--- title: "1.4.3 Ajustes por splits y dividendos" description: "Factores de ajuste hacia atrás para un split 4 por 1 y 33 dividendos, rentabilidad total frente a la de precio, señales falsas y el problema point-in-time." url: "https://pythonparatrading.com/curso-python-trading/nivel-1/ajustes-por-splits-y-dividendos/" lang: "es" image: "https://pythonparatrading.com/og/curso-python-trading/nivel-1/ajustes-por-splits-y-dividendos.png" --- # 1.4.3 · Ajustes por splits y dividendos: precios ajustados y sin ajustar > El 23 de agosto de 2021 NOVA «cayó» un 75 % y nadie perdió dinero: fue un split 4 por 1. Esta lección construye a mano los factores de ajuste de ocho años de eventos corporativos, comprueba el método contra el ejemplo publicado por un proveedor y enseña cuándo usar cada serie y qué rompe usar la equivocada. - Curso: [Nivel 1: Datos financieros, mercados y análisis](https://pythonparatrading.com/curso-python-trading/nivel-1/) - Módulo: 1.4 · Ingeniería de datos financieros - Duración: 55 min - Requisitos: [1.2.1 · Acciones: splits, dividendos y eventos corporativos](https://pythonparatrading.com/curso-python-trading/nivel-1/acciones-splits-dividendos-y-eventos-corporativos/), [1.4.2 · Limpieza de datos: faltantes, ticks erróneos, huecos y zonas horarias](https://pythonparatrading.com/curso-python-trading/nivel-1/limpieza-de-datos-financieros/) ## Al terminar esta lección - Calcular el factor de cada split y de cada dividendo y el factor acumulado hacia atrás, y construir con ellos la serie ajustada. - Comprobar que la serie ajustada no tiene saltos en las fechas ex y que su rentabilidad es la rentabilidad total. - Distinguir rentabilidad de precio y rentabilidad total, y medir cuánto aportan los dividendos. - Reconocer las señales falsas que producen los precios sin ajustar en un backtest. - Explicar por qué un precio ajustado cambia cuando llega un dividendo nuevo y cómo guardar los datos para que eso no contamine un backtest. ## Un desplome que no lo fue El diario de NOVA de esta lección tiene los precios **tal como se negociaron**: sin ajustar. Ocho años de sesiones de la NYSE, de 2018 a 2025, con todos los eventos corporativos que la lección 1.2.1 describió: un split y 33 dividendos, uno de ellos extraordinario. Basta mirar una semana de agosto de 2021: ```python import numpy as np import pandas as pd bruto = pd.read_csv("nova_diario_sin_ajustar.csv", parse_dates=["fecha"], index_col="fecha") bruto.loc["2021-08-19":"2021-08-25"] ``` ```output apertura maximo minimo cierre volumen fecha 2021-08-19 239.60 251.84 238.19 241.05 2471611 2021-08-20 238.75 240.55 227.85 240.00 2203366 2021-08-23 60.28 60.41 58.11 59.55 13427377 2021-08-24 59.63 60.11 57.33 59.55 13974110 2021-08-25 59.17 62.40 58.71 60.18 6931159 ``` El viernes 20 cierra en 240,00 y el lunes 23 abre en 60,28, con el volumen multiplicado por seis. No hubo pánico: desde el lunes cada acción antigua son cuatro nuevas, y cada nueva vale la cuarta parte. Quien tenía 100 acciones a 240 USD (24.000 USD) tiene 400 a 60 (24.000 USD). En la serie bruta, sin embargo, es la mayor caída de la historia: ```python r_bruto = bruto["cierre"].pct_change() (100 * r_bruto.nsmallest(4)).round(2) ``` ```output fecha 2021-08-23 -75.19 2021-06-02 -12.21 2025-03-26 -12.10 2020-06-23 -12.06 Name: cierre, dtype: float64 ``` Un −75,19 % que no le costó