Introducción a las finanzas quantitativas

Gabriel Cabrera G.

2018-09-21
2
Contents

1 Introducción 13
1.1 R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.1 Un poco de historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.2 Los primeros pasos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Partes de RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Scripts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Proyectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 ¿Por qué esto es útil? . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.2 ¿Cómo crear un projecto? . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.1 tidyverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Quantmod 21
2.1 ¿Que es quantmod? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Obtención de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1 ¿Qué hizo la función getSymbols? . . . . . . . . . . . . . . . . . . . . 22
2.3 Graficando con chartSeries . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 chartSeries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Graficando con ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Breve introducción a ggplot2 . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 Color, tamaño, forma y otros atributos del aesthetic . . . . . . . . . . 25
2.4.3 S&P 500 con ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Multiples Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.1 Retornos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.2 Retornos Acumulados . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Estadística Descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7 Ratio de Sharpe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.8 Test de JarqueBera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.9 Recursos del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3 Introducción a teoría de portafolio 31

3.1 Librería IntroCompFinR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.1 Funciones útiles de IntroCompFinR . . . . . . . . . . . . . . . . . . . 31

3
4 CONTENTS

3.2 Cargando la librería y la base de datos . . . . . . . . . . . . . . . . . . . . . 31

4 Renta Fija 33
4.1 Precio de un Bono . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Dos formas de hacer lo mismo . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4 Relación precio del Bono y Yield . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.1 Valorización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.2 Construcción yields . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.3 Loops . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.4 Graficando . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.5 Trabajando con yields reales . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.6 Duración y Convexidad de un Bono . . . . . . . . . . . . . . . . . . . . . . . 40
4.6.1 Extración de la yield . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.6.2 Duración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.6.3 Duración con librería . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.4 Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.5 Convexidad con librería: . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 Efecto Dolar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.8 Ejercicio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.9 Recursos del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

5 Opciones, Derivados y Futuros 45

List of Tables

5
6 LIST OF TABLES
List of Figures

1.1 logo de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 R desde la terminal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Rstudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.1 Gráfico con chartSeries con TA = NULL . . . . . . . . . . . . . . . . . . . . 23

2.2 Gráfico con chartSeries sin TA = NULL . . . . . . . . . . . . . . . . . . . . 24
2.3 Los últimos 3 meses de GSPC . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Ejemplo 1 usando ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Ejemplo 2 usando ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Ejemplo 3 usando ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Ejemplo 3 usando ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.8 Standard and Poor 500 usando ggplot2 . . . . . . . . . . . . . . . . . . . . . 28
2.9 Retornos Acumulados de los tickers . . . . . . . . . . . . . . . . . . . . . . . 29

4.1 Relación Bono vs Yield . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2 yield del tesoro de los Estados Unidos con chartSeries . . . . . . . . . . . . . 38
4.3 yield del tesoro de los Estados Unidos con ggplot2 . . . . . . . . . . . . . . . 39

7
8 LIST OF FIGURES
Prefacio

Este es un apunte en proceso pensado en el curso de Finanzas I de Ingeniería Comercial de

la Universidad de Chile, las aplicaciones en R son pensados con un enfoque pedagógico y
cualquier comentario o sugerencias son bienvenidas.
La información de la sesión de R cuando se compila este apunte es la siguiente:
sessionInfo()
## R version 3.4.4 (2018-03-15)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 18.04.1 LTS
##
## Matrix products: default
## BLAS: /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.7.1
## LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.7.1
##
## locale:
## [1] LC_CTYPE=es_CL.UTF-8
## [2] LC_NUMERIC=C
## [3] LC_TIME=es_CL.UTF-8
## [4] LC_COLLATE=es_CL.UTF-8
## [5] LC_MONETARY=es_CL.UTF-8
## [6] LC_MESSAGES=es_CL.UTF-8
## [7] LC_PAPER=es_CL.UTF-8
## [8] LC_NAME=C
## [9] LC_ADDRESS=C
## [10] LC_TELEPHONE=C
## [11] LC_MEASUREMENT=es_CL.UTF-8
## [12] LC_IDENTIFICATION=C
##
## attached base packages:
## [1] stats graphics grDevices utils datasets
## [6] methods base
##
## other attached packages:
## [1] derivmkts_0.2.3 readxl_1.1.0
## [3] IntroCompFinR_1.0 pacman_0.4.6
## [5] reshape2_1.4.3 quantmod_0.4-13
## [7] TTR_0.23-3 xts_0.11-0
## [9] zoo_1.8-3 bindrcpp_0.2.2
## [11] forcats_0.3.0 stringr_1.3.1
## [13] dplyr_0.7.6 purrr_0.2.5
## [15] readr_1.1.1 tidyr_0.8.1
## [17] tibble_1.4.2 ggplot2_3.0.0
## [19] tidyverse_1.2.1 gapminder_0.3.0
##
## loaded via a namespace (and not attached):
## [1] Rcpp_0.12.18 lubridate_1.7.4 lattice_0.20-35
## [4] assertthat_0.2.0 rprojroot_1.3-2 digest_0.6.16
## [7] mime_0.5 R6_2.2.2 cellranger_1.1.0
## [10] plyr_1.8.4 backports_1.1.2 evaluate_0.11
## [13] httr_1.3.1 highr_0.7 pillar_1.3.0
## [16] rlang_0.2.1 curl_3.2 lazyeval_0.2.1
## [19] rstudioapi_0.7 DT_0.4 rmarkdown_1.10

9
10 LIST OF FIGURES

## [22] labeling_0.3 htmlwidgets_1.2 munsell_0.5.0

## [25] shiny_1.1.0 broom_0.5.0 compiler_3.4.4
## [28] httpuv_1.4.5 modelr_0.1.2 xfun_0.3
## [31] pkgconfig_2.0.1 mnormt_1.5-5 htmltools_0.3.6
## [34] tidyselect_0.2.4 bookdown_0.7 crayon_1.3.4
## [37] withr_2.1.2 later_0.7.3 grid_3.4.4
## [40] nlme_3.1-137 jsonlite_1.5 xtable_1.8-2
## [43] gtable_0.2.0 magrittr_1.5 scales_1.0.0
## [46] cli_1.0.0 stringi_1.2.4 promises_1.0.1
## [49] xml2_1.2.0 tools_3.4.4 glue_1.3.0
## [52] hms_0.4.2 crosstalk_1.0.0 yaml_2.2.0
## [55] colorspace_1.3-2 rvest_0.3.2 knitr_1.20
## [58] bindr_0.1.1 haven_1.1.2
Sobre el Autor

