Aplicación 1.3: Datos financieros
Propiedades estadísticas básicas de los activos bursátiles
El objetivo de esta aplicación es familiarizarse con la descarga, manejo y visualización de datos bursátiles procedentes de la plataforma Yahoo!Finanzas, así como entender las propiedades estadísticas básicas de las series temporales asociadas.
Se usará el enfoque tidyverse para este tipo de datos, por lo que esta aplicación puede entenderse como un “análisis financiero ordenado” (tidy finance). Para una exposición completa de todos los métodos y modelos empíricos recientes de economía financiera puede consultarse la página https://www.tidy-finance.org/ y los libros online (usando R o Python) asociados a la misma.
Code
# Lectura de librerías
library(tidyverse)
library(tidyquant)
library(scales)
#
# Descarga de los datos de un activo bursátil desde Yahoo!Finanzas
#
# Para acceder a los datos diarios del precio de las acciones
# se usa el comando tq_get de la librería tidyquant.
# Solicitaremos los datos del Banco Santander, S.A. (ticker: SAN.MC)
# desde el año 2000:
# https://es.finance.yahoo.com/quote/SAN.MC?p=SAN.MC&.tsrc=fin-srch
#
pSAN <- tq_get("SAN.MC",
get = "stock.prices",
from = "2000-01-01",
to = "2023-12-31"
)
head(pSAN)# A tibble: 6 × 8
symbol date open high low close volume adjusted
<chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 SAN.MC 2000-01-03 9.95 9.99 9.74 9.85 8797337 2.71
2 SAN.MC 2000-01-04 9.73 9.78 9.53 9.62 8811013 2.64
3 SAN.MC 2000-01-05 9.43 9.56 9.30 9.38 9333517 2.58
4 SAN.MC 2000-01-06 9.38 9.38 9.38 9.38 0 2.58
5 SAN.MC 2000-01-07 9.45 9.82 9.44 9.80 9603132 2.69
6 SAN.MC 2000-01-10 9.88 9.88 9.62 9.71 6747710 2.67Code
tail(pSAN)# A tibble: 6 × 8
symbol date open high low close volume adjusted
<chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 SAN.MC 2023-12-20 3.80 3.81 3.74 3.79 27342468 3.63
2 SAN.MC 2023-12-21 3.79 3.81 3.76 3.79 15816650 3.64
3 SAN.MC 2023-12-22 3.79 3.83 3.79 3.81 20983223 3.65
4 SAN.MC 2023-12-27 3.79 3.82 3.76 3.81 33514637 3.65
5 SAN.MC 2023-12-28 3.81 3.82 3.78 3.79 17505114 3.63
6 SAN.MC 2023-12-29 3.79 3.80 3.77 3.78 15848727 3.62Code
# Gráfica de serie temporal: evolución temporal de los precios
pSAN %>%
ggplot(aes(x = date, y = adjusted)) +
geom_line() +
labs(
x = NULL,
y = NULL,
title = "Precio de las acciones del Banco Santander (EUR)"
)
Code
# Cálculo de los rendimientos netos diarios (returns)
rSAN <- pSAN %>%
arrange(date) %>%
mutate(ret = 100*(adjusted / lag(adjusted) - 1)) %>%
select(symbol, date, ret)
head(rSAN)# A tibble: 6 × 3
symbol date ret
<chr> <date> <dbl>
1 SAN.MC 2000-01-03 NA
2 SAN.MC 2000-01-04 -2.37
3 SAN.MC 2000-01-05 -2.43
4 SAN.MC 2000-01-06 0
5 SAN.MC 2000-01-07 4.43
6 SAN.MC 2000-01-10 -0.883Code
tail(rSAN)# A tibble: 6 × 3
symbol date ret
<chr> <date> <dbl>
1 SAN.MC 2023-12-20 -0.0923
2 SAN.MC 2023-12-21 0.106
3 SAN.MC 2023-12-22 0.395
4 SAN.MC 2023-12-27 0.0525
5 SAN.MC 2023-12-28 -0.591
6 SAN.MC 2023-12-29 -0.211 Code
# Eliminación de datos perdidos (missing data)
rSAN <- rSAN %>%