nada a nadie, por delante de tres caídas reales de en torno al 12 %. Cualquier cálculo sobre esta serie (volatilidad, drawdown, una señal) está contaminado por él. Y hay más saltos, más pequeños y más frecuentes: en cada **fecha ex** de un dividendo, el precio abre más bajo porque quien compra ese día ya no cobra el dividendo. El ajuste corrige las dos cosas. ## Los eventos y sus factores La tabla de eventos tiene una fila por evento: la fecha ex, el tipo, el ratio del split o el importe del dividendo (en las acciones que había en esa fecha: los dividendos anteriores al split son por acción antigua) y la fecha de pago. ```python eventos = pd.read_csv("nova_eventos.csv", parse_dates=["fecha_ex", "fecha_pago"]) print(eventos["tipo"].value_counts().to_dict()) eventos.iloc[13:18] ``` ```output {'dividendo': 32, 'split': 1, 'dividendo_extraordinario': 1} fecha_ex tipo ratio importe fecha_pago 13 2021-05-10 dividendo NaN 0.60 2021-06-01 14 2021-08-10 dividendo NaN 0.60 2021-08-31 15 2021-08-23 split 4.0 NaN 2021-08-20 16 2021-11-10 dividendo NaN 0.15 2021-12-01 17 2022-02-10 dividendo NaN 0.16 2022-03-03 ``` El dividendo trimestral pasa de 0,60 a 0,15 USD con el split: es el mismo dividendo por empresa, repartido entre cuatro veces más acciones. Cada evento se convierte en un **factor**, el número por el que hay que multiplicar todos los precios anteriores a su fecha ex para que la serie no salte: $$ f_e = \begin{cases} \dfrac{1}{\text{ratio}_e} & \text{split} \\[6pt] 1 - \dfrac{D_e}{C_{e-1}} & \text{dividendo} \end{cases} \qquad\qquad F_t = \prod_{e \,:\, t_e > t} f_e, \qquad\qquad \tilde{P}_t = F_t \cdot P_t $$ donde $D_e$ es el dividendo, $C_{e-1}$ el cierre sin ajustar de la sesión anterior a la fecha ex, $F_t$ el factor acumulado del día $t$ (el producto de los factores de todos los eventos **posteriores** a ese día) y $\tilde{P}_t$ el precio ajustado. Es un ajuste **hacia atrás**: el último tramo de la serie queda con los precios reales y el pasado se reescala. Es el método multiplicativo de CRSP, el que describe Yahoo para su cierre ajustado. ```mermaid flowchart LR B[Precios brutos] --> F[Factor por evento] E[Eventos] --> F F --> A[Factor acumulado] A --> J[Serie ajustada] B --> J ``` ```python def factores(precios, eventos): cierre_ant = precios["cierre"].shift() ev = eventos.copy() es_split = ev["tipo"] == "split" ev["cierre_ant"] = cierre_ant.reindex(ev["fecha_ex"]).to_numpy() ev["factor"] = np.where(es_split, 1 / ev["ratio"], 1 - ev["importe"] / ev["cierre_ant"]) return ev ev = factores(bruto, eventos) ev.loc[[14, 15, 25, 33], ["fecha_ex", "tipo", "importe", "cierre_ant", "factor"]] ``` ```output fecha_ex tipo importe cierre_ant factor 14 2021-08-10 dividendo 0.60 213.21 0.997186 15 2021-08-23 split NaN 240.00 0.250000 25 2023-12-14 dividendo_extraordinario 1.50 42.75 0.964912 33 2025-11-10 dividendo 0.19 66.13 0.997127 ``` El split pesa 0,25; un dividendo trimestral, entre 0,9956 y 0,9983 según el precio de ese día; el extraordinario de 1,50 USD, 0,965. El factor acumulado de un día es el producto de todos los que vienen detrás. Se calcula recorriendo los eventos: cada uno multiplica por su factor todos los días anteriores a su fecha ex. ```python def ajustar(precios, ev): """F_t: producto de los factores de los eventos posteriores a t.""" F = pd.Series(1.0, index=precios.index) for fecha_ex, f