Aún no hay mucho que decir, pero te invito a visitar mi página web donde la mayoría del
tiempo estoy publicando post sobre programación y/o data science con aplicaciones a las
finanzas y al mundo real.
Me agradan las citas. . .
“It is a capital mistake to theorize before one has data. Insensibly one begins to
twist facts to suit theories, instead of theories to suit facts.”
Sir Arthur Conan Doyle

11
12 LIST OF FIGURES
Chapter 1

Introducción

Antes de comenzar tú viaje a través del lenguaje de programación R, necesitaras cuatro

“herramientas” básicas para trabajar con este apunte, R (lenguaje), Rstudio(IDE1 ), una
megalibrería que contiene R packages llamada tidyverse y librerías extras para trabajar en
finanzas2 .

1.1 R
1.1.1 Un poco de historia
R es un lenguaje de programación creado por Ross Ihaka y Robert Gentleman del departa-
mento de estadística de la universidad de Auckland en 1992 (Nueva Zelanda), teniendo su
versión estable el 29 de Febrero del 2000.

1.1.2 Los primeros pasos

El primer paso es descargar R, para esto debes ir a CRAN3 , comprehensive R archive net-
work. CRAN esta compuesto por un conjunto de mirror servers distribuidos alrededor del
mundo y se usa para compartir los R packages. Como recomendación no elegir un mirror
lejano a tú posición geográfica, por ende, usa https://cloud.r-project.org que los seleccionará
automáticamente.
Como aún no instalas RStudio solo tendras el lenguaje, que puede ser ejecutado desde el
command Shell o prompt, no obstante, esto es ineficiente desde el punto de vista que no
tendrenmos todas las opciones que Rstudio nos entrega.
Si trabajas sin IDE veras algo como en la Figura 1.2.
Las versiones de R cambian una vez al año, y de 2 a 3 veces con cambios pequeños, por eso
es una buena idea que mantengas actualizada tu versión.

1
Integrated Development Environment
2
Estas librerías las iremos cargando/utilizando a medida que avancemos en los capítulos
3
Existe otra distribución de R por parte del area de open source de Microsoft , la ventaja de MRAN es que
si bien funciona con CRAN, su objetivo va más orientado a computación en paralelo (paralleling computing)

13
14 CHAPTER 1. INTRODUCCIÓN

Figure 1.1: logo de R

Figure 1.2: R desde la terminal

1.2. RSTUDIO 15

1.2 RStudio
¿Qué es una IDE? IDE es el acrónimo de Integrated Development Environment (Entorno
de Desarrollo Integrado). Esto quiere decir que RStudio es una aplicación que nos entrega
herramientas para hacer más fácil el desarrollo de proyectos usando R y sobre todo cuando
estemos trabajando con datos.
Para descargar e instalar Rstudio debes ir a http//www.rstudio.com/download y seleccionar
RStudio Desktop Open Source License (gratuita) , cuando exista una actualización Rstudio
te avisará.
Si quedó todo bien instalado, cuando abras Rstudio deberías ver algo así:

Figure 1.3: Rstudio

IMPORTANTE: Si te aparece algún error durante este proceso, lo más proba-

bable es que sea por alguna configuración de tu sistema operativo. En ese caso,
la mejor manera de buscar una solución es copiar el error que arroja R, pegarlo
en tu motor de búsqueda favorito y ver cómo alguien que se enfrentó a eso antes
lo resolvió.

1.2.1 Partes de RStudio

¿Para qué sirven estos paneles? Comentemos primero el panel de abajo a la derecha. Si te
fijas, el panel tiene varias ventanas:
1. Files muestra el directorio (la carpeta) en la que te encuentras actualmente. En mi
caso, no hay nada ahí porque por defecto RStudio me muestra el Escritorio (Desktop)
y no tengo nada en él. Es posible que a ti te muestre otra carpeta (por ejemplo,
Documentos).
2. Plots es el lugar donde aparecerán los gráficos que vayas creando. No hemos hecho
ninguno por ahora, así que este panel también está vacío.
3. Packages muestra la lista de paquetes que tienes instalados en tu computador. Si
recorres el panel verás que algunos tiene una marca al lado izquierdo. Eso quiere decir
que el paquete está activo en ese momento (ya veremos cómo hacer eso). Solo los
paquetes vinculados a R base se activan al abrir RStudio.
4. Help, como su nombre lo indica, es la pestaña en la que podemos encontrar ayuda.
Si buscamos el nombre de un paquete o de una función, RStudio nos remitirá a la
documentación asociada.
16 CHAPTER 1. INTRODUCCIÓN

5. Viewer es el panel para ver contenido web generado por algún paquete de R (gráficos
para la web o aplicaciones interactivas). Por el momento no lo utilizaremos.
El panel de arriba a la derecha, por su parte, contiene el historial de funciones que hemos
ejecutado (History), la opción para generar conexiones a bases de datos externas (Connec-
tions) y el Environment. Este último panel es muy importante y entender lo que nos muestra
es fundamental para comprender cómo funciona R.

1.3 Scripts
El script podemos decir que es un cuarto panel4 , en donde escribiras tus códigos que queremos
que ejecute R, para crear un script debes:
1. ir a file > New File > R Script
2. Otra forma es un atajo de teclado, control + shift + n (Linux/Windows) y comando
+ shift + n (Mac OS).
3. O bien ir a la barra superior de la ventana y seleccionar el tipo de archivo a trabajar.

1.4 Proyectos
Una de las ventajas de RStudio es que permite crear “proyectos”. Un projecto es un espacio
o contexto de trabajo asociado a una carpeta en particular, en la que se guardan nuestro(s)
script(s), archivos de datos, etc. Cuando creamos un proyecto en RStudio, se crea un tipo
especial de archivo (.Rproj) que lo que hace es vincular todo lo que se encuentra dentro de
esa carpeta.

