Reportes Financieros Automatizados

El Problema

El equipo de Portfolio Management descargaba manualmente archivos CSV de múltiples fuentes (Bloomberg/Yahoo) y realizaba cálculos de riesgo en hojas de Excel inestables. Esto generaba retrasos en la información y errores humanos en la valuación de la cartera.

La Solución

Se implementó un Pipeline de Datos Automatizado. Los precios se almacenan en SQL Server, un script de Python se ejecuta diariamente para calcular volatilidad y medias móviles, y Power BI muestra los resultados actualizados para la toma de decisiones.

Stack Técnico

🗄️ SQL Server: Diseño de esquema (Star Schema) y Vistas.
🐍 Python (Pandas): ETL y Algoritmos Financieros.
📊 Power BI: Modelado de datos y Dashboard Financiero.

Impacto en el Negocio

100% Automatización

-4 hrs Ahorro Diario

Real-Time Valuación de Riesgo

Ingeniería de Datos en SQL

Diseño del esquema de base de datos y creación de vistas analíticas para pre-procesar la información antes de Python.

-- 1. Definición del Esquema (DDL) para Activos Financieros
CREATE TABLE Activos (
    Ticker VARCHAR(10) PRIMARY KEY,
    Nombre_Activo VARCHAR(100),
    Tipo VARCHAR(50),  -- Accion, Bono, ETF
    Sector VARCHAR(50),
    Estado VARCHAR(20) DEFAULT 'Activo'
);

-- 2. Vista Analítica: Unificación y Filtrado
-- Utilizamos funciones de ventana para preparar datos previos
CREATE VIEW vw_Cotizaciones_Ready AS
SELECT 
    A.Ticker, 
    A.Nombre_Activo,
    A.Tipo, 
    C.Fecha, 
    C.Precio_Cierre,
    C.Volumen,
    -- Obtenemos el precio del día anterior para validar consistencia
    LAG(C.Precio_Cierre, 1) OVER (PARTITION BY A.Ticker ORDER BY C.Fecha) AS Precio_Anterior
FROM Activos A
INNER JOIN Cotizaciones C ON A.Ticker = C.Ticker
WHERE A.Estado = 'Activo' 
AND C.Fecha >= '2023-01-01';
        

Procesamiento Avanzado con Python

Script ETL que conecta a SQL, limpia outliers y calcula métricas complejas (Volatilidad Anualizada y Media Móvil Exponencial).

import pandas as pd
import numpy as np
import pyodbc

# --- 1. Conexión Segura a Base de Datos ---
conn_str = 'DRIVER={SQL Server};SERVER=srv_finanzas;DATABASE=AtriumDB;Trusted_Connection=yes;'
query = "SELECT * FROM vw_Cotizaciones_Ready ORDER BY Fecha ASC"

try:
    with pyodbc.connect(conn_str) as conn:
        df = pd.read_sql(query, conn)
except Exception as e:
    print(f"Error de conexión: {e}")

# --- 2. Feature Engineering (Cálculo de Métricas) ---
# Cálculo de Retorno Logarítmico Diario
df['Retorno_Log'] = np.log(df['Precio_Cierre'] / df['Precio_Cierre'].shift(1))

# Cálculo de Volatilidad (Desviación Estándar Anualizada - 252 días)
riesgo = df.groupby('Ticker')['Retorno_Log'].std() * np.sqrt(252)

# Cálculo de Media Móvil Exponencial (EMA 30 días) para detectar tendencias
df['EMA_30'] = df.groupby('Ticker')['Precio_Cierre'].transform(lambda x: x.ewm(span=30).mean())

# --- 3. Limpieza y Exportación ---
df_final = df.dropna() # Eliminamos valores nulos generados por el lag
print(f"Procesados {len(df_final)} registros. Volatilidad Media: {riesgo.mean():.2%}")
        

Métricas Financieras en Power BI

El modelo tabular utiliza medidas DAX para realizar valuaciones de mercado en tiempo real (Mark-to-Market).

-- 1. Valor de Mercado (Mark-to-Market)
-- Multiplica la posición actual por el último precio de cierre disponible
Valor de Mercado = 
SUMX(
    Portafolio, 
    Portafolio[Cantidad] * RELATED(Cotizaciones[Precio_Cierre])
)

-- 2. Clasificación Dinámica de Perfil de Riesgo
Perfil Riesgo = SWITCH(
    TRUE(),
    'Activos'[Tipo] = "Bono", "Conservador 🛡️",
    'Activos'[Tipo] = "ETF", "Moderado ⚖️",
    'Activos'[Tipo] = "Accion", "Agresivo 🚀",
    "Sin Clasificar"
)

-- 3. Rendimiento % (Profit & Loss)
Rendimiento % = 
DIVIDE([Valor de Mercado] - [Costo Total], [Costo Total], 0)
        

Dashboard Final

El resultado final es un tablero interactivo tipo "Bloomberg Terminal" con modo oscuro.