Professional Documents
Culture Documents
EMALCAVENEZUEL A 2015
Abelardo monsalve
y Pedro Harmath
AL A N ALISIS
I NTRODUCCI ON DE S ERIES DE T IEMPO
MERIDA, 30 DE AGOSTO AL 4 DE SEPTIEMBRE DE 2015
XXVIII ESCUELA VENEZOLANA DE MATEMATICAS
La Escuela Venezolana de Matematicas es una actividad de los post-
grados en matematicas de las instituciones siguientes: Centro de Estu-
dios Avanzados del Instituto Venezolano de Investigaciones Cientfi-
cas, Facultad de Ciencias de la Universidad Central de Venezuela, Fa-
cultad de Ciencias de la Universidad de Los Andes, Universidad Simon
Bolvar, Universidad Centroccidental Lisandro Alvarado y Universi-
dad de Oriente, y se realiza bajo el auspicio de la Asociacion
Matemati-
ca Venezolana.
La XXVIII Escuela Venezolana de Matematicas recibio financiamiento
de la Academia de Ciencias Fsicas, Matematicas y Naturales de Ve-
nezuela, el Banco Central de Venezuela, el Fondo Nacional de Cien-
cia, Tecnologa e Innovacion
(FONACIT), el Instituto Venezolano de
Investigaciones Cientficas (Centro de Estudios Avanzados, Departa-
mento de Matematicas y Ediciones IVIC), la Universidad de los Andes
(CEP, CDCHT, Departamento de Matematicas de la Facultad de Cien-
cias, Decanato de Ciencias y Vicerrectorado Administrativo), la Union
Matematica de America Latina y el Caribe (UMALCA) y Centre Inter-
national de Mathematiques Pures et Appliquees (CIMPA).
c
Ediciones IVIC
Instituto Venezolano de Investigaciones Cientficas
Rif: G-20004206-0
Introduccion
al Analisis de Series de Tiempo
con Aplicaciones a la Econometra y Finanzas
Abelardo Monsalve Pedro Harmath
Diseno
y edicion:
Escuela Venezolana de Matematicas
Deposito
legal lfi66020155102240
ISBN 978-980-261-163-8
Caracas, Venezuela
2015
A las instituciones y personas que cada ano
se esfuerzan por llevar a
cabo la Escuela Venezolana de Matematicas, y en particular su XXVIII
edicion.
Indice general
Prologo
VII
1. Econometra Financiera 1
1.1. Rentabilidad y Valoracion de Activos Financieros . . . . 2
1.1.1. Rentabilidad Simple . . . . . . . . . . . . . . . . . 4
1.1.2. Rentabilidad Continua . . . . . . . . . . . . . . . . 6
1.2. Estadstica en las Finanzas . . . . . . . . . . . . . . . . . . 7
1.3. Otras Series Financieras . . . . . . . . . . . . . . . . . . . 11
3. Modelos No-Estacionarios 53
3.1. No estacionariedad en la Varianza . . . . . . . . . . . . . 55
3.2. No estacionariedad en la Media . . . . . . . . . . . . . . . 55
3.3. Test de Raz Unitaria . . . . . . . . . . . . . . . . . . . . . 58
4. Otros Modelos 61
4.1. Modelos Estacionales . . . . . . . . . . . . . . . . . . . . . 61
4.2. Modelos de Memoria Larga . . . . . . . . . . . . . . . . . 62
4.3. Modelos de Regresion
de Series de Tiempo . . . . . . . . 64
4.3.1. Estimacion
consistente de la Matriz de Covarianza 74
III
IV
INDICE GENERAL
6. Modelos No Lineales 99
6.1. Modelos No Lineales para la Esperanza Condicional . . . 101
6.2. Modelos TAR . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.3. Modelos SETAR . . . . . . . . . . . . . . . . . . . . . . . . 102
6.4. Modelos STAR . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.5. Modelos Markov Switching . . . . . . . . . . . . . . . . . 104
6.6. Metodos No-Parametricos . . . . . . . . . . . . . . . . . . 105
6.6.1. Regresion por Nucleo
. . . . . . . . . . . . . . . . 107
6.6.2. Seleccion del Parametro de Suavizado . . . . . . . 108
6.6.3. Metodo de Regresion Local Lineal . . . . . . . . . 109
6.6.4. Aplicacion a Series de Tiempo . . . . . . . . . . . 111
6.7. Modelo de Coeficiente Funcional Autorregresivo . . . . . 113
6.8. Modelo No-Lineal Autorregresivo Aditivo . . . . . . . . 113
6.9. Modelo No-Lineal de Espacio de Estado . . . . . . . . . . 114
6.10. Tests de No-Linealidad . . . . . . . . . . . . . . . . . . . . 115
6.10.1. Test No-Parametrico . . . . . . . . . . . . . . . . . 115
6.10.2. Estadstico de los Residuos al Cuadrado . . . . . . 115
6.10.3. Test Parametricos . . . . . . . . . . . . . . . . . . . 116
6.10.4. El test RESET . . . . . . . . . . . . . . . . . . . . . 116
6.10.5. El test F . . . . . . . . . . . . . . . . . . . . . . . . 117
6.10.6. Test de Umbral . . . . . . . . . . . . . . . . . . . . 118
Prologo
sion
de series de tiempo, para culminar con una breve introduc-
cion
a los modelos de memoria larga.
1
2 Abelardo Monsalve y Pedro Harmath
analisis estadstico.
Pt
1 + Rt = , o bien Pt = Pt1 (1 + Rt ). (1.3)
Pt1
La definicion
(1.1.1) hace referencia a la rentabilidad simple para el
perodo (t 1, t). En general, para un perodo (t k, t), con k > 1,
Introducci
on al Analisis de Series de Tiempo 5
(a)
14
8 10
Pt
6
4
(b)
0.20
0.05
Rt
0.10
(c)
0.20
0.05
rt
0.10
Pt Ptk
R t ( k) = . (1.4)
Ptk
R2t
rt = ln(1 + Rt ) Rt ,
2
y por lo tanto rt infravalora el verdadero rendimiento Rt .
Al observar las series de rentabilidades como las de las figuras (1.1) y
(1.2) se pueden deducir una serie de caractersticas comunes. De forma
general, podemos establecer que las series de rentabilidades presen-
tan un comportamiento erratico en el sentido de que los valores extre-
mos de rentabilidad se dan con relativa frecuencia, por otro lado, existe
agrupamiento de la volatilidad (volatility clustering), es decir, perodos
de alta volatilidad suelen ser precedidos por perodos de baja volatili-
dad de mayor o menor duracion. Esto ultimo
es especialmente notable
en estas series, ya que el perodo que comprenden los datos incluye los
episodios mas destacados de la actual crisis, como por ejemplo, el agru-
pamiento de la volatilidad durante el verano y otono del 2008, y en la
primavera de 2010.
(a) (d)
22
25
20
18
Pt
Pt
15
14
01/2008 08/2008 03/2009 10/2009 05/2010 12/2010 01/2008 08/2008 03/2009 10/2009 05/2010 12/2010
(b) (e)
0.10
0.05
0.00
Rt
Rt
0.05
0.15
01/2008 08/2008 03/2009 10/2009 05/2010 12/2010 01/2008 08/2008 03/2009 10/2009 05/2010 12/2010
(c) (f)
0.10
0.10
0.00
0.00
rt
rt
0.15
0.10
01/2008 08/2008 03/2009 10/2009 05/2010 12/2010 01/2008 08/2008 03/2009 10/2009 05/2010 12/2010
y se estima mediante
T
c ( x) = 1
SK
( T 1) x3 ( xt x )3. (1.8)
t =1
y se estima mediante
T
1
K ( x) = ( xt x )4 . (1.10)
( T 1) x4 t =1
(a) (c)
5
5
4
Tipo de Inters
Tipo de Inters
4
3
3
2
2
1
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
(b) (d)
5
5
4
Tipo de Inters
Tipo de Inters
4
3
3
2
2
1
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
La figura (1.3) muestra las Series del EURIBOR, para los distintos pla-
12 Abelardo Monsalve y Pedro Harmath
(a) (c)
0.4
0.10
Serie de Cambios
Serie de Cambios
0.2
0.0
0.00
0.2
0.10
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
(b) (d)
0.3
0.6
0.2
Serie de Cambios
Serie de Cambios
0.4
0.1
0.2
0.0
0.0
0.2
0.1
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
Figura 1.4: Series de las variaciones del tipo de interes del EURIBOR,
perodo comprendido entre el 15 de Octubre 2001 al 3 de Diciembre de
2010. Plazo de vencimiento: (a) 1 semana, (b) 1 mes, (c) 6 meses, (d) 1
ano
(12 meses).
