Pipeline cuantitativo de PCA sobre la curva de tipos (Bloomberg)

El problema

Una curva de tipos se mueve sobre todo a lo largo de unos pocos factores dominantes, y un sector que se aleja de lo que esos factores implican está caro o barato respecto al resto de la curva. Detectarlo a ojo en muchos sectores es lento e inconsistente. El cliente quería un pipeline en Python ágil que extrajera los datos de Bloomberg, ejecutara la descomposición y señalara los sectores mal valorados sin trabajo manual.

Qué construí

• Ingesta de datos desde Bloomberg a través de la librería xbbg, cargando las series de la curva de tipos sector por sector en pandas.
• Preprocesado con pandas, numpy y el StandardScaler de scikit-learn para que todos los sectores estén en una escala comparable antes de la descomposición.
• Análisis de componentes principales (PCA) con scikit-learn para extraer los movimientos dominantes de la curva entre sectores.
• Reconstrucción de los tipos de cada sector a partir de los componentes principales más importantes, usando el residuo entre el tipo real y el reconstruido para marcar automáticamente los segmentos como caros o baratos.
• Clustering opcional con KMeans para agrupar los sectores cuyos patrones de residuos se parecen.
• Salida visual en Matplotlib para gráficos estáticos y en Plotly para el análisis interactivo.

Datos e infraestructura

Los datos vienen directamente de Bloomberg a través de xbbg, de modo que todo el flujo, desde descargar las curvas hasta señalar los sectores mal valorados, se ejecuta como un único programa en Python y no como una cadena de exportaciones manuales y hojas de cálculo.

Resultado

El PCA extrae los movimientos dominantes de la curva y los residuos de reconstruir cada sector señalan automáticamente los segmentos mal valorados. El KMeans opcional agrupa los patrones de residuos similares, y la salida en Plotly permite al cliente profundizar en cada señal de forma interactiva en lugar de leer tablas.