in zip(ev["fecha_ex"], ev["factor"]): F[F.index < fecha_ex] *= f return F F = ajustar(bruto, ev) precios = ["apertura", "maximo", "minimo", "cierre"] ajustado = bruto[precios].mul(F, axis=0) pd.DataFrame({"bruto": bruto["cierre"], "factor": F, "ajustado": ajustado["cierre"]}).loc[ ["2018-01-02", "2021-08-20", "2021-08-23", "2025-12-31"]] ``` ```output bruto factor ajustado fecha 2018-01-02 192.00 0.219581 42.159572 2021-08-20 240.00 0.228378 54.810708 2021-08-23 59.55 0.913512 54.399628 2025-12-31 68.19 1.000000 68.190000 ``` *Fig. — Factor de ajuste acumulado de NOVA: el producto de los factores de todos los eventos posteriores a cada día.* Escalera que sube de 0,22 en enero de 2018 a 1 en noviembre de 2025. Cada dividendo trimestral es un peldaño diminuto; el split 4 por 1 de agosto de 2021 (destacado) multiplica por cuatro el factor, de 0,23 a 0,91; el dividendo extraordinario de diciembre de 2023 es un peldaño algo mayor que los demás. El factor acumulado es una escalera: vale 1 en el último tramo (después del último dividendo, el 10 de noviembre de 2025) y baja un peldaño en cada fecha ex, hacia atrás. El peldaño grande es el split. El 2 de enero de 2018, el factor es 0,2196: el cierre de 192,00 USD de ese día equivale a 42,16 USD de hoy, contando el split y los 33 dividendos. ## La serie ajustada no salta La prueba de que el ajuste está bien es que la rentabilidad de la serie ajustada sea la que obtuvo un accionista. En el día del split, cero salto; en una fecha ex, la caída del precio compensada por el dividendo cobrado: ```python r_aj = ajustado["cierre"].pct_change() print(f"Split, bruto: {r_bruto['2021-08-23']:+.2%}") print(f"Split, ajustado: {r_aj['2021-08-23']:+.2%}") dividendo = ev[ev["tipo"] != "split"].set_index("fecha_ex")["importe"] c, c_ant = bruto["cierre"], bruto["cierre"].shift() exd = dividendo.index total = (c[exd] + dividendo) / c_ant[exd] - 1 # precio + dividendo print("Mayor diferencia en fechas ex (pp):", round(100 * (r_aj[exd] - total).abs().max(), 3)) ``` ```output Split, bruto: -75.19% Split, ajustado: -0.75% Mayor diferencia en fechas ex (pp): 0.03 ``` En el split, la serie ajustada se mueve lo que se movió el mercado ese día (−0,75 %), no un −75 %. En las fechas ex, la rentabilidad ajustada y la rentabilidad total calculada a mano (precio más dividendo, sobre el cierre anterior) coinciden a menos de tres milésimas de punto. La diferencia que queda es de definición: el factor multiplicativo equivale a reinvertir el dividendo en la propia acción al precio de la fecha ex, $C_{e-1} - D_e$, mientras que la fórmula a mano lo deja en efectivo ese día. Cualquiera de las dos es «rentabilidad total»; lo que no vale es mezclar las dos sin saberlo. La figura de la cabecera compara las dos series en escala logarítmica. La bruta tiene un escalón en agosto de 2021 y una pendiente engañosa; la ajustada es continua y termina en el mismo precio, porque el último tramo no se ajusta. ## Contra el ejemplo de un proveedor El método no es una invención de la lección. La página de ayuda de Yahoo Finance sobre su cierre ajustado publica un ejemplo con un split 2 por 1 y un dividendo de 0,08 USD, y dice que sigue el estándar de CRSP. Con las mismas dos funciones, el resultado tiene que ser el suyo: ```python dias = pd.to_datetime(["2001-02-16", "2001-02-17", "2001-02-18", "2001-02-19", "2001-02-20", "2001-02-21", "2001-02-22"]) ej = pd.DataFrame({"cierre": [46.99, 48.30, 24.96, 24.91, 24.95, 24.53, 24.54]}, index=dias) ev_ej = pd.DataFrame({"fecha_ex": pd.to_datetime(["2001-02-18", "2001-02-21"]), "tipo": ["split", "dividendo"], "ratio": [2.0, np.nan], "importe": [np.nan, 0.08]}) ev_ej = factores(ej, ev_ej) print(ev_ej[["tipo", "factor"]].round(4).to_string(index=False)) (ej["cierre"] * ajustar(ej, ev_ej)).round(2).to_list() ``` ```output tipo factor split 0.5000 dividendo 0.9968 [23.42, 24.07, 24.88, 24.83, 24.87, 24.53, 24.54] ``` Los siete cierres ajustados son los de la tabla de Yahoo (23,42; 24,07; 24,88; 24,83; 24,87; 24,53; 24,54), con el mismo multiplicador de dividendo, 0,9968. El año y los días son de relleno: el ejemplo de Yahoo solo da día y mes, y para el cálculo da igual que sean sesiones reales. Que la función reproduzca el ejemplo de un proveedor es una prueba mejor que cualquier explicación: en un proyecto, este ejemplo iría a un test (lección 0.4.5). No todos los proveedores ajustan igual. Unos ajustan solo por splits en el «cierre» y por splits y dividendos en el «cierre ajustado»; otros ajustan toda la barra OHLC; algunos permiten elegir. Con `yfinance`, por ejemplo, `auto_adjust=True` (el valor por defecto) devuelve las cuatro columnas ya ajustadas, y `actions=True` añade los dividendos y los splits. El bloque no se ejecuta porque necesita red: ```python skip title="yfinance_ajustes.py" import yfinance as yf ajustada = yf.download("AAPL", start="2018-01-01", auto_adjust=True) bruta = yf.download("AAPL", start="2018-01-01", auto_adjust=False, actions=True) # columnas Dividends y Stock Splits ``` Antes de usar la serie de un proveedor hay que saber cuál de ellas es. La forma rápida de averiguarlo es la de esta sección: buscar un split conocido y ver si la serie salta. ## Rentabilidad de precio y rentabilidad total Hay dos series ajustadas útiles, y responden a preguntas distintas. La ajustada **solo por splits** da la rentabilidad de precio: cuánto ha subido la acción. La ajustada por splits y dividendos da la rentabilidad total: cuánto ha ganado quien la tuvo y reinvirtió los dividendos. La diferencia es la rentabilidad por dividendo. ```python F_split = ajustar(bruto, ev[ev["tipo"] == "split"]) precio = bruto["cierre"] * F_split anos = (bruto.index[-1] - bruto.index[0]).days / 365.25 def tasa_anual(s): return (s.iloc[-1] / s.iloc[0]) ** (1 / anos) - 1 for nombre, s in [("sin ajustar", bruto["cierre"]), ("solo splits (precio)", precio), ("splits y dividendos (total)", ajustado["cierre"])]: print(f"{nombre:>28}: {tasa_anual(s):+.2%} anual") ``` ```output sin ajustar: -12.15% anual solo splits (precio): +4.49% anual splits y dividendos (total): +6.20% anual ``` *Fig. — 100 USD en NOVA desde enero de 2018: rentabilidad total, rentabilidad de precio y serie sin ajustar.