Repercusiones fiscales de recibir un coche como compensación por el trabajo

Question

Durante unos meses en 2014, estuve trabajando con una start up en fase inicial y no fueron capaces de compensarme de ninguna manera, excepto la promesa de capital cuando empezamos.

Al mes de estar con ellos, les gustó mi trabajo y quisieron darme un incentivo para que siguiera ayudándoles. Tenían un segundo coche que querían vender y en su lugar decidieron "regalármelo".

En el momento de transferir la propiedad del coche, pagué el impuesto sobre la venta del mismo. Sin embargo, como siguiente compensación, la start up también me reembolsó el impuesto sobre las ventas que pagué por el coche.

Un par de meses después, me separé de la empresa debido a diferencias de estrategia.

Ahora que estamos en época de declaración de la renta, me pregunto si algo de lo anterior tiene implicaciones fiscales.

Editar: La empresa no me ha expedido una T4 y no la espero a estas alturas.

Answer 1

Para recuperar la curva original, hay que utilizar los mismos tenores clave de la curva original y con la misma interpolación. Por ejemplo, cuando se crea la curva original como:

crv = ql.PiecewiseLinearZero(2, ql.TARGET(), deposits + futures + swaps, ql.Actual365Fixed())

la curva interpola linealmente los tipos cero entre los nodos dados por los vencimientos de los depósitos pasados, los futuros y los swaps. Puede recuperar el conjunto de fechas subyacentes y los tipos correspondientes llamando a crv.nodes() que devuelve una secuencia de pares (fecha, tasa); por ejemplo, si lo llamo en una curva definida como en este ejemplo me sale:

((Date(8,11,2001), 0.038716178576382605),
 (Date(15,11,2001), 0.038716178576382605),
 (Date(10,12,2001), 0.037654445569665344),
 (Date(8,2,2002), 0.03663450512870074),
 (Date(8,5,2002), 0.03704480712236303),
 (Date(8,8,2002), 0.037185800177110054),
 (Date(8,11,2002), 0.03725571728097072),
 (Date(10,11,2003), 0.03633800161641973),
 (Date(8,11,2004), 0.039086101826569714),
 (Date(8,11,2006), 0.04547303923680055),
 (Date(8,11,2011), 0.051542294488560084),
 (Date(8,11,2016), 0.055797299887186284))

(La fecha de evaluación utilizada en el ejemplo es el 6 de noviembre de 2001).

Dado que la curva es una PiecewiseLinearZero los tipos devueltos arriba son tipos cero; y si los utiliza para crear una instancia de ZeroCurve (que también interpola linealmente)...

dates, rates = zip(*crv.nodes())
crv2 = ql.ZeroCurve(dates, rates, ql.Actual365Fixed())

...obtendrá la misma curva que el original:

spot = crv.referenceDate()
sample_dates = [ spot + ql.Period(i, ql.Weeks) for i in range(15*52) ]
z1 = [ crv.zeroRate(d, ql.Actual365Fixed(), ql.Continuous).rate() for d in sample_dates ]
z2 = [ crv2.zeroRate(d, ql.Actual365Fixed(), ql.Continuous).rate() for d in sample_dates ]

fig = plt.figure(figsize=(12,6))
ax = fig.add_subplot(1,1,1)
ax.plot_date([d.to_date() for d in sample_dates], z1, '.')
ax.plot_date([d.to_date() for d in sample_dates], z2, '-')

El problema es que, si muestreas los índices cero en diferentes nodos, obtendrás puntos en la curva; pero interpolando entre ellos, obtendrás valores diferentes.

sample_nodes = [ spot + ql.Period(3*i, ql.Years) for i in range(6) ]
sample_rates = [ crv.zeroRate(d, ql.Actual365Fixed(), ql.Continuous).rate() for d in sample_nodes ]
crv3 = ql.ZeroCurve(sample_nodes, sample_rates, ql.Actual365Fixed())

z3 = [ crv3.zeroRate(d, ql.Actual365Fixed(), ql.Continuous).rate() for d in sample_dates ]

fig = plt.figure(figsize=(12,6))
ax = fig.add_subplot(1,1,1)
ax.plot_date([d.to_date() for d in sample_dates], z1, '.')
p, = ax.plot_date([d.to_date() for d in sample_dates], z3, '-')
ax.plot_date([d.to_date() for d in sample_nodes], sample_rates, 'o', markersize=8, color=p.get_color())

En resumen: hay que utilizar los mismos nodos e interpolación. Puede recuperar los primeros de la curva original como curve.nodes() y tendrá que elegir una clase que le proporcione esto último. Para PiecewiseLinearZero Tendrá que utilizar ZeroCurve para PiecewiseFlatForward El nodes devolverá pares de fechas y tipos de cambio a plazo instantáneos, que puede utilizar para crear una instancia de ForwardCurve .

Para PiecewiseLogCubicDiscount El nodes devolverá pares de fechas y factores de descuento, y tendrá que pasarlos a una curva de descuento interpolada correspondiente; sin embargo, la que actualmente se exporta a Python ( DiscountCurve ) utiliza la interpolación log-lineal, y no la log-cubica. Si quiere utilizar esta última, tendrá que modificar QuantLib-SWIG/SWIG/discountcurve.i para que también exporte la curva deseada y recompilar las envolturas. Lo mismo ocurre si se quiere utilizar una interpolación diferente para las tasas cero o hacia adelante; los archivos correspondientes a editar son zerocurve.i y forwardcurve.i .