Professional Documents
Culture Documents
SEMINARIO DE TITULACIN
PROFESORA:
Gallegos Mndez Dennys Ingrid
ndice
1
Resumen
1.1
Resumen: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Abstract: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Conceptos Clave: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Justificacin
Objetivos
Viabilidad
11
Hiptesis
13
15
Introduccin
17
7.1
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
7.2
IPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
19
Marco Terico
21
9.1
Series de Tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
9.1.1
Componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
9.1.2
Clasificacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
9.1.3
Procesos Estocsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
10 Mtodologa
23
23
10.1.1 Modelos AR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
10.1.2 Modelos MA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
23
10.1.4 ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
3
10.1.5 Lag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11 Resolucin del Problema
24
25
26
28
28
28
11.2.3 Pronstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
11.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
12 Conclusiones
31
13 Codigo en R
33
Bibliography
35
C HAPTER
Resumen
1.1
Resumen:
En el presente trabajo se propone el uso de la metodologa ARIMA y GARCH para el estudio de series de
tiempo, que en este proyecto, la serie que se analizar ser el ndice de Precios y Cotizaciones [IPC]. Los
objetivos principales de este trabajo son estudiar las propiedades de los modelos propuestos, proponer un
modelo en particular para el caso de estudio y evaluar su desempeo para posterior mente poder realizar
un pronstico a corto plazo.
1.2
Abstract:
In this paper, propouse the use of ARIMA and GARCH methodology for the study of time series, in
this project, the series that will be discussed will be the Index of Prices and Quotations [IPC]. The main
objectives of this work are to study the properties of this models, to propose a particular model for the
case study and evaluate their performance for later mind to carry out a short-term forecast.
1.3
Conceptos Clave:
Proceso Estocstico, Variables Aleatorias, Opciones financieras, Call, Put, Modelos Autorregresivos,
Pronstico.
C HAPTER
Justificacin
En el rea financiera es muy importante saber los precios, indicadores y razones ya que de ellos pedenden
muchos factores dentro de las empresas o para los inversionistas, por ello el poder pronosticarlos ayuda a
prepararse financieramente a futuro.
Gracias a los modelos matemticos nos permiten estimar o dar un valor esperado conjunto a un intervalos de certeza que ayudar a prevenirse y actuar a futuro. Sin embargo, dichos modelos sirven para
series estacionarias, es decir, precios que rondan sobre una media lo cual en la mayoria de los casos,
esto no sucede, los precios no son estacionarios para ello se implementarn otros modelos refinando los
anteriores para poder estimar a futuro, series no estacionarias.
Otra cuestin a abordar es el qu tan certero es el modelo, y si se puede mejorar la estimacin y
certeza, para ello se implementarn los modelos GARCH y la varianza condicional con el fin de mejorar
las estimaciones.
C HAPTER
Objetivos
Los objetivos del trabajo son los siguientes:
1. Obtener pronsticos de IPC con frecuencia diaria.
2. Proveer la mejor prediccin posible en el corto plazo.
3. Visualizar los comportamientos estacionales del IPC.
Para ello, se propone utilizar un modelo autorregresivo integrado de media mvil (ARIMA). utilizando
las variaciones y regresiones de datos histricos con el fin de encontrar patrones para una prediccin hacia
el futuro
C HAPTER
Viabilidad
El acceso a la informacin no representa problema alguno ya que existen estudios anteriores en modelos
economtricos, adems de contar con los datos histricos proporcionados por las debidas instituciones.
Para adquirir ms herramientas y conocimiento se cuenta con el asesoramiento de dos especialistas en
finanzas y econometra, por lo cul no se requiere de un presupuesto ostentoso ya que stas se reciben
dentro del plantel. El tiempo estimado mnimo para poder concluir este proyecto de investigacin es de
seis meses y los materiales requeridos son los que se enlistan:
Material
Cantidad
Costo
Computadora
$0
Hojas blancas
100
$50
Lpices
$20
Tinta (cartuchos)
$300
Unidad CD
$50
11
C HAPTER
Hiptesis
Tipo de hiptesis: Estadstica de Estimacin
Hiptesis: generalmente se plantean dos hiptesis mutuamente excluyentes: la hiptesis de investigacin (H0 ) y la hiptesis alternativa (Hi ).
La hiptesis de estimacin supone el valor de alguna caracterstica de la muestra se fue seleccionada y de
la poblacin en su conjunto. Para formularlas se tiene en cuenta datos adquiridos previamente.
Hiptesis de investigacin
Los valores de los precios dependen de su comportamiento pasado ms un ruido blanco, lo cual al
tomar el conjunto de datos en tiempo "pasado" se podr estimar el futuro del precio.
Hiptesis alternativa
Los valores de los precios son independientes de su pasado y el prximo valor es una variable aleatoria.
13
C HAPTER
15
C HAPTER
Introduccin
7.1
Introduccin
7.2
IPC
17
C HAPTER
19
C HAPTER
Marco Terico
9.1
Series de Tiempo
Una serie tiempo es una secuencia de observaciones, medidos en determinados momentos del tiempo,
ordenados cronolgicamente y, espaciados entre s de manera uniforme, as los datos usualmente son
dependientes entre s. El principal objetivo de una serie de tiempo Xt donde t = 0, 1, 2, ..., n es su anlisis
para hacer pronstico.
