Hace unos días un compañero de la universidad me preguntó si sabía como descargar datos de índole económica y/o financiera con R o si sabía de paquetes específicos para ello; así que en este post he decidido recopilar algunos de los paquetes que uso habitualmente y cumplen con esta función.

Empezamos la lista con quantmod; este paquete permite acceder a datos desde Yahoo Finance, Oanda, Google Finance o FRED (la Reserva Federal de Estados Unidos). Asimismo, está diseñado para ayudar al trader cuantitativo en el desarrollo de modelos de trading estadí­stico.

En entradas anteriores, hay ejemplos claros de como descargar datos de divisas desde Oanda o datos económicos desde la FRED.

Igualmente, tenemos el paquete fImport; paquete que también facilita importar datos desde Yahoo Finance, Oanda o FRED.

Por otro lado, si queremos acceder a datos del Banco Mundial,  hay dos paquetes que nos pueden ayudar. El primero de ellos es wbstats, el cual permite buscar y descargar datos estadísticos desde la API. El segundo, realiza una labor similar, WDI.

A continuación un breve ejemplo.

Previamente instalado el paquete, y cargada la librerí­a de wbstats, procederemos a descargar datos:

Si estamos interesados en buscar indicadores relacionados con el desempleo, basta con ingresar la siguiente línea y obtenemos un data frame con todos los indicadores disponibles:

wbsearch(pattern = "unemployment", fields = "indicator")
##                    indicatorID
## 2569            SL.UEM.TOTL.ZS
## 2570         SL.UEM.TOTL.NE.ZS
## 2571         SL.UEM.TOTL.MA.ZS
## 2572      SL.UEM.TOTL.MA.NE.ZS
## 2573         SL.UEM.TOTL.FE.ZS
## 2574      SL.UEM.TOTL.FE.NE.ZS
## 2576            SL.UEM.TERT.ZS
## 2577         SL.UEM.TERT.MA.ZS
## 2578         SL.UEM.TERT.FE.ZS
## 2579            SL.UEM.SECO.ZS
## 2580         SL.UEM.SECO.MA.ZS
## 2581         SL.UEM.SECO.FE.ZS
## 2582            SL.UEM.PRIM.ZS
## 2583         SL.UEM.PRIM.MA.ZS
## 2584         SL.UEM.PRIM.FE.ZS
## 2588            SL.UEM.LTRM.ZS
## 2589         SL.UEM.LTRM.MA.ZS
## 2590         SL.UEM.LTRM.FE.ZS
## 2591            SL.UEM.1524.ZS
## 2592         SL.UEM.1524.NE.ZS
## 2593         SL.UEM.1524.MA.ZS
## 2594      SL.UEM.1524.MA.NE.ZS
## 2595         SL.UEM.1524.FM.ZS
## 2596      SL.UEM.1524.FM.NE.ZS
## 2597         SL.UEM.1524.FE.ZS
## 2598      SL.UEM.1524.FE.NE.ZS
## 7868  per_lm_alllm.adq_pop_tot
## 14218        ccx_yaurr_pop_urb
## 14219        ccx_yaurr_pop_tot
## 14220        ccx_yaurr_pop_rur
## 14221        ccx_yaurr_pop_mal
## 14222        ccx_yaurr_pop_fem
## 14244       ccx_unempr_pop_you
## 14245       ccx_unempr_pop_wrk
## 14246       ccx_unempr_pop_urb
## 14247       ccx_unempr_pop_tot
## 14248       ccx_unempr_pop_rur
## 14249       ccx_unempr_pop_mal
## 14250       ccx_unempr_pop_fem
## 14251       ccx_unempr_pop_eld
##                                                                                       indicator
## 2569                        Unemployment, total (% of total labor force) (modeled ILO estimate)
## 2570                           Unemployment, total (% of total labor force) (national estimate)
## 2571                          Unemployment, male (% of male labor force) (modeled ILO estimate)
## 2572                             Unemployment, male (% of male labor force) (national estimate)
## 2573                      Unemployment, female (% of female labor force) (modeled ILO estimate)
## 2574                         