UNIVERSIDAD CATÓLICA DE SANTA MARÍA

FACULTAD DE CIENCIAS ECONÓMICO-ADMINISTRATIVAS

ESCUELA PROFESIONAL DE INGENIERÍA COMERCIAL
ECONOMETRÍA

ALUMNO:
 LARREA GUZMÁN, RAÚL ALEJANDRO

AREQUIPA - PERÚ
2021
STRATIVAS
MERCIAL
 ACCION CODIGO
1 Toyota Motor Corporation TOYOF
2 Ford Motor Company F
3 McDonald's Corporation MCD
4 Starbucks Corporation SBUX
5 NIKE, Inc. NKE
6 Under Armour, Inc. UAA
7 Panasonic Corporation PCRFY
8 Sony Group Corporation SONY
9 Facebook, Inc. FB
10 Netflix, Inc. NFLX
install.packages("quantmod")
library(quantmod)

# IMPORTAR DATOS DE YAHOO FINANCE

Toyota <- getSymbols("TOYOF", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Ford <- getSymbols("F", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
McDonalds <- getSymbols("MCD", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Starbucks <- getSymbols("SBUX", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Nike <- getSymbols("NKE", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
UnderAmour <- getSymbols("UAA", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Panasonic <- getSymbols("PCRFY", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Sony <- getSymbols("SONY", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Facebook <- getSymbols("FB", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]
Netflix <- getSymbols("NFLX", from="2009-01-01", to="2019-12-31", auto.assign = FALSE)[,4]

# RENDIMIENTOS
ToyotaRend <- periodReturn(Toyota, period = "monthly", type = "log", subset = "2009")
FordRend <- periodReturn(Ford, period = "monthly", type = "log", subset = "2009")
McDonaldsRend <- periodReturn(McDonalds, period = "monthly", type = "log", subset = "2009")
StarbucksRend <- periodReturn(Starbucks, period = "monthly", type = "log", subset = "2009")
NikeRend <- periodReturn(Nike, period = "monthly", type = "log", subset = "2009")
UnderAmourRend <- periodReturn(UnderAmour, period = "monthly", type = "log", subset = "2009")
PanasonicRend <- periodReturn(Panasonic, period = "monthly", type = "log", subset = "2009")
SonyRend <- periodReturn(Sony, period = "monthly", type = "log", subset = "2009")
FacebookRend <- periodReturn(Facebook, period = "monthly", type = "log", subset = "2009")
NetflixRend <- periodReturn(Netflix, period = "monthly", type = "log", subset = "2009")

# RIESGO (DESVIACION ESTANDAR)

sd(ToyotaRend)
sd(FordRend)
sd(McDonaldsRend)
sd(StarbucksRend)
sd(NikeRend)
sd(UnderAmourRend)
sd(PanasonicRend)
sd(SonyRend)
sd(FacebookRend)
sd(NetflixRend)

mean(ToyotaRend)
mean(FordRend)
mean(McDonaldsRend)
mean(StarbucksRend)
mean(NikeRend)
mean(UnderAmourRend)
mean(PanasonicRend)
mean(SonyRend)
mean(FacebookRend)
mean(NetflixRend)

# GRAFICOS
chartSeries(ToyotaRend, TA=NULL)
chartSeries(FordRend, TA=NULL)
chartSeries(McDonaldsRend, TA=NULL)
chartSeries(StarbucksRend, TA=NULL)
chartSeries(NikeRend, TA=NULL)
chartSeries(UnderAmourRend, TA=NULL)
chartSeries(PanasonicRend, TA=NULL)
chartSeries(SonyRend, TA=NULL)
chartSeries(FacebookRend, TA=NULL)
chartSeries(NetflixRend, TA=NULL)

# UNION DE ACCIONES
Vehiculos <- cbind(ToyotaRend,FordRend)
FastFoods <- cbind(McDonaldsRend, StarbucksRend)
Sports <- cbind(NikeRend, UnderAmourRend)
Electronics <- cbind(PanasonicRend, SonyRend)
SocialMedia <- cbind(FacebookRend, NetflixRend)

General <- cbind(ToyotaRend,FordRend, McDonaldsRend,StarbucksRend,NikeRend,UnderAmourRend,Panasonic

# GRAFICOS COMPARATIVOS
plot(Vehiculos)
plot(FastFoods)
plot(Sports)
plot(Electronics)
plot(SocialMedia)

plot(General)
 Para poder usar los comandos siguientes tenemos que instalar el
paquete "quantmod" y llamar su librería.

n = FALSE)[,4]

sign = FALSE)[,4]
gn = FALSE)[,4] Con "getSymbols" podemos importar datos de la pagina YAHOO
FINANCE, necesitamos las siglas de cada empresa asi como el
ssign = FALSE)[,4] periodo con el que se va a trabajar. Como necesitamos el precio
de cierre añadiremos [,4] que se refiere a la columna número 4.
sign = FALSE)[,4]

= FALSE)[,4]
= FALSE)[,4]

ubset = "2009")
et = "2009") El rendimiento de la empresa en un periodo de tiempo se
optiene usando "periodReturn", especificando el rango de
", subset = "2009") tiempo con el que se desea trabajar ya sea diario, semanal,
mensual o anual, para definir el año usamos "subset" .
set = "2009")

et = "2009")

El comando "sd" nos proporciona la desviación estandar del año

que se colocó en "subset".

