Abundando en el tema de ayer, ahora, los mismos datos representados con mapas de calor:

Para obtenerlo, a lo que ya teníamos basta añadirle:

library(gplots)
heatmap.2(as.matrix(ibex.scaled),
          Rowv=F, Colv=T, key=F, trace="none",
          col=redgreen, xlab="valor", ylab="",
          margins=c(5,10))

Pues esencialmente esto:

Es decir, un grupo numeroso de valores ha bajado de precio mientras que otros dos grupos han tenido una evolución en U y ha recuperado, con creces incluso, el valor que tenían hace un mes.

Y, como siempre, el código:

library(tseries)
library(zoo)
library(XML)
library(reshape)
library(ggplot2)
 
foo  <- function( simbolo, final = Sys.time(), profundidad = 30 * 24 * 3600 ){
  precios <- get.hist.quote(instrument= simbolo, start = final - profundidad,
                            end = final, quote=c("AdjClose"),
                            provider="yahoo", origin="1970-01-01",
                            compression="d", retclass="zoo")
  colnames(precios) <- simbolo
  return(precios)
}
 
# lista de símbolos del ibex
 
tmp <- readHTMLTable("http://finance.yahoo.com/q/cp?s=%5EIBEX+Components")[[5]]
tmp <- as.character(tmp$V1[-(1:6)])
tmp <- gsub("-P", "", tmp)
simbolos <- tmp[tmp != "ABG.MC"]
 
ibex <- do.call(merge, sapply(simbolos, foo, simplify = F))
 
ibex.scaled <- scale(ibex)
 
ibex.df <- data.frame(ibex.scaled, fecha = index(ibex.scaled))
ibex.df <- melt(ibex.df, id.vars = "fecha")
ibex.df <- ibex.df[ order(ibex.df$fecha, ibex.df$variable), ]
ibex.df$cluster <- kmeans(data.frame(t(ibex.scaled)), 4)$cluster
 
ggplot(ibex.df, aes(x=fecha, y=value, group=variable)) +
        geom_line() + facet_wrap(~cluster)

Quiero representar hoy la evolución del Ibex 35 a lo largo del año pasado al estilo GapMinder. En concreto, usando un MotionChart de Google.

Primero, bajo los símbolos de los activos del Ibex de Yahoo! Finance:

library(XML)
simbolos <- readHTMLTable(htmlParse("http://finance.yahoo.com/q/cp?s=%5EIBEX+Components"))
simbolos <- as.character(simbolos[[9]]$Symbol)
simbolos <- gsub("-P", "", simbolos)

Luego, creo una pequeña función y se la aplico a cada símbolo:

library(tseries)
 
foo  <- function( simbolo, final = Sys.time(), profundidad = 365 * 24 * 3600 ){
 
  tmp <- get.hist.quote(instrument= simbolo, start = final - profundidad,
                            end= final, quote="AdjClose",
                            provider="yahoo", origin="1970-01-01",
                            compression="d", retclass="zoo")
 
  precios <- as.data.frame(tmp)
  precios$fecha <- index(tmp)
  rownames(precios) <- NULL
  precios$simbolo <- simbolo
 
  precios$AdjClose <- 100 * precios$AdjClose / precios$AdjClose[1]
  precios$x <- as.numeric(precios$fecha)
  precios$x <- 1 + precios$x - precios$x[1]
  colnames(precios) <- c("precio", "fecha", "simbolo", "dias")
 
  precios
}
 
res <- sapply(simbolos, foo, simplify = F)
res <- do.call(rbind, res)

Finalmente, creo el gráfico:

library(googleVis)
 
M <- gvisMotionChart(res, idvar="simbolo", timevar="fecha",
                     xvar = "dias", yvar = "precio",
                     options = list(width = 1200,
                                    showAdvancedPanel=T,
                                    showChartButtons =F,
                                    showSelectListComponent=F,
                                    showXMetricPicker = F,
                                    showYMetricPicker = F))
plot(M)

El resultado tiene un aspecto similar a la siguiente captura estática:

No puedo insertar aquí el gráfico dinámico pero cualquiera que ejecute el código anterior en su máquina lo debería obtener en su propio navegador.

Hojeando la prensa francesa di con este pequeño artículo en Les Echos, Pourquoi les particuliers sont perdants sur les devises. Remite a un artículo reciente, Is Technical Analysis Profitable for Individual Currency Traders? inasequible para quienes creemos que los 45 dólares que cuesta descargarlo tienen mejor empleo en otra parte (es curioso: en muchos otros ámbitos académicos es fácil conseguir los artículos gratis; en finanzas, casi imposible).

¿El resumen? Que prácticamente nadie gana dinero usando el llamado análisis técnico. E incluso podría argumentarse que ese 5% podrían no ser sino el sesgo de supervivencia.