Unemployment, female (% of female labor force) (national estimate)
## 2576                             Unemployment with tertiary education (% of total unemployment)
## 2577                        Unemployment with tertiary education, male (% of male unemployment)
## 2578                    Unemployment with tertiary education, female (% of female unemployment)
## 2579                            Unemployment with secondary education (% of total unemployment)
## 2580                       Unemployment with secondary education, male (% of male unemployment)
## 2581                   Unemployment with secondary education, female (% of female unemployment)
## 2582                              Unemployment with primary education (% of total unemployment)
## 2583                         Unemployment with primary education, male (% of male unemployment)
## 2584                     Unemployment with primary education, female (% of female unemployment)
## 2588                                           Long-term unemployment (% of total unemployment)
## 2589                                      Long-term unemployment, male (% of male unemployment)
## 2590                                  Long-term unemployment, female (% of female unemployment)
## 2591       Unemployment, youth total (% of total labor force ages 15-24) (modeled ILO estimate)
## 2592          Unemployment, youth total (% of total labor force ages 15-24) (national estimate)
## 2593         Unemployment, youth male (% of male labor force ages 15-24) (modeled ILO estimate)
## 2594            Unemployment, youth male (% of male labor force ages 15-24) (national estimate)
## 2595      Ratio of female to male youth unemployment rate (% ages 15-24) (modeled ILO estimate)
## 2596         Ratio of female to male youth unemployment rate (% ages 15-24) (national estimate)
## 2597     Unemployment, youth female (% of female labor force ages 15-24) (modeled ILO estimate)
## 2598        Unemployment, youth female (% of female labor force ages 15-24) (national estimate)
## 7868  Adequacy of unemployment benefits and ALMP (% of total welfare of beneficiary households)
## 14218                                                  Youth to adult unemployment rate - urban
## 14219                                      Youth to adult unemployment rate in total population
## 14220                                                  Youth to adult unemployment rate - rural
## 14221                                                   Youth to adult unemployment rate - male
## 14222                                                 Youth to adult unemployment rate - female
## 14244                                                                 Unemployment rate - youth
## 14245                                                           Unemployment rate - working age
## 14246                                                                 Unemployment rate - urban
## 14247                                                     Unemployment rate in total population
## 14248                                                                 Unemployment rate - rural
## 14249                                                                  Unemployment rate - male
## 14250                                                                Unemployment rate - female
## 14251                                                               Unemployment rate - elderly

