- Inicio
- Blog Refinitiv
- Inversiones y Trading
- Es hora de mejorar sus modelos financieros de Excel
LA EVOLUCIÓN DE LOS FLUJOS DE TRABAJO DEL TRADING
Es hora de mejorar sus modelos financieros de Excel
04 de Agosto de 2020
¿Cómo pueden los modelos financieros construidos en Excel proporcionar información más rápida y profunda mediante el uso de Eikon Data API (DAPI), Python y xlwings para automatizar los cálculos?
- Existen desafíos al utilizar modelos financieros creados en Excel. No siempre es fácil introducir datos en vivo en los modelos basados en Excel, y los modelos complejos pueden estar limitados por las capacidades de Excel.
- El Eikon DAPI para Python proporciona datos históricos y en tiempo real sobre una amplia gama de instrumentos financieros. Mientras tanto, xlwings permite a los usuarios avanzados escribir macros y funciones de Excel en Python.
- El Eikon DAPI, xlwings y Excel trabajan conjuntamente para ayudar a los científicos de datos, quants, operadores y desarrolladores a construir modelos más sofisticados para obtener información exclusiva y más profunda con mayor rapidez.
Excel es una herramienta esencial para los profesionales de las finanzas. Sin embargo, no está exento de limitaciones, y en ciertos escenarios, un modelo complejo de Excel puede hacer que una PC o Mac funcione mucho más lento.
En Excel, los conjuntos de datos más grandes y las tablas dinámicas no siempre pueden manejar análisis multidimensionales complejos. Visual Basic para Aplicaciones (VBA) parece un lenguaje de secuencias de comandos obsoleto que carece de las bibliotecas disponibles en los lenguajes modernos. Como resultado, copiar y pegar fragmentos de código de Internet es una solución alternativa común.
El control de versiones en Excel tampoco resulta sencillo. Es difícil ver cómo los modelos han cambiado a lo largo del tiempo y, a menos que guardemos una copia por separado antes de realizar cambios, es imposible volver a una versión anterior de un modelo.
Una adaptación inteligente a Excel es mejorar la herramienta de hoja de cálculo utilizando Refinitiv Eikon DAPI y Python, y también implementar xlwings de socios de Refinitiv para conectar Python y Excel.
Echemos un vistazo más de cerca a estas herramientas y luego observemos cómo funcionan en una aplicación real.
La biblioteca Eikon DAPI Python
Eikon Data API proporciona acceso a datos de mercado históricos y en tiempo real, así como a titulares de noticias, todos ellos disponibles en la plataforma Eikon.
Al recuperar los datos de mercado, Eikon DAPI admite diferentes identificadores de instrumentos: RIC, ISIN, IMO, PermID, OrgID, entre otros.
En muchos casos, la valoración es solo una parte de los requisitos. El DAPI proporciona noticias relacionadas y estados financieros para muchos instrumentos, y para un análisis más profundo, el DAPI puede usar RICs en cadena para encontrar futuros y opciones relacionados.
El DAPI y Python se pueden utilizar para optimizar los modelos. Para acelerar los cálculos en una PC o Mac, podemos canalizar datos DAPI en bibliotecas de Python como NumPy, que es de 50 a 100 veces más rápida que VBA para grandes conjuntos de datos.
Conectando Excel y Python con xlwings
El Eikon DAPI es fundamental para la solución, pero xlwings actúa como un puente bidireccional entre Excel y Python. Esto nos permite ejecutar modelos y análisis en Python, antes de introducir los resultados a una hoja de cálculo lista.
Esta solución ofrece lo mejor de ambos mundos: modelos más rápidos, impulsados por DAPI y entregados en una interfaz familiar de Excel. xlwings puede incluso actualizar hojas de cálculo en tiempo real y, combinado con DAPI, puede convertir Excel en un potente motor de informes.
Eikon DAPI en acción
Usemos Eikon DAPI, xlwings y Python para resolver un problema del mundo real: calcular el valor en riesgo (VaR) con una simulación histórica.