9.1.1
Componentes
El anlisis clsico de las series temporales se basa en la suposicin de que los valores que toma la variable
de observacin es la consecuencia de tres componentes, cuya actuacin conjunta da como resultado los
valores medidos, estos componentes son:
. a) Tendencia: Se puede definir como un cambio a largo plazo que se produce en la relacin al nivel
medio, o el cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave de la
serie a largo plazo.
. b) Estacional: Muchas series temporales presentan cierta periodicidad o dicho de otro modo, variacin
de cierto perodo (semestral, mensual, etc.). Por ejemplo las Ventas aumentan por los meses de noviembre
y diciembre por las festividades navideas. Estos efectos son fciles de entender y se pueden medir explcitamente o incluso se pueden eliminar de la serie de datos, a este proceso se le llama desestacionalizacin
de la serie.
. c) Aleatoria: Esta componente no responde a ningn patrn de comportamiento, sino que es el resultado
de factores fortuitos o aleatorios que inciden de forma aislada en una serie de tiempo.
De estos tres componentes los dos primeros son componentes determinsticos, mientras que la ltima
es aleatoria. As se puede denotar la serie de tiempo como:
Xt = Tt + Et + t
Donde Tt es la tendencia, Et es la componente estacional y t es la componente aleatoria.
21
9.1.2
Clasificacin
9.1.3
Procesos Estocsticos
Un proceso estocstico se describe como una secuencia de datos que evolucionan en el tiempo. Las series
temporales se definen como un caso particular de los procesos estocsticos
22
C HAPTER
Mtodologa
10.1
Modelos ARIMA
Un modelo autorregresivo integrado de promedio mvil o ARIMA (acrnimo del ingls autoregressive
integrated moving average) es un modelo estadstico que utiliza variaciones y regresiones de datos
estadsticos con el fin de encontrar patrones para una prediccin hacia el futuro. Se trata de un modelo
dinmico de series temporales, es decir, las estimaciones futuras vienen explicadas por los datos del
pasado y no por variables independientes.
10.1.1
Modelos AR
La notacin AR(p) se refiere a un modelo autorregresivo de orden p. Un modelo AR(p) puede escribirse
como:
Xt = c +
p
X
i Xti + t
i=1
Donde 1 , ..., p son parmetros del modelo, c es una constante y t es un trmino de error
Se debe tener en cuenta que es necesario imponer ciertas restricciones a los valores de los parmetros de
este modelo para que funcione correctamente (proceso estacionario). Por ejemplo, en un modelo AR(1),
si |1 | > 1 el modelo no ser estacionario.
10.1.2
Modelos MA
q
X
i ti
i=1
Donde 1 , ..., p son parmetros del modelo y t , ..., tq son trminos de error
10.1.3
Modelos ARMA
La notacin ARM A(p, q) se refiere a un modelo con p trminos autorregresivos y q trminos de media
mvil. Este modelo combina los modelos AR e MA:
Xt = t +
p
X
i=1
i Xti +
q
X
i ti
i=1
23
10
10.1.4
ARIMA
El modelo ARIMA necesita identificar los coeficientes y nmero de regresiones que se utilizarn. Este
modelo es muy sensible a la precisin con que se determinen sus coeficientes.
Se suele expresar como ARIM A(p, d, q) donde los parmetros p, d y q son nmeros enteros no
negativos que indican el orden de las distintas componentes del modelo respectivamente, las componentes autorregresiva, integrada y de media mvil. Cuando alguno de los tres parmetros es cero, es
comn omitir las letras correspondientes del acrnimo AR para la componente autorregresiva, I para la
integrada y MA para la media mvil.
Yt = 0 +
p
X
i d Yti
i=1
10.1.5
q
X
i ti +
i=1
Lag
Es un operador de retardo, el cual se representa como un polinmio, se representa con la letra Ld o como
tambin se usa en diferencias como d , donde d indica el grado del retardo.
L(Xt ) = Xt1
(Xt ) = Xt Xt1
24
C HAPTER
yt
)
yt1
t T
Notemos, que xt representaria una diferencia logaritmica, que al modelar con el mtodo ARIMA, lo que
estaramos representando sera:
(L)d Xt = (L)
donde d es el nivel de integracin.
Usando estos modelos, podremos ahora proceder a trabajar con los datos del IPC y aplicarlos para
predecir su comportamiento
25
11
11.1
Los datos que se utilizaron en este trabajo corresponden al valor de cierre diario del ndice de precios y
coticiaciones que es el principal indicador de la bolsa mexicana de valores en el perioda comprendido de
8 de Noviembre de 1991 al 10 de Mayo del 2016, los cuales se presentan en la Grfica 11.1.
26
27
11.2
Usando el software de R, se modelar la serie de valores del logIPC Para ello, se sigui el siguiente
proceso.
