Proveedores y due diligence de datos alternativos.

Quién vende y quién responde

La lección 6.7.1 midió el mercado y la 6.7.2 recorrió los tipos de dato. Esta empieza donde empieza una compra real: un gestor ha visto una ficha en un catálogo, el proveedor le ofrece una muestra gratuita durante unas semanas y la pregunta es si pagar. Entre el gestor y el proveedor suele haber intermediarios. Lo que dicen hacer los tres que cita el temario, leído en sus propias webs el 2026-10-23:

Las cifras son de cada empresa sobre sí misma, sin auditar, y cambian entre páginas de la misma web (Eagle Alpha da 2.500 en una y 2.600 en otra). Sirven para saber qué ofrece cada uno, no para compararlos. Ninguno de los tres puede responder la pregunta que importa: si este dataset mejora esta estrategia con los datos tal como habrían llegado. Eso es la due diligence del comprador, y tiene un orden:

flowchart TB
  A[Ficha y catálogo] --> B[NDA y muestra]
  B --> C[Pruebas técnicas]
  C --> D[Pruebas de señal]
  D --> E[Revisión legal]
  E --> F[Contrato]
  C --> X[Descartar]
  D --> X
  E --> X

Las pruebas técnicas comprueban que el dato es lo que dice ser (cobertura, historia, entregas, sesgos); las de señal, que aporta algo (lección 6.7.5); la revisión legal, que se puede usar. Cualquiera de las tres puede terminar la compra. El orden importa: un dataset con historia reconstruida da pruebas de señal brillantes y engañosas, así que la historia se examina antes.

La ficha del dataset

Lo primero es reconstruir la ficha a partir de los ficheros, no copiarla del folleto: cuántos comercios, qué fechas, cuándo llega cada dato. El proveedor entrega dos cosas. alt6_tarjetas_pit.parquet es el dato tal como se entregó cada día (point-in-time, PIT): el gasto del día t llega el día t + 3 y es preliminar. Y alt6_tarjetas_historico.parquet es la historia que el proveedor entrega al firmar el contrato, el 2023-07-03.

import numpy as np
import pandas as pd

pit = pd.read_parquet("alt6_tarjetas_pit.parquet")
hist = pd.read_parquet("alt6_tarjetas_historico.parquet")
mapa = pd.read_csv("alt6_comercios_verdad.csv")
for nombre, df in [("PIT", pit), ("histórico", hist)]:
    print(f"{nombre:10s} {len(df):7,d} filas · "
          f"{df['descriptor'].nunique()} comercios · "
          f"{df['fecha'].min():%Y-%m-%d} a "
          f"{df['fecha'].max():%Y-%m-%d}")
retraso = (pit["fecha_entrega"] - pit["fecha"]).dt.days
print("días entre la fecha y la entrega:", retraso.unique())
print(mapa["relacion"].value_counts().to_string())

PIT        359,410 filas · 127 comercios · 2018-01-01 a 2025-09-30
histórico  254,889 filas · 127 comercios · 2018-01-01 a 2023-06-30
días entre la fecha y la entrega: [3]
relacion
matriz          69
marca           22
filial          18
sin_relacion    18

127 comercios: 109 son de alguna de las 25 empresas (la matriz, una marca o una filial) y 18 no tienen relación aunque se llamen parecido. Aquí se usa el mapeo correcto (alt6_comercios_verdad.csv) como si lo diera el proveedor; construirlo desde cero es la primera parte de la lección 6.7.5. La historia acaba el 2023-06-30, tres días antes de la entrega.