(a)
0.8 1.0 1.2 1.4 1.6
Tipo de Cambio
Perodo
(b)
0.04
Variacin
0.00
0.06
Perodo
17
18 Abelardo Monsalve y Pedro Harmath
E ( xt ) = x , ( constante), independiente de t,
(i.) 0 = Var( xt ),
(ii.) k = k .
(i.) 0 = 1,
(ii.) k = k ,
(iii.) |k | 1.
20 Abelardo Monsalve y Pedro Harmath
k T ( xt x )( xtk x )
k = = t = k+1 T , 0 k < T 1. (2.2)
0 t=1 ( xt x )2
contra la alternativa
Ha : i 6= 0, i {1, . . . , m}.
para algun
(a) (d)
0.8
0.8
ACF
ACF
0.4
0.4
0.0
0.0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Lag Lag
(b) (e)
0.10
0.10
0.00
0.00
ACF
ACF
0.10
0.10
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Lag Lag
(c) (f)
0.10
0.10
0.00
0.00
ACF
ACF
0.10
0.10
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Lag Lag
Banco Santander
Serie Q(m) m p-valor
Precio 5516,716 8 < 2,2e 16
Rentabilidad Simple 5,768 8 0,673
Rentabilidad Continua 5,876 8 0,661
IBEX35
Serie Q(m) m p-valor
Precio 5447,224 8 < 2,2e 16
Rentabilidad Simple 11,834 8 0,159
Rentabilidad Continua 11,452 8 0,177
En finanzas suele ser comun asumir que las series de los retornos de los
activos en estudio son debilmente estacionarias. Por ello, es importan-
te establecer criterios para verificar, empricamente, dicha suposicion.
Un resultado de gran utilidad relacionado a las series estacionarias es
que cualquier funcion de una serie de tiempo estacionaria es tambien
una serie de tiempo estacionaria. De manera que, si { xt } es estaciona-
ria entonces {yt } = { f ( xt )} es estacionaria para cualquier funcion
f (.).
Otro resultado util
a destacar es el de ergodicidad de la serie. Una se-
rie de tiempo { xt } es ergodica si los momentos relativos a la muestra
convergen en probabilidad a los momentos de la poblacion, es decir,
p p p
x
, k
k , k
k .
En otras palabras, esto quiere decir que las medias calculadas a par-
tir de observaciones pasadas no pueden diferir persistentemente de
24 Abelardo Monsalve y Pedro Harmath
E ( t ) = 0, Var( t ) = 2 < ,
Teorema de Descomposicion
de Wold
xt x = t + 1 t1 + 2 t2 + . . .
= i t i , 0 = 1, (2.6)
i=0
E ( xt ) = x ,
0 = Var( xt ) = 2 2 2
i=0 i , donde es la varianza del t ,
26 Abelardo Monsalve y Pedro Harmath
k 0 i i + k
k = = i= , k 0.
0 i=0 i2
xt = 1 xt1 + t . (2.8)
xt = 0 + 1 xt1 + t , (2.9)
Introducci
on al Analisis de Series de Tiempo 27
xt = E ( xt | xt 1 ) + t . (2.10)
x t = E ( x t |Ft 1 ) + t , (2.11)
i. E ( xt ) = ,
ii. Var( xt ) = 0 ,
2
ii. Var( xt ) = 0 = ,
1 12
1 1 + 2 si k = 0,
iii. Cov( xt , xtk ) = k =
1 k1 para k > 0.
k = 1 k1 , para k 0.
De esta ultima
ecuacion de la ACF se puede deducir
y de la definicion
k
que, k = 1 . Esto indica que la ACF de un modelo AR(1) debilmen-
te estacionario tiene un decaimiento exponencial con tasa igual a 1 . Si
1 > 0 el decaimiento es constante. Si por el contrario, 1 < 0 enton-
ces el decaimiento es compuesto y se presenta de forma alternante con
Introducci
on al Analisis de Series de Tiempo 29
tasa 12 . Para tener una idea de esto, consideremos los modelos autorre-
gresivos de orden 1 simulados, para distintos valores de 1 (ver figura
(2.2)). A continuacion se muestran las funciones de autocovarianzas de
1 = 0.9 1 = 0.8
3
6
2
1
4
Xt
Xt
0
2
3 2 1
0
0 20 40 60 80 100 0 20 40 60 80 100
t t
1 = 0.4 1 = 0.5
3
2
2
1
1
0
0
Xt
Xt
3 2 1
1
2
0 20 40 60 80 100 0 20 40 60 80 100
t t
1.0
0.8
0.8
0.6
0.6
0.4
k
k
^
0.2
0.4
0.2
0.2
0 5 10 15 20 5 10 15 20
Lag Index
ACF Estimada para 1 = 0.4 ACF Terica para 1 = 0.4
1.0
1.0
0.8
0.8
0.6
0.6
0.4
k
k
^
0.4
0.2
0.2
0.2
0.0
0 5 10 15 20 5 10 15 20
1.0
1.0
0.5
0.5
k
k
^
0.0
0.0
0.5
0.5
0 5 10 15 20 5 10 15 20
Lag Index
ACF Estimada para 1 = 0.5 ACF Terica para 1 = 0.5
1.0
1.0
0.5
0.5
k
k
^
0.0
0.0
0.5
0.5
0 5 10 15 20 5 10 15 20
(1 1 L . . . p L p ) xt = t , (2.13)
p ( L ) xt = t , (2.14)
donde
p ( L) = 1 1 L . . . p L p ,
el cual recibe el nombre de polinomio caracterstico. Los resultados pre-
sentados para el proceso AR(1) se pueden generalizar para el proceso
AR( p). As pues, tenemos que
0
E ( xt ) = = ,
1 1 . . . p
(1 1 L 2 L2 . . . p L p )k = 0, k > 0.
0.4
0.6
Partial ACF
Partial ACF
0.4
0.2
0.2
0.0
0.0
0.2
0.2
5 10 15 20 5 10 15 20
Lag Lag
PACF para 1 = 0.8 PACF para 1 = 0.5
0.2
0.2
0.0
0.0
Partial ACF
Partial ACF
0.2
0.2
0.4
0.4
0.6
0.6
0.8
5 10 15 20 5 10 15 20
p 0 1 2 3 4 5
AIC 0 1.88 3.73 5.29 7.07
PACF 0.83 -0.04 0.039 0.07 0.05
p 1 2 3 4 5
AIC 0 1.78 3.11 5.10 6.73
PACF -0.778 -0.047 -0.082 0.005 -0.061
bondad del ajuste del modelo AR(k) para los datos, mientras que el
segundo termino se le conoce con el nombre de funcion de penalizacion
del criterio puesto que este penaliza un modelo candidato por el nume-
ro de parametros usado. Dependiendo del criterio usado, esta funcion
puede variar. Para seleccionar un modelo AR, en la practica, se calcula
el AIC (k) para k = 0, . . . , p, donde p es un entero positivo preespecifi-
cado, y entonces se selecciona el orden k como aquel con menor valor
de AIC. Como se observa en los cuadro (2.3) y (2.4), los menores valo-
res de AIC son para el retardo 1, en ambos casos. Por tanto, el orden de
las series es 1, como era de esperarse.
( T 2p 1)
2 = 2 .