1. Prueba raiz unitaria.
2. Estimacin del Model ARIMA(p, d, q).
3. Pronstico
11.2.1
En la siguiente seccin, se realizar la prueba Dickey-Fuller para comprobar si la serie tiene una raiz
unitaria, en caso de tenerla, la serie no sera estacionaria, para lo cual, se deber hacer una transformacin
ms. Se hizo la prueba en las dos series, el IPC y el logIPC, dado que empricamente, asumimos que la
serie del IPC no era estacionaria y la del logIPC s, sin embargo, la prueba confirmar lo esperado. La H0
Ser que tiene raiz unitaria
Test D-F
-2.1875
-17.1875
H0
Se acepta
Se rechaza
Con el siguiente test, confirmamos lo esperado, que la serie logIPC es estacionaria, lo cual nos ayudar
a pronosticar de mejor manera.
11.2.2
El software de R, cuenta con una paquetera donde se puede estimar p, d, q de nuestro modelo, el cul, dio
como resultado que el modelo que se adeca ms a nuestra serie de tiempo es el modelo ARIMA(3, 0, 1),
del que arroj los siguientes resultados:
ar1
-0.8156
0.0417
ar2
0.0639
0.0169
28
ar3
-0.0552
0.0129
ma1
0.9297
0.0399
intercept
0.0569
0.0204
11.2.3
Pronstico
El pronstico para el logIPC se realiz para 20 periodos, las cuales, podemos observar en la serie 11.2 ,
tiendea un comortamiento lineal, no obstante debemos recordar que la serie que nos interesa pronsticar
es el IPC.
Para generar el pronstico del IPC, se regresar la transformacin que se hizo, de la siguiente forma:
Recordemos que xt era el rendimiento del IPC, con la transformacin logartmica, y que fue la serie que
se pronstico, entonces:
xt+1 = log(
IP Ct
)
IP Ct+1
Recordemos que nuestros datos llegan hasta T , donde IP CT representa nuestro ltimo dato de la serie
original; luego, despejando IP CT +1 tendramos:
IP CT +1 = IP CT exT +1
De igual manera, se har con los periodos siguientes.
29
11.3
Resultados
Se presentar en esta seccin los resultados del pronstico, y se compararn a los datos actualizados hasta
el 27 de Mayo del 2016
Table 11.3: Pronstico vs IPC
ndice
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
30
LogIPCF
0.0032578
0.09804946
0.01765842
0.09420315
0.02125406
0.09022301
0.0249501
0.08674848
0.02824657
0.08362735
0.03120072
0.08083074
0.0391625
0.0181192
Fecha
09/05/2016
10/05/2016
11/05/2016
12/05/2016
13/05/2016
16/05/2016
17/05/2016
18/05/2016
19/05/2016
20/05/2016
23/05/2016
24/05/2016
25/05/2016
26/05/2016
27/05/2016
IPCF
45250.34
45398.00
50074.78
50966.87
56001.53
57204.53
62605.69
64187.35
70004.16
72009.73
78290.68
80771.91
87571.89
91069.46
92734.61
IPC
45250.34
45506.87
45685.82
45402.47
45843.14
45872.18
45551.20
45051.27
45155.91
45236.16
45497.46
45710.94
46039.69
46124.15
46017.21
Error %
0.0%
0.2%
9.6%
12.3%
22.2%
24.7%
37.4%
42.5%
55.0%
59.2%
72.1%
76.7%
90.2%
97.4%
101.5%
C HAPTER
Conclusiones
Los modelos ARIMA representan una enorme ventaja en tanto que no se requiere de otras variables para
explicar el objeto de estudio. La metodologa Box-Jenkings representa una herramienta sencilla y til
para la manipulacin de series univariadas (como fue el caso deestudio)
A la transformacin realizada en el trabajo, debemos asegurar que se pueda integrar nuevamente a
la original, es decir, que debe existir su funcin inversa, que permita despejar a la variable en dicha
transformacin.
Los pronsticos para largo plazo no se deberan hacercon modelos Arima, puesto que estos se desempean
mejor a corto plazo; por otra parte, se deber preferentemente considerar un modelo con el menor nmero
de parmetros que resulte eficiente, puesto que ser ms sencillo de manipular y comprender, adems es
menos restrictivo, pues quiz requiera de un menor nmero de clculos, menor nmero de raices, etc.
31
12
C HAPTER
Codigo en R
Figure 13.1: Cdigo R
33
13
Bibliography
-Sampieri, Hernndez Roberto. Metodologa de la Investigacin [en lnea]. Ed. 2. [McGRAW - HILL] :
Mxico, enero de 1997.
35
Nombre del documento:INTRODUCCIN A LOS MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD CONDICIONAL (ARCH)
Autor:Rafael de Arce, Universidad Autonoma Metropolitana.
Referencia bibliogrfica:https://www.uam.es/
Palabras clave de bsqueda: Modelos GARCH
Ubicacin: https://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf
Descripcin: Explica la parte matemtica de modelos autorregresivos.
Conceptos abordados: Modelos ARCH, esperanza, varianza, ruido blanco.
Observaciones: Este artculo ayuda a determinar un patrn de comportamiento estadstico para la varianza
de los modelos Autorregresivos condicionales heterocedsticos.
36
37
38
39
40
41
42