La pregunta práctica de la ficha es si el dato llega a tiempo. Un dataset de ventas sirve si el trimestre está completo antes de que la empresa publique sus resultados:

emp = pd.read_csv("acciones6_empresas.csv")
ventas = pd.read_csv("acciones6_ventas.csv",
                     parse_dates=["fin_trimestre", "fecha_publicacion"])
ventas = ventas.merge(emp[["ticker", "id_empresa"]], on="ticker")
cubiertas = mapa["id_empresa"].dropna().unique()
v = ventas[ventas["id_empresa"].isin(cubiertas)]
# el último día del trimestre se entrega 3 días después
completo = v["fin_trimestre"] + pd.Timedelta(days=3)
margen = (v["fecha_publicacion"] - completo).dt.days
print(f"{len(v)} resultados · margen (días): mínimo {margen.min()}, "
      f"mediana {margen.median():.0f}, máximo {margen.max()}")

800 resultados · margen (días): mínimo 17, mediana 36, máximo 62

El trimestre completo llega entre 17 y 62 días antes de los resultados: hay tiempo para calcular y operar. Con un proveedor real, esta cifra se comprueba con las fechas de entrega de la muestra, no con la promesa comercial: los retrasos que se publicitan suelen ser los del mejor día.

Point-in-time frente a historia reconstruida

Un proveedor que lleva años vendiendo mejora su producto: incorpora bancos, corrige el mapeo de comercios, ajusta los pesos. Cuando un cliente nuevo pide historia, lo habitual es entregarle la serie reconstruida con la metodología actual (backfill), no la que vieron los clientes de entonces. Con datos de precios eso es una molestia; con datos que se calibran con las cifras que pretenden anticipar, es anticipación pura.

La historia del curso hace las tres cosas típicas: completa los días con las operaciones que llegaron tarde, repondera el panel antiguo al tamaño y la composición actuales y calibra cada trimestre con las ventas ya publicadas. La forma de verlo es poner las dos versiones una al lado de la otra. Para que la comparación sea limpia hace falta una función que devuelva lo que se sabía en una fecha:

def a_fecha(df, fecha):
    """Filas entregadas hasta `fecha` (incluida)."""
    return df[df["fecha_entrega"] <= pd.Timestamp(fecha)]

def por_trimestre(df):
    d = df.merge(mapa.dropna(subset=["id_empresa"]),
                 on="descriptor")
    d["fin_trimestre"] = (d["fecha"].dt.to_period("Q")
                          .dt.end_time.dt.normalize())
    return d.groupby(["id_empresa", "fin_trimestre"])["gasto_usd"].sum()

ejemplo = a_fecha(pit, "2021-04-02")
print("último día conocido el 2021-04-02:",
      ejemplo["fecha"].max().date())
gp, gh = por_trimestre(pit), por_trimestre(hist)
r = (gh / gp).dropna().rename("ratio").reset_index()
r["tramo"] = np.select(
    [r["fin_trimestre"] < "2021-03-31",
     r["fin_trimestre"] == "2021-03-31",
     r["fin_trimestre"] <= "2023-03-31"],
    ["1 antes del banco nuevo", "2 trimestre mixto",
     "3 resultados publicados"], "4 sin publicar (2023T2)")
r.groupby("tramo")["ratio"].agg(["count", "mean", "std"]).round(3)

último día conocido el 2021-04-02: 2021-03-30
                         count   mean    std
tramo
1 antes del banco nuevo    300  1.431  0.029
2 trimestre mixto           25  1.277  0.046
3 resultados publicados    200  1.053  0.066
4 sin publicar (2023T2)     25  1.067  0.001

El cociente entre la historia y el dato entregado cuenta lo que hizo el proveedor:

• Antes del banco nuevo la historia es un 43 % mayor: la reponderación al panel actual (que tiene un 35 % más de tarjetas) y la parte de las operaciones tardías.
• 2023T2 es el único trimestre de la historia cuyas ventas no se conocían el día de la entrega. Su cociente es 1,067 en las 25 empresas, con una desviación de 0,001: solo se le añadieron las operaciones que llegan tarde (un 6 % del gasto preliminar, 1 / 0,94 ≈ 1,064).
• Con los resultados publicados, el cociente varía de una empresa y un trimestre a otro (desviación 0,066): la historia se ha movido hacia unas ventas que en esa fecha nadie conocía.

Esta prueba no necesita conocer la verdad del generador: basta comparar la historia con el dato en vivo de los trimestres que se solapan, o con la entrega de un trimestre que todavía no tenía resultados. Si el proveedor no puede dar el archivo de lo que entregó cada día, la comparación se hace con los primeros meses de prueba y con preguntas directas: cuándo cambió la metodología y si la historia se recalcula con ella.