Tp
Verificacion
del Modelo
m 2k
Q ( m ) = T ( T + 2) Tk
. (2.16)
k=1
La regla de decision
es rechazar la hipotesis
nula H0 : 1 = . . . = m = 0
si Q(m) > 2 , donde 2 denota el percentil 100(1 )-esimo de una
distribucion Chi cuadrado con m l grados de libertad, donde l de-
nota el numero
de coeficientes usados en el modelo autorregresivo. En
cuanto a la seleccion del valor m, el cual puede afectar la eficacia del
test, estudios de simulacion sugieren seleccionar m ln( T ). Si el mode-
lo ajustado no resulta ser el adecuado, entonces es necesario redefinirlo.
Se puede verificar si algunos de los valores estimados de los coeficien-
tes del modelo AR no son significativamente distintos de cero, entonces
el modelo debe simplificarse tratando de eliminar los parametros que
no son significativos. Si la ACF de los residuos muestra correlacion se-
rial (es decir, cuando los terminos de error de diferentes perodos de
tiempo se correlacionan) entonces el modelo debe ampliarse tomando
en cuenta dichas correlaciones.
Introducci
on al Analisis de Series de Tiempo 37
tT= p+1 2t
R2 = 1 ,
tT= p+1 ( xt x )2
Prediccion
Dentro del analisis de series de tiempo la prediccion juega un papel
muy importante. Suponga que se tiene un modelo AR( p) y que se
esta en el instante h, y ademas se esta interesado en la prediccion de
xh+k , donde k 1. El instante h es llamado el origen de prediccion y el
entero positivo k es el horizonte de prediccion. Sea xh (k) la prediccion
de
xh+k , usando el error cuadratico mnimo de la funcion de perdida y
Fh la informacion disponible en el origen de prediccion h. Entonces, la
xh (k) se selecciona de manera tal que
prediccion
2
E {( xh+k x h (k)) | Fh } mn E {( xh+k g)2 |Fh },
g
x t = + t 1 t 1 , -constante (2.17)
x t = + ( 1 1 L ) t , (2.18)
x t = t 1 t 1 . (2.19)
Introducci
on al Analisis de Series de Tiempo 39
x t = + t 1 t 1 2 t 2 . . . q t q , (2.20)
x t = + ( 1 1 L . . . q L q ) t = + q ( L ) , (2.21)
donde
q ( L ) = 1 1 L . . . q L q .
De manera analoga a los modelos autorregresivos, primero se estable-
ceran las propiedades para el modelo mas simple, MA(1) y posterior-
mente seran generalizadas al modelo general MA(q).
Los modelos MA son debilmente estacionarios puesto que se definen
como una combinacion lineal de una sucesion
de ruido blanco donde
los primeros dos momentos son invariantes respecto del tiempo. Si se
considera el proceso MA(1) de la ecuacion (2.17), su valor esperado
es E ( xt ) = , la cual es invariante respecto del tiempo. As mismo al
tomar su varianza se obtiene
Var( xt ) = (1 + 12 )2 ,
Var( xt ) = (1 + 12 + . . . + q2 )2 .
1 = 1 2 , y k = 0, para k > 1.
40 Abelardo Monsalve y Pedro Harmath
1
0 = 1, 1 = , k = 0, para k > 1.
1 + 12
Invertibilidad
xt = 1 xt 1 + 2 xt 2 + . . . + t ,
Introducci
on al Analisis de Series de Tiempo 41
donde la serie de los pesos, i convergen. Esto es, |i | < . Para ver
esto, considere el modelo MA(1)
x t = 1 ( L ) t ,
donde 1 ( L) = 1 1 L. Si se satisface la condicion
de invertibilidad,
entonces la ecuacion
anterior es equivalente a
11 ( L) xt = t ,
de 11 ( L) = 1 1 L produce
de donde la expansion
(1 + 1 L + 12 L2 + . . .) xt = t .
j
Los pesos, j = 1 , convergen siempre que |1 | < 1, es decir, si el
modelo es invertible. Esto ultimo
implica la suposicion razonable, que
el efecto de las observaciones pasadas decrecen con el tiempo. Para el
caso general, es decir, un proceso MA(q) los pesos en la representacion
AR(), esto es ( L) xt = t , vienen dados por 1 ( L), los cuales se
pueden obtener resolviendo la ecuacion ( L) ( L) = 1 respecto de los
coeficientes L j . Por la condicion
de invertibilidad, las races de
( 1 1 L . . . q L q ) = ( 1 h1 L ) . . . ( 1 h q L ) = 0
deben satisfacer |h1 | < 1, . . . , |hq | < 1.
1 = 0.8 1 = 0.5
3
2
2
1
1
0
0
Xt
Xt
1
1
2
2
3
0 20 40 60 80 100 0 20 40 60 80 100
t t
X t = t 1 t 1 .
1.0
0.8
0.6
0.5
0.4
k
0.2
0.0
0.2
0 5 10 15 20 0.5 5 10 15 20
Lag Index
ACF Estimada para 1 = 0.5 ACF Terica para 1 = 0.5
0.2 0.4 0.6 0.8 1.0
1.0
0.8
0.6
k
0.4
0.2
0.2
0.0
0 5 10 15 20 5 10 15 20
0.2
0.4
0.1
0.2
0.0
Partial ACF
Partial ACF
0.0
0.1
0.2
0.2
0.3
0.4
5 10 15 20 5 10 15 20
Estimacion
de los parametros de un Modelo MA
El metodo de maxima verosimilitud es el usado con mas frecuencia en
de un modelo MA. Existen dos maneras de abordar el pro-
la estimacion
blema de estimacion en lo que respecta a la evaluacion
de la funcion
de
verosimilitud, cuando el metodo de maxima verosimilitud es conside-
rado en la estimacion.
La primera de ellas, es asumir que los impulsos o
innovaciones t = 0 para t 0. De esta manera, los valores necesarios
para calcular la verosimilitud se obtienen de manera recursiva a partir
del modelo, comenzando con
1 = x1 ,
y
2 = x2 + 1 1 .
Este enfoque hace referencia al metodo de verosimilitud condicional. Otra
manera es considerar el metodo de verosimilitud exacta, es decir, se con-
sideran los valores iniciales t para t 0 como parametros adiciona-
les del modelo y se estiman conjuntamente con el resto de parametros.
Existe preferencia respecto al metodo de verosimilitud exacta cuando el
modelo MA esta proximo
a ser no invertible, es decir, cuando las races
caracterstica q ( L) = 0 estan cercanas al circulo unitario.
de la ecuacion
Introducci
on al Analisis de Series de Tiempo 45
Prediccion
Las predicciones de un modelo MA se pueden obtener de manera muy
sencilla. Puesto que el modelo tiene memoria finita, las predicciones
apuntan a la media de la serie rapidamente. Para ver esto, suponga
que el origen de prediccion es h, y se denota por Fh a la informacion
disponible en el instante h. Para la prediccion a un paso de un proceso
MA(1)
x h + 1 = + h + 1 1 h .
Tomando la esperanza condicional, se obtiene
xt = 0 + 1 xt1 + 2 xt2 + . . . + p xt p + t
1 t 1 2 t 2 . . . q t q
p q
= 0 + i xti + t i ti , (2.22)
i=1 i=1
p ( L) xt = 0 + q ( L) t . (2.23)
Los polinomios
p
( L) = 1 1 L . . . p L p = 1 i xti ,
i=1
y
q
p
( L ) = 1 1 L . . . p L = 1 i t i ,
i=1
xt 0 1 xt1 = t 1 t1 , (2.24)
Identificacion
del orden de un Modelo ARMA
Para los modelos ARMA, se puede dar el caso en que la ACF y la PACF
no aporten directamente suficiente informacion relativa a la determina-
cion
de su orden. Tsay and Tiao (1984) proponen un enfoque que utiliza
la funcion de autocorrelacion extendida EACF para especificar el orden de
un proceso ARMA de una manera relativamente simple. Si es posible
obtener una estimacion coherente del componente autorregresivo AR
de un modelo ARMA, entonces se puede inferir el componente MA. A
partir de esta ultima
se puede usar la ACF para identificar el orden del
componente MA. La salida de la EACF es una tabla, cuyas filas corres-
ponden al orden p del proceso AR y las columnas al orden q del proceso
MA. La tabla (2.5) muestra una salida para un modelo ARMA(1, 1). La
caracterstica clave de la tabla es que contiene un triangulo de ceros con
el vertice superior izquierdo situado en la orden (1,1). Esta es la carac-
terstica que utilizamos para identificar el orden de un proceso ARMA.