El comando "mean" nos proporciona el rendimiento promedio

anual de cada empresa del año que se colocó en "subset".
 El comando "mean" nos proporciona el rendimiento promedio
anual de cada empresa del año que se colocó en "subset".

La función "chartSeries" cuenta con una variedad de opciones

para generar diversos gráficos. Si establecemos el comando TA =
"Null", significa que se incluirán indicadores técnicos.

El comando "cbind" nos da la opción de unir los datos de 2 o más

empresas. En este caso unimos 2 empresas del mismo rubro con
el objetivo de hacer una comparación, y también unimos todas la
empresas trabajadas para tener un panórama general de lo
trabajado.

nd,UnderAmourRend,PanasonicRend,SonyRend,FacebookRend,NetflixRend)

La función plot nos permite crear un gráfico pasando dos

vectores. En este caso nos da la comparación de dos empresas
del mismo rubro, además de tener un gráfico general con todas
las empresas para tener un panorama general de lo trabajado.
 Toyota
Desviacion Estandar Promedio Anual
2009 0.0868843 0.02299968 2009
2010 0.05415752 -0.006650616 2010
2011 0.06969071 -0.01473601 2011
2012 0.0709802 0.02902556 2012
2013 0.04528209 0.02329088 2013
2014 0.04104163 0.001115341 2014
2015 0.04803548 -0.001318506 2015
2016 0.05972491 -0.00364516 2016
2017 0.04249096 0.007811037 2017
2018 0.04378304 -0.01043026 2018
2019 0.03668326 0.01771345 2019

McDonalds
Desviacion Estandar Promedio Anual
2009 0.0621263 -0.001730259 2009
2010 0.03477632 0.01720647 2010
2011 0.02989411 0.02231509 2011
2012 0.03101618 -0.0107287 2012
2013 0.03458459 0.007941656 2013
2014 0.02927897 -0.00291017 2014
2015 0.0480083 0.01931435 2015
2016 0.03892122 0.002487748 2016
2017 0.03035434 0.02887238 2017
2018 0.04900099 0.002597755 2018
2019 0.03599409 0.008615155 2019

Nike
Desviacion Estandar Promedio Anual
2009 0.09949172 0.01827429 2009
2010 0.06472451 0.02140546 2010
2011 0.07377165 0.01005123 2011
2012 0.07840875 0.005706152 2012
2013 0.04900634 0.03511324 2013
2014 0.05855116 0.01675242 2014
2015 0.04857 0.02186702 2015
2016 0.03664309 -0.01722332 2016
2017 0.06364089 0.01728995 2017
2018 0.06108164 0.01416575 2018
2019 0.06881033 0.0255986 2019

Panasonic
Desviacion Estandar Promedio Anual
2009 0.116622 0.01070559 2009
2010 0.08012066 -0.001464595 2010
2011 0.05721116 -0.04326119 2011
2012 0.1433738 -0.02697349 2012
2013 0.04195055 0.05440046 2013
2014 0.06698736 0.0007824784 2014
2015 0.09228691 -0.01250438 2015
2016 0.06521632 0.000246427 2016
2017 0.04048846 0.03083909 2017
2018 0.05692895 -0.04103456 2018
2019 0.07736498 0.003627704 2019

Facebook
Desviacion Estandar Promedio Anual
2009 - - 2009
2010 - - 2010
2011 - - 2011
2012 0.217334 -0.04524471 2012
2013 0.1527725 0.05994053 2013
2014 0.06946041 0.02966799 2014
2015 0.05418393 0.02447932 2015
2016 0.05377514 0.007887484 2016
2017 0.04633646 0.03564395 2017
2018 0.07604739 -0.02476752 2018
2019 0.09135642 0.03702031 2019

1 Toyota
2 Ford
3 McDonalds
4 Starbucks
5 Nike
6 Under Armour
7 Panasonic
8 Sony
9 Facebook
10 Netflix
 Ford
Desviacion Estandar Promedio Anual
0.2736132 0.1168686
0.1151129 0.0431832 Interpretación:
0.08885376 -0.037079
Podemos observar que el año con menor
0.0837961 0.01543835 riesgo para Toyota es el 2019 y el de
0.06136461 0.01460149 mayor promedio el 2012, y para Ford el
2017 y 2009 respectivamente.
0.065841 0.0003771965
0.05179902 -0.007947892
0.06163526 -0.01248197
0.03708194 0.002437217
0.0739167 -0.04085189
0.08241 0.01582649