Algunas plataformas ofrecen consultas «as of» de forma explícita. El cliente de Python de Nasdaq Data Link (versión 1.0.4, licencia MIT) tiene get_point_in_time con tres modos (asofdate, from, between), además de get_table para tablas paginadas; según su documentación, sin clave de API algunas tablas devuelven solo una muestra. El código, sin ejecutar (necesita red y clave; la tabla es la del ejemplo de la documentación):

import nasdaqdatalink

# la clave, en la variable de entorno NASDAQ_DATA_LINK_API_KEY
tabla = nasdaqdatalink.get_table(
    "ZACKS/FC", paginate=True, ticker=["AAPL", "MSFT"],
    per_end_date={"gte": "2015-01-01"},
    qopts={"columns": ["ticker", "per_end_date"]})
# la tabla tal como estaba en una fecha
vista = nasdaqdatalink.get_point_in_time(
    "DATABASE/CODE", interval="asofdate", date="2020-01-01")

La consecuencia en la señal es lo que importa. La señal de la lección 6.7.5 compara el crecimiento interanual del gasto por tarjeta con el que implica el consenso; aquí basta con su R² frente a la sorpresa de ventas, medido con cada versión del dato:

panel = pd.read_csv("alt6_tarjetas_panel.csv", parse_dates=["fecha"])
panel["fin_trimestre"] = (panel["fecha"].dt.to_period("Q")
                          .dt.end_time.dt.normalize())
tarjetas = panel.groupby("fin_trimestre")["tarjetas_activas"].mean()
T = v.set_index(["id_empresa", "fin_trimestre"]).sort_index()

def interanual(s):
    return np.log(s).groupby(level=0).diff(4)

T["g_pit"] = interanual(
    gp / tarjetas.reindex(gp.index.get_level_values(1)).to_numpy())
T["g_hist"] = interanual(gh)  # ya va al panel actual
T["g_cons"] = (np.log(T["consenso_ventas"])
               - np.log(T["ventas"].groupby(level=0).shift(4)))
T["sorpresa"] = np.log(T["ventas"] / T["consenso_ventas"])
f = T.index.get_level_values(1)

def r2(col, desde, hasta):
    d = T[(f >= desde) & (f <= hasta)].dropna(subset=[col])
    x = d[col] - d["g_cons"]
    return len(d), x.corr(d["sorpresa"]) ** 2

for nombre, col, a, b in [
        ("histórico, 2019T1-2023T1", "g_hist", "2019", "2023-03-31"),
        ("PIT, 2019T1-2023T1", "g_pit", "2019", "2023-03-31"),
        ("PIT tras la entrega, 2023T3-", "g_pit", "2023-09-30",
         "2025-12-31")]:
    n, valor = r2(col, a, b)
    print(f"{nombre:30s} n = {n}  R² = {valor:.3f}")
verdad = pd.read_csv("alt6_verdad_trimestral.csv",
                     parse_dates=["fin_trimestre"])
vv = verdad[verdad["ticker"].isin(v["ticker"])
            & (verdad["fin_trimestre"] >= "2019")]
print(f"techo (parte medible verdadera)  R² = "
      f"{vv['pred'].corr(vv['sorpresa_ventas']) ** 2:.3f}")

histórico, 2019T1-2023T1       n = 425  R² = 0.391
PIT, 2019T1-2023T1             n = 425  R² = 0.276
PIT tras la entrega, 2023T3-   n = 225  R² = 0.277
techo (parte medible verdadera)  R² = 0.567

Es la figura de la cabecera. Con la historia entregada, la señal explica el 39,1 % de la varianza de las sorpresas entre 2019 y 2023; con el dato tal como llegó cada día, el 27,6 % en los mismos 425 empresa-trimestres. El gestor que evaluase el dataset con la historia esperaría un 39 %, y después de contratar vería un 27,7 %: exactamente lo que el dato en vivo daba antes. La diferencia era la calibración con las ventas. El techo (0,567) es la parte de la sorpresa que miden los datos de verdad, el máximo que podría alcanzar un método perfecto.