En general, para un proceso ARMA( p, q) del modelo, el triangulo de
ceros tendra su vertice superior izquierdo en la posicion ( p, q). El crite-
Prediccion
y por Fh la informacion
Denotamos por h el origen de prediccion, dis-
a un paso de xh+1 se puede
ponible hasta dicho instante. La prediccion
obtener del modelo como
p q
xh (1) = E ( xh+1 |Fh ) = 0 + i xh+1i i h+1i ,
i=1 i=1
y
( L)
= 1 + 1 L + 2 L2 + . . . ( L), (2.26)
( L)
entonces se tiene lo siguiente:
Si se cumplen las condiciones de invertibilidad del proceso ARMA( p, q)
(es decir, las soluciones del polinomio ( L) son mayores en modu-
lo que la unidad), entonces el proceso dado por la ecuacion (2.23)
se puede escribir, usando el operador definido en (2.25) como
( L) 0
( L ) xt = xt = + t = + t,
( L) ( L)
donde = 0 / ( L), entonces el proceso ARMA( p, q) queda de-
terminado por
0
xt = + 1 xt 1 + 2 xt 2 + . . . + t . (2.27)
1 1 . . . q
0 ( L)
xt = + t = + ( L) t ,
( L) ( L)
donde = 0 /( L), de manera que el proceso ARMA( p, q) se
representa por
0
xt = + t + 1 t1 + 2 t2 + . . . . (2.28)
1 1 . . . p
Introducci
on al Analisis de Series de Tiempo 51
53
54 Abelardo Monsalve y Pedro Harmath
(a) (b)
1.6
14
12
1.4
Precio de Activo
US DolarEuro
10
1.2
8
1.0
6
0.8
4
1999 2001 2003 2006 2008 2011 012008 032009 052010
Perodo Perodo
(c) (d)
5
5
rt Plazo: 1 semana
rt Plazo: 12 meses
4
4
3
3
2
2
1
2001 2003 2005 2007 2009 2010 2001 2003 2005 2007 2009 2010
Perodo Perodo
d
xt = t + t = j t j + ( L) t . (3.2)
j=1
xt = 0 + 1 t + t . (3.3)
yt = xt xt 1 = (1 L ) xt = xt ,
= 1 + t ,
( L ) xt = ( L ) t ,
Introducci
on al Analisis de Series de Tiempo 57
xt = + t ,
( L)d xt = + ( B) t , (3.7)
( L ) x t = 0 + ( L ) t ,
H0 : = 1 versus Ha : < 1,
aplicando la regresion
p 1
xt = ct + xt1 + i xti + et , (3.8)
i=1
1
ADF-test = ,
std( )
61
62 Abelardo Monsalve y Pedro Harmath
wt = (1 L)(1 Ls ) t = t t1 ts + ts1 ,
y = X
+ , (4.5)
E [ xt xt ] = XX es de rango k + 1.
T T
SSR( ) = (yt xt )2 = 2t ,
t =1 t =1
yt = xt + t , t = 1, . . . , T,
donde " # 1
T T
1
= ( X X ) Xy= xt xt xt yt ,
t =1 t =1
r6t = 0 + 1 r3t + t ,
donde r6t y r3t son dos series de tiempo y t denota el error. Si los termi-
nos de error { t } constituyen un proceso de ruido blanco, entonces el
metodo de mnimos cuadrados produce estimaciones consistentes. Sin
66 Abelardo Monsalve y Pedro Harmath
Cuadro 4.1: Resumen de los datos del ajuste lineal a la serie de los tipos
de interes.
Estimados Error Estandar t-valor Pr(>|t|)
0 0.1953 0.0049 39.61 0.0000
1 0.9621 0.0017 578.96 0.0000
Introducci
on al Analisis de Series de Tiempo 67
5
4
rt(%)
3
2
1
Ao
Figura 4.1: Graficos de las series de tipos de interes del EURIBOR, des-
de el 15 de octubre del 2001 hasta el 03 de Diciembre de 2010. En azul,
(linea continua) serie con plazo de vencimiento a 3-meses, y en rojo, (li-
nea discontinua) serie con plazo de vencimiento a 6-meses.
0.15
5
0.10
4
Plazo=6meses
Plazo=6meses
0.05
3
0.00
0.05
2
0.10
1
Plazo=3meses Plazo=3meses
Cuadro 4.2: Resumen de los datos del ajuste lineal a la serie de las va-
riaciones de los tipos de interes.
Estimados Error Estandar t-valor Pr(>|t|)
0 0.0001 0.0002 0.75 0.4552
1 0.9845 0.0130 75.50 0.0000
(a)
0.2
Residuos
0.0
0.2
Ao
(b)
0.8
ACF
0.4
0.0
0 5 10 15 20 25 30 35
Lag
Figura 4.3: Serie de los residuos de la regresion para las dos series de
tipos de interes: (a) grafico de los residuos, (b) funcion
de autocorrela-
cion
de la muestra.
Introducci
on al Analisis de Series de Tiempo 71
(a)
0.10
Variaciones
0.00
0.10
Ao
(b)
0.10
Variaciones
0.10 0.00
Ao
(a)
0.05
Residuos
0.05
Ao
(b)
0.04
ACF
0.00
0.06
0 5 10 15 20 25 30 35
Lag
tT=2 ( t t1 )2
DW = . (4.10)
tT=1 2t
4.3.1. Estimacion
consistente de la Matriz de Covarianza
Bajo la suposicion
de que las estimaciones (de los coeficientes), me-
diante el metodo de mnimos cuadrados ordinarios, son consistentes,
los metodos disponibles para obtener una estimacion
consistente de la
matriz de covarianza de los coeficientes son:
donde
T l T
C HAC = 2t xt xt + j ( xt t t j xt j + xt j t j t xt ),
t =1 j=1 t = j+1
j
j = 1 .
l+1
Modelos de Heterocedasticidad
5
Condicional
77
78 Abelardo Monsalve y Pedro Harmath
Evolucion
continua de la volatilidad en el tiempo.
x t = t + t = E ( x t |Ft 1 ) + t , (5.1)
t = t t ,
t2 = 0 + 1 2t1 + . . . + p 2t p .
y por lo tanto
h i
E (4t ) = E E (4t |Ft1 ) = 3E (20 + 20 1 2t1 + 21 4t1 ).
Consecuentemente,
320 (1 + 1 )
4 = .
(1 1 )(1 321 )
82 Abelardo Monsalve y Pedro Harmath
de un Modelo ARCH( p)
Estimacion
Los estimadores que con mayor frecuencia se usan para estimar los mo-
delos ARCH son los que se derivan de la funcion de maxima verosimi-
litud Gaussiana (condicional). Considerese el modelo ARCH( p) de la
ecuacion (5.3). Bajo la hipotesis
de normalidad de t , se tiene que la
distribucion de t condicionado a Ft1 , la informacion
disponible has-
ta el instante t 1 es una distribucion
normal con media cero y varianza
ht , y la funcion
de maxima verosimilitud adopta la forma:
f ( 1 , . . . , T | ) = f ( T |FT 1 ) f ( T 1|FT 2 ) . . . f ( p+1 |F p ) f ( 1 , . . . , p | )
T 2
1 t
= exp f ( 1 , . . . , p | ), (5.6)
t = p +1 2ht 2ht
donde = (0 , 1 , ..., p ) y f ( 1 , . . . , p | ) es la funcion
de densidad
conjunta de 1 , . . . , p . Puesto que la forma exacta de esta densidad es
Introducci
on al Analisis de Series de Tiempo 83
( p+1 , . . . , T | , 1 , . . . , p ) = ln f ( p+1 , . . . , T | , 1 , . . . , p ).