Usamos el VaR para ayudar a comprender nuestra exposición en el mercado a un nivel de confianza dado y calcular el VaR computando el rendimiento diario de cada instrumento en una cartera. Utilizamos ese rendimiento para calcular la ganancia o pérdida, dado el capital utilizado para comprar el instrumento.
A continuación, sumemos las ganancias o pérdidas de todos los instrumentos de la cartera y apliquemos el percentil del nivel de confianza para derivar el riesgo de capital para un día determinado.
Este cálculo de VaR histórico se basa en una gran cantidad de datos históricos. Cuanto mayor sea la disponibilidad de estos datos, más preciso será el VaR calculado. Vale la pena mencionar que introducir datos manualmente en Excel es desalentador para grandes carteras.
Sin embargo, el uso de Eikon DAPI, xlwings y una biblioteca de Python como NumPy hace que generar un cálculo de VaR sea sencillo. Una vez que el programa está implementado, es fácil cambiar los períodos históricos y la composición de la cartera.
Para ejecutar el cálculo en Python: Defina una cartera, el gasto de capital para cada instrumento, una fecha de inicio y finalización para la recuperación de datos y un nivel de confianza VaR, como se muestra a continuación.
La cartera está compuesta por IBM, Ford y Amazon. A cada instrumento se le atribuye un valor de US$ 1.000. Buscamos un VaR con un 95% de confianza.
Usamos Eikon DAPI para recuperar estos datos históricos:
Esto es todo lo que se necesita para obtener todos los datos de mercado de cada instrumento de la cartera. Es solo una cuestión de calcular el rendimiento diario y las pérdidas y ganancias diarias de cada instrumento, y sumarlos a nivel de la cartera.
Cuando se calculan todos los datos sin procesar, se colocan en un marco de datos de Python (llamado “varDf” en el ejemplo). Entocnes obtenemos el VaR usando la función de “percentil” de NumPY.
Finalmente, podemos mostrar los datos en una hoja de cálculo de Excel para que el gestor de la cartera pueda realizar el análisis.
Cuando ejecutamos el programa, se muestra un nuevo libro de Excel de la siguiente manera:
Con unas pocas líneas adicionales de Python, sería posible leer la información de la cartera original desde una hoja de cálculo, lo que resultaría en un círculo completo de Excel a Python, a través de Eikon DAPI y xlwings, y de regreso a Excel en menos de una docena de líneas de código.
Ver: Introducción a Eikon Data API
Centrándonos en los puntos fuertes de Excel
Si bien calcular el VaR de una cartera grande puede llevar mucho tiempo en Excel , podemos combinar Eikon DAPI, xlwings y Python para trabajar a la vez y volcar nuestro VaR a Excel rápidamente.
Habiendo enumerado las limitaciones de Excel y centrado en sus puntos fuertes, el ejemplo descrito anteriormente muestra que es fácil volver a ejecutar el modelo después de cambiar la composición de la cartera o los intervalos de fechas.
Mejor aún, el código Python es más fácil de mantener que VBA y se puede registrar en el control de versiones, por lo que es fácil rastrear los cambios. Asimismo, al almacenar el código del modelo en un repositorio central, ya no es necesario depender de modelos VBA opacos que se ejecutan en una sola PC o Mac.
Quants, desarrolladores y analistas a menudo se centran en intentar hacer más en menos tiempo. Para obtener toda la información sobre lo que ofrece Eikon DAPI, comience por examinar la documentación técnica del producto, los tutoriales y las bibliotecas API, que contienen ejemplos prácticos que abarcan múltiples casos de uso.
Sin embargo, usar Eikon DAPI para resolver sus problemas es la mejor manera de comprender su valor. Para comenzar, por favor contáctenos para obtener una prueba gratuita de Eikon (que incluye el DAPI).
Vea: Cómo generar su clave de aplicación de Eikon Data API en Eikon

Mark Nadelson