El patrón es general y por eso es una prueba de due diligence: una caída del rendimiento justo en la fecha de entrega de la historia delata un backfill, igual que la caída del acierto de un LLM en su fecha de corte delata su memoria (lección 6.2.5).

Sesgos del panel

Un panel de tarjetas es una muestra de conveniencia: los titulares de los bancos o apps que ceden datos al proveedor. La lección 6.7.2 mostró el salto del panel el 2021-03-01 en el gasto diario. En la due diligence se mira su efecto en la magnitud que se va a usar, el crecimiento interanual de cada trimestre:

T["bruto"] = gp
T["por_tarjeta"] = gp / tarjetas.reindex(
    gp.index.get_level_values(1)).to_numpy()
g = pd.DataFrame({c: interanual(T[c])
                  for c in ["ventas", "bruto", "por_tarjeta"]}).dropna()
mediana = 100 * g.groupby(level=1).median()
mediana.loc["2020-12-31":"2022-06-30"].round(1)

               ventas  bruto  por_tarjeta
fin_trimestre
2020-12-31        4.6   13.5          3.6
2021-03-31        5.4   22.5          1.0
2021-06-30        7.5   47.6          7.5
2021-09-30        6.7   48.5          8.5
2021-12-31        7.7   46.3          6.3
2022-03-31        5.5   34.0          5.3
2022-06-30        4.6   15.4          5.4

Durante cuatro trimestres el gasto bruto crece un 46-48 % interanual mientras las ventas crecen un 7-8 %: un modelo entrenado con el gasto bruto vería un auge de consumo. Fuera del salto, el bruto también crece unos 10 puntos más que las ventas cada año, porque el panel gana un 10 % de tarjetas anual. Normalizado por tarjetas activas, sigue a las ventas.

El tamaño se corrige con una división. La composición es más difícil. Con el banco nuevo, y año tras año, el panel tiene más titulares jóvenes (del 30 % en 2018 al 47 % en 2025), y las marcas que prefieren ganan peso en el panel sin vender más. La prueba es medir, empresa a empresa, cuánto se desvía el gasto por tarjeta de sus ventas a lo largo de la muestra. El proveedor no publica la clientela de cada marca, pero el generador sí (alt6_tarjetas_verdad.csv), y permite ver si la desviación tiene un patrón:

clientela = pd.read_csv("alt6_tarjetas_verdad.csv",
                        index_col="id_empresa")["clientela_joven"]
deriva = 100 * (g["por_tarjeta"] - g["ventas"]).groupby(level=0).mean()
deriva = pd.DataFrame({"deriva_pp": deriva,
                       "clientela_joven": clientela}).dropna()
print(deriva.sort_values("clientela_joven").iloc[[0, 1, -2, -1]]
      .round(2).to_string())
print("correlación:", round(deriva.corr().iloc[0, 1], 3))
b = np.polyfit(deriva["clientela_joven"], deriva["deriva_pp"], 1)[0]
print(f"pendiente: {b:.2f} pp de crecimiento anual por unidad")

            deriva_pp  clientela_joven
id_empresa
E011            -1.80             0.12
E117            -1.62             0.12
E120             2.04             0.95
E105             2.39             0.99
correlación: 0.982
pendiente: 4.70 pp de crecimiento anual por unidad

La deriva tiene una correlación de 0,98 con la clientela joven: el gasto por tarjeta de una empresa con clientela casi toda joven crece unos 2 puntos al año más que sus ventas, y el de una con clientela mayor, casi 2 puntos menos. En una señal de sorpresa de ventas, ese sesgo entra como un error sistemático por empresa. Con datos reales la clientela no se conoce, pero la deriva sí se mide (gasto frente a ventas publicadas, empresa a empresa) y se pregunta al proveedor cómo cambia la composición del panel y si la repondera (por edad, renta, región). La reponderación es legítima si se aplica igual en vivo y en la historia; lo que no lo es es aplicarla solo hacia atrás.