He leído algo sobre análisis técnico y he realizado algunas comprobaciones por mi cuenta en alguna ocasión. Y cuanto más leo y más analizo, más convencido estoy de que detrás de todo esto no hay sino seudociencia. Entonces,

• ¿qué os parece a vosotros? ¿sois de la misma opinión?
• y más aún, ¿deberían los organismos públicos pertinentes tomar cartas en el asunto (igual que hacen las autoridades sanitarias con determinados remedios mágicos que ponen en peligro la salud y la cartera de la ciudadanía)?
• en el peor de los casos, ¿deberían darse a conocer más eficazmente los resultados de este tipo de estudios para contrarrestar la publicidad  manifiestamente engañosa de algunos de quienes se benefician de este negocio?

Muchos portales financieros incluyen información sobre uno de los llamados múltiplos (asociados a empresas que cotizan en bolsa), el PER. Es fácil de calcular a partir de información pública más o menos fiable y se usa en la práctica para estimar muy a groso modo si determinadas empresas (o mercados) están o no sobrepreciadas.

El PER es el cociente entre la capitalización bursátil de una empresa (que es público y se actualiza segundo a segundo) y su beneficio, que se conoce con cierta regularidad. Tiene sus ventajas —como la señalada más arriba— y desventajas —por ejemplo, que está influido por el desempeño pasado, los beneficios de ejercicios anteriores, cuando a un inversor le interesa más el desempeño futuro—.

Hoy traigo a colación otra desventaja quizás menos conocida: que el PER está muy influenciado por la estructura de capital de las empresas. Por ello no es un indicador adecuado para, sin más, realizar comparaciones. En efecto, de McKinsey Quarterly extraigo el siguiente diagrama:

En él se comparan dos empresas imaginarias similares, que solo se diferencian en su estructura de capital: la una tiene una deuda sustancial y la otra no.

A quienes piensen que la estructura de capital resulta irrelevante, les espantará averiguar cómo el PER parece ofrecer imágenes distintas de una misma realidad. El otro indicador alternativo, el EV/EBITA (o el EV/EBITDA) es idéntico para ambos.

Se trata de un múltiplo neutro frente a la estructura de capital aunque también presenta algunos problemas: el numerador, el valor de la empresa, es difícil de calcular a partir de datos públicos.

La tal vez excesiva popularidad del PER para evaluar el desempeño de las distintas empresas pudiera haber contribuido a que estas acumulasen más deuda de la que, a la vista de la actual situación, debieron haber asumido. El uso de indicadores neutrales podría ayudar a que los gestores de las empresas se volviesen igualmente neutrales frente a la estructura de capital y que esto constribuyese a reforzar la solidez del sistema.

Es algo viejo, pero vale la pena traerlo a estas páginas. Se trata de un manifiesto que comienza parejo a aquel otro ahora arrumbado: Un espectro recorre los mercados — el espectro de la falta de liquidez, la congelación del crédito y el fracaso de los modelos financieros.

Habla, sí, principalmente, de finanzas. Pero en gran medida desde la óptica de la modelización y de su responsabilidad en el caos que vivimos ahora. Y, aunque no tiene desperdicio, su colofón de es de universal aplicación y provecho para los modelizadores todos, incluidos los ajenos al mundo de las finanzas. Es una suerte de juramento hipocrático para modelizadores con las siguientes cinco promesas:

• Tendré presente que el mundo no es obra mía y que no satisface mis ecuaciones.
• Aunque utilizaré modelos para estimar valores, no me dejaré influenciar excesivamente por las matemáticas.
• Nunca sacrificaré la realidad en aras de la elegancia sin explicar el motivo.
• Tampoco crearé en los usuarios de los modelos falsas expectativas de precisión; en lugar de eso, haré explícitas las hipótesis y simplificaciones.
• Entiendo que mi trabajo tiene un impacto profundo en la sociedad y la economía que, en gran medida, me es desconocido.

Cuando era menos pobre, antes de la crisis, me desayunaba todos los días con el Financial Times. Me lo daban gratis en el hotel. Al cabo de un año leyéndome cada letra de cada edición, los principales columnistas acabaron siendo como de la familia.

Un tipo al que tengo insana envidia es John Authers. Estése o no de acuerdo con su punto de vista, el hecho de que cada mañana sea capaz de poner en negro sobre sepia una columna increíblemente inteligente es motivo sobrado para sentirse internamente reconcomido. Otra periodista de asombroso insight (odio no saber traducir el término al español) es Gillian Tett.

A ambos he tenido ocasión de leer en estos últimos días de maletas y aeropuertos, copia en pequeñito de lo que fue mi vida unos pocos años atrás. Y de Star Wars money and cyber finance, la columna de esta última en la edición del 1 de octubre del FT me refiero en esta entrada.

