Transformaciones

Funciones puras: reciben un Series o DataFrame con índice de fechas y devuelven uno nuevo. No dependen de la API, así que sirven con datos de cualquier fuente.

Los ejemplos suponen:

import banxicolab as sie

inpc = sie.serie("inpc", "2000-01-01")
diarias = sie.descargar(["fix", "tasa_objetivo", "cetes_28"], "2000-01-01")

Conocer los datos primero

sie.diagnostico(diarias)

Devuelve por serie: observaciones, cobertura, frecuencia, faltantes, mínimo, máximo y la razón máx/mín. Si una serie positiva se multiplicó varias veces en la muestra, su varianza casi seguro crece con el nivel y conviene el logaritmo.

De diario a mensual

mensual = sie.a_mensual(
    diarias,
    {
        "fix": "ultimo",  # precio → cierre del mes
        "tasa_objetivo": "promedio",  # tasa → promedio del mes
        "cetes_28": "promedio",
    },
)

La regla de agregación no es neutral. Promediar un precio suaviza su volatilidad artificialmente: con el FIX, la desviación estándar del cambio mensual es notablemente menor sobre promedios que sobre cierres.

como	Úsalo para
"ultimo"	precios y saldos: tipo de cambio, reservas, índices
"promedio"	tasas de interés
"suma"	flujos: remesas, exportaciones

El resultado queda fechado el día 1 de cada mes, igual que las series mensuales del SIE, de modo que se une sin desfases:

panel = mensual.join(inpc)

La columna agregacion de sie.catalogo() sugiere la regla para cada alias.

Números índice

\[I_t = 100 \times \frac{X_t}{X_{t_0}}\]

sie.indice_base(panel, "2018-01-01")  # todas las columnas, base ene-2018 = 100
sie.cambiar_base(indice, "2010-01-01")  # rebasificar sin los datos originales
sie.empalmar(tramo_base_2010, tramo_base_2018)  # unir dos bases

Si la fecha exacta no existe se toma el último dato anterior. Un índice permite comparar series en unidades distintas, pero es un cambio de escala: no altera tasas de crecimiento ni vuelve estacionaria la serie.

Tasas de variación

sie.variacion(inpc)  # mensual, en %
sie.variacion(inpc, 12)  # anual
sie.variacion_anual(inpc)  # igual, detectando la frecuencia
sie.variacion(inpc, log=True)  # diferencia de logaritmos
sie.anualizar(sie.variacion(inpc))  # (1 + r)^12 − 1

• La variación logarítmica es aditiva en el tiempo (la suma de las mensuales es exactamente la del periodo), pero solo se parece a la simple para cambios pequeños: a 10 % ya difieren medio punto.
• Anualizar multiplicando por 12 subestima; anualizar capitaliza.
• Los faltantes no se rellenan: una variación junto a un NaN es NaN.

Precios constantes

sie.deflactar(salario_nominal, inpc, base="2018-07-01")  # serie en pesos de jul-2018
sie.a_pesos_de(1000, "2010-01-01", "2026-01-01", inpc)  # un monto entre dos fechas
sie.tasa_real(mensual["cetes_28"], sie.variacion_anual(inpc))  # Fisher exacta

deflactar necesita que la serie nominal y el índice tengan la misma frecuencia. tasa_real usa por omisión la fórmula exacta \((1+i)/(1+\pi)-1\); con exacta=False devuelve \(i-\pi\), que siempre sobreestima y se degrada justo cuando la inflación es alta.

Esto no es el tipo de cambio real

Deflactar el FIX con el INPC lo expresa en pesos constantes, pero el tipo de cambio real bilateral también incorpora los precios de Estados Unidos: \(E_t P^*_t / P_t\).

Cambio de unidades

sie.estandarizar(panel)  # (x − media) / desviación
sie.min_max(panel)  # al intervalo [0, 1]
sie.escalar_robusto(panel)  # (x − mediana) / rango intercuartílico

Las tres son transformaciones afines: cambian media y dispersión, pero no el sesgo, la curtosis ni la raíz unitaria.

Sin fuga de información

Si vas a evaluar un modelo fuera de muestra, los parámetros del escalamiento deben salir solo del conjunto de entrenamiento:

corte = int(len(serie) * 0.75)
entrenamiento, prueba = serie.iloc[:corte], serie.iloc[corte:]

prueba_z = sie.estandarizar(prueba, referencia=entrenamiento)

Con min_max(..., referencia=entrenamiento) los datos de prueba pueden salir de [0, 1]. No es un error: es la señal de que el futuro salió del rango histórico.

Estacionalidad

igae = sie.serie("igae")  # serie original
igae_sa = sie.desestacionalizar(igae)  # descomposición clásica

desestacionalizar usa medias móviles (statsmodels). Sirve para explorar y enseñar, pero no reproduce las cifras oficiales, que usan X-13ARIMA-SEATS con efectos de calendario. Cuando exista la serie oficial ajustada, como "igae_desestacionalizado", es preferible.

SR17693 ya está desestacionalizada

En el SIE, SR17692 es el IGAE original y SR17693 el desestacionalizado. Por eso el alias "igae" apunta a SR17692.

La variación anual (variacion_anual) también cancela la estacionalidad estable sin necesidad de ajustar.

Verificar: ¿quedó estacionaria?

sie.prueba_adf(
    {
        "nivel": inpc,
        "z-score": sie.estandarizar(inpc),
        "Δ ln": sie.variacion(inpc, log=True),
        "Δ12 ln": sie.variacion(inpc, 12, log=True),
    }
)

Devuelve el estadístico Dickey–Fuller Aumentado, el valor crítico al 5 %, el p-valor y una columna estacionaria. Las filas de nivel y z-score tendrán el mismo estadístico: escalar nunca cambia la conclusión.