drop_na(ret)
# Evolución temporal de las rentabilidades diarias
rSAN %>%
ggplot(aes(x = date, y = ret)) +
geom_line() +
labs(
x = NULL,
y = NULL,
title = "Rendimiento de las acciones del Banco Santander (%)"
)
Code
# Distribución de los rendimientos diarios
# (detección de asimetrías y exceso de curtosis)
q5 <- quantile(rSAN %>% pull(ret), probs = 0.05)
q95 <- quantile(rSAN %>% pull(ret), probs = 0.95)
rSAN %>%
ggplot(aes(x = ret)) +
geom_histogram(bins = 100) +
geom_vline(aes(xintercept = q5), linetype = "dashed") +
geom_vline(aes(xintercept = q95), linetype = "dashed") +
labs(
x = NULL,
y = NULL,
title = "Distribución de los rendimientos del Banco Santander"
) +
scale_x_continuous(labels = percent)
Code
# Estadística resumen global
rSAN %>%
summarize(across(
ret,
list(
media = mean,
desv_típica = sd,
mínimo = min,
máximo = max
)
))# A tibble: 1 × 4
ret_media ret_desv_típica ret_mínimo ret_máximo
<dbl> <dbl> <dbl> <dbl>
1 0.0290 2.22 -19.9 23.2Code
# Estadística resumen por años
rSAN %>%
group_by(year = year(date)) %>%
summarize(across(
ret,
list(
media = mean,
desv_típica = sd,
mínimo = min,
máximo = max
),
.names = "{.fn}"
)) %>%
print(n = Inf)# A tibble: 24 × 5
year media desv_típica mínimo máximo
<dbl> <dbl> <dbl> <dbl> <dbl>
1 2000 0.0424 2.30 -6.86 9.09
2 2001 -0.0279 2.52 -9.88 10.1
3 2002 -0.0757 3.13 -10.7 9.43
4 2003 0.176 2.09 -5.58 8.99
5 2004 0.0135 1.15 -4.42 3.57
6 2005 0.0948 0.885 -3.13 3.56
7 2006 0.113 1.10 -3.48 3.45
8 2007 0.0419 1.32 -4.40 4.15
9 2008 -0.200 3.41 -11.9 14.3
10 2009 0.283 2.91 -8.16 13.4
11 2010 -0.0833 2.86 -9.40 23.2
12 2011 -0.0516 2.39 -8.33 9.56
13 2012 0.0911 2.41 -7.32 10.7
14 2013 0.0795 1.64 -5.70 5.16
15 2014 0.0704 1.41 -4.03 3.78
16 2015 -0.121 2.06 -14.1 5.93
17 2016 0.0917 2.78 -19.9 7.58
18 2017 0.0698 1.40 -3.83 5.82
19 2018 -0.109 1.37 -5.43 3.73
20 2019 0.00873 1.54 -4.29 4.29
21 2020 -0.0676 3.63 -16.9 19.2
22 2021 0.0852 1.92 -8.92 6.87
23 2022 0.0216 2.21 -7.69 7.25
24 2023 0.150 1.79 -7.35 5.73Code
# Lectura de librerías
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from plotnine import *
from datetime import datetime
from mizani.formatters import percent_format
import yfinance as yf
import warnings
warnings.filterwarnings("ignore")
#
# Descarga de los datos diarios del precio de las acciones del Santander
#
# Creación del ticker del Banco Santander
SAN = yf.Ticker("SAN.MC")
# Lectura de los datos para el período seleccionado
pSAN = yf.download("SAN.MC", start="2000-01-01", end="2023-12-31")
[*********************100%%**********************] 1 of 1 completedCode
print(pSAN) Open High Low Close Adj Close Volume
Date
2000-01-03 9.953261 9.987881 9.736886 9.849401 2.705216 8797337
2000-01-04 9.728231 9.780161 9.529166 9.615716 2.641033 8811013
2000-01-05 9.433961 9.555131 9.304136 9.382031 2.576851 9333517
2000-01-06 9.382031 9.382031 9.382031 9.382031 2.576851 0
2000-01-07 9.451271 9.823436 9.442616 9.797471 2.690955 9603132
... ... ... ... ... ... ...