Acierta Gillian en traer sobre la mesa un asunto que nosotros, que tal vez sepamos más que ella sobre el asunto, relacionamos con el anumerismo. Se queja con motivo de que cifras (que son dinero) de tanto cero que aparecen en prensa, etc., han dejado de impactar al público, que ha perdido la referencia de lo que es mucho y lo que es poco.

Menciona el contador electrónico instalado en Times Square de Nueva York instalado por Seymour Durst en 1989 para publicar el tamaño de la deuda estadounidense. Gillian lo vio el otro día marcar 14.613.324.053.350 dólares. Menciona cifras como la de 440 millardos de euros (del fondo europeo de rescate), 14.000 millardos de dólares (el tamaño de la deuda estadounidense, abreviado), o 23.000 millardos de yenes (que vete tú a saber a qué se refiere).

¿Cómo convertir cifras en información (propiamente dicha)? Es tema sobre el que largo he escrito en esta bitácora. Y la solución no pasa por contadores luminosos. Ni por

[...]Algunos grupos cívicos están tratando de comunicar el tamaño de la deuda publicando imágenes de cuanto ocuparían 14.000 millardos en billetes de un dólar apilados sobre un campo de fútbol.

Pasa por utilizar la vieja operación que nos enseñaron en la escuela: dividir. Y utilizando un denominador adecuado, claro. Por ejemplo, la deuda a la que me refiero arriba asciende a 40.000 dólares por estadounidense, cifra mucho más sencilla de interpretar que el siguiente gráfico

que representa el volumen de un montón de billetes de cien dólares que suma el tamaño total de la deuda y que he extraído de aquí.

Una tarea final para mis lectores: ¿cuántos euros por europeo representa la deuda griega de la que tanto se habla estos días en prensa? ¿Cuánto tendríamos que poner cada uno de nosotros encima de la mesa para olvidar tan insidioso asunto?

El vídeo de Taleb que publiqué la semana pasada recoge un ataque frontal a un presunto vicio del entramado económico-financiero actual: su excesiva dependencia en la teoría y la matematización de los mercados financieros. Hasta tal punto se ha cuestionado el papel de las matemáticas (y su responsabilidad en la reciente crisis financiera y bancaria) que la llamada Escuela de Chicago, cuna de toda esta arquitectura, está a la defensiva.

Publico aquí el enlace a una entrevista del Financial Times con el decano de la Escuela de Negocios de la Universidad de Chicago, que da su visión sobre el fenómeno (pulsar en la imagen para ver el vídeo):

El argumento del Sr. Kumar se resume en lo siguiente:

1. Ellos, los académicos que investigan los mercados financieros, publican una serie de teoremas y resultados.
2. En algunos (¿muchos? ¿casi todos?) casos, quienes los aplican olvidan de verificar si se cumplen las hipótesis bajo las que fueron probados. Por ejemplo, si alguien escribe un teorema en el que se asume que las probabilidades de incumplimiento no están correlacionadas (sic), ¿se lo puede culpar porque se utilice en contextos en los que sí lo están (es decir, todos)?
3. Luego, pasa lo que pasa: quiebran bancos, países, etc.

(Otro día os cuento cómo me resolvieron el debate en dos minutos durante cierto periodo en que trabajé para una consultora del ramo).

El otro día leí el artículo A Prototype Model of Stock Exchange de G. Caldarelli, M. Marsili y Y.C. Zhang. La promesa que me ofrecía era la de la creación de un sistema relativamente realista de los agentes que operan en los mercados financieros que diese lugar a una evolución de precios con propiedades similares a las observadas.

Sin embargo, el planteamiento, interesante en un principio, se deshinchó enseguida:

• El modelo planteado por los autores ni siquiera aspira a representar los aspectos más distintivos del mercado: en lugar de agentes tremendamente desiguales en tamaño y entrelazados en una maraña de dependencias e influencias mutuas, los agentes son todos equivalentes en tamaño (si bien es cierto que en el estado estacionario de la simulación los ingresos adquieren una distribución dada por una ley de potencias) y que actúan de manera independiente entre sí una vez observados los precios en el mercado.
• Los resultados, una serie temporal de precios, es calificada por los autores como muy rica, aunque enseguida pasan, en un dechado de honradez, a apuntar diferencias más o menos manifiestas entre sus características estadísticas y las observadas en mercados reales.

Entiendo y aplaudo el virtuosismo técnico empleado por los autores del artículo y la implementación de los algoritmos involucrados. No obstante, tras leerlo, me embriaga una extraña sensación que no debe de ser muy distinta de aquellos comensales a los que se les anunció paella, se les advirtió que no traía arroz ni gambas y comprobaron después que sabía a judías de lata.