T
1 2t
(0 , ) = ln ( h t ) +
ht
,
t = p +1 2
Prediccion
De forma general, sean x1 , . . . , xh observaciones de una serie de tiempo
{ xt }. Se quiere entonces predecir la observacion xh+k , para algun
hori-
zonte de prediccion k > 0, a partir de las observaciones disponibles. Se
denota por xh (k) el estimador de mnimos cuadrados de xh (k), esto es
a k pasos es,
En general para la prediccion
h t (k) = 0 + 1 h t (k 1) + . . . + p h t (k p),
donde h t (k i ) = 2t+ki para i {1, . . . , p} si k i 0.
m q
2t = 0 + (i + i )2ti + t j t j , (5.9)
i=1 j=1
donde p+ j = q+ j = 0 para j 1.
320 (1 + 2(1 + 1 ))
4 = .
(1 (1 + 1 ))(1 (1 + 1 )2 221 )
Estimacion
de un Modelo GARCH
De manera similar al procedimiento realizado para el modelo ARCH y
de que t sigue una distribucion
bajo la suposicion normal, se obtiene
una expresion
para la funcion
de verosimilitud Gaussiana (condicional)
dada por:
T
1 2t
( p+1 , . . . , T | , , 1 , . . . , p ) = 2 cte. + ln(ht ) + ht ,
t = p +1
p q
pero en este caso ht = 0 + i=1 i 2ti + j=1 j ht j . En esta situa-
la varianza condicional ht no se puede expresar en terminos de
cion
un numero
finito de observaciones pasadas de t , tal como sucede con
los modelos ARCH. Como solucion a este inconveniente, se sustituye
en la funcion de verosimilitud a ht por una version truncada de la mis-
ma, h t . Los estimadores de maxima verosimilitud condicional de 0 ,
= (1 , . . . , p ) y = ( 1 , . . . , p ) se obtienen al maximizar la fun-
cion
T
1 2t
(0 , , ) = ln(ht ) + ,
t = 2 h t
donde es un entero ( > p).
Hasta ahora se ha asumido que las innovaciones t siguen una distri-
bucion
normal, lo cual implica que la distribucion condicional de t es
una normal con media cero y varianza ht . Por otro lado, la distribu-
incondicional de t en los modelos GARCH no es una normal. Por
cion
ejemplo, para un modelo GARCH(1, 1), la kurtosis y la kurtosis incon-
dicional de t es mayor que la kurtosis de una normal.
En aplicaciones practicas en series de tiempo de alta frecuencia, se suele
observar que la kurtosis incondicional de t en un GARCH(1, 1), dada
por (5.11), es menor que la de la serie observada, es decir, el modelo
GARCH(1, 1) con t con distribucion normal, no tienen la capacidad de
88 Abelardo Monsalve y Pedro Harmath
incondicional de t .
recoger todo el peso de las colas de la distribucion
Para solucionar este inconveniente se han desarrollado nuevos mode-
los, aunque una de las alternativas mas comunes consiste en considerar
para t .
otra distribucion
Una distribucion
que comunmente
se considera para , es la t-Student
estandarizada con grados de libertad, motivado a sus propiedades
relacionadas con las colas pesadas. Sea
+1
+2 1
2 1 t2
f ( t ) =
p 1+ ,
2 ( 2) 2
f ( p+1 , . . . , T | , , 1 , . . . , p ) =
T +1
+2 1
1 2 1 t2
h
p
( 2)
1+
h t ( 2)
.
t = p +1 t 2
t-Student
5.3.2. Los grados de libertad de la distribucion
Observacion
pueden ser especificados a priori o se pueden estimar con el resto de
parametros a partir de la funcion
de verosimilitud.
Prediccion
Tal como se discutio para los modelos ARCH, de forma analoga se pue-
de calcular de manera recursiva las predicciones para la varianza con-
dicional en los procesos GARCH. Sea el modelo GARCH(1, 1) con ecua-
Introducci
on al Analisis de Series de Tiempo 89
k2
h t (k) = 0 ( 1 + 1 ) j + ( 1 + 1 ) k 1 h t +1 ,
j=0
0
donde, 2 = 1 1 1 es la varianza incondicional de t .
(1991). La formulacion
general del modelo es
p
t = t ht ,
ln(ht ) = t + k g( t k ), 1 = 1, (5.12)
k=1
donde {t }
t= y { k }k=1 son sucesiones de numeros
reales no es-
tocasticos y g(t ) es una funcion
que responde al signo y a la magnitud
g considerada en esta seccion
de t . La funcion es
Siendo A = 2b1 exp( a0 2/ ).
De esta ultima
se deduce que el impacto de h0 desaparece
expresion
cuando se verifica
E (ln(1 t2 + 1 )) < 0.
Se puede demostrar que la condicion anterior garantiza la estacionarie-
dad estricta del proceso GARCH(1, 1). La relacion entre la condicion de
estacionariedad debil y la estacionariedad estricta se obtiene aplicando
la desigualdad de Jensen,
xt = g( ht , ) + t ,
p
t = t ht . (5.18)
94 Abelardo Monsalve y Pedro Harmath
xt = 0 + 1 ht + t ,
p
t = t ht ,
ht = 0 + 1 2t1 . (5.19)
p q
h t = 0 + (i + i 1{ ti<0} )2ti + j ht j , (5.20)
i=1 j=1
xt = + zt + t ,
z t = 1 z t 1 + t ,
donde xt = log 2t , = log( + E log(t2 ) ) y t = log(t2 ) E log(t2 ) )
es un ruido blanco no gaussiano de media cero y varianza 2 cuyas pro-
piedades dependen de t . Por ejemplo, si t tiene distribucion normal
de media cero y varianza 1, entonces log(t2 ) se distribuye
como el lo-
garitmo de una variable X12 de media E log(t2 ) = 1,26 y varianza
conocida 2 = 4,93.
Para estimar los parametros del modelo SV, se puede usar el metodo de
cuasi-verosimilitud mediante el filtro de Kalman considerando la ecua-
cion zt y la ecuacion
de transicion de estados xt . Una alternativa es apli-
car un metodo de Monte Carlo. Jacquier et al. (1994) proporcionan una
comparacion de los resultados entre la estimacion cuasi-verosimilitud
y el metodo de Monte Carlo (MCMC).
p
t = t ht ,
2
ht = exp (ut ),
( 1 L ) d u t = t , (5.24)
xt = f ( t , t 1 , . . . ). (6.1)
99
100 Abelardo Monsalve y Pedro Harmath
donde g() y h() son funciones bien definidas, con h() > 0.
De esta forma, los modelos que se consideraran se restringen a
q
x t = g ( Ft 1 ) + t = g ( Ft 1 ) + h ( Ft 1 ) t , (6.3)
Siendo 1,i los coeficientes del modelo AR(1) del regimen i (ver Petruc-
celli and Woolford (1984) y Chen and Tsay (1991)).
Las { j,t } para j {1, 2} son sucesiones de variables aleatorias iid con
media cero y varianza finita e independientes una de la otra, y p 1.
Introducci
on al Analisis de Series de Tiempo 105
Yt = m( Xt ) + t , (6.10)
tT=1 yt T
y = = m ( x ) + t =1 t .
T T
Teniendo en cuenta la ley de los grandes numeros,
el promedio de los
impulsos t converge a su valor esperado, es decir, al valor
cero
cuan-
do T es incrementado. Por lo tanto, el promedio y = tT=1 yt /T es
una estimacion consistente de m( x). Sin embargo, en las series financie-
ras no se disponen de observaciones repetidas y los datos observados
son {(yt , xt )} para t = 1, . . . , T. Si la funcion
m() es suave, el valor de
Yt para Xt x da una buena aproximacion de m( x), mientras que si es
lejano da como resultado una aproximacion pobre. As pues, un estima-
dor natural que tiene en cuenta este tipo de situaciones es el promedio
Introducci
on al Analisis de Series de Tiempo 107
ponderado:
T
1
( x) =
m
T t ( x ) yt , (6.11)
t =1
6.6.1. Regresion
por Nucleo
En las tecnicas de suavizado un metodo no-parametrico de uso frecuen-
te es la regresion por nucleo
o regresion kernel. En este caso, los pesos son
determinados mediante una funcion denominada nucleo, la cual es ge-
neralmente una funcion de densidad de probabilidades denotado por
K () y que satisface
Z
K ( x) 0, K (u)du = 1.