2023-12-21 3.787500 3.808000 3.759000 3.793000 3.635945 15816650
2023-12-22 3.790500 3.827000 3.785000 3.808000 3.650324 20983223
2023-12-27 3.787000 3.817000 3.759500 3.810000 3.652241 33514637
2023-12-28 3.814000 3.817500 3.775000 3.787500 3.630672 17505114
2023-12-29 3.785500 3.802000 3.772000 3.779500 3.623004 15848727
[6165 rows x 6 columns]Code
pSAN = (pSAN.reset_index())
pSAN.head() Date Open High Low Close Adj Close Volume
0 2000-01-03 9.953261 9.987881 9.736886 9.849401 2.705216 8797337
1 2000-01-04 9.728231 9.780161 9.529166 9.615716 2.641033 8811013
2 2000-01-05 9.433961 9.555131 9.304136 9.382031 2.576851 9333517
3 2000-01-06 9.382031 9.382031 9.382031 9.382031 2.576851 0
4 2000-01-07 9.451271 9.823436 9.442616 9.797471 2.690955 9603132Code
pSAN.tail() Date Open High Low Close Adj Close Volume
6160 2023-12-21 3.7875 3.8080 3.7590 3.7930 3.635945 15816650
6161 2023-12-22 3.7905 3.8270 3.7850 3.8080 3.650324 20983223
6162 2023-12-27 3.7870 3.8170 3.7595 3.8100 3.652241 33514637
6163 2023-12-28 3.8140 3.8175 3.7750 3.7875 3.630672 17505114
6164 2023-12-29 3.7855 3.8020 3.7720 3.7795 3.623004 15848727Code
# Gráfica de serie temporal: evolución temporal de los precios
(
ggplot(pSAN, aes(y="Adj Close", x="Date"))
+ geom_line()
+ labs(x="Día", y="", title="Precio de las acciones del Banco Santander (EUR)")
)<Figure Size: (640 x 480)>
Code
# Cálculo de los rendimientos netos diarios
def ret(x):
x_change = 100*(x/x.shift(1)-1)
return x_change
pSAN['ret'] = ret(pSAN['Adj Close'])
pSAN['ret']0 NaN
1 -2.372573
2 -2.430178
3 0.000000
4 4.428051
...
6160 0.105572
6161 0.395469
6162 0.052513
6163 -0.590556
6164 -0.211214
Name: ret, Length: 6165, dtype: float64Code
# Eliminación de datos perdidos (missing data)
pSAN = pSAN.dropna()
# Evolución temporal de las rentabilidades diarias
(
ggplot(pSAN, aes(y="ret", x="Date"))
+ geom_line()
+ labs(x="Día", y="",
title="Rendimiento de las acciones del Banco Santander (%)")
)<Figure Size: (640 x 480)>
Code
# Distribución de los rendimientos diarios
# (detección de asimetrías y exceso de curtosis)
q5 = pSAN["ret"].quantile(0.05)
q95 = pSAN["ret"].quantile(0.95)
(
ggplot(pSAN, aes(x="ret"))
+ geom_histogram(bins=100)
+ geom_vline(aes(xintercept=q5), linetype="dashed")
+ geom_vline(aes(xintercept=q95), linetype="dashed")
+ labs(x=None, y=None,
title="Distribución de los rendimientos del Banco Santander")
+ scale_x_continuous(labels=percent_format())
)<Figure Size: (640 x 480)>
Code
# Estadística resumen global
est_res = pSAN['ret'].agg({
'media': 'mean',
'desv_típica': 'std',
'mínimo': 'min',
'máximo': 'max'
})
est_res.round(3)media 0.029
desv_típica 2.221
mínimo -19.886
máximo 23.217
Name: ret, dtype: float64Code
# Estadística resumen por años
pSAN['year'] = pSAN["Date"].dt.year
est_anual = pSAN.groupby('year').agg({'ret': ['mean', 'std', 'min', 'max']})
est_anual.round(3) ret
mean std min max
year
2000 0.042 2.295 -6.863 9.085
2001 -0.028 2.525 -9.884 10.101
2002 -0.076 3.127 -10.743 9.434
2003 0.176 2.085 -5.581 8.989
2004 0.013 1.155 -4.417 3.571
2005 0.095 0.885 -3.128 3.565
2006 0.113 1.097 -3.480 3.455
2007 0.042 1.318 -4.396 4.151
2008 -0.200 3.410 -11.942 14.328
2009 0.283 2.907 -8.163 13.391
2010 -0.083 2.859 -9.403 23.217
2011 -0.052 2.393 -8.332 9.560
2012 0.091 2.409 -7.321 10.675
2013 0.079 1.640 -5.700 5.165
2014 0.070 1.412 -4.029 3.777
2015 -0.121 2.064 -14.090 5.932
2016 0.092 2.779 -19.886 7.582
2017 0.070 1.402 -3.828 5.820
2018 -0.100 1.376 -5.432 3.729
2019 0.009 1.541 -4.286 4.290
2020 -0.068 3.633 -16.858 19.222
2021 0.085 1.923 -8.918 6.872
2022 0.022 2.214 -7.691 7.249
2023 0.150 1.793 -7.355 5.726Comportamiento temporal de los activos bursátiles
En esta aplicación se analizará gráficamente la relación existente entre las variables financieras \(rSAN_t\) y \(rIBEX_t\), donde \(rSAN\) es el rendimiento (no el precio) de las acciones del Banco Santander y \(rIBEX\) es el rendimiento del índice bursátil Ibex 35 (https://en.wikipedia.org/wiki/IBEX_35).
