Ir al contenido principal

Entradas

Mostrando las entradas con la etiqueta api

Valoración de empresas financieras

El artículo tratara sobre un método para valorizar empresas financieras desde una perspectiva del patrimonio. Primero, se abordaran los desafíos de valorizar empresas financieras; Segundo, una explicación teórica del modelo; Tercero, se desarrollará el método de valorización por medio de una aplicación practica en Python, en solo 7 simples pasos . Finalmente se discutirá si el ejemplo práctico es una oportunidad atractiva o no. Cualquier empresa que proporcione productos y servicios financieros a personas u otras empresas puede clasificarse como una empresa de servicios financieros. Dicho lo anterior, las empresas de servicios financieros se pueden desglosar en cuatro grupos (desde la perspectiva de como generan utilidades): Bancos comerciales: Estos generan utilidades entre el spread al cual prestan dinero (colocaciones) y al cual entregan los intereses a los depósitos (captaciones). La curva de tasas ayuda a explicar este fenómeno. Aseguradoras: Estas los hacen por dos vías. Por

Valorizando a CCU

Si bien el mercado de valores establece un "precio" para una empresa, este precio a menudo se verá afectado por una amplia gama de factores, algunos de los cuales pueden no perturbar el valor real o el valor intrínseco de la empresa. Al comparar el precio de mercado con el valor intrínseco de una empresa, o un conjunto de empresas o índices, los inversionistas pueden determinar si las acciones de una empresa están potencialmente sobrevaloradas o infravaloradas. Hay muchos métodos que se pueden utilizar para determinar el valor intrínseco de una empresa. Tradicionalmente los analistas financieros ocupan dos enfoques: flujos de caja descontados (DCF por sus siglas en inglés) y valoración relativa. En el siguiente artículo me enfocaré en el primero. DCF es el método más aceptado para calcular el valor razonable de una empresa. Se basa en la premisa de que el valor intrínseco de una empresa es el valor total de su flujo de efectivo entrante menos sus gastos (técnicamente llama

Tu primera estrategia cuantitativa

Desde que los holandeses implementaron el primer mercado de valores en 1611, los analistas han tratado de crear estrategias que sistematicen la agregación de información. El fin póstumo es adelantarse al consenso generalizado, el cual siempre está mal debido a que llegan tarde o derechamente está mal. Su mantra siempre ha sido y será comprar miedo para luego vender codicia , ya que de esa manera se logra materializar las ganancias de capital (en largo o en corto). Dicho lo anterior, los marcos de referencia han evolucionado en conjunto a la tecnología disponible en cada estadio cultural. Desde los clásico “chartistas” que descubren las zonas de liquidez en base a fractales de otros mercados e instrumentos y los replican en el instrumento analizado, hasta los tiempos mas recientes donde se enfoca en parametrizar el agregamiento de información exógena en los precios. El último enfoque se conoce como “Quant” o Cuantitativo . El método se basa en utilizar las herramientas de las ciencias e

Índice de miedo y codicia chileno

El índice de miedo y codicia (IMC) fue desarrollado originalmente por CNNMoney  para el mercado de renta variable estadounidense. Se creó para parametrizar la  variabilidad de las principales emociones que influyen a los inversionistas, las cuales van desde el miedo extremo hasta la codicia extrema. El índice se mide de forma diaria, pero se puede sacar muestras en cualquier otra periodicidad (semanal, mensual, etc.). Desde el 2018, se desarrolló un índice alternativo (relacionado a las criptomonedas) por la empresa Alternative.me . En teoría, el índice se puede utilizar para medir si el mercado de valores tiene un precio justo o no . Esto se basa en la lógica de que el miedo excesivo tiende a bajar los precios de las acciones, y la codicia excesiva tiende a influir en el efecto contrario. En jerga financiera, estos dos efectos se conocen como “exuberancia irracional” , es decir, los precios ya no reflejan la información financiera actual de la compañía, por ende, se empieza a inco

Cliente para la API del Banco Central

Mi mas reciente creación en Python se ciñe a la implementación de un cliente o SDK (software development kit) de la API del Banco Central de Chile. Con este SDK van a poder extraer series de datos macroeconómicos que servirán para encontrar hallazgos, los cuales permitirán parametrizar el comportamiento de la economía de Chile y eventualmente del mundo. Para entender como funciona, en el siguiente articulo desarrollaré un tutorial el cual contempla: las funcionalidades básicas, como obtener acceso a la API y un ejemplo de aplicación práctico. Su documentación completa está en mi GitHub Acceso a la API Primero que todo deberás solicitar acceso a la API, dado que no es abierta. Para pedir el acceso deberás ingresar al siguiente sitio del Banco Central. Las instrucciones son muy claras y se demoran un plazo máximo de 15 días (en mi caso fue durante el mismo día). Te pedirán los siguientes documentos (asumiendo que eres una persona natural chilena):  • Rellenar el formulario de acceso (f

A list of SDKs that may help your next project

Now that I work independently, I can code whatever I want, whenever I want. One of my favorite things to code and publish is SDKs (Software development kits) related to APIs, specifically financial APIs. This helps analysts standardize the layer of data extraction and helps them work with the actual stuff they are good at. Extract insights for educated guesses about the market. Without further due, let me show you a list of curated financial SDKs that may help your work as an analyst or trader (be aware that some of these SDK will be in Spanish):  End-of-Day data extractor https://github.com/LautaroParada/eod-data This library is the Python 🐍 unofficial SDK for the EOD Historical data REST API. It's intended to be used for data extraction for financial valuations, macroeconomic analyses, sentiment analysis, option strategies, technical analysis, development of machine learning models, and more! Variance Ratio Test https://github.com/LautaroParada/variance-test These statistical te