MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS CON REDES NEURONALES BACKPROPAGATION DEPENDIENTE DEL TIEMPO
|
|
- Juan Antonio Hernández Iglesias
- hace 5 años
- Vistas:
Transcripción
1 MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS CON REDES NEURONALES BACKPROPAGATION DEPENDIENTE DEL TIEMPO Por: Dr. Jairo Peruz Campo. Físico, Con Esudios De Maesría En Física. Insrucor, Asesor Y Desarrollador Con MATLAB. Invesigador en Redes Neuronales Arificiales. Invesigador U. de Medellín. s: peruzjairo@yahoo.es, jairoperuz@homail.com financiera objeo de análisis. Luego RESUMEN procedimos a la respeciva ejecución, obeniendo los resulados del precio Nuesro propósio es presenar una meodología promedio ponderado diario, de las acciones complea desinada a idenificar, esimar y de Bavaria, que ransan en la bolsa de analizar modelos de series de iempo, haciendo acciones. Por ese méodo, el nivel de uso de procedimienos esadísicos radicionales, y de manera alerna, un sisema neuronal aproximación supera un poco más del 98% de eficiencia. Seguidamene, procedimos a apropiado. Los modelos ARIMA han enido un implemenar nuesro problema con un imporane éxio en los esudios financieros sisema neuronal. La area esencial del debido a su gran uilidad en la predicción, a coro plazo, de series con ala frecuencia. Lo que se raa es de idenificar el proceso esocásico que ha generado los daos, esimar los parámeros que caracerizan dicho proceso, y validar las hipóesis que han permiido la esimación de dichos parámeros. Si dichos supuesos no se cumplieran, la fase de verificación sirve como rabajo consisió en omar esos daos como enradas de una esrucura neuronal, la cual una vez diseñada y enrenada, mediane el proceso de simulación nos arrojaría unos resulados que represenarían la valoración de las acciones de Bavaria en las fechas esablecidas. La siuación planeada nos reroalimenación para una nueva fase de indica que los daos no pueden ser idenificación. Cuando se saisfagan las ingresados al mismo iempo, sino uno por condiciones de parida, se puede uilizar el modelo para pronosicar. Nuesra aplicación la iniciamos omando una muesra represenaiva de las acciones día, por lo que opamos por una red neuronal que fuera consisene con esa condición, es decir, una red lineal con reardos. de Bavaria, cuyos regisros represenan la coización de la acción a parir de la fecha 01/02/2001, hasa su finalización en 4/21/2005. Una vez ingresada la base de Palabras claves: Arima, Arch, Garch, Redes neuronales, Series de iempo, Predicción, Línea de reardos, Filro lineal, Precio de acciones. daos a la plaaforma MATLAB, procedimos al correspondiene raamieno esadísico, y mediane la aplicación inegrada de los 1. INTRODUCCIÓN méodos arriba mencionados, elaboramos Los modelos ARIMA han enido un imporane un modelo ajusado a la serie de iempo éxio en los esudios financieros debido a su gran
2 uilidad en la predicción, a coro plazo, de series con ala frecuencia. Los modelos ARIMA consan de las siguienes eapas: 1. Idenificación del modelo. 2. Esimación de los parámeros involucrados. 3. Validación de los supuesos en que se fundamena el modelo. 4. Pronósico Lo que se raa es de idenificar el proceso esocásico que ha generado los daos, esimar los parámeros que caracerizan dicho proceso, validar las hipóesis que han permiido la esimación de dichos parámeros. Si dichos supuesos no se cumplieran, la fase de verificación sirve como reroalimenación para una nueva fase de idenificación. Cuando se saisfagan las condiciones de parida, se puede uilizar el modelo para pronosicar. Los modelos ARIMA nos ofrecen una guía de acción muy ineresane para la predicción en los mercados financieros y valoración de empresas. Fases de la aplicación ARIMA Noviembre Represenación gráfica. Transformación de la varianza. Eliminación de la endencia. Idenificación del modelo. Esimación de coeficienes. Conrases de validez. Análisis de errores. Selección del modelo. Predicción. Para la obención de