* Tres líneas que empiezan en 100. La de rentabilidad total (destacada) termina en 161,7, un 6,2 % anual; la de precio, ajustada solo por el split, en 142,1, un 4,5 % anual; la serie sin ajustar cae a la cuarta parte en el split y termina en 35,5, como si se hubiera perdido un 12 % al año. La serie sin ajustar dice que NOVA pierde un 12 % al año: el split, leído como una pérdida. La de precio, que gana un 4,5 %; la total, un 6,2 %. Los dividendos aportan 1,7 puntos al año, más de la cuarta parte de la rentabilidad total. Para comparar una estrategia con «comprar y mantener», la referencia es la rentabilidad total: comparar contra la de precio regala a la estrategia esos 1,7 puntos. Lo mismo vale para los índices: un índice de precio (como el FIX del curso) no incluye los dividendos, y uno de rentabilidad total (como el ISX) sí (lecciones 1.2.2 y 1.2.3). ## Señales falsas en un backtest Con la serie bruta, cualquier regla que mire variaciones o niveles se tropieza con los eventos. Dos ejemplos: ```python caida = r_bruto[r_bruto < -0.20] print("Días con caída > 20 % (bruto):", list(caida.index.date)) print("Días con caída > 20 % (ajustado):", (r_aj < -0.20).sum()) despues = slice("2021-08-23", "2022-06-10") for nombre, s in [("bruto", bruto["cierre"]), ("ajustado", ajustado["cierre"])]: bajo = (s < s.rolling(200).mean())[despues] print(f"Bajo su media de 200 sesiones ({nombre}): " f"{bajo.mean():.0%}") ``` ```output Días con caída > 20 % (bruto): [datetime.date(2021, 8, 23)] Días con caída > 20 % (ajustado): 0 Bajo su media de 200 sesiones (bruto): 95% Bajo su media de 200 sesiones (ajustado): 15% ``` Con la serie bruta, una regla de «comprar desplomes» compra el día del split; un filtro de tendencia (precio por debajo de su media de 200 sesiones = mercado bajista) declara bajista a NOVA en el 95 % de las sesiones de los diez meses siguientes, mientras la media arrastra los precios de antes del split. Con la serie ajustada, el mismo filtro solo ve tendencia bajista en el 15 %. Son las señales falsas más visibles; las de los dividendos son pequeñas y repetidas: ```python diferencia = (r_bruto[exd] - r_aj[exd]) * 100 print(f"Fechas ex: {len(exd)}") print(f"Caída media que el accionista no sufrió: " f"{diferencia.mean():.2f} %") print(f"Suma en ocho años: {diferencia.sum():.1f} puntos") ``` ```output Fechas ex: 33 Caída media que el accionista no sufrió: -0.39 % Suma en ocho años: -12.9 puntos ``` Cada fecha ex, la serie bruta enseña una caída del orden del 0,4 % que el accionista no sufrió, porque cobró el dividendo. Una estrategia que vendiera en corto la víspera de cada fecha ex parecería ganar ese 0,4 % con regularidad en un backtest con datos brutos; en la realidad, quien está corto en la fecha ex **paga** el dividendo al prestamista de las acciones y la ventaja desaparece. El volumen también se ajusta, pero solo por splits y en sentido contrario: antes del split había cuatro veces menos acciones, así que el volumen en acciones se multiplica por el ratio. Los dividendos no cambian el número de acciones: ```python vol_aj = bruto["volumen"] / F_split antes = slice("2021-07-23", "2021-08-20") despues = slice("2021-08-23", "2021-09-21") for nombre, v in [("bruto", bruto["volumen"]), ("ajustado", vol_aj)]: print(f"{nombre:>8}: mediana {v[antes].median():>11,.0f} antes, " f"{v[despues].median():>11,.0f} después") ``` ```output bruto: mediana 2,578,329 antes, 9,953,681 después ajustado: mediana 10,313,316 antes, 9,953,681 después ``` ## El pasado cambia cada vez que llega un dividendo El ajuste hacia atrás tiene una consecuencia incómoda: la serie ajustada de 2018 no es la misma si se descargó en octubre de 2025 o en diciembre. El dividendo del 10 de noviembre de 2025 añade un factor más, y ese factor multiplica toda la historia anterior. Se puede reconstruir lo que habría visto un sistema en cada