¿Cómo usar las encuestas empresariales para invertir?

Si eres una persona activa en el mercado financiero, es muy probable que te hayas encontrado saturado con la cantidad ingente de información a tu disposición. Y si eres lo suficientemente perspicaz, quizá hayas comenzado a cuestionarte sobre la utilidad de las noticias en el mercado financiero y de la información que es puesta a tu disposición. Si no son los medios de comunicación tratando de venderte ideas. Son los medios especializados que ponen a tu disposición datos importantes pero desorganizados, quitándote toda utilidad, tal es el caso de las encuestas empresariales.

Las encuestas empresariales generalmente son conducidas por organizaciones públicas o privadas. Que buscan analizar las variables que reflejen la situación actual y las que puedan indicar la posible situación futura de algunos sectores específicos de la economía. Tal es el caso de las encuestas empresariales conducidas por la comisión Europea que usaremos ejemplificar cómo usar encuestas empresariales para invertir.

Análisis de encuesta empresarial

A continuación, encontrarás un script de Python detallando los pasos utilizados para analizar los datos oficiales emitidos por la Comisión Europea:

Módulos

Importamos los módulos que usaremos para analizar los datos

import pandas as pd
import numpy as np
import seaborn as sn
import matplotlib.pyplot as plt
import mpl_axes_aligner

Accedemos a los datos de las encuestas empresariales publicadas por la European Commision. Para propósitos de nuestro analisis, nos enfocaremos en los siguientes componentes para los sectores de la Construcción, Manufactura, Retail, Servicios para la Eurozona (Paises que usan el Euro):

# Usar la ubicación donde los archivos en el computador; la European Commission no tiene una API para estos datos.

# Datos del sector de Construcción
file_1 = pd.ExcelFile(r"File_Location")
building = pd.read_excel(file_1, 'BUILDING MONTHLY', index_col=0)
building_EA = building.filter(['BUIL.EA.TOT.COF.BS.M','BUIL.EA.TOT.1.BS.M','BUIL.EA.TOT.4.BS.M','BUIL.EA.TOT.5.BS.M'], axis=1)
building_EA = building_EA.rename(columns={"BUIL.EA.TOT.COF.BS.M": "Cons.Conf", "BUIL.EA.TOT.1.BS.M": "Cons.Act.","BUIL.EA.TOT.4.BS.M":"Cons.Empl.","BUIL.EA.TOT.5.BS.M":"Cons.Prec."})

# Datos del sector de Manufactura.
file_2 = pd.ExcelFile(r"File_Location")
industry = pd.read_excel(file_2, 'INDUSTRY MONTHLY', index_col=0)
industry_EA = industry.filter(['INDU.EA.TOT.COF.BS.M','INDU.EA.TOT.1.BS.M','INDU.EA.TOT.7.BS.M','INDU.EA.TOT.6.BS.M'],axis=1)
industry_EA = industry_EA.rename(columns={"INDU.EA.TOT.COF.BS.M": "Manu.Conf", "INDU.EA.TOT.1.BS.M": "Manu.Act.","INDU.EA.TOT.7.BS.M":"Manu.Empl.","INDU.EA.TOT.6.BS.M":"Manu.Prec."})

# Datos del sector Retail (Venta Minorista)
file_3 = pd.ExcelFile(r"File_Location")
retail = pd.read_excel(file_3, 'RETAIL TRADE MONTHLY', index_col=0)
retail_EA = retail.filter(['RETA.EA.TOT.COF.BS.M','RETA.EA.TOT.1.BS.M','RETA.EA.TOT.5.BS.M','RETA.EA.TOT.6.BS.M'],axis=1)
retail_EA = retail_EA.rename(columns={"RETA.EA.TOT.COF.BS.M": "Retail.Conf", "RETA.EA.TOT.1.BS.M": "Retail.Act.","RETA.EA.TOT.5.BS.M":"Retail.Empl.","RETA.EA.TOT.6.BS.M":"Retail.Prec."})

# Datos del sector de Servicios
file_4 = pd.ExcelFile(r"File_Location")
services = pd.read_excel(file_4, 'SERVICES MONTHLY', index_col=0)
services_EA = services.filter(['SERV.EA.TOT.COF.BS.M','SERV.EA.TOT.1.BS.M','SERV.EA.TOT.5.BS.M','SERV.EA.TOT.6.BS.M'],axis=1)
services_EA = services_EA.rename(columns={"SERV.EA.TOT.COF.BS.M": "Serv.Conf", "SERV.EA.TOT.1.BS.M": "Serv.Act.","SERV.EA.TOT.5.BS.M":"Serv.Empl.","SERV.EA.TOT.6.BS.M":"Serv.Prec."})

Dado cada sector presenta sus resultados en archivos por separado. A continuación, creamos un Dataframe que contiene la información organizada y filtrada de cada uno de los sectores.

