¿Cuál es la distribución de los splits de acciones?

Question

Quiero saber cómo de raras son las divisiones más extremas que, por ejemplo, 7:1 (y las divisiones inversas de forma similar). Un responder aquí apunta a anuncios en Yahoo Finanzas, pero aparentemente sólo a vistas mensuales.

¿Qué es una mejor base de datos de escisiones históricas, o simplemente la sabiduría convencional sobre escisiones comunes y no comunes?

(El universo de activos en el que pienso es cualquier cosa que pueda obtener un ISIN, pero creo que suele afectar sólo a las acciones).

Answer 1

Una ruta posible sería obtener los datos históricos de precios de Yahoo y utilizar las disparidades entre los retornos de Cierre y los retornos de Cierre Ajustados, dado un cierto valor de umbral, y donde la disparidad pasa ese umbral es donde han ocurrido las divisiones. Encuentre los retornos de cierre donde se cumplió esa condición, tal vez redondee el número al número entero más cercano, y usted tiene su proporción de división de acciones.

Si eliges un valor de umbral viable, entonces podrías encontrar una lista gigante de acciones, automatizar el proceso de importación de los datos y ejecutar el cálculo para todas ellas, almacenando los ratios de división en un CSV o en una base de datos. Luego sólo hay que abrir esos datos, hacer un histograma y ya está.

Este no es el método más robusto del mundo, pero sirve si quieres tener una idea aproximada del patrón.

Un pequeño ejemplo:
Digamos que queremos encontrar las divisiones en la historia de las acciones de Apple. No sé en qué lenguaje programáis, pero ahora mismo tengo R abierto así que lo haré en R y comentaré mi código para que quede claro lo que estoy haciendo. Aquí estoy utilizando un umbral de 1,5, de modo que si el cierre devuelve 1,5 veces mayor que el cierre ajustado devuelve, se recoge de los datos para que podamos cero en él y encontrar la relación de división.

# Import the price data from Yahoo

# (This is a custom function I wrote for myself that pulls the entire price 
# history from Yahoo for a given ticker)
aapl = stock('aapl')

# Isolate the Close and Adjusted Close prices (columns 5 and 7, respectively)
dates = as.Date(aapl[,1])
close = aapl[,5]
adjcl = aapl[,7]
N = length(close)  # number of rows of data

# Compute the daily returns of each array
closeReturns = (close[2:N] / close[1:(N-1)])
adjclReturns = (adjcl[2:N] / adjcl[1:(N-1)])

# Pick a threshold for how much they have to differ to be picked up
threshold = 1.5  # arbitrary guess, but it works for Apple

# Find the array indices where the returns differ by at least the threshold
splitLocations = which(closeReturns > threshold * adjclReturns, arr.ind=T)

# Find the close returns where the splits happened, and round to nearest integer
splitRatios = round(closeReturns[splitLocations])

# Find the dates where the splits happened
splitDates = dates[splitLocations]

# Put them next to each other so we can see the date and magnitude of each split
splits = cbind(data.frame(splitDates), splitRatios)

# Print the results
> print(splits)
  splitDates splitRatios
1 2014-06-09           7
2 2005-02-28           2
3 2000-06-21           2
4 1987-06-16           2

Para verificar que esto es correcto, mirando el gráfico en Yahoo Finance, las acciones de Apple tuvieron los siguientes splits:

• 7:1 el 09 de junio de 2014
• 2:1 el 28 de febrero de 2005
• 2:1 el 21 de junio de 2000
• 2:1 el 16 de junio de 1987

Así que funciona para Apple. Definitivamente, hay que hacer una doble comprobación y demás antes de soltarlo en la agregación de todos los datos de las divisiones, pero esta es una ruta posible que podrías tomar. El problema aquí es que se perdería cosas como las divisiones 1.5:1 y las divisiones inversas de acciones, de ahí que no sea tan "robusto".

Pero el siguiente paso sería compilar todos los tickers que quieres mirar, importar los datos, ejecutar el algo, almacenar los ratios en un CSV, y luego encontrar la distribución de esos ratios.