Visualizar Datos de Mercado en R: Gráficos de Precios e Indicadores con ggplot2 y tidyquant

Visualizar Datos de Mercado en R: Gráficos de Precios e Indicadores con ggplot2 y tidyquant

R es un entorno fantástico para mirar los datos de mercado, no solo para procesarlos. Un gráfico que puedes construir en unas pocas líneas, reestilizar al instante y reproducir exactamente mañana vale muchísimo más que una captura de pantalla puntual de una plataforma de trading. Esta guía recorre un flujo de visualización práctico usando tidyquant (datos + geoms orientados a finanzas) y ggplot2 (el motor de la gramática de gráficos que hay debajo).

Preparar el entorno

install.packages(c("tidyquant", "ggplot2", "dplyr"))

library(tidyquant)

library(ggplot2)

library(dplyr)



# Descargar OHLCV diario a un data frame ordenado

precios <- tq_get("AAPL",

                  from = "2023-01-01",

                  to   = "2024-01-01")

# columnas: symbol, date, open, high, low, close, volume, adjusted

tidyquant devuelve los datos en formato largo y ordenado (tidy) — una fila por observación — que es exactamente lo que ggplot2 quiere. Esa es toda la razón por la que esta pareja funciona tan bien.

Un gráfico de líneas limpio del precio de cierre

ggplot(precios, aes(x = date, y = close)) +

  geom_line(color = "steelblue") +

  labs(title = "Cierre diario de AAPL", x = NULL, y = "Precio ($)") +

  theme_minimal()

Cada capa es aditiva: los datos, el mapeo estético (x e y), un geom, las etiquetas, un tema. ¿Quieres cambiar algo? Cambias una línea. Esa componibilidad es el superpoder de ggplot2.

Un gráfico de velas / OHLC en condiciones

tidyquant añade geoms orientados a finanzas para que no tengas que dibujar las velas a mano:

precios %>%

  filter(date >= "2023-10-01") %>%

  ggplot(aes(x = date, open = open, high = high,

             low = low, close = close)) +

  geom_candlestick() +

  labs(title = "AAPL - Velas (4T 2023)", y = "Precio ($)") +

  theme_tq()

Usa geom_barchart() para las barras OHLC clásicas. theme_tq() y scale_color_tq() te dan un aspecto financiero consistente.

Superponer medias móviles

Como las capas se apilan, añadir indicadores es simplemente añadir geoms. tidyquant incluye geom_ma():

precios %>%

  ggplot(aes(x = date, y = close)) +

  geom_line(color = "grey50") +

  geom_ma(ma_fun = SMA, n = 20, color = "blue",  linetype = "solid") +

  geom_ma(ma_fun = SMA, n = 50, color = "red",   linetype = "dashed") +

  labs(title = "AAPL con SMAs de 20 y 50 días", y = "Precio ($)") +

  theme_tq()

El volumen en un panel debajo del precio

Los traders casi siempre quieren el volumen bajo el gráfico de precio y no apretujado en el mismo eje. La forma limpia son dos gráficos apilados con el paquete patchwork:

library(patchwork)



p_precio <- ggplot(precios, aes(date, close)) +

  geom_line(color = "steelblue") +

  labs(y = "Precio ($)", x = NULL) + theme_minimal()



p_vol <- ggplot(precios, aes(date, volume)) +

  geom_col(fill = "grey60") +

  labs(y = "Volumen", x = NULL) + theme_minimal()



p_precio / p_vol + plot_layout(heights = c(3, 1))

El operador / apila los gráficos en vertical y plot_layout(heights=...) hace que el panel de precio sea tres veces más alto que el de volumen.

Comparar varios instrumentos

Pasa un vector de símbolos y deja que el faceting haga el resto — un pequeño múltiplo por símbolo, todos sobre ejes compartidos y comparables:

varios <- tq_get(c("AAPL", "MSFT", "GOOG"),

                 from = "2023-01-01", to = "2024-01-01")



ggplot(varios, aes(date, adjusted, color = symbol)) +

  geom_line() +

  facet_wrap(~ symbol, scales = "free_y") +

  labs(title = "Cierre ajustado por símbolo", x = NULL, y = NULL) +

  theme_tq()

Algunos hábitos que merecen la pena

• Usa la columna ajustada (adjusted) para cualquier cosa que abarque dividendos o splits, o tu gráfico de largo plazo mostrará huecos falsos.
  
• Guarda de forma reproducible con ggsave("grafico.png", width = 10, height = 6, dpi = 150) en lugar de hacer una captura.
  
• Mantén los datos ordenados. Si un gráfico se te resiste, normalmente los datos tienen la forma equivocada — primero reordena, después grafica.
  
• Define un tema una sola vez y reutilízalo para que todos los gráficos que publiques tengan un aspecto consistente.
  

Cuando graficar es solo unas pocas capas componibles, empiezas a explorar mucho más — superponer señales, sombrear regímenes, anotar eventos — porque cada experimento cuesta segundos, no una reconstrucción. Esa velocidad de iteración es la verdadera razón para visualizar en R.

Comparte un fragmento de un gráfico que estés intentando construir y afinamos juntos las capas de ggplot.