Starbucks
Desviacion Estandar Promedio Anual
0.1174093 0.07097032
0.06462995 0.02764089 Interpretación:
0.05496423 0.02992237
0.08772278 0.01277083 Podemos observar que el año con menor
0.04065859 0.03163231 riesgo para McDonals es el 2014 y el de
mayor promedio el 2017, y para
0.04524191 0.003802708 Starbucks el 2013 y 2009
0.04543754 0.03172189 respectivamente.
0.04333708 -0.006508425
0.04582716 0.002818625
0.06799242 0.009545571
0.05797278 0.0254866

Under Armour
Desviacion Estandar Promedio Anual
0.1785315 0.006943153
0.1034129 0.05821939 Interpretación:
0.1073528 0.02244378
0.07418405 0.02513201
0.05279414 0.0489307 Podemos observar que el año con menor
riesgo para Nike es el 2016 y el de mayor
0.101997 0.03681939 promedio el 2013, y para Under Armour
0.0737628 0.01429889 el 2013 y 2010 respectivamente.
0.08273244 -0.02728809
0.1443156 -0.05830909
0.1291365 0.01687991
0.1113109 0.01549162

Sony
Desviacion Estandar Promedio Anual
 0.1222734 0.02340077
0.1089534 0.01734458 Interpretación:
0.08511262 -0.05690326
0.135291 -0.03972315 Podemos observar que el año con menor
riesgo para Panasonic es el 2017 y el de
0.1384214 0.03618455
mayor promedio el 2013, y para Sony el
0.08471225 0.01406933 2017 en ambos aspectos.
0.1053824 0.01534938
0.1004427 0.01084354
0.06107504 0.03935628
0.06750942 0.005955549
0.0774425 0.02819702

Netflix
Desviacion Estandar Promedio Anual
0.09493854 0.05100946
0.1305757 0.09665082 Interpretación:
0.2570929 -0.07753979
0.2520756 0.02415672
Podemos observar que para Facebook y
0.1614899 0.1150303 Netflix el año con menor riesgo es el
0.1372073 -0.006239586 2017 y el de mayor promedio el 2013.
0.1357785 0.01534938
0.1244037 0.006595098
0.07711569 0.03655164
0.1431834 0.02770254
0.1029444 0.01574117

2009/2019
Desviacion Estandar Promedio Anual
0.055831 0.005794696
0.1127156 0.0100338 Interpretación:
0.03996831 0.00854377
0.06560226 0.02180034 Podemos observar que McDonals
presenta el menor riesgo y Netflix el
0.06457452 0.01536371 mayor promedio durante el periodo
0.1110397 0.01450561 2009/2019.
0.08344461 -0.002239679
0.1020864 0.008552234
0.1032484 0.0182229
0.1591065 0.03278536
TOYOTA FORD

MCDONALS STARBUCKS
NIKE UNDER ARMOUR

PANASONIC SONY
FACEBOOK NETFLIX

GENERAL
VEHICULOS

FASTFOODS
NDER ARMOUR SPORTS

ELECTRONICS
SOCIAL MEDIA
Interpretación:

Podemos observar como Toyota se mantiene en los

mismos rango en todo este periodo; sin embargo,
Ford tuvo una notable caída por el año 2009, no
tuvo una recuperación de la misma magnitud.

Interpretación:

Podemos observar como Mcdonals tuvo su pico más

alto por el 2015, además se mantiene regular en lo
que es la línea de comida rápida. En el caso de
Starbucks, se ve como ha tenido picos muy altos por
el 2009 así como muy bajos por el 2012 y 2018.
Interpretación:

Podemos observar como Nike tuvo picos muy bajos

por el 2011 y 2012, sin embargo se recuperó y se
mantiene en los mismos rango en todo este
periodo. En el caso de Under Armour podemos ver
como por el 2009 tuvo su pico más alto, sin
embargo en los ultimos años tiene una tendencia a
la baja.

Interpretación:

Podemos observar como Panasonic y Sony por el

2009 y por el 2012 tienen cotizaciones similares.
Concluyendo que la competencia entre estas dos
marcas es muy fuerte.
Interpretación:

Podemos observar como Facebook recién comienza

a cotizar por el 2012, tomando la punta por esos
años, sin embargo con la cantidad de redes sociales
ha perdido terreno. En el caso de Netflix podemos
ver que tuvo su pico más bajo por el 2011 y el más
alto en el 2012, además se mantiene positivamente
en el rubro del entretenimiento.
yota se mantiene en los
periodo; sin embargo,
por el año 2009, no
misma magnitud.

cdonals tuvo su pico más

mantiene regular en lo
pida. En el caso de
nido picos muy altos por
por el 2012 y 2018.
ke tuvo picos muy bajos
argo se recuperó y se
go en todo este
r Armour podemos ver
co más alto, sin
s tiene una tendencia a

nasonic y Sony por el

otizaciones similares.
encia entre estas dos
cebook recién comienza
do la punta por esos
ntidad de redes sociales
so de Netflix podemos
jo por el 2011 y el más
mantiene positivamente
nto.