1.4.1 ¿Por qué esto es útil?

Si parte de nuestro script, por ejemplo, implica abrir un archivo que está en la carpeta de
nuestro proyecto, no necesito indicar en mi código toda la ruta del archivo: lo que hará
RStudio será buscarlo en el entorno/carpeta del proyecto. Si movemos la carpeta a otro
lugar de nuestro computador o la compartimos con otra persona, nuestro código seguirá
funcionando, ya que el archivo .Rproj mantendrá todo unido. Si no creara un proyecto,
tendría que indicar al inicio de mi script cuál es la ruta de la carpeta que ocuparé como
espacio de trabajo. El problema de esa opción es que si muevo la carpeta o le cambio el
nombre, tendría que volver a escribir la ruta para que todo funcione. Al crear un proyecto
eso deja de ser una preocupación.

1.4.2 ¿Cómo crear un projecto?

1. Puedes hacerlo desde el menú File > New Proyect.
2. Lo primero que nos pregunta es si queremos crearlo en una carpeta nueva o en una
ya existente. Elegiremos esta vez una carpeta nueva, así que seleccionaremos New
Directory.
4
El tercer panel es la consola
1.5. PACKAGES 17

3. La siguiente pregunta es qué tipo de proyecto queremos crear. En esta ocasión, ele-
giremos la primera: New Project.
4. Finalmente, le damos un nombre al proyecto y decidimos en qué parte de nuestro
computador queremos que viva la carpeta que lo contiene.
5. Luego de apretar Create Project, RStudio se reinicia y se producen algunos cambios.
El panel Files (abajo a la derecha) ahora nos muestra la carpeta de nuestro proyecto
y el único archivo que hay en ella por ahora. Ese es el archivo mágico que mantiene
unido todo lo que hay dentro de la carpeta. Cuando queramos volver a trabajar en
nuestro proyecto, solo tenemos que abrir ese archivo.
IMPORTANTE: RStudio ejecuta sesiones independientes de R para cada
proyecto. Es decir, si tuvieras otro proyecto abierto te aparecería otro ícono, con
su respectivo nombre. Esto nos permite trabajar en dos proyectos en paralelo
sin que se nos mezclen los objetos del entorno, el código, los archivos, etc. Cada
cosa en su lugar.

1.5 Packages
Cuando instalamos R por primera vez en nuestro computador, lo que estamos instalando es lo
que se conoce como “R Base”, es decir, los elementos centrales del lenguaje de programación.
Una de las ventajas de R es que se trata de un lenguaje extensible: la propia comunidad
de usuarios puede desarrollar nuevas posibilidades para utilizarlo. La manera de compartir
estos nuevos desarrollos es a través de “paquetes”, que incluyen, entre otras cosas, código
y datos. Una analogía que se suele utilizar para explicar esto es que R Base es un teléfono
celular tal como viene de fábrica y los paquetes las apps que descargamos para que tenga
más funcionalidades.
Para usar las librerias (“packages”) debemos usar el siguiente código:
# instala el package
install.packages("acá va el package")

# lo llama
library("acá va el package")

1.5.1 tidyverse
tidyverse es un “megapaquete” que incluye otros paquetes en su interior. Todos los paquetes
que conforman “el Tidyverse” comparten la misma visión sobre el trabajo con datos y la
escritura de código. Viene a formar parte de la nueva forma de programar en R, cuyo
enfoque es netamente en realizar Data Science. Algunas librerias relevantes son:
1. ggplot2: Esta librería te permite realizar graficos avanzados.
2. dplyr: Su objetivo es la manipulación de datos (filtrar, seleccionar, generar, renom-
brar,etc).
3. magrittr: Contiene la denominada pipe ( %>% ), se explicará más adelante
4. purrr: Para realizar iteraciones.
5. readr: Para cargar datos en csv, lo importante que los transforma en tibble.
Para instalarlo basta escribir:
18 CHAPTER 1. INTRODUCCIÓN

# instala el package
install.packages("tidyverse")

# lo llama
library("tidyverse")

Si te vas a la pestaña de Packages verás que estan seleccionadas aquellas librerias que se
encuentran en el tidyverse.
1.6 Ejemplo
En este ejemplo vamos a trabajar con gapminder, un paquete que contiene una parte de los
datos de Gapminder, una base de datos que incluye información mundial sobre población,
expectativa de vida, PIB per cápita y otros. Su autor, Hans Rosling, ha hecho varias charlas
TED que vale la pena mirar.
Instalamos la librería
# instala el package
install.packages("gapminder")

Cargamos tanto gapminder como tidyverse

# lo llama
library("gapminder")
library("tidyverse")

Calculamos el promedio de la expectativa de vida para los continentes en el 2007:

world.data <- gapminder

mean.lifeExp <- world.data %>%

filter(year == 2007) %>%
group_by(continent) %>%
summarize(mean(lifeExp))

mean.lifeExp

Lo visualizamos
1.6. EJEMPLO 19

Construimos la base de datos y graficamos la evolución de la expectativa de vida para los

países de America del Sur desde 1952 a 2007.
world.data <- world.data %>%
filter(country %in% c("Argentina", "Bolivia", "Brazil", "Chile", "Colombia", "Ecuador", "Paraguay", "Peru", "Urugu

g1 <- ggplot(world.data) + geom_line(mapping = aes(year,lifeExp, colour= country), size = 1.2)

g1 <- g1 + theme_bw() + labs(title = "Expectativa de vida para America del Sur", subtitle = "Desde 1952 a 2007", colour = "")
g1 <- g1 + xlab("Años") + ylab("Expectativa de vida")
g1 <- g1 + theme(legend.position="bottom")
g1

Expectativa de vida para America del Sur

Desde 1952 a 2007
80

70
Expectativa de vida

60

50

40
1950 1960 1970 1980 1990 2000
Años

Argentina Brazil Colombia Paraguay Uruguay

Bolivia Chile Ecuador Peru Venezuela

Finalmente lo guardamos.
ggsave("Grafico.png")
20 CHAPTER 1. INTRODUCCIÓN
Chapter 2

Quantmod

IMPORTATE: Aún no está del todo listo el formato en pdf, por lo que recomiendo
verlo online.
El paquete quantmod para R esta diseñado para la asistencia quantitativa de los traders en
el desarrollo de sus estrategias y modelos financieros.