Durante la aplicación, se tendrán que ejecutar comandos específicos de filtrado, selección, transformación, fusión de ficheros, agrupación, ordenación y resumen, todas ellos asociados a operaciones básicas en la gestión de datos.
Code
# Comportamiento Banco Santander/Ibex 35
# Lectura de librerías
library(tidyverse)
library(lubridate)
library(scales)
# Lectura de datos de las 30 mayores empresas del Ibex 35
datos_acciones <- read_csv("data/IBEX_top30.csv")
head(datos_acciones)# A tibble: 6 × 10
...1 symbol date open high low close volume adjusted company_name
<dbl> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
1 1 RED.MC 2000-01-03 1.52 1.54 1.48 1.49 775472 0.510 Redeia Corpor…
2 2 RED.MC 2000-01-04 1.50 1.50 1.41 1.41 786100 0.484 Redeia Corpor…
3 3 RED.MC 2000-01-05 1.41 1.49 1.40 1.43 702520 0.490 Redeia Corpor…
4 4 RED.MC 2000-01-07 1.48 1.51 1.44 1.5 319884 0.514 Redeia Corpor…
5 5 RED.MC 2000-01-10 1.51 1.52 1.50 1.5 256932 0.514 Redeia Corpor…
6 6 RED.MC 2000-01-11 1.5 1.52 1.5 1.5 290704 0.514 Redeia Corpor…Code
tail(datos_acciones)# A tibble: 6 × 10
...1 symbol date open high low close volume adjusted company_name
<dbl> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
1 143543 GRF.MC 2023-12-20 14.5 14.7 14.4 14.5 1160818 14.5 Grifols, S.…
2 143544 GRF.MC 2023-12-21 14.3 14.4 14.2 14.3 648586 14.3 Grifols, S.…
3 143545 GRF.MC 2023-12-22 14.2 14.4 14.1 14.3 614762 14.3 Grifols, S.…
4 143546 GRF.MC 2023-12-27 14.3 14.5 14.1 14.2 877076 14.2 Grifols, S.…
5 143547 GRF.MC 2023-12-28 14.2 14.2 14.1 14.2 665813 14.2 Grifols, S.…
6 143548 GRF.MC 2023-12-29 14.2 15.9 14.2 15.5 4301699 15.5 Grifols, S.…Code
# filter
SAN <- datos_acciones %>% filter(symbol == "SAN.MC")
# select
pSAN <- SAN %>% select(date, adjusted)
head(pSAN)# A tibble: 6 × 2
date adjusted
<date> <dbl>
1 2000-01-03 2.60
2 2000-01-04 2.54
3 2000-01-05 2.48
4 2000-01-06 2.48
5 2000-01-07 2.59
6 2000-01-10 2.57Code
tail(pSAN)# A tibble: 6 × 2
date adjusted
<date> <dbl>
1 2023-12-20 3.79
2 2023-12-21 3.79
3 2023-12-22 3.81
4 2023-12-27 3.81
5 2023-12-28 3.79
6 2023-12-29 3.78Code
# Lectura de datos del índice Ibex 35
IBEX <- read_csv("data/IBEX.csv")
# select
pIBEX <- IBEX %>% select(date,adjusted)
head(pIBEX)# A tibble: 6 × 2
date adjusted
<date> <dbl>
1 2000-01-03 11610.
2 2000-01-04 11207.
3 2000-01-05 10863.
4 2000-01-07 11102.