esimadores con propiedades esocásicas adecuadas de los parámeros de un modelo ARMA, es necesario que la serie muesral que uilizamos para la esimación sea esacionaria en media y varianza. Con la serie ransformada, en un proceso esacionario, es posible esimar un modelo ARMA. Ya que, un modelo ARIMA (p, d, q) no es mas que un modelo ARMA (p, q) aplicado a una serie inegrada de orden d, l (d), es decir, a la que ha sido necesario diferenciar d veces para eliminar la endencia. Por lo ano la expresión general de un modelo ARIMA (p, d, q) viene dada por Recolección de daos. y = φ y φ y + ε θ ε... θ ε d d d 1 1 p p 1 1 q q Para la idenificación del orden de inegrabilidad, eso es, para deerminar el número de veces que será necesaria diferenciar la serie para hacerla esacionaria en media, exisen dos procedimienos fundamenales como son el Tes Dickey-Fuller (DF), o Tes Dickey-Fuller Aumenado (ADF) y el Tes de Phillips-Perron (Tes PP). Especificación de un modelo ARCH Los modelos ARCH ienen su origen en un arículo de ENGLE (1982), en el que se preendía obener una predicción adecuada para la inflación en el Reino Unido, sujea a fuere volailidad y con períodos de especial calma o de especial agiación. El proceso ARCH(p) viene definido por la siguiene expresión:
3 ε = a σ UDES p 2 2 = + i i i= 1 σ ω α ε Donde se dan las siguienes resricciones: 1. a ~ N ( 0,1) 2. ω > 0, αi 0 i 1, 2,..., p α 1 + α α p < ε ~ 1 ( 0, Ω N σ ) =, Modelo GARCH La modelación del GARCH proviene de avances en la modelación de la volailidad en la década pasada, ese proceso se inroduce en el grupo de análisis que raa el exceso de kurosis y la volailidad, dos caracerísicas imporanes de las series financieras. Esas caracerísicas proporcionan una adecuada predicción de las varianzas y las covarianzas del reorno de los acivos a ravés de su facilidad para modelar la variación en el iempo de las varianzas condicionales. Se pueden aplicar modelos GARCH en cualquiera de los diversos campos de la adminisración del riesgo, de la adminisración de porafolios, en la colocación de acivos, en la valoración de opciones, en las asas de cambio y en la esrucura de asas de inerés. El proceso GARCH (heeroscedasicidad condicional auorregresiva generalizado desarrollado por Bollerslev en 1987), es un modelo simérico que acúa como un mecanismo adapaivo que iene en cuena la varianza condicionada en cada eapa. Una limiación imporane del modelo GARCH es que la varianza condicionada responde de la misma manera a los residuos posiivos que a los negaivos, caracerísica que conradice el comporamieno observado en las series emporales de daos financieros. Un modelo GARCH(p,q) se define como un proceso esocásico emporal discreo Donde, a ~ N (0,1) ε = a σ ε al que: σ = α + α ε α ε + β + σ p p 1 siendo, p > 0 y q 0, α 0 > 0, α 0 ( i = 1,..., p ), β 0 ( i 1,..., q Donde i = ) 2 σ es la varianza condicionada del proceso. Cuando q = 0 se obiene un modelo ARCH(p) (Auoregressive Condiional Heeroscedasiciy). A. Red Lineal con Reardos Para implemenar esa red necesiamos de una nueva componene, la línea de reardos, pudiendo de esa manera lograr un uso oal de la red lineal. La salida de la línea de reardo (TDL) es un vecor de N-dimensiones, el cual se configura con la señal de enrada en el iempo acual y la señal de enrada anerior. i
4 2. MODELO ARIMA PARA EL PRECIO DE LAS ACCIONES DE BAVARIA Se ienen los regisros de los precios de las acciones de Bavaria desde el 2 de febrero de 2001 al 21 de abril de Filro Lineal Gráfico de los precios Es posible y apropiado combinar una línea de reardo con una red lineal, para crear el filro lineal, el cual se consiuye en nuesro sisema neuronal. La red que esamos considerando, esá referenciada en el campo del procesamieno de señales digiales como un filro de respuesa de impulso finio(fir). Nuesro procedimieno específico de rabajo consisió en diseñar, enrenar y simular un filro lineal (compueso de una línea de reardo y una red lineal ), al cual le ingresamos un conjuno de daos (acciones de Bavaria) a ravés de la línea de reardos, con el propósio de predecir valores fuuros de series de iempo, en donde los valores próximos en una señal, esán dados por los valores aneriores de la misma PR ECIO Esacionariedad