2.1 ¿Que es quantmod?

Un entorno rápido, donde los operadores cuantitativos pueden explorar y construir modelos
de negociación rápida y limpiamente. A través de la función getSymbols podemos extraer
datos financieros desde varias fuentes: Google Finance, Yahoo Finance, Federal Reserve
Bank of St. Louis FRED (más de 11,000 series !!!) y Oanda. Incluso desde fuentes propias:
MySQL , R (Rdata) y Comma Separated Value files (csv).
No es el paquete definitivo dado que se complementa con otros, tales como: TTR, zoo y
xts. En lo que respecta al análisis técnico son las más usadas en el mercado y usan todas las
propiedades que hacen al lenguaje R útil para realizar análisis de datos1 .

2.2 Obtención de Datos

Para comenzar, como todo paquete en R se debe instalar
# Instalación package
install.packages("quantmod")

Una vez que esté instalado, creamos nuestro script usando ctrl/cmd + shift + n y lo
“llamamos” con
# Cargamos "quantmod"
library("quantmod")

HINT: con ctrl + R en windows/Linux y cmd + R en MAC OS agregamos más

rapido comentarios (sección) en Rstudio.
quantmod provee una función para descargar datos desde fuentes externas. Esta función se
1
Proximamente incluire el tidyquant

21
22 CHAPTER 2. QUANTMOD

llama getSymbols, para mayor información escribir en la linea de comandos ?getSymbols2 .

Por defecto, se crea un objeto en el workspace (Global Environment) con el nombre del
ticker/nemotécnico seleccionado. Imaginemos por un momento que necesitamos analizar el
S&P 500 desde el 2010 hasta la fecha con periocidad diaria. Lo primero que debemos hacer
es pensar desde que fuente vamos a descargar los datos, como es un índice accionario se
recomienda usar yahoo finance, luego buscar el nemotécnico, en este caso es “ˆGSPC”.
getSymbols("^GSPC", src = "yahoo", from = "2010-01-01", to = "2010-07-30", periodicity = "daily")
## [1] "GSPC"

2.2.1 ¿Qué hizo la función getSymbols?

La función getSymbols se construye basicamente de cinco opciones3 :
1. El ticker/nemotécnico, eg. ˆGSPC.
2. src, que es la abreviación de “source”, eg. yahoo, FRED. . .
3. from, es el inicio de la fecha a descargar, tener presente que se incluye la fecha en
nuestros datos.
4. to, es el final del periodo para los datos, este no se incluye.
5. periodicity, es la periodicidad de los datos, eg. daily, monthly o yearly, solo algunos
datos se ajustan a las tres periodicidades.
En el ejemplo anterior se descargo desde yahoo los datos del S&P 500 desde Enero del 2010
hasta el viernes 27 de Julio del 2018 con periodicidad diaria, construyendo un objeto en
formato xts cuyo nombre es GSPC.

2
No solo funcióna con getSymbols, si no que con todas las funciones de distintas librerias, basta con ante
poner ? y luego el nombre la función
3
Por el momento solo trabajaremos con estas opciones, exiten más.
2.3. GRAFICANDO CON CHARTSERIES 23

2.3 Graficando con chartSeries

Aún no introducimos la librería ggplot2, sin embargo, quantmod también nos permite
graficar.

2.3.1 chartSeries
Para graficar basta con escribir el nombre del objeto con clase (class) xts, en nuestro caso
es GSPC que representa al Standard and Poor 500. Si escribimos TA = NULL, charSeries no
mostrará el volume4
chartSeries(GSPC, TA=NULL)

GSPC [2010-01-04/2010-07-29]

1200

1150

1100

1050

ene 04 feb 01 abr 01 may 03 jun 01 jul 01 jul 29

2010 2010 2010 2010 2010 2010 2010

Figure 2.1: Gráfico con chartSeries con TA = NULL

chartSeries(GSPC, TA=NULL)

Pero cuando las series son muy largas, podemos ver tendencias pero dificulta ver cambios
importantes a nivel de análisis técnico.
chartSeries(GSPC, subset = "last 3 months")

Con el código anterior nos enfocamos solo en los tres meses anteriores.

2.4 Graficando con ggplot2

Si bien chartSeries es una alternativa a plot o plotly, este no nos permite realizar gráficos
que se adapten a nuestras necesidades. ¿Qué pasa si queremos graficar retornos o retornos
4
TA proviene de Technical Analysis
24 CHAPTER 2. QUANTMOD

GSPC [2010-01-04/2010-07-29]

1200

1150

1100

1050

ene 04 feb 01 abr 01 may 03 jun 01 jul 01 jul 29

2010 2010 2010 2010 2010 2010 2010

Figure 2.2: Gráfico con chartSeries sin TA = NULL

GSPC [2010-05-03/2010-07-29]
Last 1101.530029 1200

1150

1100

1050

10000
9000 Volume (millions):
8000 4.612e+09
7000
6000
5000
4000

may 03 may 17 jun 01 jun 14 jun 28 jul 12 jul 26

2010 2010 2010 2010 2010 2010 2010

Figure 2.3: Los últimos 3 meses de GSPC

2.4. GRAFICANDO CON GGPLOT2 25

acumulados? la opción por exelencia es ggplot2.