5 2000-01-10 11173.
6 2000-01-11 11012.Code
tail(pIBEX)# A tibble: 6 × 2
date adjusted
<date> <dbl>
1 2023-12-20 10101
2 2023-12-21 10104.
3 2023-12-22 10112.
4 2023-12-27 10122.
5 2023-12-28 10086.
6 2023-12-29 10102.Code
# join
IBEX_SAN <- inner_join(pIBEX, pSAN, by = "date") %>%
rename(pIBEX = adjusted.x, pSAN = adjusted.y)
# mutate
IBEX_SAN <- IBEX_SAN %>%
mutate(year = year(date), month = month(date))
IBEX_SAN <- IBEX_SAN %>%
mutate(rSAN = 100*(pSAN / lag(pSAN) - 1),
rIBEX = 100*(pIBEX / lag(pIBEX) - 1))
head(IBEX_SAN)# A tibble: 6 × 7
date pIBEX pSAN year month rSAN rIBEX
<date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 2000-01-03 11610. 2.60 2000 1 NA NA
2 2000-01-04 11207. 2.54 2000 1 -2.37 -3.47
3 2000-01-05 10863. 2.48 2000 1 -2.43 -3.07
4 2000-01-07 11102. 2.59 2000 1 4.43 2.20
5 2000-01-10 11173. 2.57 2000 1 -0.883 0.639
6 2000-01-11 11012. 2.48 2000 1 -3.39 -1.44 Code
tail(IBEX_SAN)# A tibble: 6 × 7
date pIBEX pSAN year month rSAN rIBEX
<date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 2023-12-20 10101 3.79 2023 12 -0.0923 -0.0564
2 2023-12-21 10104. 3.79 2023 12 0.106 0.0327
3 2023-12-22 10112. 3.81 2023 12 0.395 0.0752
4 2023-12-27 10122. 3.81 2023 12 0.0525 0.0979
5 2023-12-28 10086. 3.79 2023 12 -0.591 -0.352
6 2023-12-29 10102. 3.78 2023 12 -0.211 0.158 Code
# Eliminación de datos perdidos (missing data)
IBEX_SAN <- IBEX_SAN |> drop_na()
# ggplot
p1 <- ggplot(data = IBEX_SAN, aes(x = date)) +
geom_line(aes(y = rSAN), linewidth = 0.5) +
labs(y = "Rendimiento de las acciones de Banco Santander",
x = "Fecha (día)")
p1
Code
p2 <- ggplot(data = IBEX_SAN, aes(x = date)) +
geom_line(aes(y = rIBEX), linewidth = 0.5) +
labs(y = "Rendimiento del Ibex 35",
x = "Fecha (día)")
p2
Code
p3 <- ggplot(IBEX_SAN, aes(x = rIBEX, y = rSAN)) +
geom_point() +
stat_smooth(method = lm, se = FALSE) +
labs(x = "Rendimiento Ibex 35",
y = "Rendimiento acciones Banco Santander")
p3
Code
# Comportamiento Banco Santander/Ibex 35
# Lectura de librerías
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from plotnine import *
from datetime import datetime
# Lectura de datos 30 mayores empresas del Ibex 35
datos_acciones = pd.read_csv('data/IBEX_top30.csv')
datos_acciones.head() Unnamed: 0 symbol date ... volume adjusted company_name
0 1 RED.MC 2000-01-03 ... 775472 0.510131 Redeia Corporación, S.A.
1 2 RED.MC 2000-01-04 ... 786100 0.483597 Redeia Corporación, S.A.
2 3 RED.MC 2000-01-05 ... 702520 0.490445 Redeia Corporación, S.A.
3 4 RED.MC 2000-01-07 ... 319884 0.513555 Redeia Corporación, S.A.
4 5 RED.MC 2000-01-10 ... 256932 0.513555 Redeia Corporación, S.A.
[5 rows x 10 columns]Code
datos_acciones.tail() Unnamed: 0 symbol date ... volume adjusted company_name
143543 143544 GRF.MC 2023-12-21 ... 648586 14.345 Grifols, S.A.
143544 143545 GRF.MC 2023-12-22 ... 614762 14.280 Grifols, S.A.
143545 143546 GRF.MC 2023-12-27 ... 877076 14.180 Grifols, S.A.
143546 143547 GRF.MC 2023-12-28 ... 665813 14.230 Grifols, S.A.