5 Se realizo el es de raíz uniaria de Dickey-Fuller para deerminar si el proceso es esacionario; si no lo es, deerminar el número de diferencias que se requiere para que el proceso sea esacionario. Noviembre Con la ecuación anerior (1) se pueden obener las predicciones para el precio de las acciones de Bavaria. La serie inicial no es esacionaria. Se demosró uilizando el es de Dickey Fuller que al diferenciar una vez la serie se orna esacionaria en media. Después de esimar el modelo se realizo el es de muliplicadores de Lagrange para deerminar si exisía efeco Arch. En dicho es se rechazó la hipóesis de que no exisía efeco ARCH, es decir que debemos esimar la volailidad, ya que exise presencia de efeco ARCH. 2.1 RESULTADOS Esableciendo el análisis comparaivo enre los resulados reales de las acciones de Bavaria y los valores regisrados mediane el modelo Arima, el error relaivo porcenual es del % (precisión: %), pero pariendo del regisro numero 2 hasa el 979. Finalmene se enconró que el modelo esimado es un TARCH (heeroscedasicidad condicional auorregresiva por ramos) y se esiman los 3. MODELO NEURONAL PARA EL PRECIO DE LAS ACCIONES DE BAVARIA rendimienos promedio y la volailidad. La Nuesro meodología de rabajo se orienó a ecuación para los rendimienos es diseñar, enrenar y simular un filro lineal W = W + ε 1 (1) Y la ecuación para la varianza condicional heeroscedasica es Elaborar la gráfica respeciva, la cual nos = ε ε 1 permie visualizar la serie 1 de iempo. h E d h Deerminar la correspondiene línea de reardos mediane el empleo de una Donde función apropiada, a ravés de la cual d 1 1 si ε 1 0 = 0 si ε 1 > 0 (compueso de una línea de reardo y una red lineal ), para lo cual procedimos a : Ingresar la base de daos inicialmene en EXCEL al espacio de rabajo de MATLAB. Cargar los daos a unas variables específicas de rabajo. ingresamos el conjuno de daos (acciones de Bavaria) Diseñar la red lineal: enconrar los pesos y el bias para la neurona. Simular la red: obener la salida para las señales reardadas
6 Comparar la señal debida a la red neuronal, con la señal real: cálculo de errores 3.1 RESULTADOS Debido a la implemenación de una gran canidad de filros, el análisis comparaivo nos arrojó una gran canidad de resulados que nos marcaron una rua de minimización progresiva del error, pudiendo enconrar en el filro lineal de 978 reardos (desde el regisro número 1 hasa el 979), la coincidencia oal, es decir, una precisión del 100%. 4. COMENTARIOS FINALES 1) BIBLIOGRAFIA Aznar, A. S., J. T. Trívez. Méodos de Predicción en Economía. Ediorial Ariel, S.A. España Uriel, E. Inroducción al análisis de series emporales. Modelos ARIMA. Ediorial Paraninfo, S.A. España. Primera Edición Wei. W. S. Time Series Analysis. Addison-Wesley Angel Vilariño Sanz. Turbulencias financieras y riesgos de mercado Tsay Ruey S. Análisis of financial ime series Waler Enders. Applied Economeric Time Series. John Wiley & Sons, Inc El méodo Arima nos suminisra la rigidez propia de los modelos maemáicos, lo cual es prenda de garanía para la consisencia de los resulados que han de obenerse. Una vez esablecido, su manejo es ágil e inmediao. Manual de Malab. The MATHWORKS Inc. Neural Neworks TOOLBOX. User s Guide. The MATHWORKS Inc. Mediane la implemenación del sisema neuronal propueso, para opimizar los resulados se requiere experimenar con un buen número de filros, llegando a obener resulados que superaron a los obenidos por los méodos esadísicos empleados. Lo esencial en la predicción de un valor fuuro, consise en disponer del mayor volumen de información pasada, permiiendo que la esrucura neuronal pueda calcular de manera más precisa, en la medida que se posibilia conar con los promedios de los regisros aneriores.