K h ( x xt )
t ( x) = , (6.13)
1
T tT=1 Kh ( x xt )
Watson (1964)):
1 T 1
TtT=1 Kh ( x xt )yt
( x) =
m
T t ( x ) yt = 1 T
. (6.14)
t =1 T t =1 K h ( x xt )
y el nucleo
de Epanechnikov (Epanechnikov (1969))
0,75 x2
Kh ( x) = 1 2 1{| x |1} . (6.16)
h h h
6.6.2. Seleccion
del Parametro de Suavizado
de h existen diversos metodos en la literatura (ver por
Para la eleccion
ejemplo Hardle (1990) y Fan and Yao (2003)). Entre los metodos que
particularmente se aplican en la practica esta el llamado Metodo de Va-
lidacion Cruzada que consiste en seleccionar el valor de h que minimiza
la expresion
T
1
mn CV (h) = mn
h h T (yj m h,j ( xj ))2W ( xj ), (6.17)
j=1
donde:
Introducci
on al Analisis de Series de Tiempo 109
m( x ) m( x) + m ( x)( x x) + ( x x),
T
2
L(, ) = (yt ( xt x)) K h ( x t x ), (6.19)
t =1
tT=1 t yt
a = , (6.20)
tT=1 t
t = Kh ( x xt )[sT,2 ( x xt )sT,1 ].
tT=1 t yt
( x) =
m . (6.21)
tT=1 t + 1/T 2
En cuanto a la seleccion
del ancho de banda, se pueden usar los meto-
dos antes descritos.
Introducci
on al Analisis de Series de Tiempo 111
6.6.4. Aplicacion
a Series de Tiempo
Las tecnicas anteriores fueron planteadas desde un punto de vista ge-
neral. Sin embargo, en el analisis de series de tiempo, las variables ex-
plicativas son frecuentemente retardos de los valores de la serie. Para el
caso de una sola variable explicativa (un retardo), el modelo se expresa
por
xt = m ( xt 1 ) + t . (6.22)
Entonces los metodos de regresion por nucleo
y regresion
local lineal
discutidos en las secciones anteriores pueden aplicarse. Cuando hay
multiples variables explicativas (mas que un retardo), se hace necesa-
rio hacer algunas modificaciones en los metodos. En cuanto a la funcion
nucleo,
se considera una expresion
multivariante del mismo, por ejem-
plo, para el nucleo
Gaussiano su version
multivariante con una matriz
de covarianza preespecificada, se expresa por
1 1 1
Kh ( x) = p exp 2 x x , (6.23)
h 2 ||1/2 2h
donde p es el numero
de variables explicativas (o retardos) y es una
matriz definida positiva.
Perodo
Variaciones de los tipos (%)
0.05
0.05
Perodo
al hacer una revision para una escala mas fina (6.2(b)) se observa que
hay una tendencia. En cuanto a la volatilidad, se muestra en la (6.2(c)) el
scatterplot de |yt | contra xt1 y la estimacion
( xt1 ). El grafico confir-
ma que la volatilidad es mayor para tipos de interes elevados. As mis-
mo, la figura (6.2(d)) muestra la estimacion ( xt1 ) en una escala refi-
nada. Este ejemplo evidencia el potencial de las tecnicas de suavizado
en la caracterizacion de la dinamica de las series financieras.
xt = f 1 ( Xt 1 ) xt 1 + + f p ( Xt 1 ) xt p + t , (6.24)
zado. Dada una serie de tiempo xt , se dice que esta sigue un modelo no-
lineal autorregresivo aditivo y que se denota por NAAR si,
p
xt = f 0 ( t) + f i ( xt i ) + t , (6.25)
i=1
S t = f ( S t 1 ) + t , x t = gt ( S t ) + t , (6.26)
donde
St es el vector de estados,
{t } es independiente de {t }.
Introducci
on al Analisis de Series de Tiempo 115
Q(m) es asintoticamente
una variable aleatoria con distribucion
chi-
cuadrado con m p q grados de libertad. La hipotesis
nula del test
es
H0 : 1 = = m = 0,
xt = Xt1 + , (6.27)
t = Xt11 + Mt 1 2 + t , (6.28)
2. Se considera la regresion
t = t + t ,
6.10.5. El test F
Con el proposito
de mejorar la potencia del test de Keenan y el test
RESET, Tsay (1986) considera Mt1 = vech( Xt1 Xt1 ), siendo vech()
el vector half-stacking de Xt1 Xt1 que considera solo los elementos de
la diagonal y bajo la diagonal. La dimension de Mt1 es p( p + 1)/2
para un modelo AR( p). En la practica, este es un test que considera un
estadstico F parcial para probar la hipotesis
= 0 en
xt = Xt1 + Mt 1 + t ,
y la hipotesis
alternativa Ha : xt sigue un modelo SETAR
p
01 + i=1 1i xti + 1t , si xtd < r1 ,
xt = p (6.31)
02 + i=1 2i xti + 2t , si xtd r1 ,
(a) (c)
0.08
* *
* * * *
** * * *
0.05
** *
0.06
* ** * *
* *** * **
* **
* ***** ** ** **
** ** ********************************************* ******** ** ********************** * * *
abs(y)
*****************************
0.04
0.00
y(t)
* * *** ** *
** *
*** * * **
** * *
******************** ************* ****** ************* ** *
* * * *
** * ** *** *** ** ****** ****** * * * *** ** **
* *** *
* * ***** **** * *
**** * **
0.02
**
* * ** * *** * ********** *****
0.05
* ** * *
*** ****** ***** ************************* ***** * ********************** *
* * * ******************************************************************************************************************** ********* * *******
* ********* *
0.00
* * * * * * * ************ *
x(t1) x(t1)
(b) (d)
0.010
0.004
0.006
0.002
0.002
x(t1) x(t1)
121
122 Abelardo Monsalve y Pedro Harmath
1. W0 = 0 casi seguro,
W (t) = E (Wt ) = 0, t 0,
E (Wt W0 ) = 0, Var(Wt W0 ) = Tt = t.
xt = Wt tW1 , 0 t 1. (7.1)
Es claro que,
x0 = W0 0W1 = 0, y x1 = W1 1W1 = 0.
xt = t + Wt , t0 (7.2)
x (t) = E ( xt ) = t, y
xt = e(t+Wt ) , t 0. (7.3)
y es conocido con el nombre de Movimiento Browniano Geometrico, deno-
tado por GBM. El proceso xt no es Gaussiano, y sus funciones de media
y covarianza son
( t) = E ( x ) = e( + 2 ) t ,
1 2
x t
y 2
x (t, s) = Cov( xt , xs ) = e( +0,5 )(t+s) (e t 1).
2
7.5.2. Aplicacion
al Precio de los Activos
Una aplicacion
a los precios de un activo, puede ser descrita de la si-
guiente forma. Sea Pt el precio de un activo en el instante t, el cual es
continuo en [0, ) . Con frecuencia en la literatura financiera se suele
asumir que Pt se rige por un proceso estocastico de Ito
de y
7.5.3. Estimacion
Los parametros y del movimiento Browniano se pueden estimar
de diversas maneras, mas adelante discutiremos este tema. Pero en es-
te caso, se ha supuesto que el precio sigue un movimiento browniano
geometrico. En este caso, una de las formas de estimar los parametros,
mas sencilla y practica es la siguiente. Supongase
que se tienen n + 1
observaciones del precio Pt , es decir { P0 , P1 , . . . , Pn }, igualmente espa-
ciadas en un intervalo, esto es con paso (por ejemplo, observaciones
diarias, semanales o mensuales). Sea ahora, rt = ln( Pt ) ln( Pt1 ), para
t = 1, . . . , n la rentabilidad continua, entonces si se tienen en cuanta
los resultados en la seccion anterior para Pt siguiendo un movimien-
to Browniano geometrico, se tiene que rt tiene distribucion normal con
media r = ( 2 /2) y varianza r2 = 2 . Sea ahora r y sr la media
de la muestra y la desviacion estandar de la muestra. Ambos estimado-
res son consistentes, r r y sr r cuando n . Entonces, se
estima a partir de
sr
= .