2.4.1 Breve introducción a ggplot2

Todo ggplot2 plot tiene tres componentes:
1. Datos
2. Un conjunto de aesthetic mappings entre variables y propiedades de visualización.
3. Al menos una layer que describe la observación, son usualmente creadas con la función
geom_*
library(ggplot2)

A continuación usaremos la base que viene pre cargada con R cuando lo instalamos, que es
cars5
ggplot(mpg, aes(x = displ, y = hwy)) + geom_point()

40

30
hwy

20

2 3 4 5 6 7
displ

Figure 2.4: Ejemplo 1 usando ggplot2

Esto produce el scatterplot definido como:

1. Datos: mpg
2. Aesthetic mapping: tamaño del motor en la posición x, gasolina en la posición y.
3. Layer: puntos.

2.4.2 Color, tamaño, forma y otros atributos del aesthetic

Se debe usar otro aesthetics como colour, shape y size (ggplot acepta los nombres ameri-
canos como británicos)
5
Esta base es muy común en los software estadísticos y presenta datos de autos.
26 CHAPTER 2. QUANTMOD

ggplot(mpg, aes(displ, cty, colour = class)) +

geom_point()

35

30
class
2seater
25 compact
midsize
cty

minivan
20
pickup
subcompact
suv
15

10

2 3 4 5 6 7
displ

Figure 2.5: Ejemplo 2 usando ggplot2

• Como se puede ver, se creo una guía con los valores, leyenda, así podemos “leer” el
gráfico.
• Si se quiere aesthetic para valores fijos, sin scaling:
ggplot(mpg, aes(displ, hwy)) + geom_point(aes(colour = "blue"))

ggplot(mpg, aes(displ, hwy)) + geom_point(colour = "blue")

Ejercicios:
aes(displ, hwy, colour = class)
aes(displ, hwy, shape = drv)
aes(displ, hwy, size = cyl)

• Se recomienda usar colour y shape con variables categóricas.

• Mientras que size funciona bien con variables continuas.

2.4.3 S&P 500 con ggplot2

gspc <- as.data.frame(GSPC)

g1 <- ggplot(gspc) + geom_line(mapping = aes(index(gspc),GSPC.Adjusted))

g1 <- g1 + labs(title = "S&P 500", subtitle = "Desde Enero 2010 a 2018") + xlab("Fecha") + ylab("")
g1 <- g1 + theme_bw()
g1
2.4. GRAFICANDO CON GGPLOT2 27

40

30
colour
hwy

blue

20

2 3 4 5 6 7
displ

Figure 2.6: Ejemplo 3 usando ggplot2

40

30
hwy

20

2 3 4 5 6 7
displ

Figure 2.7: Ejemplo 3 usando ggplot2

28 CHAPTER 2. QUANTMOD

S&P 500
Desde Enero 2010 a 2018

1200

1150

1100

1050

0 50 100 150
Fecha

Figure 2.8: Standard and Poor 500 usando ggplot2

2.5 Multiples Datos

A continuación trabajaremos con las acciones de Oracle, Nvidia, IBM y AMD, comenzamos
con crear un objeto con los nombres de los tickers
tickers <- c("ORCL","AMD","IBM","NVDA")

descargamos los datos con las características requeridas, que son las mismas que usamos
anteriormente con S&P 500
getSymbols(tickers, src = "yahoo", from = "2010-01-01", to = "2018-07-30", periodicity = "daily")
## [1] "ORCL" "AMD" "IBM" "NVDA"
Acá deben tener mucha atención:
list <- lapply(tickers, function(x) Cl(get(x)))
precio.cierre <- do.call(merge,list)

2.5.1 Retornos
La formula para calcular (log) retornos es
Pt
rt = log(1 + Rt ) = log( ) = pt − pt−1
Pt−1
donde pt = log(Pt ) es llamado “log price”.
Ahora pasamos a construir el retorno.
retornos <- data.frame(apply(precio.cierre, 2, function(x) Delt(x, type = "log")),
fecha = index(precio.cierre)) %>%
rename(orcl = ORCL.Close, amd = AMD.Close, ibm = IBM.Close, nvda = NVDA.Close) %>%
na.omit()
2.6. ESTADÍSTICA DESCRIPTIVA 29

2.5.2 Retornos Acumulados

Si graficamos los retornos no será muy descriptivo, una forma es trabajar con su acumulado.
Con la misma lógica usamos la función cumsum().
acumulados <- data.frame(apply(retornos[1:4], 2, function(x) cumsum(x)), fecha = index(precio.cierre[-1]))

2.5.2.1 Gráfico retornos acumulados

library("reshape2")

reshape <- melt(acumulados, id.vars = "fecha")

g2 <- ggplot(reshape) + geom_line(mapping = aes(fecha,value, color = variable))

g2 <- g2 + labs(title = "Retornos Acumulados", subtitle = "Oracle, AMD, IBM y Nvidia")
g2 <- g2 + theme_bw() + xlab("Fecha") + ylab("Retornos Acumulados")
g2 <- g2 + scale_color_manual("Tickers", values = c("red","blue","green","orange"))
g2 <- g2 + theme(legend.position = "bottom")
g2

Retornos Acumulados
Oracle, AMD, IBM y Nvidia

2
Retornos Acumulados

-1

-2
2010 2012 2014 2016 2018
Fecha

Tickers orcl amd ibm nvda

Figure 2.9: Retornos Acumulados de los tickers

2.6 Estadística Descriptiva

Existe muchas formas de obtener la estadística descriptiva en R, un librería es fBasics, la
que a su vez contiene test de normalidad.
library("fBasics")
30 CHAPTER 2. QUANTMOD

summary <- basicStats(retornos[1:4])[c("Mean", "Stdev", "Median", "Minimum", "Variance",

"Maximum", "nobs","Skewness","Kurtosis"),]

2.7 Ratio de Sharpe

EL ratio de Sharpe es una medida de desempeño para portafolios, el que se define como

E(Ri ) − rf
SR =
σi
Donde E(Ri ) = µi es el retorno del portafolio i, rf la tasa libre de riesgo y σi la desviaciòn
estandar del portafolio i. Si asumimos como ejercicio que no diversificamos y “construimos”
cuatro portafolios con el 100% es invertido en cada uno de los activos.
Para realizar el cálculo del ratio de Sharpe (SR) para Oracle
SR_orcl <- (mean(retornos$orcl) - 0.0000 )/sd(retornos$orcl)

con mean(retornos$orcl) vamos a obtener el promedio de la primera columna del objeto

retornos que es Oracle (en el data.frame la columna se llama orcl, si tuviese otro nombre
como por ejemplo perrito, entonces hubiese sido mean(retornos$perrito)), si quisieramos
AMD debería ser amd y asì sucesivamente. El 0.0000 sería la tasa libre de riesgo que la asum-
imos mensual y sd(retornos[1]) nos calcula la desviación estandar. Dado que poseemos 4
activos con sus respectivos retornos, deberiamos construir cuatro objetos que partan con SR.

