Precio de BTC o activo financiero en escala logarítmica

2 ott

Analizar el precio de Bitcoin (BTC) o de cualquier acción en una escala logarítmica ofrece varias ventajas significativas en comparación con una escala lineal. A continuación, detallo las principales ventajas y por qué es útil utilizar una escala logarítmica en el análisis financiero:

1. Visualización de Cambios Relativos y Porcentuales
Proporcionalidad de Movimientos: En una escala logarítmica, cada unidad en el eje Y representa un cambio porcentual constante. Por ejemplo, el movimiento de $10 a $20 (un 100% de aumento) ocupa el mismo espacio que de $20 a $40, $40 a $80, etc. Esto facilita la comparación de cambios relativos a lo largo del tiempo.

Enfoque en el Crecimiento Exponencial: Los activos financieros a menudo experimentan crecimientos exponenciales. La escala logarítmica representa estos crecimientos de manera más natural y comprensible, permitiendo identificar tendencias de largo plazo sin que los movimientos absolutos dominan la visualización.

2. Comparación de Activos con Diferentes Rangos de Precio
Normalización de Datos: Cuando se comparan múltiples activos que tienen precios iniciales y actuales muy diferentes, la escala logarítmica permite visualizar sus rendimientos relativos de manera más equitativa. Por ejemplo, comparar BTC con acciones que tienen precios mucho más bajos o más altos se vuelve más claro.
3. Detección de Tendencias y Patrones Técnicos
Identificación de Soportes y Resistencias: Los niveles de soporte y resistencia basados en porcentajes son más consistentes y relevantes en una escala logarítmica, ya que reflejan niveles que son significativos en términos relativos, no absolutos.

Análisis de Indicadores Técnicos: Muchos indicadores técnicos, como las medias móviles, funcionan mejor y son más interpretables en una escala logarítmica cuando se enfocan en movimientos porcentuales.

4. Reducción de la Distorsión por Movimientos Grandes
Mitigación de la Influencia de Grandes Movimientos: En una escala lineal, grandes movimientos en precios pueden dominar el gráfico, haciendo difícil observar las variaciones más pequeñas pero significativas. La escala logarítmica equilibra esto al centrarse en los cambios relativos.
5. Consistencia en el Análisis de Largo Plazo
Mantener la Proporcionalidad a lo Largo del Tiempo: A medida que un activo crece en valor, la escala logarítmica mantiene la proporcionalidad de los cambios, lo que es esencial para análisis históricos que abarcan periodos largos con grandes variaciones en precios.
6. Mejora en la Interpretación de Rendimientos
Facilidad para Calcular Rendimientos: En una escala logarítmica, las diferencias en precios pueden interpretarse directamente como rendimientos porcentuales, lo que simplifica ciertos cálculos y análisis financieros.
7. Comparación de Volatilidad
Análisis de la Volatilidad Relativa: La escala logarítmica permite observar mejor la volatilidad relativa de un activo a lo largo del tiempo, ya que se enfoca en las variaciones porcentuales más que en las absolutas.
Ejemplo Ilustrativo
Imagina que analizas dos acciones:

Acción A: Crece de $10 a $20 en un año (100% de aumento).
Acción B: Crece de $100 a $200 en el mismo periodo (100% de aumento).
En una escala lineal, el movimiento de $100 a $200 puede parecer desproporcionadamente grande en comparación con el movimiento de $10 a $20, aunque ambos representan el mismo cambio porcentual. En una escala logarítmica, ambos movimientos ocuparán la misma distancia en el gráfico, reflejando su equivalencia relativa.

Cuándo Usar una Escala Logarítmica
Análisis de Largo Plazo: Ideal para gráficos que abarcan varios años o décadas.
Activos con Crecimientos Exponenciales: Útil para activos como criptomonedas que pueden experimentar crecimientos rápidos y significativos.
Comparaciones de Rendimientos: Cuando se desea comparar el rendimiento relativo de diferentes activos.

Consideraciones Adicionales
Interpretación de Datos: Es importante familiarizarse con la interpretación de gráficos logarítmicos, ya que pueden ser menos intuitivos para quienes están acostumbrados a la escala lineal.

Selección de Escalas: Dependiendo del análisis específico, puede ser útil comparar gráficos en ambas escalas para obtener una comprensión completa de los movimientos de precios.

Conclusión
La escala logarítmica es una herramienta poderosa en el análisis financiero que proporciona una representación más precisa y significativa de los cambios relativos en los precios de activos como Bitcoin o acciones. Facilita la identificación de tendencias, la comparación de diferentes activos y la interpretación de movimientos porcentuales, especialmente en análisis de largo plazo y de activos con altos niveles de crecimiento y volatilidad.

Código para Python:

import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from matplotlib.ticker import ScalarFormatter, FuncFormatter

def obtener_datos_btc(symbol='BTC-USD', start='2012-01-01', end='2024-10-02'):
datos = yf.download(symbol, start=start, end=end, interval='1d')
return datos

def plot_log_scale(datos):
plt.figure(figsize=(12, 6))
plt.plot(datos.index, datos['Close'], label='Precio de BTC')

# Configurar escala logarítmica en el eje Y
plt.yscale('log')

# Títulos y etiquetas
plt.title('Precio Diario de Bitcoin (BTC) en Escala Logarítmica')
plt.xlabel('Fecha')
plt.ylabel('Precio en USD')

# Formatear las fechas en el eje X
plt.gca().xaxis.set_major_locator(mdates.YearLocator())
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y'))

# Personalizar las etiquetas del eje Y para mostrar números decimales
ax = plt.gca()
ax.yaxis.set_major_formatter(ScalarFormatter())
ax.yaxis.set_minor_formatter(ScalarFormatter())
ax.ticklabel_format(axis='y', style='plain')

# Alternativamente, puedes usar FuncFormatter para mayor control
# def formato_decimal(x, pos):
# return f'${x:,.0f}'
# ax.yaxis.set_major_formatter(FuncFormatter(formato_decimal))

plt.legend()
plt.grid(True, which="both", ls="--", linewidth=0.5)
plt.tight_layout()
plt.show()

def main():
btc_data = obtener_datos_btc()
if btc_data.empty:
print("No se pudieron descargar los datos. Verifica la fuente de datos.")
else:
plot_log_scale(btc_data)

if __name__ == "__main__":
main()