Así­ que, si al ver todas las opciones disponibles nos interesa la tasa de desempleo total, la tasa de desempleo masculina y la tasa de desempleo femenina buscamos los ID de dichos indicadores y procedemos a descargar los datos, por ejemplo, para España desde el año 1950 hasta el año 2016. Pero primero, debemos buscar los códigos de los países, aquí introduciremos los códigos de los países acorde a iso3c:

unemp_fe<- wb(country = "ESP", 
          indicator =c("SL.UEM.TOTL.ZS","SL.UEM.TOTL.MA.ZS",
                       "SL.UEM.TOTL.FE.ZS"),
          startdate = 1950, enddate = 2016, POSIXct = TRUE)

Para verificar los datos, podemos mirar las primeras y últimas 10 observaciones, como también, echar un vistazo a los estadísticos principales y conocer el tipo de dato:

head(unemp_fe,10)
##     value date    indicatorID
## 1  19.447 2016 SL.UEM.TOTL.ZS
## 2  22.057 2015 SL.UEM.TOTL.ZS
## 3  24.441 2014 SL.UEM.TOTL.ZS
## 4  26.094 2013 SL.UEM.TOTL.ZS
## 5  24.787 2012 SL.UEM.TOTL.ZS
## 6  21.391 2011 SL.UEM.TOTL.ZS
## 7  19.860 2010 SL.UEM.TOTL.ZS
## 8  17.857 2009 SL.UEM.TOTL.ZS
## 9  11.255 2008 SL.UEM.TOTL.ZS
## 10  8.232 2007 SL.UEM.TOTL.ZS
##                                                              indicator
## 1  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 2  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 3  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 4  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 5  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 6  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 7  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 8  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 9  Unemployment, total (% of total labor force) (modeled ILO estimate)
## 10 Unemployment, total (% of total labor force) (modeled ILO estimate)
##    iso2c country    date_ct granularity
## 1     ES   Spain 2016-01-01      annual
## 2     ES   Spain 2015-01-01      annual
## 3     ES   Spain 2014-01-01      annual
## 4     ES   Spain 2013-01-01      annual
## 5     ES   Spain 2012-01-01      annual
## 6     ES   Spain 2011-01-01      annual
## 7     ES   Spain 2010-01-01      annual
## 8     ES   Spain 2009-01-01      annual
## 9     ES   Spain 2008-01-01      annual
## 10    ES   Spain 2007-01-01      annual
tail(unemp_fe,10)
##      value date       indicatorID
## 131 20.287 2000 SL.UEM.TOTL.FE.ZS
## 132 22.741 1999 SL.UEM.TOTL.FE.ZS
## 133 26.481 1998 SL.UEM.TOTL.FE.ZS
## 134 27.829 1997 SL.UEM.TOTL.FE.ZS
## 135 29.336 1996 SL.UEM.TOTL.FE.ZS
## 136 30.311 1995 SL.UEM.TOTL.FE.ZS
## 137 31.348 1994 SL.UEM.TOTL.FE.ZS
## 138 28.488 1993 SL.UEM.TOTL.FE.ZS
## 139 25.028 1992 SL.UEM.TOTL.FE.ZS
## 140 23.074 1991 SL.UEM.TOTL.FE.ZS
##                                                                 indicator
## 131 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 132 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 133 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 134 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 135 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 136 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 137 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 138 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 139 Unemployment, female (% of female labor force) (modeled ILO estimate)
## 140 Unemployment, female (% of female labor force) (modeled ILO estimate)
##     iso2c country    date_ct granularity
## 131    ES   Spain 2000-01-01      annual
## 132    ES   Spain 1999-01-01      annual
## 133    ES   Spain 1998-01-01      annual
## 134    ES   Spain 1997-01-01      annual
## 135    ES   Spain 1996-01-01      annual
## 136    ES   Spain 1995-01-01      annual
## 137    ES   Spain 1994-01-01      annual
## 138    ES   Spain 1993-01-01      annual
## 139    ES   Spain 1992-01-01      annual
## 140    ES   Spain 1991-01-01      annual
summary(unemp_fe)
##      value           date           indicatorID         indicator        
##  Min.   : 6.36   Length:78          Length:78          Length:78         
##  1st Qu.:11.53   Class :character   Class :character   Class :character  
##  Median :18.09   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :17.81                                                           
##  3rd Qu.:22.72                                                           
##  Max.   :31.35                                                           
##     iso2c             country             date_ct          
##  Length:78          Length:78          Min.   :1991-01-01  
##  Class :character   Class :character   1st Qu.:1997-01-01  
##  Mode  :character   Mode  :character   Median :2003-07-02  
##                                        Mean   :2003-07-02  
##                                        3rd Qu.:2010-01-01  
##                                        Max.   :2016-01-01  
##  granularity       
##  Length:78         
##  Class :character  
##  Mode  :character  
##                    
##                    
## 

Para finalizar hacemos un gráfico de la evolución de dichos indicadores con ggplot2:

library(ggplot2)

ggplot(unemp_fe, aes(x = date_ct, y = value, colour = indicator)) + geom_line(size = 1) +
  labs(title = "Unemployment Rate", x = "Date", y = "Rate")

Y ahora, ¿qué podemos intuir?

Claramente se observa como la tasa de desempleo masculina está por debajo de la tasa total, mientras que la tasa de desempleo femenina se ubica por encima del total. Patrón que se ha mostrado y mantenido a lo largo de los años. Otro rasgo que se puede apreciar (y que todos sabemos), es el fuerte incremento en las tasas de desempleo debido a la crisis financiera de los últimos años.

Descargar datos económicos y financieros con Rhttps://i0.wp.com/finanzaszone.com/wp-content/uploads/2017/05/Unemployment-Rates.png?fit=1024%2C519&ssl=1https://i0.wp.com/finanzaszone.com/wp-content/uploads/2017/05/Unemployment-Rates.png?resize=150%2C150&ssl=1Conney Marulanda LópezEconomíaRBanco Mundial,Datos,Desempleo,Economía,Finanzas,quantmod,R,wbstatsHace unos días un compañero de la universidad me preguntó si sabía como descargar datos de índole económica y/o financiera con R o si sabía de paquetes específicos para ello; así que en este post he decidido recopilar algunos de los paquetes que uso habitualmente y cumplen con esta...