Create app.py

app.py

@@ -0,0 +1,111 @@
+import streamlit as st
+import yfinance as yf
+import numpy as np
+import pandas as pd
+from scipy.stats import norm
+import matplotlib.pyplot as plt
+import datetime
+import requests
+import os
+
+# Configurar matplotlib para Streamlit
+import matplotlib
+matplotlib.use('Agg')
+
+# -------------------------------
+# Paso 1: Obtener tickers desde Gemini
+# -------------------------------
+
+def obtener_tickers_desde_nombres(empresas):
+    prompt = (
+        "Devuélveme únicamente una lista separada por comas con los tickers de las siguientes empresas: "
+        f"{empresas}. No expliques nada más, solo devuelve los tickers separados por comas."
+    )
+    
+    headers = {
+        "Authorization": f"Bearer {os.getenv('GEMINI_API_KEY')}",
+        "Content-Type": "application/json"
+    }
+
+    data = {
+        "contents": [{"role": "user", "parts": [{"text": prompt}]}]
+    }
+
+    response = requests.post(
+        "https://generativelanguage.googleapis.com/v1beta/models/gemini-pro:generateContent",
+        headers=headers,
+        json=data
+    )
+
+    try:
+        result = response.json()
+        raw_text = result["candidates"][0]["content"]["parts"][0]["text"]
+        tickers = [t.strip().upper() for t in raw_text.split(",") if t.strip()]
+        return tickers
+    except Exception as e:
+        st.error("Error al obtener tickers desde Gemini")
+        return []
+
+# -------------------------------
+# Paso 2: Interfaz Streamlit
+# -------------------------------
+
+st.title("Calculadora de VaR y CVaR con Gemini y Yahoo Finance")
+
+empresa_input = st.text_input("Escribe los nombres de las empresas separadas por coma (ej. Apple, Google, Meta):")
+
+confidence_level = st.selectbox("Nivel de confianza:", [0.95, 0.99])
+
+if st.button("Calcular VaR y CVaR") and empresa_input:
+    tickers = obtener_tickers_desde_nombres(empresa_input)
+    if len(tickers) < 2:
+        st.warning("Se requieren al menos dos tickers válidos.")
+    else:
+        st.success(f"Tickers detectados: {', '.join(tickers)}")
+
+        weights = np.array([1/len(tickers)] * len(tickers))
+
+        year = datetime.datetime.today().year
+        start_date = f"{year}-01-02"
+        end_date = datetime.datetime.today().strftime("%Y-%m-%d")
+
+        data = yf.download(tickers, start=start_date, end=end_date)["Close"]
+        data = data.dropna()
+        returns = data.pct_change().dropna()
+        portfolio_returns = returns.dot(weights)
+
+        tail_prob = 1 - confidence_level
+        historical_VaR = np.percentile(portfolio_returns, tail_prob * 100)
+        mean_ret = portfolio_returns.mean()
+        std_ret = portfolio_returns.std()
+        z_score = norm.ppf(tail_prob)
+        parametric_VaR = mean_ret + z_score * std_ret
+        simulated_returns = np.random.normal(mean_ret, std_ret, 10000)
+        mc_VaR = np.percentile(simulated_returns, tail_prob * 100)
+        historical_CVaR = portfolio_returns[portfolio_returns <= historical_VaR].mean()
+
+        st.subheader("Resultados:")
+        st.markdown(f"**Historical VaR:** {historical_VaR:.4%}")
+        st.markdown(f"**Parametric VaR:** {parametric_VaR:.4%}")
+        st.markdown(f"**Monte Carlo VaR:** {mc_VaR:.4%}")
+        st.markdown(f"**Historical CVaR (Expected Shortfall):** {historical_CVaR:.4%}")
+
+        # Gráfico 1: Histograma
+        fig1, ax1 = plt.subplots(figsize=(10, 6))
+        ax1.hist(portfolio_returns, bins=50, density=True, alpha=0.5)
+        ax1.axvline(historical_VaR, color="red", linestyle="--", label="Historical VaR")
+        ax1.axvline(parametric_VaR, color="blue", linestyle="--", label="Parametric VaR")
+        ax1.axvline(mc_VaR, color="green", linestyle="--", label="Monte Carlo VaR")
+        ax1.set_title("Distribución de Retornos del Portafolio")
+        ax1.legend()
+        st.pyplot(fig1)
+
+        # Gráfico 2: Serie de tiempo
+        fig2, ax2 = plt.subplots(figsize=(10, 6))
+        ax2.plot(portfolio_returns.index, portfolio_returns, color="purple", label="Portfolio Returns")
+        ax2.axhline(historical_VaR, color="red", linestyle="--", label="Historical VaR")
+        ax2.axhline(parametric_VaR, color="blue", linestyle="--", label="Parametric VaR")
+        ax2.axhline(mc_VaR, color="green", linestyle="--", label="Monte Carlo VaR")
+        ax2.set_title("Serie de tiempo de los retornos del portafolio")
+        ax2.legend()
+        st.pyplot(fig2)