Finsus Challenge Ejercicio 3

Ejercicio 3: API Call BANXICO

En este proyecto exploramos la API de BANXICO, teniendo como objetivo entender el tipo de información que se puede encontrar, hacer peticiones a la API y utilizar estos datos para realizar análisis y comparaciones.

3.1: Descripción de datos

En la API de BANXICO podemos encontrar datos información sobre diferentes series económicas (Datos ordenados en el tiempo que representan la evolución de un fenómeno ecónomico), algunos ejemplos son tipos de cambio, tasas de interés, inflación, datos macroeconómicos, etc. Estos datos se pueden obtener de diferentes formas: - Metadatos - Datos recientes - Históricos - Por rangos de fechas

Conceptos: - Tasa objetivo: Tasa de interés referenciada por BANXICO que influye en las tasas de crédito, ahorro e inversión del país - TIIE: Tasa a la que los bancos se prestan entre sí, se usa principalmente para prestamos empresariales y bancarios. - CETES: Certificados de terorería son instrumentos de deuda emitidos por el gobierno. - UDIS: Unidad de valor ajustada por la inflación que se usa para proteger el valor de productos. - BONOS: Instrumentos de deuda a mediano y largo plazo del gobierno que pagan intereses periódicos. ¿Cómo usarías estos datos públicos a favor de Finsus? Como Finsus tiene un modelo de negocios basado en inversiones, ahorro y préstamos, todos estos datos públicos son relevantes y pueden aportar al negocio y a sus clientes. Para los usuarios, por ejemplo, se pueden ofrecer productos competitivos con tasas actualizadas de acuerdo al mercado. También se puede proveer al cliente de herramientas de comparación que le permitan tomar decisiones con información actualizada, entre diferentes productos de inversión o incluso entre productos propios e información pública que pudiera beneficiarlos. Un plus puede ser también herramientas de alertas que llamen a los usuarios a invertir o incrementar su inversión cuando las tasas suben.

3.2: API CALL

import requests import pandas as pd import matplotlib.pyplot as plt import matplotlib.dates as mdates from statsmodels.tsa.holtwinters import ExponentialSmoothing import os # Función para obtener datos de Banxico def obtener_serie_banxico(url_base, serie_code, fecha_ini, fecha_fin, token): url = f"{url_base}/series/{serie_code}/datos/{fecha_ini}/{fecha_fin}" headers = {'Bmx-Token': token} response = requests.get(url, headers=headers) if response.status_code == 200: print("Petición exitosa") else: print(token) #print("Error en la petición") #Manejar el json datos = response.json()['bmx']['series'][0]['datos'] # Guardar DataFrame df = pd.DataFrame(datos) df.to_csv('serie_banxico.csv', index=False) df['fecha'] = pd.to_datetime(df['fecha'], format="%d/%m/%Y") #Esta parte existe porque en el último bloque de remesas, los datos tienen un error #Me costó un buen rato encontrar que el error venía desde acá :/ df['dato'] = ( df['dato'] .astype(str) .str.replace(',', '', regex=False) # Quitar separadores de miles .str.strip() ) df['dato'] = pd.to_numeric(df['dato'], errors='coerce') df['dato'] = pd.to_numeric(df['dato']) return df.dropna() # Parámetros url_base = "https://www.banxico.org.mx/SieAPIRest/service/v1" serie_code = "SF43718" # Tipo de cambio FIX fecha_ini = "2024-01-01" fecha_fin = "2025-05-01" #Esta variable de entorno esta definida dentro del entorno de deepnote token = os.environ.get("TOKEN_BANXICO") # Obtener datos df = obtener_serie_banxico(url_base, serie_code, fecha_ini, fecha_fin, token) df.head()

Datos históricos de serie SF43718:

*Para variar, no utilicé matplotlib, es la interfaz de gráficos de deepnote

Forecast:

# Convertir fecha df['fecha'] = pd.to_datetime(df['fecha']) df.set_index('fecha', inplace=True) # Parámetros para el modelo seasonal_periods = 60 forecast_horizon = 120 # Ajuste del modelo con estacionalidad modelo = ExponentialSmoothing( df['dato'], trend='add', seasonal='add', seasonal_periods=seasonal_periods ) modelo_fit = modelo.fit() # Forecast forecast_values = modelo_fit.forecast(forecast_horizon) future_dates = pd.date_range(start=df.index[-1] + pd.Timedelta(days=1), periods=forecast_horizon, freq='B') forecast_values.index = future_dates # Filtrar histórico desde mayo 2024 df_mayo = df[df.index >= "2024-05-01"] # Gráfica plt.figure(figsize=(12, 5)) plt.plot(df_mayo.index, df_mayo['dato'], label='Histórico') plt.plot(forecast_values.index, forecast_values, label=f'Forecast ({forecast_horizon} días)', linestyle='--') plt.title("Tipo de Cambio FIX - Forecast con estacionalidad") plt.xlabel("Fecha") plt.ylabel("Dato") plt.grid(True) plt.legend() plt.tight_layout() plt.show()

Ejercicio 3.3: Compara series

# Petición deremesas df_remesas = obtener_serie_banxico( url_base, "SE27803", "2010-01-01", "2025-04-01", token ).rename(columns={'dato': 'Remesas (millones USD)'}) df_remesas['fecha'] = pd.to_datetime(df_remesas['fecha']) #El index lo uso para unir fechas, suponiendo que existen el miemo número de fechas #Se podría hacer otro tipo de conversión de fechas pero fue una solución rápida para el tiempo disponible df_remesas.set_index('fecha', inplace=True) # Descargar tipo de cambio FIX df_tc = obtener_serie_banxico( url_base, "SF43718", "2010-01-01", "2025-05-01", token ).rename(columns={'dato': 'Tipo de cambio FIX'}) df_tc['fecha'] = pd.to_datetime(df_tc['fecha']) df_tc.set_index('fecha', inplace=True) # Unir datos por fecha(index) df_merged = pd.merge(df_remesas, df_tc, left_index=True, right_index=True, how='inner') #Graficamos fig, ax1 = plt.subplots(figsize=(14, 6)) ax1.set_xlabel('Fecha') ax1.set_ylabel('Remesas (millones USD)', color='tab:purple') ax1.plot(df_merged.index, df_merged['Remesas (millones USD)'], color='tab:purple') ax1.tick_params(axis='y', labelcolor='tab:purple') ax2 = ax1.twinx() ax2.set_ylabel('Tipo de cambio FIX (MXN/USD)', color='tab:blue') ax2.plot(df_merged.index, df_merged['Tipo de cambio FIX'], color='tab:blue', linestyle='--') ax2.tick_params(axis='y', labelcolor='tab:blue') ax1.xaxis.set_major_formatter(mdates.DateFormatter('%b-%Y')) plt.title('Remesas vs Tipo de Cambio FIX (Mensual, desde 2010)') plt.grid(True) plt.tight_layout() plt.show()

- Planteamiento: Decidí comparar remesas con tipo de cambio(MXN USD), pensando que pudieran tener una correlación. - Mi hipótesis: Al ganar apreciaciación el peso, las remesas incrementan y viceversa. - Conclusiones: Las remesas en millones de nolares tienen una tendencia de crecimiento desde 2010 a 2025. Para el caso del tipo de cambio, el peso se deprecia de 2014 a 2020(correlación positiva con las remesas) pero tiene uncomportamiento diferente a artie de 2020. A partir de 2020 se muestra una correlación negativa entre las remesas y el tipo de cambio. Con esto, no se puede concluir que el tipo de cambio influye directamente en las remesas. Por el comportamiento a partir de 2020, lo más probable es que haya más factores económicos que inflyen en esta medición. Para entender mejor el comportamiento de las remesas es necesario identificar más variables. Notas: Para este ejercicio, la consulta de datos y consulta de la API de BANXICO demuestra la importancia de entender los datos sin esta información se habría dado por sentado la hipótesis inicial.

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}Ejercicio 3: API Call BANXICO

3.1: Descripción de datos

3.2: API CALL

Ejercicio 3.3: Compara series

Ejercicio 3: API Call BANXICO