2.8 Test de JarqueBera

El test de jarque-bera usa los coeficientes de la skewness y kurtosis de la muestra y se usa
para testar normalidad. Otros test comunes son el de Anderson–Darling, Cramér–von Mises,
y Kolmogorov–Smirnov.
En resumen compara que la skewness sea 0 y la kurtosis sea 3 bajo normalidad.

c 2 /6 + (KU
JB = nSk [r − 3)2 /24
El test se encuentra en varias librerías, una de ellas es fBasics que deberíamos tener insta-
lada y cargada. Para obtener los resultados del test para Oracle
jarqueberaTest(retornos$orcl)

Para los demàs activos hay que solo cambiar por el nombre de la columna correspondiente.

2.9 Recursos del capítulo

Chapter 3

Introducción a teoría de portafolio

IMPORTANTE: Aún no está del todo listo el formato en pdf, por lo que re-
comiendo verlo online.

3.1 Librería IntroCompFinR

Para la teoría de portfolio vamos a utilzar la librería IntroCompFinR (Intro to
Computational Finance in R) creado por el profesor Eric Zivot.
1. Debemos instalar primero las librerías que utiliza IntroCompFinR:
if(!require("pacman")) install.packages("pacman")
p_load("PerformanceAnalytics","quadprog","xts")

2. Ya instaladas las dependencias, descargamos IntroCompFinR :

install.packages("IntroCompFinR", repos="http://R-Forge.R-project.org")

3.1.1 Funciones útiles de IntroCompFinR

Funciones Descripciones
getPortfolio Crea un portafolio (objeto)
globalMin.portfolio Computa el portafolio de mímina varianza
efficient.portfolio Computa el portafolio de mímina varianza sujeto a un retorno
tangency.portfolio Computa el portafolio tangente
efficient.frontier Computa la frontera eficiente

3.2 Cargando la librería y la base de datos

Una vez la instalada la librería, procedemos a cargarla en conjunto con aquellas que uti-
lizaremos en esta ayudantía:
if(!require("pacman")) install.packages("pacman")
p_load("IntroCompFinR","readxl","tidyverse")

31
32 CHAPTER 3. INTRODUCCIÓN A TEORÍA DE PORTAFOLIO

Como ya está cargado readxl cargamos el archivo stocks.xlsx, que ya posee los retornos1 .
# acá están los retornos ya calculados, para replicarlos vean el apunte
stocks <- read_xlsx("datasets/stocks.xlsx")

Considerando tres activos riesgosos (Starbucks, Nordstrom y Microsoft), definimos un vector

columna 3x1 el que tendrá los retornos y los pesos:
   
Ra xa
R=
 Rb  , x =  xb 
  

Rc xc
El vector de retornos esperados es:
     
Ra E[Ra ] µa
E[R] = E  Rb  =  E[Rb ]  =  µb  = µ
     

Rc E[Rc ] µc
La matriz 3x3 de varianza y covarianza de los retornos es:
 2 
σa σab σac
var[R] =

σ
 ab σb2 σbc 
=Σ
2
σac σbc σc
0
Notar que la matriz de covarianza es simétrica (Σ = Σ ).
Para construir las matrices anteriores en R:
# Promedio
mean <- apply(stocks[2:4], 2 , function(x) mean(x))
# Desviación Estandar
sd <- apply(stocks[2:4], 2 , function(x) sd(x))
# Covarianza
cov <- cov(stocks[2:4])

1
si quieren replicarlo vean los videos
Chapter 4

Renta Fija

IMPORTANTE: Aún no está del todo listo el formato en pdf, por lo que re-
comiendo verlo online.
if(!require("pacman")) install.packages("pacman")
p_load("tidyverse", "quantmod")

4.1 Precio de un Bono

El precio de un bono se calcula como:
T
X C ValorNominal
PB = t
+
t=1 (1 + r) (1 + r)t
Donde:
• PB : Precio del Bono
• Ct : Pago interéses o cupones
• T : Números de períodos o madurez
• r : Tasa de descuento o yield-to-maturity semi-anual
Consideremos el siguiente ejercicio:
Calcular el precio de un bono con pago de cupón semestral, Madurez 25 años, Tasa cupón
6.5%, Yield semi-anual de 6.9% y Valor nominal de 100.
Para desarrollar el ejercicio, debemos construir por “parte”" los componentes de nuestro
bono.
1. Construimos tanto la tasa cupón como la Yield semi-anual.
tc <- 0.065
y <- 0.069

2. Construimos un vector con los valores de los cupones más el principal

pago <- c(rep(tc*100/2,49),(100 + tc*100/2))

tanto tc, r y pago se encontraran en Values del global environment, en tipo numeric. c es
una función generica para crear vectores, rep hace una repetición de tc*100/2 49 veces y el
numero 50, es igual al principal más tc*100/2. Recordar que como es semi-anual se divide
por 2 el valor nominal de 100.

33
34 CHAPTER 4. RENTA FIJA

3. Para poder trabajar con nuestra base de datos, transformamos nuestro vector pago
que está en forma numeric a data frame.
pago <- as.data.frame(pago)

Ahora existe un objeto con una estructura de datos data frame en nuestro global environ-
ment. Nuestro nuevo objeto pago se podría haber llamado de cualquier forma.

4.2 Dos formas de hacer lo mismo

Ya construido nuestro objeto pago veremos que en R existen muchas formas de hacer lo
mismo:
1. Al principio del capítulo cargamos la libreria tidyverse, está nos permitirá traba-
jar con un “megapaquete” que incluye otros paquetes en su interior (ggplot2, dplyr,
magittr, entre otros). Todos los paquetes que conforman “el Tidyverse” comparten la
misma visión sobre el trabajo con datos y la escritura de código. Si vamos a la pestaña
packages y escribimos dplyr veremos que está activo, pero nunca lo “llamamos”, esto
se debe a tidyverse lo hizo por nosotros.
pago1 <- pago %>%
mutate(t1 = as.numeric(index(pago)),factor_desc = 1/(1+y/2)^(t1),
val_present = pago*factor_desc) %>%
summarise(sum(val_present)) %>%
rename(`Precio Bono` = `sum(val_present)`)

pago1
## Precio Bono
## 1 95.27
El precio del bono es 95.2663.
2. La otra forma es:
# replicamos el objeto
pago2 <- pago

pago2$t2 <- as.numeric(rownames(pago2))

# Calculamos el factor de descuento

pago2$factor_desc <- 1 / (1 + y/2)^(pago2$t2)
# Calculamos el valor presente
pago2$val_present <- pago2$factor_desc*pago2$pago
# Calculamos el precio
sum(pago2$val_present)
## [1] 95.27
Como es de esperarse obtenemos el mismo precio del bono, 95.2663.

