Econometría II Grado en finanzas y contabilidad

Transcripción

1 Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos mdgmarto@est-econ.uc3m.es Este documento es un resumen de la documentación elaborada por D. Antoni Espasa

2 Variables aleatorias y procesos estocásticos Se pretende construir un modelo para explicar la estructura y prever la evolución de una variable que se observa a lo largo del tiempo. Los datos se disponen a intervalos regulares (meses, trimestre, años, etc.) Se utiliza la información que proporciona la propia historia de la serie La ley estadística que gobierna el comportamiento de la serie se supone se mantendrá en el futuro. El marco teórico es La Teoría de procesos estocásticos Es el modelo matemático o soporte teórico de una serie temporal Suponemos que el valor observado de una serie en el instante t es una extracción al azar de una variable aleatoria definida en dicho instante. Por tanto, una serie temporal será una muestra de un vector de n variables aleatorias ordenadas en el tiempo. Se llama proceso estocástico al conjunto de las variables

3 Variables aleatorias y procesos estocásticos

4 Procesos estocásticos estacionarios No nos interesan las variables aleatorias independientemente, sino conjuntamente Necesitamos saber la distribución de probabilidad conjunta. Bajo determinadas condiciones, la estructura probabilística del proceso aleatorio {W(t)} 1 está completamente especificada y tendrá una distribución de probabilidad: F (W(t 1 ), W(t 2 ),.W(t n )) La idea es que la distribución conjunta de un elevado número de puntos servirá para describir el comportamiento global del proceso 1 Nomenclatura estándar de un proceso estocástico estacionario

5 Procesos estocásticos estacionarios

6 Procesos estocásticos estacionarios Si el proceso es gaussiano (sigue una distribución normal multivariante), la estacionariedad en sentido estricto coincide con sentido amplio Un proceso gaussiano queda completamente definido por su media, varianza y covarianzas (los momentos de orden superior a dos son cero)

7 Procesos estocásticos estacionarios

8 Procesos estocásticos estacionarios La estacionariedad implica que la covarianza entre dos variables del proceso solo dependen del desfase entre ellas La estacionariedad se obtiene diferenciando la serie y aplicando logaritmos ( caso concreto de la transformación de Box-Cox). A partir de las covarianzas y, más concreto, de las correlaciones se podrá tomar decisiones sobre el tipo de modelo estadístico más adecuado para la serie. Con la imposición de estacionariedad, se ha reducido el número de parámetros: µ, γ 0,γ k, k=1,2,3.. Todavía queda un número elevado de parámetros por γ k

9 Procesos estocásticos estacionarios Dado el alto número de parámetros que se tiene, se necesita una condición más: ERGODICIDAD (consistencia) Para realizar inferencia estadística sobre los parámetros se tiene una serie temporal de T observaciones. Al aumentar el número de observaciones aumentará el número de parámetros desconocidos. La lógica económica indica que las observaciones dependen de las inmediatamente anteriores y que su relación con observaciones lejanas es cada vez más pequeña e incluso inexistente. La condición de ergodicidad: Una condición suficiente es que el lim γ k = 0 cuando k tiende a infinito La correlación serial (entre variables) disminuye a medida que nos alejamos en el tiempo (k tiende a infinito)

10 Proceso ruido blanco Es el modelo más simple de series temporales. Se trata de una serie puramente aleatoria y se representa por a t. Una serie temporal se corresponde con un proceso estocástico ruido blanco cuando: Su esperanza es constante,µ, e igual a cero cov (a t, a t+k )= 0 para todo k 0 Se trata de un proceso en el que todas sus variables son independientes. Ejemplos: los números ganadores de la lotería Cada número es independiente del anterior No hay dependencia entre el pasado y el futuro

11 Proceso ruido blanco La variable tiempo no influye. Al no haber dependencia entre las variables, es totalmente impredecible. Ni siquiera habrá un valor medio que predecir Ruido blanco (white noise) 0,0200 0,0150 0,0100 0,0050 0,0000-0,0050-0,0100-0,0150

12 Proceso ruido blanco El proceso ruido blanco va a tener un papel fundamental en la estimación de modelos de series temporales Un modelo de series temporales adopta la siguiente expresión: W t = f(pasado) + a t = f(w t-1, W t-2,.)+ a t En t-1 la función es conocida Pero a t será desconocida (recuérdese que es una variable aleatoria que no se puede predecir) Sobre la base de la información conocida (pasado de la serie) se puede obtener la predicción de la variable en W t-1 Ŵ (t-1)+1 es la predicción de la variable que se obtiene a partir de la función matemática sobre el pasado. Entonces: W t = Ŵ (t-1)+1 + a t Es decir, la diferencia entre el valor real y la predicción es a t y se denomina innovación o sorpresa

13 Proceso ruido blanco

14 Proceso sendero aleatorio El proceso sendero aleatorio adopta la siguiente expresión: X t = X t-1 + a t siendo a t un proceso con estructura de ruido blanco a t es un shock aleatorio que se incorpora a la serie en cada momento Tiene una raiz unitaria ( coeficiente de X t-1 ), por tanto, la serie muestra un perfil evolutivo. Es no estacionario. La desviación del presente con respecto al periodo inmediatamente anterior es totalmente aleatorio No presenta un crecimiento sistemático Es característico de mercados eficientes: Un elevado número de agentes con información completa Adaptan su comportamiento a la información disponible. Dado un precio (por ej) en t-1, como no hay más información disponible, éste es el precio que toman para futuro En t, ocurren sucesos inesperados, información que incorporan a la disponible y se conforma un nuevo precio que es el que toman de referencia y utilizan a futuro