Ponenecia No. 9. ARIMA, ARCH, GARCH Y REDES NEURONALES: MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS
ARIMA, ARCH, GARCH Y REDES NEURONALES: MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS Fredy Ocaris Pérez Ramírez * Jairo Peruz Campo ** RESUMEN Nuesro propósio es presenar una meodología complea
Más detallesTema 3. Especificación, estimación y validación de modelos ARIMA
Tema 3. Especificación, esimación y validación de modelos ARIMA. La Meodología Box-Jenkins. Especificación inicial.. Conrases de raíces uniarias.. Análisis de correlogramas y correlogramas parciales 3.
Más detallesCurso 2006/07. Tema 1: Procesos Estocásticos. Caracterización de los procesos ARIMA. stico
Curso 6/7 Economería II Tema : Procesos Esocásicos. Caracerización de los procesos ARIMA. Concepo de proceso esocásico sico. Esacionariedad fuere y débil de los procesos esocásicos. Teoremas de ergodicidad
Más detallesCOBERTURA DE CARTERAS ÍNDICE DE RENTA VARIABLE CON FUTUROS SOBRE EL IBEX 35
UNIVERSIDAD COMPLUTENSE DE MADRID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES Deparameno de Economía Financiera y Conabilidad III (Economía y Adminisración Financiera de la Empresa) COBERTURA DE CARTERAS
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesAnálisis estocástico de series temporales
Análisis esocásico de series emporales Ernes Pons (epons@ub.edu) Análisis esocásico de Series Temporales Moivación Ejemplos 4500000 8 4000000 6 3500000 4 3000000 2 0 2500000-2 2000000-4 500000-6 000000-8
Más detallesDeterminación de las garantías para el contrato de futuros de soja en pesos. Value at Risk
Deerminación de las garanías para el conrao de fuuros de soja en pesos. Value a Risk Gabriela acciano inancial Risk Manager gfacciano@bcr.com.ar Direcora Deparameno de Capaciación y Desarrollo de Mercados
Más detallesECONOMETRÍA APLICADA A LA TOMA DE DECISIONES
ECONOMETRÍA APLICADA A LA TOMA DE DECISIONES EMPRESARIALES Lección 3: Heeroscedasicidad. S jm1 Diaposiiva 1 jm1 Se agradece la conribución de los profesores Arranz, Suárez y Zamora, cuyos maeriales de
Más detallesAnálisis de Series Temporales. Jose Jacobo Zubcoff. Departamento de Ciencias del Mar y Biología Aplicada
Análisis de Series Temporales Jose Jacobo Zubcoff Deparameno de Ciencias del Mar y Biología Aplicada Inroducción al análisis de series emporales Objeivo: analizar la evolución de una variable a ravés del
Más detallesExamen de Econometría II 12 de Enero de 2010
Examen de Economería II 12 de Enero de 2010 ---------------------------------------------------------------------------------------- Apellidos y Nombres: Grupo: ----------------------------------------------------------------------------------------
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detallesEstimación de modelos de volatilidad estocástica asimétrica. Aplicación en series de rendimientos de índices bursátiles.
Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos de índices bursáiles. Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos
Más detallesEspecificación y Estimación de los MODELOS ARCH. Horacio Catalán Alonso
Especificación y Esimación de los MODELOS ARCH Horacio Caalán Alonso Noviembre de 0 Caracerísicas de las series financieras:. Son lepokuricas (achaadas y con colas más gordas).las relaciones enre ganancia
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 3
Esadísica Indusrial Universidad Carlos III de Madrid Series emporales Prácica 3 Objeivos: Coninuar con la idenificación de procesos auoregresivos (AR) y de media móvil (MA), mediane la función de auocorrelación
Más detallesModelación de la volatilidad
Revisa Ingenierías Universidad de Medellín 5(9): 45-58 julio-diciembre de 6 Modelación de la volailidad y pronósico del precio del café Fredy Ocaris Pérez Ramírez* Recibido: /7/6 Acepado: 7/9/6 RESUMEN
Más detallesCAPITULO IV DESARROLLO DE LA INVESTIGACIÓN. En este capítulo se expondrán los métodos utilizados para el pronóstico de los siniestros
CAPITULO IV DESARROLLO DE LA INVESTIGACIÓN En ese capíulo se expondrán los méodos uilizados para el pronósico de los siniesros del seguro de Gasos Médicos Mayores, con base en los daos proporcionados por
Más detallesGUÍA DE EJERCICIOS 3 ECONOMETRÍA II., se quiere decidir sobre el número de raíces unitarias mediante un test Dickey-Fuller del tipo
GUÍA DE EJERCICIOS 3 ECONOMETRÍA II 1) Para una deerminada serie, y, se quiere decidir sobre el número de raíces uniarias mediane un es Dickey-Fuller del ipo y y 1 p i 2 y i i 1 Responda a las siguienes
Más detallesR 2 = 0,9945 R 2 = 0,9937
II EXÁMENES DE ECONOMETRÍA 1 Se han esimado con una muesra de 39 observaciones las siguienes funciones de producción por el méodo de MCO: ˆ 1,3,3,55 O ˆ = α L K e R =,9945 ˆ ˆ 1,41,47 O = β L K R =,9937
Más detallesModelos estacionarios de series temporales
Modelos esacionarios de series emporales Inroducción En ese capíulo se presena una meodología para analizar una serie emporal X, únicamene en función de los valores pasados de dicha serie. La idea básica
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detalles11. PREVISIÓN DE LA DEMANDA
. PREVIIÓN E LA EMANA. INROUCCIÓN Anes de comenzar a desarrollar las cuenas previsionales de exploación, la empresa iene que realizar una esimación del volumen de venas que generará la acividad diaria
Más detalles4. SERIES TEMPORALES Y
4. SERIES TEMPORALES Y NÚMEROS ÍNDICE Objeivo Esudiar la evolución de una variable en el iempo. Bibliografia recomendada Peña y Romo (1997). Capíulos 11 y 12. Índice 1. Represenación gráfica de una serie
Más detallesMetodología de la estimación de los ingresos anuales y mensuales
Meodología de la esimación de los ingresos anuales y mensuales En cumplimieno con lo esablecido en la fracción III, inciso a), del Arículo 41 de la Ley Federal de Presupueso y Responsabilidad Hacendaria,
Más detallesMetodología para el pronóstico de los ingresos anuales y mensuales
Meodología para el pronósico de los ingresos anuales y mensuales En cumplimieno con lo esablecido en la fracción III, inciso a), del Arículo 41 de la Ley Federal de Presupueso y Responsabilidad Hacendaria,
Más detallesPATRON = TENDENCIA, CICLO Y ESTACIONALIDAD
Pronósicos II Un maemáico, como un pinor o un poea, es un fabricane de modelos. Si sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico,
Más detallesModelos de Heteroscedasticidad Condicional
Modelos de Heeroscedasicidad Condicional El objeivo de ese ema es esudiar algunos méodos esadísicos y modelos economéricos disponibles en la lieraura para modelizar la volailidad del rendimieno de un acivo.
Más detallesComentarios de la Nota Técnica sobre la Determinación del Incremento de la Reserva de Previsión
Comenarios de la Noa Técnica sobre la Deerminación del Incremeno de la Reserva de Previsión Fernando Solís Soberón y Rosa María Alaorre Junio 1992 Serie Documenos de Trabajo Documeno de rabajo No. 3 Índice
Más detallesMODELACIÓN DEL RÉGIMEN DEL CAUDAL MENSUAL EN LA CUENCA BAJA DEL RÍO DAGUA MEDIANTE SERIES DE TIEMPO ESTACIONALES
49 MODELACIÓN DEL RÉGIMEN DEL CAUDAL MENSUAL EN LA CUENCA BAJA DEL RÍO DAGUA MEDIANTE SERIES DE TIEMPO ESTACIONALES Jefferson Valdés Baso Esudiane. Universidad del Valle, Escuela de Ingeniería Indusrial
Más detallesNotas sobre Análisis de Series de Tiempo: Estacionariedad, Integración y Cointegración