fecha usando solo los eventos conocidos entonces: ```python def ajustado_a_fecha(precios, ev, fecha): conocidos = ev[ev["fecha_ex"] <= fecha] hasta = precios.loc[:fecha] return hasta["cierre"] * ajustar(hasta, conocidos) oct25 = ajustado_a_fecha(bruto, ev, "2025-10-31") dic25 = ajustado_a_fecha(bruto, ev, "2025-12-31") print("Cierre ajustado del 2018-01-02:") print(f" visto el 2025-10-31: {oct25.iloc[0]:.4f}") print(f" visto el 2025-12-31: {dic25.iloc[0]:.4f}") r_oct = oct25.pct_change().loc[:"2025-10-31"] r_dic = dic25.pct_change().loc[:"2025-10-31"] print("Rentabilidades hasta octubre iguales:", np.allclose(r_oct, r_dic, equal_nan=True)) ``` ```output Cierre ajustado del 2018-01-02: visto el 2025-10-31: 42.2811 visto el 2025-12-31: 42.1596 Rentabilidades hasta octubre iguales: True ``` Los precios ajustados de 2018 bajan un 0,29 % de una versión a la otra; las rentabilidades de los días anteriores al evento no cambian ni en el último decimal. Un sistema que solo use rentabilidades o cocientes (medias móviles sobre la misma serie, por ejemplo) no nota la diferencia. Uno que use niveles absolutos sí: «el máximo de 2018 fue 52,10» es una frase que caduca cada trimestre. Y una base de datos que guarde la serie ajustada como si fuera un hecho mezclará, tras unas cuantas actualizaciones incrementales, tramos ajustados con factores distintos. ```mermaid flowchart LR G[Guardar brutos] --> T[Ajustar en t] E[Guardar eventos] --> T T --> R[Rentabilidades] G --> O[Órdenes y niveles] ``` La solución es la del diagrama: guardar los precios **sin ajustar** y la tabla de eventos, que no cambian, y calcular el ajuste cuando se necesite, con los eventos conocidos en la fecha que interese. Es la idea de **point-in-time** que la lección 1.4.4 aplica a los universos de valores y la 1.5.1 a los datos fundamentales: cada dato, tal como se conocía en su momento. ## Ejercicios 1. Ajusta la serie con el método **aditivo**: en lugar de multiplicar por un factor, resta a todos los precios anteriores a cada fecha ex el dividendo (y divide por el ratio en el split). Compara la rentabilidad total anual con la del método multiplicativo y mira el precio ajustado más bajo de cada serie. **Solución.** ```python aditivo = bruto["cierre"] * F_split for fecha_ex, d in dividendo.items(): d_hoy = d * F_split[fecha_ex] # en acciones de hoy aditivo[aditivo.index < fecha_ex] -= d_hoy print(f"Aditivo: {tasa_anual(aditivo):+.2%} anual, " f"mínimo {aditivo.min():.2f}") print(f"Multiplicativo: {tasa_anual(ajustado['cierre']):+.2%} anual, " f"mínimo {ajustado['cierre'].min():.2f}") ``` ```output Aditivo: +6.40% anual, mínimo 28.24 Multiplicativo: +6.20% anual, mínimo 30.12 ``` El dividendo se pasa primero a acciones de hoy (los anteriores al split se dividen por 4) y después se resta de todo lo anterior. El método aditivo conserva las diferencias de precio en dólares, pero no los cocientes: al restar una cantidad fija, los precios antiguos, más bajos en proporción, bajan más en porcentaje, y la rentabilidad del principio de la serie sale inflada. Con muchos dividendos y precios bajos puede dejar precios negativos en el pasado lejano. Por eso el multiplicativo es el estándar para series de acciones; el aditivo solo tiene sentido cuando lo que importa son diferencias en puntos, como en algunas series continuas de futuros (lección 1.4.6). 