📈 Times Series:
El análisis de series temporales es una poderosa técnica que nos permite examinar de manera específica una secuencia de datos recopilados a lo largo de un período de tiempo. En lugar de recoger datos de forma intermitente o aleatoria, en este enfoque, los analistas registran datos a intervalos regulares durante un tiempo determinado.
Un ejemplo práctico de la aplicación de análisis de series temporales es el estudio del índice Standard & Poor's 500, comúnmente conocido como S&P 500. Este índice es uno de los indicadores bursátiles más influyentes en los Estados Unidos y se considera un reflejo preciso de la salud del mercado financiero. A través del análisis de series temporales, podemos desentrañar tendencias, patrones y cambios en el S&P 500 a lo largo del tiempo, lo que nos proporciona información valiosa para tomar decisiones informadas en el mundo de las inversiones.
Este enfoque analítico nos brinda una visión más profunda de la evolución de los datos a medida que avanzamos en el tiempo, lo que resulta esencial en la toma de decisiones estratégicas.
¡Sigue leyendo para descubrir cómo estas técnicas pueden desbloquear conocimientos cruciales para tu estrategia financiera!
📊Por qué las organizaciones utilizan el análisis de datos de series temporales?
El análisis de series temporales ayuda a las organizaciones a comprender las causas subyacentes de las tendencias o los patrones sistémicos a lo largo del tiempo.
La principal diferencia entre el análisis de series temporales y otras formas de análisis es que los datos se recogen a lo largo de intervalos regulares de tiempo. Esto ayuda al análisis a identificar patrones sistémicos en los datos que ayudan a formar tendencias, ciclos o variaciones estacionales.
Mediante las visualizaciones de los datos, los responsables empresariales pueden ver las tendencias estacionales y profundizar en el porqué de estas tendencias.
El análisis de series temporales es un tipo de análisis de datos que examina en profundidad los datos de series temporales, que son datos que cambian con el tiempo o para los que el tiempo se considera una variable en los resultados. El tiempo no es solo una medida incluida en los datos, sino que es el eje principal en el que se sitúan los datos.
Un factor importante para muchos análisis de datos es el impacto que tiene el tiempo en ellos. Ahí es donde entra en juego el análisis de series temporales. Al igual que ocurre con muchos tipos de análisis de datos habituales, puede ser difícil entender cómo funciona el análisis de series temporales sin tener conocimientos teóricos profundos o ejemplos de la vida real.
Con este proyecto quiero ejemplificar como se puede aplicar el análisis de series temporales a un conjunto de datos como el dataset de S&P 500.
📉Empezamos por importar las librerías:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
Empezaré por crear un dataframe a partir del conjunto de ficheros que tengo y son relativos a los precios de las acciones de cada empresa del índice.
Vamos a construir un dataframe solamente con 4 empresas (Apple, Amazon, Google, Microsoft):
company_list = [‘AAPL_data.csv’, ‘GOOG_data.csv’, ‘MSFT_data.csv’, ‘AMZN_data.csv’]
Es un dataframe con 4752 filas y 7 columnas:
(4752, 7)
Las columnas que tendremos en cuenta para este análisis son:
Fecha, Precio de apertura de las acciones, el precio más alto de la acción, el precio más bajo de la acción, el precio de cierre de la acción, el volumen negociado y el nombre de la acción.
1. Análisis del Precio de Cierre de las Acciones de las 4 Empresas
APPLE
Tiene un crecimiento continuo entre 2013 y 2015, sufre una bajada en el precio de sus acciones entre a mitad de 2015 y 2016. A partir de 2017 vemos que empieza a tener una tendencia de crecimiento continuo.
AMAZON
Tiene una tendencia de crecimiento exponencial, pero no se asemeja a una distribución exponencial, pero se parece un poco.
2. Calcular el volumen de Acciones negociados por dia
Apple tiene varios picos de volumen negociado, el pico máximo ha sido en Enero de 2014 con un volumen negociado de 266,83M€.
Google tiene varios picos de volumen negociado, el pico máximo ha sido el 17 de Julio de 2015 con un volumen negociado de 11,16M€.
Microsoft tiene varios picos de volumen negociado, el pico máximo ha sido el Julio de 2013 con un volumen negociado de 248,35M€.
Amazon ha tenido a lo largo de los años en estudio varias fluctuaciones del volumen negociado, ha tenido picos máximos de 14M€ en 2013, 16M€ en Enero de 2014, 17M€ en Julio de 2014, 19M€ en Oct de 2014, 23,8M€ en Ene de 2015, 21,9M€ en Julio de 2015. Estos picos pueden estar asociados a nuevos productos, nuevas áreas de negocio que hacen con que se incremente mucho el volumen negociado y baje el día siguiente.
3. Analizar la variación diaria del precio de las ACCIONES
Los precios de las acciones se determinan en el mercado, donde la oferta del vendedor se encuentra con la demanda del comprador.
Pero ¿Qué factores afectan al precio de una acción? Por desgracia, no existe una ecuación clara que nos diga exactamente cómo se comportará el precio de una acción.
Algunos factores que afectan al precio de las acciones son:
Oferta, Demanda, Sentimiento de los mercados, Noticias (el impacto de las noticias o los acontecimientos inesperados dentro de una empresa, un sector o la economía mundial, no se puede discutir que influye en el sentimiento de los inversores), la liquidez, Tendencias, Demográficos, Inflación.
Para este análisis de la variación diaria del precio de las ACIONES, he calculado dos nuevas variables:
Cambio de precios diario = Precio de Cierre – Precio de apertura
% Cambio de precios diario = ((Precio de Cierre – Precio de apertura) / Precio de Cierre)*100
Punto mínimo fue de 25 agosto 2015, 1day % return = -7.104299 y el máximo 24 agosto de 2015, 1day % return = 8.000. Esta subida tan radical y su consecuente bajada podrá estar relacionada con políticas gubernamentales, o la empresa Apple lanzó algún producto nuevo.
4. Analizar la media mensual del precio de cierre
La media mensual del precio de cierre:
5. ¿Comprobar si los precios de cierre de las acciones de estas empresas tecnológicas (Amazon, Apple, Google, Microsoft) están correlacionados o no?
El dataframe construido por los precios de cierre:
Análisis Multi-variate:
AMAZON VS MICROSOFT – ESTA NUBEN ESTÁ MUY CERCA A UNA LÍNEA LINEAR, LO QUE SIGNIFICA QUE EL PRECIO DE AMAZON AUMENTA CUANDO AUMENTA EL PRECIO DE MICROSOFT.
Correlación de las cotizaciones:
Amazon vs Microsoft tienen una correlación de 0.96, esto quiere decir que si el precio de cierre de Amazon aumenta hay 96% de probabilidad que el precio de cierre de Microsoft también aumente.
Análisis del valor en riesgo de Apple:
La distribución de la variable % Cambio de precios diario de Apple:
Esta variable parece que sigue una distribución normal.
コメント