Día 10 de mejora de mis habilidades en Ciencia de Datos

Día 10 de mejora de mis habilidades en Ciencia de Datos: Ayer compartí cómo merge_asof resulta muy útil para combinar series temporales y aproveché para practicar con un ejercicio real. Tenía tres conjuntos de datos de bancos: JPM (JP Morgan), Wells (Wells Fargo) y BAC (Bank of America). Los tres registraron precios en momentos ligeramente distintos por retrasos de red, así que las marcas de tiempo no coincidían exactamente. Para comparar la evolución de los precios entre ellos tuve que alinear primero sus tiempos usando merge_asof. La función toma una marca de tiempo de JPM, busca la marca de tiempo más cercana en Wells y guarda el valor correspondiente, y repetí el mismo proceso para BAC, obteniendo finalmente un emparejamiento de los tres registros donde cada fila refleja precios tomados casi al mismo instante. Con .diff calculé los cambios de precio entre observaciones y tracé esas variaciones para mostrar cómo se mueve la cotización de cada banco a lo largo del tiempo. En la gráfica la línea azul representa a JPM, la naranja a Wells y la verde a Bank of America. De la visualización se deduce que JPM es más volátil, mientras que Wells y BAC se mueven de forma más estable, aunque los tres muestran patrones de subidas y bajadas similares, lo que sugiere correlación por la exposición a las mismas fuerzas macroeconómicas. Para una audiencia no técnica, en pocas palabras: cuando se registran precios en tiempos distintos hay que emparejar cada registro con el más cercano en el otro conjunto, luego calcular cambios y visualizar. JPM presenta oscilaciones más pronunciadas porque tiene una división de banca de inversión extensa, operaciones de trading, exposición global y fuentes de ingresos más arriesgadas, mientras que Wells y BAC, como bancos minoristas tradicionales, responden de forma más paralela a factores como cambios en tipos de interés, decisiones de la Reserva Federal y la demanda de crédito. El ejercicio me permitió comprender mejor cómo se fusionan y alinean datos financieros en tiempo real sin filtrar información futura, y por qué distintos bancos muestran niveles distintos de volatilidad según su modelo de negocio.

En Q2BSTUDIO aplicamos este tipo de procesos a soluciones reales para empresas, desarrollando software a medida y aplicaciones a medida que integran técnicas de inteligencia artificial y análisis de series temporales para decisiones más rápidas y precisas. Somos especialistas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure y ofrecemos servicios de inteligencia de negocio y power bi para transformar datos en información accionable. Si buscas potenciar pipelines de datos o implementar agentes IA en tus procesos, consulta nuestras propuestas en servicios de inteligencia artificial o descubre cómo mejoramos la visualización y reporting con Power BI y soluciones de inteligencia de negocio. También cubrimos ciberseguridad y pentesting, automatización de procesos y arquitectura cloud, todo orientado a ofrecer software a medida, seguro y escalable.