Update app.py

app.py

@@ -58,7 +58,7 @@ 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):")
 
-# ✅ Selector de fecha desde el calendario
+# ✅ Calendario para seleccionar fecha de inicio
 fecha_inicio = st.date_input(
     "Selecciona la fecha de inicio para los históricos:",
     value=datetime.date(datetime.datetime.today().year, 1, 2),
@@ -66,58 +66,78 @@ fecha_inicio = st.date_input(
     max_value=datetime.date.today()
 )
 
-confidence_level = st.selectbox("Nivel de confianza:", [0.95, 0.99])
+# ✅ Slider para el nivel de confianza
+confidence_percent = st.slider(
+    "Nivel de confianza (%) [valores recomendados: 95% o 99%]",
+    min_value=90,
+    max_value=99,
+    value=95,
+    step=1
+)
+confidence_level = confidence_percent / 100
 
-if st.button("Calcular VaR y CVaR") and empresa_input:
+if st.button("Identificar Tickers") and empresa_input:
     tickers = obtener_tickers_desde_nombres(empresa_input)
 
     if len(tickers) < 2:
         st.warning("Se requieren al menos dos tickers válidos.")
+        st.stop()
     else:
         st.success(f"Tickers detectados: {', '.join(tickers)}")
 
-        weights = np.array([1 / len(tickers)] * len(tickers))
-
-        start_date = fecha_inicio.strftime("%Y-%m-%d")
-        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:** {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)
+        st.subheader("Asignar pesos a cada activo (la suma debe ser 100%)")
+
+        weight_inputs = []
+        total_weight = 0
+
+        cols = st.columns(len(tickers))
+        for i, ticker in enumerate(tickers):
+            with cols[i]:
+                weight = st.number_input(
+                    f"{ticker} (%)", min_value=0.0, max_value=100.0,
+                    value=round(100 / len(tickers), 2), key=f"weight_{ticker}"
+                )
+                weight_inputs.append(weight)
+                total_weight += weight
+
+        if abs(total_weight - 100.0) > 0.01:
+            st.warning(f"⚠️ La suma de los pesos es {total_weight:.2f}%. Debe ser exactamente 100%.")
+            st.stop()
+
+        # ✅ Convertimos los pesos a proporciones (0-1)
+        weights = np.array(weight_inputs) / 100
+
+        if st.button("Calcular VaR y CVaR"):
+            start_date = fecha_inicio.strftime("%Y-%m-%d")
+            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 del Portafolio:")
+            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: Histograma con líneas VaR
+            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)