquete, como Comtrade actualiza
estas bases de datos con poca frecuencia (aproximadamente una vez al año). |
Uso: force = FALSE, verbose = TRUE, commodity_type = c("HS", "HS1992",
"HS1996", "HS2002", "HS2007",
"HS2012", "HS2017", "SITC", "SITCrev1",
"SITCrev2", "SITCrev3", "SITCrev4",
"BEC", "EB02"), commodity_url = NULL, reporter_url = NULL, partner_url = NULL ) Valor: Base de datos
actualizada de commodities y países. |
Argumentos: + force: lógico,
si es VERDADERO, se descargarán las bases de datos de países y productos
básicos, independientemente del estado de la base de datos en el archivo. El
valor predeterminado es FALSO. + verbose:
lógico, si es VERDADERO, se imprimirá un mensaje de estado de actualización
en la consola. Por defecto el valor es VERDADERO. + commodity_type:
Esquema de clasificación de datos comerciales a utilizar, consulte
"detalles" para obtener una lista de las entradas válidas. El valor
predeterminado es "HS", que es el "tipo" predeterminado
de la base de datos de productos en archivo al instalar comtradr. + commodity_url:
Valor predeterminado NULL. Solo es necesario si el sitio de Comtrade cambia
de https://comtrade.un.org/data/cache/. + reporter_url:
Valor predeterminado NULL; de lo contrario, debería ser una URL como una
cadena de caracteres que apunte al conjunto de datos JSON de las áreas del
reportero en el sitio web de Comtrade. solo necesario si el sitio de Comtrade
cambia de https://comtrade.un.org/data/cache/reporterAreas.json + partner_url:
Valor predeterminado NULL; de lo contrario, debería ser una URL como una
cadena de caracteres que apunte al conjunto de datos JSON de las áreas del
reportero en el sitio web de Comtrade. solo necesario si el sitio de Comtrade
cambia de https://comtrade.un.org/data/cache/áreassocio.json
|
|
Transformar los
encabezados de columna de los datos de retorno de la función ct_search en un
conjunto más "pulido" de encabezados de columna. Diseñado para
usarse con diagramas, tablas de publicación, etc. |
Uso: ct_use_pretty_cols(df) Valor: Dataframe, entrada df
con encabezados de columna pulidos. |
Argumentos: + df: Dataframe,
marco de datos API de Comtrade, devuelto desde la función ct_search. |
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 39.36476
## 2007-01-08 53.46 53.64 52.80 53.45 9685900 39.52004
## 2007-01-09 53.60 53.71 52.97 53.50 12546500 39.55699
## 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
## 2022-10-12 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 34.88
## 2022-10-19 34.58 34.83 33.77 33.92 43118100 33.92head(Ad(BAC))## BAC.Adjusted
## 2007-01-03 39.43131
## 2007-01-04 39.68270
## 2007-01-05 39.36476
## 2007-01-08 39.52004
## 2007-01-09 39.55699
## 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")
###4.4 Inventario para las API de Yahoo finance(quantmod)
|
Función |
Librería |
Descripción |
|
Carga y
administra datos |
getSymbols |
Funciones para cargar y administrar Símbolos en un
entorno específico. Usado por specifycModel para
recuperar los símbolos especificados en el primer paso del procedimiento de
modelado. |
|
Crear gráficos |
chartSeries |
Herramienta de gráficos para crear gráficos
financieros estándar dada una serie de tiempo como objeto. Sirve como función
base para futuras adiciones de análisis técnico. Los posibles estilos de
gráficos incluyen velas, coincidencias, barras y líneas. |
|
Cambiar
el nivel de zoom del gráfico |
zoomChart |
Esta función se llama por su efecto secundario, cambiar
la perspectiva del gráfico actual y cambiar su nivel de subconjunto formal.
Los datos subyacentes adjuntos al gráfico no se modifican. |
|
Calcular la variación porcentual |
Delt |
Calcula la diferencia porcentual del período k
dentro de una serie. Se utiliza principalmente para calcular el cambio
porcentual de un período a otro de una serie dada, o para calcular la
diferencia porcentual entre dos series sobre la serie completa. |
|
Prueba si
el objeto es de tipo quantmod |
is.quantmod |
Prueba si el objeto es de tipo quantmod
o quantmodResults. |
|
Administra
listas de argumentos de TA |
setTA |
Se utiliza para administrar los argumentos TA
utilizados dentro de las llamadas de chartSeries. |
|
Crear un
tema de gráfico |
chartTheme |
Crea un objeto chart.theme para usar dentro de chartSeries
para administrar los colores de gráfico deseados. |
|
Crear
objeto de datos para un modelo |
buildData |
Crea un objeto de datos a partir de múltiples
fuentes, aplicando transformaciones a través del mecanismo de fórmula R
estándar. |
/
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