Licencias y términos de uso de datos.

Se compra una licencia, no los datos

Cuando se paga una suscripción de datos, lo que se adquiere es un derecho de uso con condiciones: quién puede usarlos, en cuántas pantallas o programas, para qué y qué se puede publicar o pasar a otros. El dueño de los datos de mercado es, en origen, la bolsa que los produce; los proveedores y brókeres son distribuidores que los revenden con la licencia de la bolsa más la suya. Por eso el contrato de un proveedor retail suele incluir cláusulas que vienen de la bolsa, y por eso el mismo dato cuesta distinto según quién lo use y para qué.

flowchart LR
  B[Bolsa] --> D[Distribuidor]
  D --> S[Suscriptor]
  S --> U[Uso permitido]

La lección anterior ya mostró un ejemplo: el plan Advanced de Massive, el único con tiempo real, lleva la marca «Non-pros only» (lección 1.3.3). Esta lección explica qué significa y qué otras condiciones conviene leer antes de construir nada encima de unos datos. No es asesoramiento jurídico: para un caso concreto manda el contrato que firmes.

Profesional o no profesional

Las bolsas de EE. UU. cobran mucho menos a los suscriptores no profesionales que a los profesionales. La definición de NYSE, en su política de suscriptores no profesionales, exige dos cosas11Nota 1 · NYSE: Nonprofessional Subscriber Policy, consultada el 21/10/2026.:

• Ser una persona física que recibe los datos solo para uso personal, no empresarial.
• No ser un profesional de valores: no estar registrado o cualificado ante la SEC, la CFTC, un organismo estatal de valores, una bolsa o asociación de valores o un mercado de futuros; no actuar como asesor de inversiones; y no trabajar para un banco u otra organización exenta de registro en funciones que lo exigirían.

Dos matices de la misma política: quien trabaja fuera de EE. UU. haciendo las mismas funciones se considera profesional, y si los datos llegan por la cuenta de una organización, el usuario es profesional aunque sea una persona física. Nasdaq usa una definición equivalente en sus políticas de datos y añade la regla por defecto: todos los suscriptores se consideran profesionales salvo que se acrediten como no profesionales, y para el no profesional la información se licencia solo para uso personal22Nota 2 · Nasdaq: US Equities and Options Data Policies, versión 2.6, secciones de definiciones, datos derivados y non-display..

flowchart TB
  P{¿Persona física?} -- no --> PRO[Profesional]
  P -- sí --> U{¿Uso personal?}
  U -- no --> PRO
  U -- sí --> R{¿Profesional?}
  R -- sí --> PRO
  R -- no --> C{¿Cuenta empresa?}
  C -- sí --> PRO
  C -- no --> NP[No profesional]

Consecuencias prácticas para quien programa sistemas:

• Un particular que opera su propio dinero con su cuenta personal suele ser no profesional.
• El mismo particular, si monta una sociedad para operar o gestiona dinero de terceros, deja de serlo: cambia la tarifa y, a veces, los datos que puede recibir.
• Al darse de alta, el bróker o el proveedor pregunta por esta clasificación. Responder mal no es un trámite: es incumplir el contrato con la bolsa.

Pantalla, máquina, derivados y redistribución

La segunda dimensión de una licencia es qué se hace con los datos. Las políticas de las bolsas distinguen cuatro usos, que se licencian y tarifican por separado:

NYSE define el uso non-display de su información en tiempo real como acceder, procesarla o consumirla con un propósito distinto de mostrarla o redistribuirla, y aclara que incluye usos de trading como el de alta frecuencia o el algorítmico33Nota 3 · NYSE: Comprehensive Market Data Policies (21/03/2022), §2.1 y §2.3.. Nasdaq lo describe como el acceso o uso automatizado por una máquina, sin que una persona lo vea en una pantalla². Un sistema de trading que se alimenta de datos en tiempo real es, por definición, uso non-display, y las bolsas lo tarifican aparte del uso en pantalla.