Supervivencia y entregas

El sesgo de supervivencia de los universos de acciones (lección 1.4.4) tiene su versión en los datasets: un proveedor que solo entrega historia de los comercios que siguen activos hoy borra las tiendas que cerraron, y el crecimiento pasado parece mejor. La prueba es contar los comercios con datos en cada periodo, en las dos versiones:

def vivos(df):
    m = df.assign(mes=df["fecha"].dt.to_period("M"))
    return m.groupby("mes")["descriptor"].nunique()

print("PIT: comercios por mes, mínimo y máximo:",
      vivos(pit).min(), vivos(pit).max())
print("histórico:", vivos(hist).min(), vivos(hist).max())
primero = pit.groupby("descriptor")["fecha"].agg(["min", "max"])
print("altas después de 2018-01-01:",
      int((primero["min"] > "2018-01-01").sum()),
      "· bajas antes de 2025-09-30:",
      int((primero["max"] < "2025-09-30").sum()))
print("comercios del PIT que faltan en la historia:",
      len(set(pit["descriptor"]) - set(hist["descriptor"])))

PIT: comercios por mes, mínimo y máximo: 127 127
histórico: 127 127
altas después de 2018-01-01: 0 · bajas antes de 2025-09-30: 0
comercios del PIT que faltan en la historia: 0

En estos datos no desaparece ningún comercio: los 127 están todos los meses en las dos versiones. La prueba pasa, y eso también es información: el panel sintético no tiene altas ni bajas de comercios, así que el sesgo de supervivencia no se puede medir aquí. Con un proveedor real, lo normal es lo contrario: tiendas que cierran, comercios que cambian de pasarela de pago (y de descriptor) y marcas que se venden. Las preguntas son si la historia incluye los comercios dados de baja y si el mapeo a empresas es el de cada fecha o el de hoy (una marca vendida en 2020 no debe sumar a su comprador en 2018).

El retraso se mide igual. Ya se vio que cada día llega tres días después; el dato llega además incompleto: el cociente de 1,067 del trimestre 2023T2 dice que al gasto preliminar le falta un 6 % que llega más tarde. Si el proveedor revisa sus entregas, hay que guardar cada versión con su fecha (como los fundamentales point-in-time del nivel 5), y no sobrescribir la anterior.

Legalidad: información privilegiada y datos personales

La revisión legal no la hace el analista cuantitativo, pero él tiene que saber qué preguntar y qué hacen los datos. Dos normas de la UE cubren lo esencial. Lo que sigue resume su texto, leído en la versión publicada en el BOE del Diario Oficial de la UE el 2026-10-2311Nota 1 · El texto se leyó en las versiones del DOUE que publica el BOE: MAR y RGPD, consultadas el 2026-10-23. EUR-Lex publica el mismo texto (enlaces en los recursos) y las versiones consolidadas con las modificaciones posteriores.; no es asesoramiento jurídico.

Información privilegiada (MAR, Reglamento (UE) 596/2014). El artículo 7.1.a) la define como «la información de carácter concreto que no se haya hecho pública, que se refiera directa o indirectamente a uno o varios emisores o a uno o varios instrumentos financieros» y que, de hacerse pública, podría influir de manera apreciable en sus precios. El artículo 8 define las operaciones con ella y el 14 las prohíbe, junto con recomendarlas y comunicarla ilícitamente. Para los datos alternativos, el texto clave es el considerando 28: «Los análisis y los cálculos elaborados a partir de datos públicos no deben considerarse en sí mismos como información privilegiada», con excepciones (por ejemplo, si el mercado espera sistemáticamente su publicación y contribuye a la formación de precios), y pide a los agentes valorar «en qué medida la información no es pública». El riesgo no está en agregar datos de miles de tarjetas, sino en su origen: un dataset que contenga cifras internas del emisor, cedidas por un empleado o por un proveedor obligado a confidencialidad, puede ser información privilegiada aunque llegue en un fichero comercial.

Datos personales (RGPD, Reglamento (UE) 2016/679). El artículo 4.1 define datos personales como «toda información sobre una persona física identificada o identificable»; el 4.5, la seudonimización (datos que no pueden atribuirse a una persona «sin utilizar información adicional», guardada por separado). El considerando 26 aclara que los datos seudonimizados siguen siendo datos personales y que el reglamento no se aplica a la información anónima, la que no permite identificar a nadie con los medios que razonablemente puedan usarse. Un panel de transacciones «anonimizado» con un identificador aleatorio por titular es, en general, seudonimizado.

