El sistema financiero actual es más complejo que nunca, impulsado por avances tecnológicos en Inteligencia Artificial (IA) y Machine Learning (ML), así como por influencias geopolíticas. Esta creciente complejidad hace que pocos puedan comprenderlo por completo hoy en día.
La informática, la IA y el ML han mejorado significativamente la capacidad para procesar grandes volúmenes de datos y realizar predicciones precisas, herramientas estas que son utilizadas por inversores profesionales, grandes inversores y fondos de inversión.
El pequeño inversor y los inversores no profesionales no tienen acceso a estas herramientas avanzadas. Esto les dificulta enormemente adquirir los criterios necesarios para tomar decisiones informadas sobre cuándo entrar y salir del mercado. En su lugar, se ven obligados a basar sus decisiones en conocimientos limitados, intuiciones y, a menudo, solamente en el no siempre desinteresado asesoramiento de los bancos y gestoras.
Estos avances también introducen nuevas complejidades, ya que los modelos de aprendizaje automático pueden ser difíciles de entender y a veces producen resultados contraintuitivos. Además, los eventos geopolíticos añaden otra capa de incertidumbre, afectando a los mercados financieros de manera impredecible.
Es evidente que existe una carencia de acceso a herramientas informáticas diseñadas expresamente para este sector de inversores, para ayudarles en la toma de decisiones de inversión, sin que esto signifique que haya que descartar las consultas con asesores financieros confiables y calificados.
El blog Gestión Conservadora de Activos Financieros tiene como objetivo brindar a los inversores no profesionales una plataforma informativa y colaborativa donde puedan aprender, aplicar y mejorar estrategias de inversión conservadoras. Utilizando herramientas de programación y análisis de datos respaldadas por la inteligencia artificial (IA), el blog facilita el acceso a estas estrategias sin necesidad de conocimientos previos de programación. Además, busca fomentar la educación financiera, la transparencia y la mejora continua de las estrategias desarrolladas.
El blog se centrará en presentar resultados de estrategias desarrolladas con Python, que estarán disponibles en el repositorio de Python-Trading-Gestion-Conservadora
Los lectores puedan accder a los scripts utilizando de varias formas.
Jupyter Colaboratory, también conocido como Google Colab, es una plataforma de Google que permite a los usuarios crear y compartir cuadernos Jupyter, lo que facilita el desarrollo y la ejecución de código Python sin necesidad de una configuración local.
Binder es una plataforma que permite a los usuarios crear entornos reproducibles para ejecutar cuadernos Jupyter desde un repositorio de GitHub. Binder permite a los usuarios interactuar con los cuadernos sin necesidad de instalar dependencias localmente.
nbviewer es una herramienta para visualizar cuadernos Jupyter alojados en la web. A diferencia de Colab y Binder, nbviewer no ejecuta el código de los cuadernos. Es útil para compartir cuadernos estáticos, permitiendo que otros vean el contenido y la salida del código sin la capacidad de interactuar con él o modificarlo.
En estas plataformas, los usuarios podrán ejecutar simulaciones de diversas estrategias, con valores y rangos de fechas seleccionados por ellos mismos, sin necesidad de instalar ningún programa en sus ordenadores.
Para el análisis y la simulación de estrategias, es necesario consultar el historial de crisis financieras y el comportamiento de determinados valores durante y después de estos períodos.
En el script Crisis_Financieras_4.ipynb, presentamos el historial de crisis financieras y analizamos el comportamiento de los índices S&P 500, IBEX 35 y EUROSTOXX 50 durante las mismas.
Estos primeros pasos nos ayudarán a familiarizarnos con la dinámica habitual de acceso a los distintos scripts de estrategias y análisis a través del blog.
Acceso al script "Crisis_Financieras_4.ipynb
La informática, la IA y el ML han mejorado significativamente la capacidad para procesar grandes volúmenes de datos y realizar predicciones precisas, herramientas estas que son utilizadas por inversores profesionales, grandes inversores y fondos de inversión.
El pequeño inversor y los inversores no profesionales no tienen acceso a estas herramientas avanzadas. Esto les dificulta enormemente adquirir los criterios necesarios para tomar decisiones informadas sobre cuándo entrar y salir del mercado. En su lugar, se ven obligados a basar sus decisiones en conocimientos limitados, intuiciones y, a menudo, solamente en el no siempre desinteresado asesoramiento de los bancos y gestoras.