Qué es un dato derivado: una prueba en código

Nasdaq define los datos derivados como información generada total o parcialmente a partir de la de la bolsa de forma que no pueda reconstruirse la información original ni usarse para crear algo que sea un sustituto razonable de ella². La definición tiene una consecuencia que se ve mejor con código: no todo cálculo es un derivado. Con la serie diaria de NOVA:

import numpy as np
import pandas as pd

nova = pd.read_csv("nova_diario_sin_ajustar.csv",
                   parse_dates=["fecha"], index_col="fecha")
rent = nova["cierre"].pct_change()          # «solo» rentabilidades

ancla = nova["cierre"].iloc[0]              # un único precio público
reconstruido = ancla * (1 + rent.fillna(0)).cumprod()
error = (reconstruido - nova["cierre"]).abs().max()
print(f"{len(rent) - 1} rentabilidades; error máximo: {error:.2e} USD")

2010 rentabilidades; error máximo: 4.55e-13 USD

Con las 2.010 rentabilidades y un único precio de partida, la serie de cierres sale entera con un error máximo del orden de 10⁻¹³ dólares, el redondeo de la coma flotante. Publicar las rentabilidades diarias es, a efectos prácticos, publicar los precios: no son un derivado en el sentido de la definición. Una métrica que resume muchos datos en pocos números sí lo es:

anual = rent.groupby(rent.index.year).agg(
    rent_pct=lambda r: 100 * ((1 + r).prod() - 1),
    vol_pct=lambda r: 100 * r.std() * np.sqrt(252),
)
print(anual.round(1).head(3))
print(f"{anual.size} números frente a {len(nova)} cierres")

       rent_pct  vol_pct
fecha
2018      -12.5     36.8
2019       19.4     34.5
2020       -0.9     48.5
16 números frente a 2011 cierres

Dieciséis números para ocho años no permiten reconstruir 2.011 cierres: es un derivado. La frontera no siempre es tan clara (una media móvil de 2 sesiones con su primer valor permite reconstruir la serie; una de 200 redondeada, en la práctica no), y lo que cuenta al final es lo que diga la licencia concreta. Pero la pregunta útil es siempre la misma: ¿lo que publico permite a otro dejar de pagar los datos?

Fuentes públicas y herramientas no oficiales

Que una fuente sea gratuita no significa que no tenga condiciones. Las de las fuentes de la lección 1.3.2:

El último caso es el más delicado. yfinance es una herramienta legítima de código abierto, pero los datos que descarga son de Yahoo y sus términos de servicio prohíben la recogida automatizada sin permiso y la redistribución. Su README lo recuerda: hay que consultar esos términos y la API es para uso personal (lección 1.3.2). Usarlo para aprender en tu ordenador es una cosa; publicar los CSV o montar un servicio con ellos, otra. La figura de la cabecera ordena los casos de esta lección de más libre a más restringido.

Las licencias abiertas estándar, como Creative Commons Atribución 4.0, ordenan este terreno: permiten copiar y redistribuir el material para cualquier fin, incluso comercial, con la condición de dar crédito, enlazar la licencia e indicar si se han hecho cambios88Nota 8 · Creative Commons: Atribución 4.0 Internacional.. Cuando una fuente publica sus datos con una licencia así, la pregunta «¿puedo publicarlo?» tiene una respuesta clara.

Los datos de este curso

Los datos de los ejemplos y ejercicios del curso son sintéticos: salen de modelos con semilla fija que el curso ejecuta con su propio script, y no de ningún feed de bolsa ni de ningún proveedor (su README lo explica fichero a fichero). No arrastran, por tanto, licencias de terceros: se pueden descargar, usar y compartir para aprender sin las restricciones de esta lección. Es una de las razones de que el curso no use datos reales en sus celdas: con datos reales, ni las salidas de las celdas ni los archivos de descarga podrían publicarse libremente.

Lo que no cambia con datos sintéticos es el hábito: saber de dónde viene cada archivo y en qué condiciones se puede usar. Para eso sirve un catálogo.

Un comprobador de licencias

Un catálogo de los conjuntos de datos de un proyecto, con los metadatos de licencia de cada uno, permite responder de forma automática antes de publicar algo. El árbol de decisión que aplica:

flowchart TB
  Q{¿Publicar o pasar?} -- no --> OK[Uso interno]
  Q -- sí --> A{¿Licencia abierta?}
  A -- sí --> AT[Sí, con atribución]
  A -- no --> D{¿Es derivado?}
  D -- sí --> L{¿Lo permite?}
  D -- no --> NO[No sin permiso]
  L -- sí --> AT
  L -- no --> NO

catalogo = {
    "nova_diario": {"origen": "sintético del curso",
                    "redistribuir": True, "derivados": True,
                    "atribucion": "Python para Trading"},
    "fred_serie": {"origen": "FRED, serie sin aviso de copyright",
                   "redistribuir": True, "derivados": True,
                   "atribucion": "FRED, St. Louis Fed"},
    "bce_exr": {"origen": "BCE", "redistribuir": True,
                "derivados": True, "sin_modificar": True,
                "atribucion": "Source: ECB statistics."},
    "yahoo_precios": {"origen": "Yahoo vía yfinance",
                      "redistribuir": False, "derivados": None,
                      "atribucion": None},
    "feed_tiempo_real": {"origen": "proveedor, plan no profesional",
                         "redistribuir": False, "derivados": False,
                         "atribucion": None},
}
pd.DataFrame(catalogo).T[["origen", "redistribuir", "derivados"]]