COF = pd.DataFrame()
EA = building_EA.join(industry_EA).join(retail_EA).join(services_EA)
EA = EA.dropna()

A continuación, creamos nuestra matriz de correlación entre nuestras variables seleccionadas para cada uno de los sectores que componen las encuestas empresariales de la European Commision.

In [4]:

corr_matrix = EA.corr()
fig, ax = plt.subplots(figsize=(10,10))
sn.heatmap(corr_matrix, annot=True)
plt.title("Matriz de Correlación de Sectores")

De estos resultados podemos destacar algunos detalles importantes como:

– Los Indicadores de Precios Esperados tienen una alta correlación entre sectores. Lo que tiene sentido si consideramos que este indicador es afectado por los niveles de inflación en la economía en general.

– El indicador de Precios Esperados en el sector Retail presenta una baja correlación con el resto de indicadores del sector. Lo que aparentemente indicaría que los precios esperados en este sector dependen de variables externas. Como por ejemplo, los costos en el sector de manufactura.

Para continuar con nuestro análisis, procedemos con graficar los Indicadores de Confianza de cada uno de los sectores.

In [5]:

EA.plot(y=["Cons.Conf", "Manu.Conf","Retail.Conf","Serv.Conf"],use_index=True, kind="line", figsize=(10, 10))
plt.title("Indicadores del Confianza")

Los Indicadores de Confianza de cada sector tienen cierto grado de correlación ya que visualmente se mueven de manera similar a lo largo del tiempo. Estos niveles de correlación se pueden corroborar sus las respectivas intercepciones en nuestra matriz de correlación. Además, a la hora de redactar este artículo. Es notable cómo el sector de la manufactura es el que actualmente presenta los niveles más bajos respecto al resto de los sectores. Esto ha ocurrido solo en 3 ocasiones a lo largo de nuestra muestra de datos. Siendo la primera a finales de 2008 y la segunda a finales de 2019. Por lo tanto, el resto de nuestro análisis nos lo enfocaremos hacia este sector en particular, ya que el mismo da indicios de que algo insunual.

In [6]:

sn.set_theme(style="ticks")
sn.pairplot(industry_EA)
#plt.title("Indicadores del Sector de la Manufactura")

 

La matriz de regresión linea nos muestra que el Indicador de Actividad en el Sector de Manufactura es el que mejor predice los valores del Indicador de Confianza. El Indicador de Empleo también parece predecir los valores del Indicador de Confianza pero no tanto como el Indicador de Actividad. Y, por último, el Indicador de Precios es el que predice con menos exactitud los valores del Indicador de Confianza. La relación entre estos indicadores se puede comprobar al graficarlos en lineas de tiempo.

 

In [7]:

EA.plot(y=["Manu.Conf", "Manu.Act.","Manu.Empl.","Manu.Prec."],use_index=True, kind="line", figsize=(10, 10))
plt.title("Indicadores del Sector de la Manufactura")

De las varibles presentadas para el sector de Servicios, lo más evidente que resalta a la vista son los picos en el Indicador de Precios. ¿A qué se debe esto? La respuesta se encuentra en el factor inflación, pero la inflación tiene dos perspectivas para ser analizada. La primera siendo la inflación ocasionada por la política monetaria y la segunda por los impactos en la oferta de materias primas. Un ejemplo de periodo inflacionario potenciado por impactos en la oferta de materias primas es la del 2022-2023. De este moto el Indicador de Precios esperados nos puede ser de utilidad para confirmar periodos inflacionarios. Pero por su misma naturaleza de exposición a la inflación, este tiende a desacoplarse de la tendencia del resto de indicadores del sector.Lo que nos deja con el Indicador de Confianza en el Sector de la Manufactura, Indicador de Actividad en la Manufactura y el Indicador de Empleo en la Manufactura, mismos que analizaremos a continuación.