Teniendo en cuenta que r = r, se puede estimar por
r s2
= + r .
2
Ejemplo 7.5.1. Considerense las rentabilidades continuas (logaritmo de
las rentabilidades) con frecuencia diaria del activo del IBEX35, Banco
Santander, en el perodo del 2 de Enero 2009 al 30 de diciembre de 2009.
La figura (7.1) muestra la evolucion
de la rentabilidad continua del acti-
vo durante dicho perodo, compuesto de 252 observaciones y la funcion
de autocorrelacion de dicha rentabilidad. Claramente la funcion de au-
tocorrelacion
evidencia que las rentabilidades no estan correlacionadas,
132 Abelardo Monsalve y Pedro Harmath
(a)
0.05
rt
0.05
(b)
0.06
0.00
ACF
0.06
2 4 6 8 10 12 14
Lag
El numero
es 252, entonces se establece =
de dias de negociacion
1/252, de donde se obtiene que
sx x 2
= = 0,4562518, and = + = 0,6369963
2
7.6. Distribucion
del Precio de los Activos y la Ren-
tabilidad Continua
Como ya se ha comentado en la seccion anterior, el logaritmo de la
rentabilidad sigue un proceso Browniano Geometrico, si se el precio
del activo asociado satisface la ecuacion
dPt = Pt dt + Pt dWt .
E ( PT ) = Pt e( T t)
2 ( T t)
Var( PT ) = Pt2 e2( T t) (e 1)
Esto ratifica que la tasa esperada de rentabilidad del activo es . Si aho-
ra, se considera r la tasa continua de rentabilidad anual desde el instan-
te t al instante T. Entonces
PT = Pt er ( T t),
134 Abelardo Monsalve y Pedro Harmath
de Taylor de ex para
donde Xi = ln( Ji ). Si se considera la expansion
aproximar la rentabilidad anterior se obtiene que, teniendo en cuenta
(Wt )2 t
Nt +t
Pt+t Pt 1 1
( 2 )t + Wt + Xi + 2 (Wt )2
Pt 2 i= Nt +1
2
Nt +t
t + t + Xi ,
i= Nt +1
( t, t + t] es t. Para t pequeno,
ignorando los saltos multiples, se
tiene que
Nt +t
X Nt +1 con probabilidad t,
Xi
0 con probabilidad 1 t.
i= Nt +1
Pt+t Pt
t + t + I X, (7.23)
Pt
dPt = Pt dt + t Pt dW1t
y
dt2 = t2 dt + t2 dW2t (7.24)
7.9. Estimacion
de los Modelos en Tiempo Conti-
nuo
En esta seccion
se discuten de manera breve los distintos metodos de
estimacion
de los modelos en tiempo continuo. Se tendra en cuenta en-
tonces, el problema de la estimacion
de la ecuacion diferencial estocasti-
ca a partir de un conjunto de observaciones discretas, teniendo en cuen-
ta lo discutido en la seccion
dedicada al proceso de Ito. Este problema
ha tomado una especial relevancia en los ultimos
anos
dada la impor-
tancia que han tomado los modelos en tiempo continuo. Diversos son
los metodos disponibles en la literatura para la estimacion
de un proce-
so de difusion.
Como ya se ha comentado antes, dos son los enfoques
considerados en el analisis de los modelos en tiempo continuo. El pa-
rametrico y el no-parametrico. En el primer caso, cuando se dispone de
informacion a suficiente acerca del modelo subyacente, por ejemplo, el
modelo pertenece a una familia parametrica {M , }, donde M
es una forma parametrica conocida con un parametro desconocido,
de . A continuacion
en este caso el objetivo principal es la estimacion
se describen algunos metodos parametricos.
Introducci
on al Analisis de Series de Tiempo 139
= arg max ( X0 , . . . , Xn ; ).
143
Nociones basicas de Probabilidad
A
A.1. Espacio de Probabilidad y Variable Aleatoria
Un espacio de probabilidad es un terna (, F , P ) donde es el espacio
muestral de todos los posibles resultados de un experimento aleatorio;
F es una -algebra de conjuntos, es decir, F es una coleccion
de conjun-
tos que satisface:
(i.) El conjunto pertenece a F
(ii.) Si A F , entonces su complemento Ac F
(iii.) Si A1 , A2 , . . . , F entonces
[
Ai F .
i=1
145
146 Abelardo Monsalve y Pedro Harmath
(ii.) P () = 1 y P () = 0,
(iii.) Si A1 , A2 , . . . , An F entonces
!
n
[ n
P Ai = P ( A i ).
i=1 i=1
X : 7 R
7 X ( ) = x
X 1 ( A) = B;
para A B (R ) y B F .
A.1.2. La funcion
Definicion
La definicion
anterior nos da la posibilidad de definir la probabilidad
de que x pertenezca a un intervalo ( a, b ], es decir,
lm F ( x) = 0, lm F ( x) = 1,
x x +
FX (x) = P ( X1 x1 , X2 . . . , Xn xn ), x = ( x1 , . . . , x n ) R n .
Z Z
f X (u1 , . . . , un )du1 . . . dun = 1.
FXi ( xi ) = FXi (, . . . , xi , . . . , )
Z Z xi Z
f X (u1 , . . . , xi , . . . , un )du1 . . . dun ,
A.4. Independencia
A.4.1. Dos variables aleatorias X e Y son independientes si
Definicion
P( X A, Y B) = P( X A) P(Y B)
Si ( X1 , X2 ) tiene funcion
de densidad f X1 X2 con funciones de densidad
marginales f X1 y f X2 . Entonces las variables aleatorias X1 y X2 son in-
dependientes si y solo si:
f X1 X2 ( x 1 , x 2 ) = f X1 ( x 1 ) f X2 ( x 2 ) , x1 , x2 R.
E [ g1 ( X1 ), . . . , g( Xn )] = E [ g1 ( X1 )] , . . . , E [ gn ( Xn )]
Cov( X1 , X2 )
Corr( X1 , X2 ) = p .
Var( X1 )Var( X2 )
A.5. Distribucion
Condicional
Sean dos variables aleatorias X1 e X2 , con funciones de distribucion
FX1
y FX2 y con funcion
de distribucion conjunta FX1 X2 , a continuacion
se
establecen los conceptos de distribucion condicional.
P ( X x 1 , X2 x 2 ) F ( x , x2 )
FX1 | X2 ( x1 | x2 ) = = X1 X2 1
P ( X2 x 2 ) FX2 ( x2 )
152 Abelardo Monsalve y Pedro Harmath
f X1 | X2 ( x 1 | x 2 ) = f X1 ( x 1 )
P ( A B)
P( A| B) = , para P ( B) > 0. (A.1)
P ( B)
E ( X1B )
E( X | B) = , (A.3)
P ( B)
Ahora bien, sea Y una variable aleatoria discreta que toma distintos
valores en los conjuntos Ai , es decir,
Ai = Ai ( ) = { : Y ( ) = yi }, i = 1, 2, . . .
Z ( ) = E ( X |Y )( ) = E ( X | Ai ( )) = E ( X |Y ( ) = yi ), Ai
E ( aX1 + bX2 |F ) = aE ( X1 |F ) + bE ( X2 |F ),
E ( X |F0 ) = E ( X ),
154 Abelardo Monsalve y Pedro Harmath
si F0 = {, }. Mas aun,
si Y es F -medible, entonces
E (YX |F ) = YE ( X |F ),
aE (Y |F ) = Y.