                                              origen redistribuir derivados
nova_diario                      sintético del curso         True      True
fred_serie        FRED, serie sin aviso de copyright         True      True
bce_exr                                          BCE         True      True
yahoo_precios                     Yahoo vía yfinance        False      None
feed_tiempo_real      proveedor, plan no profesional        False     False

None significa «la licencia no lo dice»: no es un sí. La función recorre el árbol para un conjunto y un uso:

def puedo(nombre, publicar, es_derivado=False):
    meta = catalogo[nombre]
    if not publicar:
        return "sí: uso interno"
    if meta["redistribuir"] and not es_derivado:
        extra = " sin modificar" if meta.get("sin_modificar") else ""
        return f"sí{extra}, citando: {meta['atribucion']}"
    if es_derivado:
        if meta["derivados"] is True:
            return f"sí (derivado), citando: {meta['atribucion']}"
        if meta["derivados"] is None:
            return "consultar: la licencia no lo dice"
    return "no sin permiso del dueño"

plan = [("nova_diario", True, False), ("bce_exr", True, False),
        ("yahoo_precios", True, False), ("yahoo_precios", True, True),
        ("feed_tiempo_real", True, True),
        ("feed_tiempo_real", False, False)]
for nombre, pub, der in plan:
    tipo = "derivado" if der else "datos"
    print(f"{nombre:17} {tipo:9} -> {puedo(nombre, pub, der)}")

nova_diario       datos     -> sí, citando: Python para Trading
bce_exr           datos     -> sí sin modificar, citando: Source: ECB statistics.
yahoo_precios     datos     -> no sin permiso del dueño
yahoo_precios     derivado  -> consultar: la licencia no lo dice
feed_tiempo_real  derivado  -> no sin permiso del dueño
feed_tiempo_real  datos     -> sí: uso interno

El resultado es un parte de lo que se puede hacer con cada cosa: los datos sintéticos y los del BCE se publican citando (los del BCE, sin modificar); los precios de Yahoo, no; una métrica derivada de Yahoo queda en «consultar», porque los términos no la contemplan; y el feed no profesional solo sirve para uso interno. El catálogo no sustituye a leer el contrato, pero obliga a leerlo una vez y a dejarlo escrito junto a los datos, que es donde se necesita (lección 1.4.8).

Ejercicios

1. Repite la reconstrucción de precios con rentabilidades redondeadas a dos decimales en porcentaje (round(4) en tanto por uno). ¿Cuánto error acumulado hay al final? ¿Siguen siendo un sustituto razonable de los precios?

r4 = rent.round(4)
rec4 = ancla * (1 + r4.fillna(0)).cumprod()
err = (rec4 - nova["cierre"]).abs()
print(f"error final: {err.iloc[-1]:.2f} USD;",
      f"máximo: {err.max():.2f} USD")
print(f"error relativo máximo: {(err / nova['cierre']).max():.3%}")

error final: 0.11 USD; máximo: 0.27 USD
error relativo máximo: 0.189%

2. Añade al catálogo un conjunto edgar_10k (presentaciones de EDGAR) con las condiciones de la SEC y comprueba qué devuelve puedo al publicar los datos tal cual y al publicar un ratio calculado con ellos.

catalogo["edgar_10k"] = {
    "origen": "SEC EDGAR", "redistribuir": True, "derivados": True,
    "atribucion": "U.S. Securities and Exchange Commission (EDGAR)",
}
print(puedo("edgar_10k", True))
print(puedo("edgar_10k", True, es_derivado=True))

sí, citando: U.S. Securities and Exchange Commission (EDGAR)
sí (derivado), citando: U.S. Securities and Exchange Commission (EDGAR)

3. Escribe, en tres o cuatro frases, qué publicarías de un backtest hecho con datos de un plan no profesional de un proveedor retail, y qué no.