La diferencia no es teórica. de Montjoye y coautores (2015) estudiaron tres meses de transacciones de 1,1 millones de personas y encontraron que cuatro puntos espaciotemporales bastan para reidentificar al 90 %. La celda siguiente lo reproduce en pequeño con titulares simulados: 20.000 personas que compran sobre todo en sus seis comercios habituales, de 400, durante 90 días.

rng = np.random.default_rng(0)
n_pers, n_com, dias = 20_000, 400, 90
habituales = rng.integers(0, n_com, size=(n_pers, 6))
quien_compra = np.repeat(np.arange(n_pers),
                         rng.poisson(25, n_pers) + 1)
comercio = habituales[quien_compra,
                      rng.integers(0, 6, len(quien_compra))]
otro = rng.random(len(comercio)) < 0.2  # compras fuera de lo habitual
comercio[otro] = rng.integers(0, n_com, otro.sum())
dia = rng.integers(0, dias, len(comercio))
tx = pd.DataFrame({"persona": quien_compra, "comercio": comercio,
                   "dia": dia}).drop_duplicates()
tx["punto"] = tx["comercio"] * dias + tx["dia"]
personas_en = tx.groupby("punto")["persona"].apply(set).to_dict()
puntos_de = tx.groupby("persona")["punto"].apply(np.array)
muestra = rng.choice(n_pers, 2000, replace=False)
for k in (1, 2, 3, 4):
    unicos = 0
    for p in muestra:
        elegidos = rng.choice(puntos_de[p], k, replace=False)
        candidatos = set.intersection(
            *(personas_en[x] for x in elegidos))
        unicos += len(candidatos) == 1
    print(f"{k} compra(s) conocida(s): {unicos / 20:.1f} % únicos")
celdas = tx.groupby(["comercio", "dia"])["persona"].nunique()
print(f"celdas comercio-día con menos de 10 personas: "
      f"{(celdas < 10).mean():.1%}")

1 compra(s) conocida(s): 0.0 % únicos
2 compra(s) conocida(s): 96.0 % únicos
3 compra(s) conocida(s): 100.0 % únicos
4 compra(s) conocida(s): 100.0 % únicos
celdas comercio-día con menos de 10 personas: 9.9%

Con una compra conocida (el comercio y el día, por ejemplo por un ticket o una foto en redes) nadie queda identificado: cada comercio recibe de media unas 14 personas al día. Con dos, el 96 % de los titulares de la muestra queda singularizado; con tres, todos. Un identificador aleatorio no protege. Lo que reduce el riesgo es agregar: el proveedor del curso entrega gasto y número de operaciones por comercio y día, no compras de personas. Pero la agregación tiene su propio límite: en la simulación, el 9,9 % de las celdas comercio-día tiene menos de 10 personas, y una celda con dos o tres compradores casi vuelve a ser un dato individual. Por eso los proveedores serios suprimen o agrupan las celdas pequeñas, y el umbral que usan es una pregunta de la due diligence. Para el comprador, la diferencia entre recibir transacciones con identificador de titular y recibir agregados con umbral es la diferencia entre tratar datos personales y, en general, no tratarlos.

Las preguntas de la revisión legal salen de esas dos normas:

flowchart TB
  A[Origen del dato] --> B{Datos del emisor no públicos}
  B -->|sí| X[Riesgo MAR: parar]
  B -->|no| C{Datos de personas}
  C -->|no| OK[Revisión de contrato]
  C -->|sí| D{Agregado y anónimo}
  D -->|sí| OK
  D -->|no| E[Base jurídica RGPD]
  E --> F[Área legal decide]

En la práctica eso son preguntas por escrito al proveedor (el DDQ): de dónde salen los datos y con qué contrato, si los titulares consintieron y para qué, si hay datos de empleados o de proveedores del emisor, cómo se agregan, qué umbral mínimo de personas por celda se usa y qué pasa si un titular ejerce su derecho de supresión. Las respuestas se archivan con la versión del dataset: si cambian, la revisión se repite.