Estos avances también introducen nuevas complejidades, ya que los modelos de aprendizaje automático pueden ser difíciles de entender y a veces producen resultados contraintuitivos. Además, los eventos geopolíticos añaden otra capa de incertidumbre, afectando a los mercados financieros de manera impredecible.
Es evidente que existe una carencia de acceso a herramientas informáticas diseñadas expresamente para este sector de inversores, para ayudarles en la toma de decisiones de inversión, sin que esto signifique que haya que descartar las consultas con asesores financieros confiables y calificados.
El blog Gestión Conservadora de Activos Financieros tiene como objetivo brindar a los inversores no profesionales una plataforma informativa y colaborativa donde puedan aprender, aplicar y mejorar estrategias de inversión conservadoras. Utilizando herramientas de programación y análisis de datos respaldadas por la inteligencia artificial (IA), el blog facilita el acceso a estas estrategias sin necesidad de conocimientos previos de programación. Además, busca fomentar la educación financiera, la transparencia y la mejora continua de las estrategias desarrolladas.
El blog se centrará en presentar resultados de estrategias desarrolladas con Python, que estarán disponibles en el repositorio de Python-Trading-Gestion-Conservadora
Los lectores puedan accder a los scripts utilizando de varias formas.
Jupyter Colaboratory, también conocido como Google Colab, es una plataforma de Google que permite a los usuarios crear y compartir cuadernos Jupyter, lo que facilita el desarrollo y la ejecución de código Python sin necesidad de una configuración local.
Binder es una plataforma que permite a los usuarios crear entornos reproducibles para ejecutar cuadernos Jupyter desde un repositorio de GitHub. Binder permite a los usuarios interactuar con los cuadernos sin necesidad de instalar dependencias localmente.
nbviewer es una herramienta para visualizar cuadernos Jupyter alojados en la web. A diferencia de Colab y Binder, nbviewer no ejecuta el código de los cuadernos. Es útil para compartir cuadernos estáticos, permitiendo que otros vean el contenido y la salida del código sin la capacidad de interactuar con él o modificarlo.
En estas plataformas, los usuarios podrán ejecutar simulaciones de diversas estrategias, con valores y rangos de fechas seleccionados por ellos mismos, sin necesidad de instalar ningún programa en sus ordenadores.
Para el análisis y la simulación de estrategias, es necesario consultar el historial de crisis financieras y el comportamiento de determinados valores durante y después de estos períodos.
En el script Crisis_Financieras_4.ipynb, presentamos el historial de crisis financieras y analizamos el comportamiento de los índices S&P 500, IBEX 35 y EUROSTOXX 50 durante las mismas.
Estos primeros pasos nos ayudarán a familiarizarnos con la dinámica habitual de acceso a los distintos scripts de estrategias y análisis a través del blog.
Acceso al script "Crisis_Financieras_4.ipynb
Para cceder a Google Colaboratory y cargar el notebook desde GitHub, haremos lo siguiente.
1- Abrir Google Colaboratory. colaboratory
2- Hacer clic en "File" (Archivo) > "Open notebook" (Abrir cuaderno). En la ventana emergente, seleccionar la pestaña "GitHub".
3- Introducir la siguiente URL en el cuadro de diálogo de Google Colaboratory:
https://github.com/akitxu/Python-Trading-Gestion-Conservadora/blob/master/Herramientas_para_analisis/Crisis%20financieras_4.ipynb
4- Se importa el script. En los diferentes apartados, bajo el epígrafe "Parámetros de análisis", encontrarás los parámetros configurables por el usuario según sus preferencias:
# Parámetros de análisis
ticker='^STOXX50E'
value_name = 'Euro Stoxx 50'
start_date = '2007-03-30' # Fecha de inicio para el análisis
#end_date = '2024-6-28'
end_date = datetime.now()
5.- Los tickers de los diferentes valores se pueden obtener en "Yahoo Finance".
_(1)_col.jpg?1692778328 "Trading con Chat GPT | Guía básica para principiantes")