E [E ( X |F )] = E ( X ).
lm Fn ( x) = F ( x) (A.5)
n
lm P (| Xn X | ) = 0, (A.7)
n
y se denota por
p
Xn
X (A.8)
Introducci
on al Analisis de Series de Tiempo 155
p lm | Xn X | = 0, (A.9)
n
lm E (| Xn X |r ) = 0, r 1. (A.12)
n
X (, ) : R.
Para un valor fijo de , por ejemplo ,
{X (,
t ) , t 0}
157
158 Abelardo Monsalve y Pedro Harmath
{X (, t, ), }
B.2. Filtraciones
Definicion B.2.1. Considerese un espacio de probabilidad (, F , P ). Una
{Ft , t 0} es una familia creciente de sub--algebras de F inde-
filtracion
xadas por t 0; es decir, para cada s, t 0 tal que s < t, se tiene Fs Ft
con F0 = {, }.
B.4. Variacion
de un Proceso
Sea n = n ([0, t]) = {0 = t0 < t1 < < ti < < tn = t}
de un intervalo [0, t] en n intervalos y denotada por
cualquier particion
Rt
Si X es diferenciable, entonces Vt ( X ) = 0 | X (u)|du. Si Vt ( X ) < ,
entonces se dice que X es de variacion acotada en [0, t]. Si lo anterior es
cierto para todo t 0, entonces se dice que X tiene variacion acotada.
160 Abelardo Monsalve y Pedro Harmath
B.5. Martingalas
Dado un espacio de probabilidad (, F , P ) y una filtracion {Ft , t
0}, entonces se define el como un espacio de probabilidad filtrado a la tupla
(, F , {Ft }t0 , P ).
B.5.1. Sea (, F , {Ft }t0 , P ). un espacio de probabilidad fil-
Definicion
trado. Un proceso Xt con t , R un conjunto de indices, es una
martingala relativo a la filtracion {Ft , t 0}, siempre que:
(i.) Xt es adaptado a la filtracion {Ft , t 0}
(ii.) Xt es integrable, es decir, E | Xt | < ,
(iii.) Para cualesquiera s y t con s < t
E ( X t |Fs ) = X s , casi seguramente.
P ( X t + s y |Ft ) = P ( X t + s y | X t ) c.s.
P (y, t, x, s) = P ( Xt y| Xs = x)
163
164 Abelardo Monsalve y Pedro Harmath
g : [0, T ] R
de integrales I g(n) donde
I ( g) se define como el lmite de la sucesion
g(n) es llamado un proceso simple, definido como
Entonces I g(n) se define como
n 1
I g( n ) = g(n) (tj ){Wt +1 Wt } j j
j=0
(C.7)
n 1
= g(tj ){Wt +1 Wt }.j j
j=0
y
Z T
Z T
Var Xs dWs = E ( Xs )2 dWs = 0, (Isometra de Ito )
0 0
A partir de la expresion
en el item anterior
Z T Z T
dWs = dWs = WT
0 0
C.2. Formula
de Ito
Una herramienta fundamental en el calculo estocastico es la formula de
Ito. Esta formula se puede interpretar como la version estocastica de la
expansion de Taylor hasta el orden 2 de g( X ), donde X es un proceso de
El lema de Ito establece que si g(t, x)
Ito o bien un proceso de difusion.
es una funcion dos veces diferenciable tanto en t como en x, entonces
Z t Z t
g(t, Xt ) = g(0, X0 ) + gt (u, Xu )du + gx (u, Xu )dXu
0 0
Z t
1
+ gxx (u, Xu )(dXu )2 ,
2! 0
donde
g g 2 g
gt (t, x) = (t, x), gx (t, x) = (t, x) y gxx (t, x) = (t, x)
t x x2
o, en su forma diferencial
1
dg(t, Xt ) = gt (t, Xt )dt + gx (t, Xt )dXt + gxx (t, Xt )(dXt )2 .
2
Introducci
on al Analisis de Series de Tiempo 169
Supongase
g(t, x) = g( x) = x2 , entonces la formula
de Ito aplicada a
g(Wt ) es
Z t Z
2 2 1 t
Wt = 0 + 2Ws dWs + 2ds
0 2 0
por lo tanto,
Z t
1 1
Ws dWs = Wt2 t.
0 2 2
Observacion C.2.1. En la formula
de Ito suelen aparecer termino de
la forma (dXt )2 que por lo general no son faciles de interpretar sin
el conocimiento de algunos aspectos del calculo estocastico. Desde el
punto de vista de las aplicaciones se establecen las siguientes condicio-
nes: (dtdWt ) Y (dt)2 son expresiones de orden O(dt), lo cual significa
que despues de desarrollar el termino (dXt )2 , todos los terminos en
la formula
para el cual la parte diferencial es bien (dtdWt ) o (dt)2 se
pueden despreciar. Ademas, terminos del orden (dWt )2 se comportan
como dt debido a las propiedades del proceso de Wiener. As, la parte
diferencial (dWt )2 se puede reemplazar por dt.
para todo T, R [ 0, ) .
En lo que respecta a la existencia de la solucion
de la ecuacion
diferen-
cial estocastica, se deben considerar algunas suposiciones.
LG . (Condicion Lipschitz Global) Para todo x, y R y t [0, T ], existe
una constante K < tal que
y
2x( x) + 2 ( x) B(1 + x2 ). (C.16)
x( x) + 2 ( x) A(1 + x2 ). (C.17)
P ( X t + s y |Ft ) = P ( X t + s y | X t ) c.s.
m( x)
( x) = , (C.20)
M
R
donde M = m( x)dx. Si las funciones m() y s() son tales que
Z x Z
s(y)dy and m(y)dy <
0
p 1 2
+ {( y) p} {2 (y) p} = 0, (s, x) (C.23)
t y 2 y2
p 1 2 p
+ {( x) p} + 2 (y) 2 = 0, (C.24)
s x 2 x
174 Abelardo Monsalve y Pedro Harmath
Bibliografa
Bakshi, G., Cao, C., and Chen, Z. (1997). Empirical performance of al-
ternative option pricing models. Journal of Finance, 52:20032049.
Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1994). Time Series Analy-
sis: Forecasting and Control. Prentice Hall, Englewood Cliffs, NJ, 3rd
edition edition.
Breidt, F. J., Crato, N., and De Lima, P. (1998). On the detection and
estimation of long memory in stochastic volatility. Journal of Econo-
metrics, 83:32534854.
Chen, R., Liu, J., and Tsay, R. S. (1995). Additivity tests for nonlinear
autoregressive models. Biometrica, 82:369383.
Cox, J., Ingersoll, J. E., and Ross, S. A. (1985). A theory of the term
structure of interest rates. Econometrica, 53(2):385407.
Fan, J. and Yao, Q. W. (2003). Nonlinear Time Series. Springer, New York.
Ng, S. and Perron, P. (1995). Unit root tests in arma models with data-
dependent methods for the selection of the truncation lag. Journal of
the American Statistical Association, 90:268281.
Oswaldo Larreal
Captulo Zuliano
La Asociacion
Matematica Venezolana fue fundada en 1990 como una
organizacion
civil sin fines de lucro cuya finalidad es trabajar por el
desarrollo de las matematicas en Venezuela.
Asociacion
Matematica Venezolana
Apartado 47.898, Caracas 1041-A, Venezuela
http://amv.ivic.gob.ve
Consejo Directivo
Instituto Venezolano de Investigaciones Cientficas (IVIC)
Director
Eloy Sira
Subdirector
Alexander Briceno
Representantes del Ministerio del Poder Popular para Educacion
Universitaria, Ciencia y Tecnologa
Guillermo Barreto
Juan Luis Cabrera
Jesus
Manzanilla
Gerencia General
Martha Velasquez
Comision
Editorial
Eloy Sira (coordinador)
Luca Antillano
Horacio Biord
Jesus
Eloy Conde
Mara Teresa Curcio
Rafael Gasson
Pamela Navarro
Hector Suarez
Erika Wagner