15 Proceso sendero aleatorio Serie temporal generada por un proceso sendero aleatorio Se parte de X 0 =100 a t se distribuye normal con media cero y desviación típica 0, ,08 100,06 100,04 100,02 100,00 99,98 99,

16 Proceso sendero aleatorio

17 La dependencia temporal en los procesos estocásticos estacionarios Función de autocovarianza En un proceso gaussiano estacionario la media y la varianza son independientes del tiempo y la covarianza entre dos variables va a depender del desfase temporal, k, que halla entre ellas. Cov (W t, W t+k )= γ(k)= γ k,para k= 1, 2, 3,., para todo t γ k = E{ (W t - µ) (W t+k - µ)} La función γ(k), se denomina función de autocovarianzas del proceso. Y tiene las siguientes propiedades γ 0 > 0 ya que es la varianza γ k = γ -k es decir, es igual la covarianza entre una variable y otra que presenta un desfase de k periodos ya sea hacia pasado (hacia atrás) o hacia futuro (hacia futuro). γ k γ 0

18 La dependencia temporal en los procesos estocásticos estacionarios Propiedades: Es simétrica Es semidefinida positiva. Es decir, El determinante de la matriz,г, y de todos sus menores principales son no negativos. SI EL PROCESO NO ES ESTACIONARIO NO ESTÁN DEFINIDAS (la media no es constante)

19 La dependencia temporal en los procesos estocásticos estacionarios

20 La dependencia temporal en los procesos estocásticos estacionarios: Función de autocorrelación Función de autocorrelación. FAC La función de autocovarianzas depende de la unidad de medida empleada. Por ello, es importante buscar una expresión que sea independiente de dicha unidad de medida. De ahí, el concepto de correlación. Cor (W t, W t+k )= ρ(k)= γ k /γ 0,para k= 1, ± 2, ± 3,, para todo t La función ρ(k), se denomina función de autocorelación del proceso. Es una función libre de las unidades de medida de la variable. Mide la dependencia lineal existente entre las variables. La FAC son parámetros fijos de la función de densidad conjunta del vector de variables W 1,,W T y recoge la dependencia de variables distanciadas por k periodos. Tiene las siguientes propiedades: ρ 0 =1 ρ k = ρ -k es decir, es igual la correlación entre una variable y otra que presenta un desfase de k periodos ya sea hacia pasado (hacia atrás) o hacia futuro (hacia futuro). ρ k 1

21 La dependencia temporal en los procesos estocásticos estacionarios: Función de autocorrelación En un proceso estacionario gaussiano toda la dependencia entre las variables viene recogida por la FAC. Las matrices de autocovarianza y de autocorrelaciones tienen las propiedades de ser simétricas, semidefinidas positivas y Toeplitz Hay que estimar: La media Varianza y T-1 covarianzas T-1 correlaciones No obstante, en realidad hay el número de parámetros a estimar es menor, porque estamos suponiendo que el proceso es ergódico, es decir, a medida que nos alejamos del momento t, las covarianzas tienden a cero A partir de un determinado retardo S< T γ k =0 para todo k>s En definitiva se tendrán que estimar S+1 parámetros

22 La dependencia temporal en los procesos estocásticos estacionarios: Función de autocorrelación Dada una serie temporal generada por un proceso estocástico estacionario y ergódico, la media muestral es un estimador consistente de la media poblacional La varianza de la media muestral la aproximaremos por la varianza del proceso (estimada mediante la varianza muestral) dividida entre T (bajo la hipótesis de ruido blanco) La media es asintóticamente normal

23 Estimación de la FAC Estimación de las autocorrelaciones Como consecuencia de que el proceso estocástico se supone ergódico, a partir de un determinado retardo S, las autocorrelaciones serán prácticamente nulas. El correlograma es la secuencia r 1, r 2.. de estimadores de los correspondientes parámetros de la FAC

24 Estimación de FAC s Estos estimadores son funciones, a su vez, de variables aleatorias y, por tanto, son también variables aleatorias. Tendrán una distribución de probabilidad, con esperanza y varianza. r k se distribuye asintóticamente normal y es insesgado. Es decir, esperanza matemática es el parámetro poblacional ρ k Su varianza viene dada por la expresión: Var(r k ) 1/T Σ q k=-q ρ 2 k Sustituyendo los parámetros poblacionales por sus estimadores se obtendrá la fac muestral. La varianza aumenta al aumentar k. Un correlograma está formado por las correlaciones estimadas y sus desviaciones típicas.

25 El correlograma: contrastes de significación Los valores del correlograma oscilarán con valores distintos de cero aunque los correspondientes valores de la FAC sean cero. Es necesario contrastar mediante el estadístico t a partir de un valor del correlograma, si el correspondiente parámetro de la FAC es cero

26 Contraste de la Q Se denomina contraste de Box-Pierce & Ljung-Box Es un estadístico para contrastar la existencia de una correlación superior a la de orden uno. La hipótesis nula es que no hay autocorrelación de orden k. Se distribuye como un chi-cuadrado con un número de grados de libertad igual al número de autocorrelaciones que se contrastan. El estadístico es el siguiente: Q= T (T+2) Σ j=1 k r 2 j / (T-j)

27 El correlograma: contrastes de significación