4.3 Funciones
Dominar por completo las funciones en R lleva practica y dedicación, no obstante, la dificul-
tad que utilizaremos en este capítulo es baja y es un buen ejemplo practico para comenzar.
Toda función en R, tiene tres partes.
1. El body(), el código dentro de la función.
2. El formals(), la lista de argumentos que controlan como puedes llamar la función.
3. El environment(), el “mapa” de la locación de las variables de la función.
4.4. RELACIÓN PRECIO DEL BONO Y YIELD 35

A continuación vamos a crear un función que permita calcular el cuadrado de cualquier

número:
f <- function(x){
x^2
}

Para obtener el cuadrado de 2 y de 4:

f(2)
## [1] 4

f(4)
## [1] 16
En el ejemplo anterior el formals() de f:
formals(f)
## $x
el body() de f:
body(f)
## {
## x^2
## }
y el environment() de f:
environment(f)
## <environment: R_GlobalEnv>
Ya visto una breve introducción a funciones en R, procedemos a construir una función que
nos permitirá valorizar cualquier bono que pague cupones iguales:
# p: valor nominal; tc: tasa cupón; t: madurez; y: yield to maturity
precio.bono <- function(p,tc,t,y){
pago <- c(rep(tc*p, t - 1),p*(1 + tc))
pago <- as.data.frame(pago)
pago$t <- as.numeric(rownames(pago))
pago$factor_desc <- 1 / (1 + y)^(pago$t)
pago$valor_prese <- pago$factor_desc*pago$pago
sum(pago$valor_prese)
}

precio.bono(100,0.065/2,50,0.069/2)
## [1] 95.27
Usando el mismo ejemplo de la sección anterior, obtenermos un precio igual a 95.2663.

4.4 Relación precio del Bono y Yield

4.4.1 Valorización
Ahora utilizando la función precio.bono valorizaremos un bono con las siguientes carac-
terísticas:
• Principal : 100
• Tasa Cupón: 5%
• Madurez: 10 años
• Yield: 4.29%
36 CHAPTER 4. RENTA FIJA

# Valoramos el siguiente Bono

precio.bono(p = 100, tc = 0.05, t = 10, y = 0.0429)
## [1] 105.7

4.4.2 Construcción yields

Se contruirá una secuencia de yields:
# Cosntruimos yields
yields <- seq(0.02, 0.4, 0.01)

La función seq generá una secuencia. En este caso parte del 0.02 hasta el 0.4 pero con
intervalos de 0.01.
# Convertimos yields a data frame como antes
yields <- as.data.frame(yields)

4.4.3 Loops
# Calaculamos el precio del bono para distintas yields
for (i in 1:nrow(yields)) {
yields$precio[i] <- precio.bono(100, 0.10, 20, yields$yields[i])
}

4.4.4 Graficando
Una manera de visualizar datos es usar ggplot2, se recomienda que añadan por parte lo que
desean en su gráfico.
# Graficamos con ggplot2
g1 <- ggplot(data = yields,aes(x = yields*100, y = precio)) + geom_line(size = 1.5, color = "red")
g1 <- g1 + geom_point(size = 3, color = "red")
g1 <- g1 + ggtitle("Relación inversa:", subtitle = "Precio del Bono vs Yield")
g1 <- g1 + xlab("Yield (%)") + ylab("Precio del bono")
g1 <- g1 + geom_ribbon(aes(ymin = 0, ymax = pmax(precio,0)), fill="pink", col="red", alpha=0.5)
g1 <- g1 + theme_bw()
g1 <- g1 + theme(panel.border = element_rect(colour = "black", fill = NA, size = .5),
panel.grid.major = element_line(colour = "#d3d3d3"))
g1

# Guarmados gráfico
ggsave("retorno-yield.png",width = 8.5, height = 4.5, dpi = 300)

4.5 Trabajando con yields reales

quantmod es uno de las librerías más ocupadas en R para extraer datos financieros, te
permite graficar, realizar análisis técnico, calcular retornos (Delt(x)), etc. Aunque las series
son descargadas con estructura xts, la podemos transformar a data frame. A continuación
descargaremos la yield de los bonos del tesoro de Estados Unidos a 10 años:
t10yr <- getSymbols(Symbols = "DGS10", src = "FRED", auto.assign = FALSE)

t10yr <- subset(t10yr["2000-01-01/2018-04-17"])

4.5. TRABAJANDO CON YIELDS REALES 37

Relación inversa:
Precio del Bono vs Yield

200

150
Precio del bono

100

50

10 20 30 40
Yield (%)

Figure 4.1: Relación Bono vs Yield

38 CHAPTER 4. RENTA FIJA

Con la función subset extramos una parte de los datos, especificamente desde 2000-01-01
hasta 2018-04-17. Luego graficamos usando la función chartSeries de quantmod. Tener
cuidado con la función, dado que solo funciona con extensión xts.
# Grafico con chartSeries de quantmod solo funciona con xts
chartSeries(t10yr, theme = "white")

t10yr [2000-01-03/2018-04-17]
7
Last 2.82

ene 03 ene 02 ene 03 ene 02 ene 03 ene 02 ene 02

2000 2003 2006 2009 2012 2015 2018

Figure 4.2: yield del tesoro de los Estados Unidos con chartSeries

En caso que se quiera graficar usando ggplot2:

t10yr.df <- as.data.frame(t10yr)

t10yr.df <- t10yr.df %>%

mutate(fecha = as.Date(rownames(t10yr.df))) %>%
na.omit()

g3 <- ggplot(data = t10yr.df,aes(x = fecha , y = DGS10)) + geom_line(size = 1, color = "green")

g3 <- g3 + ggtitle("10-Year US Treasury Yields", subtitle = "Desde 2000-01-01 hasta 2018-04-17")
g3 <- g3 + ylab("Fecha") +xlab("Yield(%)")
g3 <- g3 + theme_bw() + theme(panel.border = element_rect(colour = "black", fill = NA, size = .5),
panel.grid.major = element_line(colour = "#d3d3d3"))
g3