2. Comprueba, con `ajustado_a_fecha`, que el cierre ajustado del 2018-01-02 cambia exactamente en el factor del dividendo de noviembre de 2025. ¿Qué factor es? **Solución.** ```python f_nov = ev.loc[ev["fecha_ex"] == "2025-11-10", "factor"].item() print(f"Factor del 2025-11-10: {f_nov:.6f}") print(f"Cociente dic/oct: {dic25.iloc[0] / oct25.iloc[0]:.6f}") ``` ```output Factor del 2025-11-10: 0.997127 Cociente dic/oct: 0.997127 ``` El cociente entre las dos versiones es justo el factor del dividendo nuevo, 1 − 0,19 / cierre del 7 de noviembre. Es la forma de detectar, comparando dos descargas del mismo proveedor, que ha aparecido un evento: todo el pasado se mueve en la misma proporción. 3. Un backtest de NOVA usa precios ajustados para decidir y coloca órdenes limitadas «a 50 USD» en 2019. ¿Qué problema tiene? ¿Cómo lo corregirías? **Solución.** En 2019 NOVA cotizaba sin ajustar en torno a 200 USD (antes del split) y su precio ajustado de hoy ronda los 45. Una orden limitada a 50 USD calculada sobre la serie ajustada se ejecutaría en el backtest a un precio que nunca existió en el mercado; colocada sobre el precio real, nunca se habría ejecutado. La regla puede decidir con la serie ajustada (o con rentabilidades), pero el precio de la orden debe convertirse al precio real del día dividiendo por el factor acumulado de ese día ($P_t = \tilde{P}_t / F_t$), y el tamaño en acciones se calcula también con el precio real. ## Autoevaluación 1. El cierre antes de la fecha ex es 50 USD y el dividendo, 0,50 USD. ¿Cuál es el factor multiplicativo de ese dividendo? - A. 0,50 - B. 0,99 - C. 1,01 - D. 0,95 *Respuesta B: 0,99.* f = 1 − D / C = 1 − 0,50 / 50 = 0,99. Todos los precios anteriores a la fecha ex se multiplican por 0,99, de modo que la caída mecánica del precio en la fecha ex desaparece de la serie. 2. Una acción hace un split 4 por 1. ¿Qué se hace con el volumen de las sesiones anteriores en la serie ajustada? - A. Se divide por 4 - B. Se multiplica por 4 - C. No se toca - D. Se pone a cero *Respuesta B: Se multiplica por 4.* Después del split hay cuatro veces más acciones y cada una vale la cuarta parte. Para que el volumen en acciones sea comparable, el anterior se multiplica por el ratio (igual que los precios se dividen por él). El volumen en dólares no cambia. 3. Un backtest con precios sin ajustar compra cuando el precio cae más de un 20 % en un día. ¿Qué pasa con NOVA el 23 de agosto de 2021? - A. Nada: ese día no hubo caída - B. Compra: la serie bruta cae un 75 %, aunque el valor de la posición no cambió - C. Vende - D. Da un error *Respuesta B: Compra: la serie bruta cae un 75 %, aunque el valor de la posición no cambió.* En la serie bruta el split aparece como una caída del 75 %. La regla lo interpreta como un desplome y opera. En la serie ajustada ese día es un día normal. 4. Llega un dividendo nuevo en noviembre de 2025. ¿Qué cambia en la serie ajustada de NOVA? - A. Solo el precio del día del dividendo - B. Todos los precios anteriores a la fecha ex, que se multiplican por el nuevo factor; las rentabilidades anteriores no cambian - C. Nada - D. Todas las rentabilidades de la historia *Respuesta B: Todos los precios anteriores a la fecha ex, que se multiplican por el nuevo factor; las rentabilidades anteriores no cambian.