Noes on Time Series Analysis:\Saionariy, Inegraion and Coinegraion hp://www.personal.rdg.ac.uk/~lessda/lecure3.hm Noas sobre Análisis de Series de Tiempo: Esacionariedad, Inegración y Coinegración Generalidades
Más detallesMODELOS DE VOLATILIDAD DEL FUTURO SOBRE EL BONO NOCIONAL A 10 AÑOS ABSTRACT
MODELOS DE VOLATILIDAD DEL FUTURO SOBRE EL BONO NOCIONAL A 10 AÑOS Ricardo Gimeno a (Universidad Ponificia Comillas) y Eduardo Morales b (Universidad San Pablo CEU) ABSTRACT La información proporcionada
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesQué es la Econometría? Parte II
Qué es la Economería? Pare II Esrucura de los daos económicos Necesarios, una vez que se ha especificado el modelo economérico Se necesian de odas las variables que inervienen Tipos de daos: 1. Daos de
Más detallesMétodos de Previsión de la Demanda Pronóstico para Series Temporales Niveladas Representación Gráfica
Méodos de Previsión de la Demanda Pronósico para Series Temporales Niveladas Represenación Gráfica REPRESENTACIÓN GRÁFICA DE LA SERIE DE DATOS Período i Demanda Di 25 2 2 3 225 4 24 5 22 Para resolver
Más detallesProyección de tasas de actividad
Proyección de asas de acividad Noa meodológica. Inroducción El raar de anicipar el comporamieno fuuro de la población en relación con el mercado de rabajo iene un inerés evidene, pues ofrece información
Más detallesSesión 2 Análisis univariado de series de tiempo. 5. Series de tiempo no estacionarias en media
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión 2 Análisis univariado de series de iempo 5. Series de iempo no esacionarias en media La maoría
Más detallesCapítulo 3 Valoración de inversiones en condiciones de certeza
PARTE I: La decisión de inversión Capíulo 3 Valoración de inversiones en condiciones de cereza 3.1. Crierios clásicos de evaluación y selección de proyecos de inversión 3.1.1 Modelos esáicos: el plazo
Más detallesECONOMETRÍA II CURSO Segunda evaluación parcial. donde y son variables artificiales centradas relativas al trimestre i.
ECONOMETRÍA II CURSO 2008 Segunda evaluación parcial ) Suponga dos procesos diferenes para la variable rimesral donde y son variables arificiales cenradas relaivas al rimesre i. Responda si las siguienes
Más detallesSesión 2 Análisis univariado de series de tiempo
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión Análisis univariado de series de iempo 4. Series de iempo esacionarias 4.. Qué enendemos por proceso
Más detallesINCIDENCIA DEL IVA EN LOS INDICES DE PRECIOS AL CONSUMIDOR Y AL PRODUCTOR. RESUMEN
INCIDENCIA DEL IVA EN LOS INDICES DE PRECIOS AL CONSUMIDOR Y AL PRODUCTOR. Jandry Humbero Morea Zambrano 1 Ec. Manuel González RESUMEN La presene invesigación, iene por objeivo analizar mediane herramienas
Más detallesUNA APLICACIÓN DEL MODELO EGARCH PARA ESTIMAR LA VOLATILIDAD DE SERIES FINANCIERAS
Revisa Ingenierías Universidad de Medellín UNA APLICACIÓN DEL MODELO EGARCH PARA ESTIMAR LA VOLATILIDAD DE SERIES FINANCIERAS Horacio Fernández Casaño * Recibido: 15/04/009 Acepado: 08/10/010 RESUMEN En
Más detallesLicenciatura de ADE y Licenciatura conjunta Derecho y ADE. Hoja de ejercicios 3
Licenciaura de ADE y Licenciaura conjuna Derecho y ADE Hoja de ejercicios 3 Ejercicio 1 El análisis de series emporales puede aplicarse a la resolución de muliud de problemas económicos. Uno de los que
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 2. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.. Dado los dos siguienes procesos:
Más detalles2.2 Redes neuronales artificiales
2.2 Redes neuronales arificiales Los modelos de redes neuronales arificiales inenan reproducir el comporamieno del cerebro (ver figura 2.2), es decir, cada neurona esá caracerizada por enradas de acivación
Más detallesUna aplicación Bayesiana a la Modelización de Mercados
Una aplicación Bayesiana a la Modelización de Mercados Maser Oficial en Ingeniería Maemáica Problema planeado por BAYES INFERENCE, S. A. Exposición del problema (I) Se considera un mercado de compeencia
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA Insrucor: Horacio Caalán TEORÍA DE COINTEGRACIÓN Efecos de las propiedades esocásicas de las series en un modelo de regresión
Más detallesEstudio Empírico de la Selección y Estimación de los Modelos de Crecimiento Estadístico
Esudio Empírico de la Selección Esimación de los Modelos de Crecimieno Esadísico S. Amirkhalhali, U.L.G. Rao and S. Amirkhalkhali 1 Resumen: En ese papel se comparan los modelos de crecimieno Lineal Exponencial
Más detallesAnálisis de series temporales y. Modelos autoregresivos. Series temporales.