# Guarmados gráfico
ggsave("treasury-yields.png",width = 8.5, height = 4.5, dpi = 300)
4.5. TRABAJANDO CON YIELDS REALES 39

10-Year US Treasury Yields

Desde 2000-01-01 hasta 2018-04-17
7

5
Fecha

2000 2005 2010 2015

Yield(%)

Figure 4.3: yield del tesoro de los Estados Unidos con ggplot2
40 CHAPTER 4. RENTA FIJA

4.6 Duración y Convexidad de un Bono

4.6.1 Extración de la yield
La función subset permite extraer una parte de tu base según un criterio como vimos con
anterioridad. En el código presentado a continuación, extraemos un valor de la yield para
una fecha en especifico, 2017-03-03 y luego la dividimos por 100.
# Extraemos un valor en específico
t10yr_yield <- t10yr.df %>%
subset(fecha == "2017-03-03")

t10yr_yield <- as.numeric(t10yr_yield$DGS10)*0.01

4.6.2 Duración
Existen dos Duraciones, la de Macaulay y modificada (o de Hicks), las que miden sensibilidad
del precio ante cambios de la yield. Dos bonos con la misma duración tendrá el mismo cambio
en precio estimado.
Macaulay:
" #
1+y 1 + y + [n · (c − y)]
Duracion de Macaulay = −
y [c · ((1 + y)n − 1)] + y
Modificada:

Duracion Modificada = Duracion de Macaulay/(1 + y)

Aproximación Duración Modificada:

M V− − M V+
Aprox.Dur.M od. =
2 · ∆y · M V0

4.6.2.1 Duración Macaulay

Como ya presentamos la formula de la duración de Macaulay, la construimos como una
función.
# duracion de Macaulay
macaulay <- function(y,n,c,t,T){
mac <- (1 + y)/y - (1+y+(n*(c-y)))/(c*((1+y)^n -1) + y)
print(mac)
}

Usandola con la yield extraida:

macaulay <- macaulay(t10yr_yield,10,0.03)
## [1] 8.817

4.6.2.2 Duración Modificada

La aplicación de la duración modificada es directa.
4.6. DURACIÓN Y CONVEXIDAD DE UN BONO 41

# duración modificada
modificada <- macaulay/(1+t10yr_yield)
modificada
## [1] 8.603

4.6.2.3 Aproximación Duración Modificada

Una aproximación a la duración Modificada se puede obtener como:
# Para la aproximación de la duración modificada
precio.arriba <- precio.bono(p = 100, tc = 0.03, t = 10, y = t10yr_yield + 0.01)
precio <- precio.bono(p = 100, tc = 0.03, t = 10, y = t10yr_yield)
precio.abajo <- precio.bono(p = 100, tc = 0.03, t = 10, y = t10yr_yield - 0.01)

Uniendo los objetos creados.

# Calculo de aproximación duración modificada
aprox.dur.mod <- (precio.abajo - precio.arriba)/(2 * precio * 0.01)
aprox.dur.mod
## [1] 8.62
Así obtenemos una diferencia de 0.0169.

4.6.3 Duración con librería

Una librería útil para calcular las duraciones como la convexidad (en la siguiente secciòn) es
derivmkts. Si no estamos usando la librería pacman recordar:
install.packages("derivmkts")
library("derivmkts")

# Con librerias
p_load("derivmkts")

# Duración moficada
duration(precio, 3, 10, 100, 1, modified = TRUE)
## [1] 8.603

# Duración Macaulay
duration(precio, 3, 10, 100, 1, modified = FALSE)
## [1] 8.817
Si escribimos modified = TRUE, la función duration computa la duración modificada, por
otro lado, si modified = FALSE obtenemos la duración de Macaulay. Losa valores son los
mismo obtenidos sin librería.

4.6.4 Convexidad
La convexidad es la segunda derivada de la curva de rendimiento y es màs precisa que la
duración cuando el cambio de la yield es màs “grande”. Esto es porque la duración es la línea
tangente en el punto calculado de la curva de rendimientos, el problema es que a medida que
nos alejamos por la curva de rendimientos la distancia entre la curva y esa línea calculada
se vuelve cada vez más grande.
T
" #
1 CFt
(t2 + t)
X
Convexidad =
P × (1 + y) t=1 (1 + y)t
2
42 CHAPTER 4. RENTA FIJA

Donde:
• P : Precio Bono.
• y : yield to maturity.
• T : Madurez en años.
• CFt : Cash flow en el tiempo t.
# Calculamos medida de convexidad
convexidad <- (precio.arriba + precio.abajo - 2 * precio)/(precio * (0.01)^2)
convexidad
## [1] 88.45

4.6.4.1 Aproximación Convexidad

M V− + M V+ − 2 ∗ M V0
Aproximacion Convexidad =
M V0 ∗ ∆y 2
donde:
• M V0 : Precio del Bono.
• M V− : Precio del Bono cuando la tasa de interes aumenta.
• M V+ : Precio del Bono cuando la tasa de interes disminuye.
• ∆y : Cambio en la tasa de interes.

4.6.5 Convexidad con librería:

convexity(precio, 3, 10, 100, 1)
## [1] 88.34

4.7 Efecto Dolar

Efecto Dolar = ∆Pduration + ∆Pconvexity

Donde:

Duration Dollar Change = −D × ∆y × P

Donde:
• D : Duración.
• ∆y : Cambio en la yield.
• P : Precio Bono.

Convexity Dollar Change = 0.5 × C × (∆y)2 × P

Donde:
• C : Convexidad.
• (∆y)2 : Cambio en la yield al cuadrado.
• P : Precio Bono.
4.8. EJERCICIO 43

4.8 Ejercicio
4.9 Recursos del capítulo
44 CHAPTER 4. RENTA FIJA
Chapter 5

Opciones, Derivados y Futuros

IMPORTANTE: Aún no está del todo listo el formato en pdf, por lo que re-
comiendo verlo online.

45