El informe de due diligence

Todo lo anterior cabe en una tabla que se pueda repetir cada vez que el proveedor entrega una versión nueva. Las pruebas técnicas salen del código; las legales, de las respuestas del proveedor:

n_in, r2_hist = r2("g_hist", "2019", "2023-03-31")
_, r2_pit = r2("g_pit", "2019", "2023-03-31")
informe = pd.DataFrame([
    ("historia PIT disponible", "sí (archivo diario)", "ok"),
    ("inflación del R² con la historia",
     f"{r2_hist:.3f} frente a {r2_pit:.3f}", "descartar historia"),
    ("cambio de tamaño del panel", "+35 % el 2021-03-01",
     "normalizar"),
    ("deriva por composición", "corr. 0,98 con clientela",
     "corregir o modelar"),
    ("comercios que desaparecen", "0 de 127", "ok"),
    ("retraso de entrega", "3 días; 6 % llega tarde", "ok"),
    ("margen hasta resultados", f"{margen.min()} días o más", "ok"),
    ("origen y consentimiento", "pregunta al proveedor",
     "pendiente"),
    ("agregación mínima por celda", "pregunta al proveedor",
     "pendiente"),
], columns=["prueba", "resultado", "decisión"])
print(informe.to_string(index=False))

                          prueba                resultado           decisión
         historia PIT disponible      sí (archivo diario)                 ok
inflación del R² con la historia     0.391 frente a 0.276 descartar historia
      cambio de tamaño del panel      +35 % el 2021-03-01         normalizar
          deriva por composición corr. 0,98 con clientela corregir o modelar
       comercios que desaparecen                 0 de 127                 ok
              retraso de entrega  3 días; 6 % llega tarde                 ok
         margen hasta resultados            17 días o más                 ok
         origen y consentimiento    pregunta al proveedor          pendiente
     agregación mínima por celda    pregunta al proveedor          pendiente

La decisión de este caso: el dataset es usable con el archivo point-in-time, normalizado por tarjetas, con la deriva de composición tratada y descartando la historia calibrada para cualquier backtest. Con eso, la lección 6.7.5 construye la señal y mide cuánto alfa queda.

Ejercicios

1. Repite la prueba de la inflación con un corte distinto: mide el R² del histórico y del PIT solo en 2019-2020 y solo en 2021T2-2023T1. ¿En qué tramo infla más la historia?

for a, b in [("2019", "2020-12-31"), ("2021-06-30", "2023-03-31")]:
    _, rh = r2("g_hist", a, b)
    n, rp = r2("g_pit", a, b)
    print(f"{a} a {b}: n = {n}  histórico {rh:.3f}  PIT {rp:.3f}")

2019 a 2020-12-31: n = 200  histórico 0.437  PIT 0.330
2021-06-30 a 2023-03-31: n = 200  histórico 0.345  PIT 0.232

2. Cambia la simulación de reidentificación para que el proveedor entregue la semana en lugar del día de cada compra. ¿Cuántas compras hacen falta ahora para singularizar a la mayoría?

tx["punto_sem"] = tx["comercio"] * 13 + tx["dia"] // 7
personas_sem = tx.groupby("punto_sem")["persona"].apply(set).to_dict()
puntos_sem = tx.groupby("persona")["punto_sem"].apply(
    lambda s: np.unique(s.to_numpy()))
for k in (2, 3, 4):
    unicos = 0
    for p in muestra[:500]:
        pts = puntos_sem[p]
        elegidos = rng.choice(pts, min(k, len(pts)), replace=False)
        cand = set.intersection(*(personas_sem[x] for x in elegidos))
        unicos += len(cand) == 1
    print(f"{k} compras: {unicos / 5:.1f} % únicos")

2 compras: 65.4 % únicos
3 compras: 98.0 % únicos
4 compras: 99.6 % únicos

3. Un proveedor te ofrece un dataset de «intenciones de compra» obtenido de encuestas a directivos de compras de grandes cadenas, entregado dos semanas antes de que las cadenas publiquen sus ventas. ¿Qué preguntas harías antes de probar la señal?