143547 143548 GRF.MC 2023-12-29 ... 4301699 15.455 Grifols, S.A.
[5 rows x 10 columns]Code
# filter
SAN = datos_acciones[datos_acciones['symbol']=='SAN.MC']
# select
pSAN = SAN[['date','adjusted']]
pSAN['date'] = pd.to_datetime(pSAN['date'])
pSAN.head() date adjusted
49011 2000-01-03 2.603297
49012 2000-01-04 2.541533
49013 2000-01-05 2.479767
49014 2000-01-06 2.479767
49015 2000-01-07 2.589572Code
pSAN.tail() date adjusted
55171 2023-12-21 3.7930
55172 2023-12-22 3.8080
55173 2023-12-27 3.8100
55174 2023-12-28 3.7875
55175 2023-12-29 3.7795Code
# Lectura de datos del índice Ibex 35
IBEX = pd.read_csv('data/IBEX.csv')
# select
pIBEX = IBEX[['date','adjusted']]
# mutate
pIBEX['date'] = pd.to_datetime(pIBEX['date'])
pIBEX.head() date adjusted
0 2000-01-03 11609.988281
1 2000-01-04 11206.587891
2 2000-01-05 10863.088867
3 2000-01-07 11102.388672
4 2000-01-10 11173.288086Code
pIBEX.tail() date adjusted
6097 2023-12-21 10104.299805
6098 2023-12-22 10111.900391
6099 2023-12-27 10121.799805
6100 2023-12-28 10086.200195
6101 2023-12-29 10102.099609Code
# merge (join)
IBEX_SAN = pd.merge(pIBEX, pSAN, how='inner', on='date').\
rename(columns={'adjusted_x':'pIBEX','adjusted_y':'pSAN'})
# time
IBEX_SAN['year'] = IBEX_SAN['date'].dt.year
IBEX_SAN['month'] = IBEX_SAN['date'].dt.month
# Cálculo de los rendimientos netos diarios
IBEX_SAN['rSAN'] = 100*(IBEX_SAN['pSAN']/IBEX_SAN['pSAN'].shift(1)-1)
IBEX_SAN['rIBEX'] = 100*(IBEX_SAN['pIBEX']/IBEX_SAN['pIBEX'].shift(1)-1)
IBEX_SAN.head() date pIBEX pSAN year month rSAN rIBEX
0 2000-01-03 11609.988281 2.603297 2000 1 NaN NaN
1 2000-01-04 11206.587891 2.541533 2000 1 -2.372548 -3.474598
2 2000-01-05 10863.088867 2.479767 2000 1 -2.430243 -3.065153
3 2000-01-07 11102.388672 2.589572 2000 1 4.428031 2.202871
4 2000-01-10 11173.288086 2.566696 2000 1 -0.883399 0.638596Code
IBEX_SAN.tail() date pIBEX pSAN year month rSAN rIBEX
6096 2023-12-21 10104.299805 3.7930 2023 12 0.105567 0.032668
6097 2023-12-22 10111.900391 3.8080 2023 12 0.395468 0.075221
6098 2023-12-27 10121.799805 3.8100 2023 12 0.052517 0.097899
6099 2023-12-28 10086.200195 3.7875 2023 12 -0.590552 -0.351712
6100 2023-12-29 10102.099609 3.7795 2023 12 -0.211218 0.157635Code
# Eliminación de datos perdidos (missing data)
IBEX_SAN = IBEX_SAN.dropna()
# ggplot (plotnine)
(ggplot(IBEX_SAN) + geom_line(aes('date','rSAN'), size = 0.5) +
labs(y = "Rendimiento de las acciones de Banco Santander", x = "Fecha (día)") +
theme_bw())<Figure Size: (640 x 480)>
Code
(ggplot(IBEX_SAN) + geom_line(aes('date','rIBEX'), size = 0.5) +
labs(y = "Rendimiento del Ibex 35", x = "Fecha (día)") +
theme_bw())<Figure Size: (640 x 480)>
Code
(ggplot(IBEX_SAN, aes('rIBEX','rSAN')) + geom_point() +
geom_smooth(method = 'lm', se = False, color = "blue") +
labs(x="Rendimiento Ibex 35", y="Rendimiento acciones Banco Santander") +
theme_bw())<Figure Size: (640 x 480)>