* El ajuste hacia atrás multiplica todo el pasado por el factor nuevo. Los niveles de precio de 2018 cambian; los cocientes entre dos días anteriores al evento, no. Por eso una regla que use niveles absolutos (un precio de 50 USD, una orden limitada) da resultados distintos según el día en que se descargó la serie. 5. ¿Qué conviene guardar en un data lake para no depender de cuándo se calculó el ajuste? - A. Solo la serie ajustada del proveedor - B. Los precios sin ajustar y la tabla de eventos, para calcular el ajuste en cada fecha con los eventos conocidos entonces - C. Solo las rentabilidades - D. Las dos series ajustadas, la de precio y la total *Respuesta B: Los precios sin ajustar y la tabla de eventos, para calcular el ajuste en cada fecha con los eventos conocidos entonces.* Con brutos y eventos se puede reconstruir cualquier versión del ajuste, incluida la que habría visto un sistema en una fecha concreta. Una serie ajustada guardada es una foto de un día: el siguiente dividendo la deja vieja. ## Ideas clave - Los precios negociados (sin ajustar) tienen saltos que no son pérdidas ni ganancias: el split y la caída del precio en cada fecha ex. - Factor de un split: 1 / ratio. Factor de un dividendo: 1 − D / C del cierre anterior a la fecha ex. El factor de cada día es el producto de los de todos los eventos posteriores. - La serie ajustada da la rentabilidad total (precio más dividendos reinvertidos); la ajustada solo por splits, la de precio. En NOVA, 6,2 % frente a 4,5 % anual. - Un backtest con precios sin ajustar ve desplomes falsos (el split) y caídas en cada fecha ex; con precios ajustados por splits pero no por dividendos, subestima la rentabilidad de mantener. - El ajuste hacia atrás reescribe el pasado con cada evento nuevo: guarda brutos y eventos y ajusta al vuelo. Para órdenes y niveles absolutos se usa el precio sin ajustar. ## Recursos ### Research - [Zipline, Backtesting en Python 2 : Mi primer Data Analisis](https://pythonparatrading.com/backtesting-python-zipline-bundle/) · Research-0012 · 3 min ### Documentación - [Yahoo Help: What is the adjusted close? (multiplicadores de split y dividendo, estándar CRSP)](https://help.yahoo.com/kb/SLN28256.html) · help.yahoo.com - [Investor.gov (SEC): Ex-Dividend Dates](https://www.investor.gov/introduction-investing/investing-basics/glossary/ex-dividend-dates-when-are-you-entitled-stock-and) · investor.gov - [Investor.gov (SEC): Stock Split](https://www.investor.gov/introduction-investing/investing-basics/glossary/stock-split) · investor.gov - [yfinance: download (auto_adjust, actions)](https://ranaroussi.github.io/yfinance/reference/api/yfinance.download.html) · ranaroussi.github.io ### Datos - [Datos del nivel 1: diario de NOVA sin ajustar (CSV)](https://pythonparatrading.com/curso/datos/nivel-1/nova_diario_sin_ajustar.csv) · Descarga · nova_diario_sin_ajustar.csv - [Datos del nivel 1: eventos corporativos de NOVA (CSV)](https://pythonparatrading.com/curso/datos/nivel-1/nova_eventos.csv) · Descarga · nova_eventos.csv Lección anterior: [1.4.2 · Limpieza de datos: faltantes, ticks erróneos, huecos y zonas horarias](https://pythonparatrading.com/curso-python-trading/nivel-1/limpieza-de-datos-financieros/) Lección siguiente: [1.4.4 · Universos sin sesgo de supervivencia: deslistados, fusiones y cambios de símbolo](https://pythonparatrading.com/curso-python-trading/nivel-1/sesgo-de-supervivencia-y-point-in-time/)