En este proyecto, exploramos un conjunto de datos financieros con el fin de extraer información valiosa. A través del Análisis Exploratorio de Datos (EDA), investigamos la estructura, distribución y relaciones inherentes en estos datos. Nuestro objetivo es comprender la naturaleza de los activos financieros y su interacción en el mercado. Utilizamos visualizaciones y estadísticas descriptivas, identificar anomalías y comprender la dinámica subyacente de estos activos. Este repositorio contiene el código, gráficos y conclusiones de nuestro EDA, proporcionando una referencia clara y reproducible para otros analistas interesados en explorar estos datos financieros en profundidad.
1. Carga de datos y visualización de precios: Iniciamos el análisis cargando los datos y explorando la tendencia de los precios de los activos en nuestra cartera.
2. Cálculo de rendimientos diarios porcentuales: Calculamos los rendimientos diarios para comprender mejor la volatilidad y el desempeño de la cartera.
3. Análisis específico de la cartera: Profundizamos en el análisis de la cartera, identificando oportunidades y desafíos.
Durante este ejercicio, se utilizó y desarrolló lo siguiente:
-
Uso de librerías específicas: Se emplearon librerías especializadas en análisis de datos financieros para manipular, visualizar y analizar los datos de manera efectiva.
-
Data cleaning & Data Wrangling: Se llevaron a cabo procesos de limpieza y transformación de datos para asegurar la calidad y coherencia de los mismos, así como para prepararlos adecuadamente para su análisis.
-
Normalización de datos: Se aplicaron técnicas de normalización para estandarizar los datos y facilitar comparaciones significativas entre diferentes activos financieros.
-
Porcentajes de cambio (PCT): Se calcularon y utilizaron los porcentajes de cambio diarios para evaluar la variación en los precios de los activos a lo largo del tiempo.
-
Correlaciones lineales: Se exploraron las relaciones lineales entre los diferentes activos financieros en la cartera para entender cómo se comportan en conjunto.
-
Acumulación de productos: Se implementaron métodos para calcular la acumulación de productos, lo que proporciona información sobre el crecimiento total de la inversión a lo largo del tiempo.
-
Ponderación de DataFrames: Se llevó a cabo la ponderación de los datos para asignar diferentes pesos a los activos dentro de la cartera, lo que permite un análisis más preciso de su contribución al rendimiento general.
-
Volatilidad de rendimientos: Se analizó la volatilidad de los rendimientos diarios para evaluar el nivel de riesgo asociado con cada activo y la cartera en su conjunto.
¡Un saludo! ¡Espero que este análisis sea de ayuda!