Update app.py

app.py

@@ -1,45 +1,84 @@
 import streamlit as st
+import numpy as np
 import pandas as pd
+import matplotlib.pyplot as plt
+import random
 
-import numpy as np
+# Configuring the page
+st.set_page_config(page_title="Historical Statistics Calculator")
 
-# Configuración inicial de la página
-st.title('Comparación y Análisis de Inversión en Acciones')
-st.write('Introduce los precios históricos de dos acciones para comparar su rendimiento a lo largo de 10 días y decide cómo distribuir tu inversión.')
-
-# Entradas de usuario para los precios de las acciones
-prices_action1 = st.text_input('Precios de la Acción 1 (separados por comas)', '10, 20, 30, 40, 50, 60, 70, 80, 90, 100')
-prices_action2 = st.text_input('Precios de la Acción 2 (separados por comas)', '10, 15, 20, 25, 30, 35, 40, 45, 50, 55')
-
-# Entradas para los pesos de inversión
-w1 = st.number_input('Peso para la Acción 1 (W1) en %', min_value=0.0, max_value=100.0, value=50.0)
-w2 = st.number_input('Peso para la Acción 2 (W2) en %', min_value=0.0, max_value=100.0, value=50.0)
-
-# Convertir las cadenas de entrada a listas de números enteros
-prices_action1 = list(map(int, prices_action1.split(',')))
-prices_action2 = list(map(int, prices_action2.split(',')))
-# Calcular estadísticas
-mean_action1 = np.mean(prices_action1)
-mean_action2 = np.mean(prices_action2)
-std_dev_action1 = np.std(prices_action1, ddof=1)
-std_dev_action2 = np.std(prices_action2, ddof=1)
-correlation = df[['Acción 1', 'Acción 2']].corr().iloc[0, 1]
-
-# Mostrar estadísticas
-st.write("Estadísticas de la Acción 1:")
-# Crear un gráfico de las acciones
-st.line_chart(df.set_index('Día'))
-
-# Decisión de inversión basada en la rentabilidad ajustada al riesgo
-# Calculamos el rendimiento esperado como un promedio ponderado
-expected_return = (w1 * mean_action1 + w2 * mean_action2) / (w1 + w2)
-st.write(f"Retorno esperado ponderado: {expected_return:.2f}")
-
-# Sugerencia de inversión basada en la mayor rentabilidad esperada
-if mean_action1 > mean_action2:
-    st.write("Sugerencia: Invertir más en Acción 1 puede ser más rentable a largo plazo.")
-else:
-    st.write("Sugerencia: Invertir más en Acción 2 puede ser más rentable a largo plazo.")
+# Streamlit app layout
+st.header("Calculate Statistics from Historical Data")
+
+with st.expander("Data Generation Settings"):
+    N = st.number_input("Define the number of elements for each data list:", min_value=10, max_value=1000, step=1, value=100)
+
+    # Button to generate the numbers
+    generate_button = st.button("Generate Data")
+
+if generate_button:
+    # Generate two lists of N random numbers each within a defined range
+    x = [random.randint(0, 20) for _ in range(N)]
+    y = [random.randint(0, 20) for _ in range(N)]
+
+    st.session_state['x'] = x
+    st.session_state['y'] = y
+
+# Check if data is available in the session state
+if 'x' in st.session_state and 'y' in st.session_state:
+    x = st.session_state['x']
+    y = st.session_state['y']
+
+    # Calculate statistics
+    x_bar = np.mean(x)
+    y_bar = np.mean(y)
 
-# Añadir el DataFrame como una tabla visual
-st.write(df)
+    st.subheader("Summary Statistics")
+    col1, col2 = st.columns(2)
+    with col1:
+        st.metric("E(x)", f"{x_bar:.2f}")
+        st.metric("var(x)", f"{np.var(x):.2f}")
+    with col2:
+        st.metric("E(y)", f"{y_bar:.2f}")
+        st.metric("var(y)", f"{np.var(y):.2f}")
+
+    # Correlation
+    cov_xy = np.corrcoef(x, y)[0, 1]
+    st.metric("Correlation (x, y)", f"{cov_xy:.2f}")
+
+    # Plots
+    fig, ax = plt.subplots()
+    ax.scatter(x, y)
+    ax.set_title("Scatter Plot of x vs y")
+    ax.set_xlabel("x values")
+    ax.set_ylabel("y values")
+    st.pyplot(fig)
+
+    # Plot of returns
+    fig2, ax2 = plt.subplots()
+    ax2.plot(np.arange(len(x)), x, label='x')
+    ax2.plot(np.arange(len(y)), y, label='y')
+    ax2.set_ylim(-10, 40)
+    ax2.set_title("Time Series of Returns")
+    ax2.set_xlabel("Time")
+    ax2.set_ylabel("Returns")
+    ax2.legend()
+    st.pyplot(fig2)
+
+    # Portfolio weights and returns calculation
+    w_x = (x_bar - y_bar + np.var(y) - cov_xy * np.sqrt(np.var(x) * np.var(y))) / (
+        np.var(x) + np.var(y) - 2 * cov_xy * np.sqrt(np.var(x) * np.var(y))
+    )
+    w_y = 1 - w_x
+
+    var_r = (w_x**2)*np.var(x) + (w_y**2)*np.var(y) + 2*w_x*w_y*cov_xy*np.sqrt(np.var(x) * np.var(y))
+
+    st.subheader("Portfolio Metrics")
+    st.write("Assuming x and y represent portfolio returns:")
+    st.write(f"Weight of x (w_x): {w_x:.2f}")
+    st.write(f"Weight of y (w_y): {w_y:.2f}")
+    st.write(f"Expected Portfolio Return (E(r)): {w_x*x_bar + w_y*y_bar:.2f}")
+    st.write(f"Portfolio Variance (var(r)): {var_r:.2f}")
+
+else:
+    st.warning("Please generate data to display results.")