In [8]:

fig, ax1 = plt.subplots()

ax1.plot(EA.index, "Manu.Act.", data=EA, color="blue")

ax2 = ax1.twinx() 

ax2.fill_between(EA.index, "Manu.Conf", alpha = 0.3, data=EA, color="green")

ax1.legend(labels=["Actividad 3 ultimos meses - Construcción"], fontsize ="xx-small", loc='lower left')
ax2.legend(labels=["Confianza - Construcción"], fontsize ="xx-small", loc='lower right')
mpl_axes_aligner.align.yaxes(ax1, 5, ax2, 0)
plt.title("Cons.Conf vs Cons.Act")

Al alinear el eje de Indicador de Actividad (5) con el eje de Indicador de Confianza (0). Obtenemos un eje horizontal de referencia. Podemos observar que la Actividad Registrada en el sector de Servicios, marca los ciclos de cambio respecto a nuestro eje de referencia con anticipación respecto al Indicador de Confianza (Años:2006,2010,2020,2023). Lo que abre la posibilidad de que la Actividad Registrada en el sector de Servicios pueda ser usado como un instrumento que predice el movimiento del Indicador de Confianza en el Sector de Servicios. Además, hay un detalle a resaltar, y es que, tanto el Indicador de Actividad como el de Confianza se encuentran en niveles cercanos al -10. Lo que desde el año 2003 se puede considerar como una zona de resistencia, sin contar las últimas anomalías de 2008 y 2020.

 

In [9]:

fig, ax1 = plt.subplots()

ax1.plot(EA.index, "Manu.Empl.", data=EA, color="red")

ax2 = ax1.twinx() 

ax2.fill_between(EA.index, "Manu.Conf", alpha = 0.3, data=EA, color="green")

ax1.legend(labels=["Cons.Empl."], fontsize ="xx-small", loc='lower left')
ax2.legend(labels=["Cons.Conf"], fontsize ="xx-small", loc='lower right')
mpl_axes_aligner.align.yaxes(ax1, 0, ax2, 0)
plt.title("Cons.Conf. vs Cons.Empl.")

Al alinear el eje de Indicador de Empleo (0) con el eje de Indicador de Confianza (0). Obtenemos un eje horizontal de referencia. Y podemos observar que a diferencia del Indicador de Actividad anteriormente analizado. El Indicador de Empleo se mueve con cierto nivel retraso respecto al Indicador de Confianza (Años: 2006, 2010, 2020, 2023). Lo que abre la posibilidad de que las expectativas de Empleo en el sector de Servicios pueda ser usado como un instrumento de confirmación de los movimientos que realiza el Indicador de Confianza. Además, un detalle a destacar es que el Indicador de Empleo apenas ha cruzado nuestro eje de referencia y aún no ha llegado a niveles de históricos establecidos por los año 2005, 2008, 2013, 2020. Esto abre la posibilidad de que el sector de servicios aún tenga por experimentar niveles más bajos en cuanto a las expectativas de empleo.

Lectura de las encuestas empresariales

¿Qué podemos concluir de todo esto? Que el sector de manufactura en la Eurozona tiene el potencial de registrar niveles cada vez más bajos de expectativas futuras en cuanto al empleo. Lo que abre la posibilidad de que hayan empresas manufactureras de la Eurozona cuyas acciones puedan experimentar pérdidas futuras. Sin embargo, los niveles de actividad empresarial en el sector manufacturero se encuentran en niveles bajos de resistencia técnica. Lo que abre la posibilidad de que hayan empresas manufactureras de la Eurozona cuyas acciones hayan experimentado pérdidas extremas y que se encuentren infravaloradas. Además, los niveles de expectativas en cuanto a los precios (inflación), se encuentran en niveles bajos comparados con el periodo 2022-2023.

Con las conclusiones obtenidas de las encuestas empresariales. Sería idílico pensar que son suficientes para proceder a invertir nuestro dinero en cualquier empresa de la Eurozona. Al contrario, estas conclusiones tan solo son hipótesis que nos dan un sesgo de hacia dónde podría dirigirse el sector manufacturero en la Eurozona. Y, con este sesgo, podemos proceder aplicar la valoración básica de una empresa que pertenezca a la Eurozona y poner a prueba nuestra hipótesis.

El contenido de la presente comunicación o mensaje no constituye una recomendación profesional para realizar inversiones en los términos del artículo 2.40.1.1.2 del Decreto 2555 de 2010 o las normas que lo modifiquen, sustituyan o complementen.