Análisis de series emporales y Modelos auoregresivos. Series emporales. Una serie emporal es una secuencia ordenada de valores, correspondienes a la magniud de una variable en un deerminado insane en el
Más detalles1. Descripción de modelos desarrollados en el BCN. 2. Comentarios generales a los modelos. 3. Limitaciones para el desarrollo de investigaciones
Siuación del uso de modelos economéricos en Nicaragua Rigobero Casillo C México, 2 y 3 de diciembre del 2004 Esrucura de la presenación. Descripción de modelos desarrollados en el BCN. 2. Comenarios generales
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detallesDinámica del tipo de cambio en el Perú: Una aproximación a través de modelos de volatilidad
Dinámica del ipo de cambio en el Perú: Una aproximación a ravés de modelos de volailidad Vicor D. Chique Acero XXV ENCUENTO DE ECONOMISTAS DEL BANCO CENTRAL DE RESERVA DEL PERÚ Lima, 2 de Diciembre de
Más detallesCAPÍTULO 3 METODOLOGÍA. En este capítulo se describe la obtención y el funcionamiento del modelo de
CAPÍTULO 3 METODOLOGÍA En ese capíulo se describe la obención y el funcionamieno del modelo de Nelson y Siegel, el cual es fundamenal para obener las esrucuras emporales que servirán para comprender la
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesMetodología para obtención de Series de Empleo continuas.
Deparameno de Meodología Esadísica Meodología para obención de Series de Empleo 1998-2006 coninuas. Deparameno Meodología Esadísica. Insiuo Nacional de Esadísica. Saniago, Agoso del 2006. Suavizamieno.
Más detallesNombre y Apellidos:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja de respuesas.
Más detallesEstimación puntual ± Margen de error
Esimación Punual Para esimar el valor de un parámero poblacional se calcula la caracerísica correspondiene de la muesra, a lo que se le conoce como esadísico muesral. A la media muesral x se le idenifica
Más detallesÍndices de Producción Industrial base Notas metodológicas
Índices de Producción Indusrial base 2005. Noas meodológicas Inroducción El Índice de Producción Indusrial (IPI) correspondiene a Enero de 2009 es el primero que se publica en la nueva base y uilizando
Más detallesNombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja
Más detallesEconometría de Series de Tiempo 1
Economería de Series de Tiempo Economería II Prof. Arlee Belran Barco En esa sección, se desarrollará un análisis de la economería de series de iempo que abarcará res grandes emas: el análisis univariado,
Más detallesSerie Apuntes de Clase ΩΒΓ
Serie Apunes de Clase ΩΒΓ N 4 Seiembre del 04 Rafael Busamane Romaní UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Universidad del Perú, DECANA DE AMÉRICA FACULTAD DE CIENCIAS ECONÓMICAS La Serie Apunes de
Más detallesCurso Combinado de Predicción y Simulación Edición 2004
Curso Combinado de Predicción y Simulación www.uam.es/predysim Edición 2004 UNIDAD 2: TÉCNICAS ELEENTALES DE PREDICCIÓN CASO DE APLICACIÓN 1.- Predicción y simulación de los coses salariales en España
Más detallesESTUDIO MULTIVARIADO DE LAS SERIES DE TIEMPO TASA DE DESO- CUPACIÓN DE GRAN BUENOS AIRES Y GRAN ROSARIO,
Décimas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas Esadísica, noviembre de 2005 Blaconá, María Teresa* Bussi, Javier** *Insiuo de Invesigaciones Teóricas Aplicadas de la Escuela de
Más detallesCurso 2006/07. Tema 2: El incumplimiento de la hipótesis de estacionariedad. Cómo resolverla. 2. La falta de estacionariedad en varianza
Economería II Tema 2: El incumplimieno de la hipóesis de esacionariedad. Cómo resolverla. Inroducción 2. La fala de esacionariedad en varianza 3. La fala de esacionariedad en media Tema 2 2. Inroducción
Más detallesVOLATILIDAD DE LA TASA DE CAMBIO PESO DÓLAR: ESTIMACIÓN DE UN INDICADOR PARA LA GESTIÓN DEL RIESGO Y LA PLANEACIÓN DE ESTRATEGIAS DE INVERSIÓN
VOLATILIDAD DE LA TASA DE CAMBIO PESO DÓLAR: ESTIMACIÓN DE UN INDICADOR PARA LA GESTIÓN DEL RIESGO Y LA PLANEACIÓN DE ESTRATEGIAS DE INVERSIÓN MARCELA CONSTANZA TECANO MOLANO Direcor Ingeniero DIEGO HERNÁNDEZ
Más detallesESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ESTUDIO DE MERCADO. MÉTODOS DE PROECCIÓN Qué es una proyección? Es una esimación del comporamieno de una variable en el fuuro. Específicamene, se raa de esimar el valor de una variable en el fuuro a parir
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detallesModelos Markov con Probabilidades de Transición Variantes: Una Aplicación al Análisis de Crisis Cambiarias
Modelos Markov con Probabilidades de ransición Varianes: Una Aplicación al Análisis de Crisis Cambiarias Albero Humala XXIV Encuenro de Economisas Gerencia de Esudios Económicos 13 15 Diciembre Moivación
Más detallesModelización univariante
Modelización univariane Miguel Jerez Universidad Compluense de Madrid Febrero 5 Slide # Índice Inroducción Procesos esocásicos elemenales Insrumenos de idenificación Idenificación y diagnosis Noación de
Más detallesEL MODELO P* COMO INDICADOR DE PRONÓSTICO DE LA INFLACIÓN EN REPÚBLICA DOMINICANA
EL MODELO P* COMO INDICADOR DE PRONÓSTICO DE LA INFLACIÓN EN REPÚBLICA DOMINICANA Alexander Medina Banco Cenral de la República Dominicana Mayo 2007 Conenido Objeivo del Esudio Enorno Económico de República
Más detallesModelo de Vector de Corrección de Error (VEC) y Modelo de Vector Autorregresivo (VAR)
Modelo de Vecor de Corrección de Error (VEC) Modelo de Vecor Auorregresivo (VAR) Hemos esudiado las propiedades de los daos de series de iempo las relaciones de coinegración enre pares de series no esacionarias.
Más detallesObservatorio Económico
México Observaorio Económico Ociel Hernández o.hernandez@bbva.bancomer.com Expecaivas de políica monearia de los mercados financieros Esimación de la políica monearia implícia en la curva IRS La prima
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA-LEÓN FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICA Y ESTADÍSTICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA-LEÓN FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICA Y ESTADÍSTICA MODELO DE SERIES TEMPORALES, APLICADO A CASOS DE MALARIA, MUNICIPIO DE CHINANDEGA, DEPARTAMENTO
Más detallesIDENTIFICACIÓN EN LÍNEA DE LA FUNCIÓN DE TRANSFERENCIA DE UNA MÁQUINA SÍNCRONA
Scienia e echnica Año XI No 28 Ocubre de 2005 UP. ISSN 0122-1701 31 IDENIFICACIÓN EN LÍNEA DE LA FUNCIÓN DE RANSFERENCIA DE UNA MÁQUINA SÍNCRONA RESUMEN Se presena el uso del algorimo de proyección como
Más detallesQué explica las fluctuaciones de la inflación en el Perú en el periodo ? *
Qué explica las flucuaciones de la inflación en el Perú en el periodo 22-28? * Jorge Salas (BCRP) Encuenro de Economisas BCRP 26 de noviembre, 28 *El conenido de esa presenación es solo de responsabilidad
Más detallesPronósticos de Ingresos y Gastos Anuales a partir de datos mensuales: Una ilustración para Colombia.
Universidad Icesi Pronósicos de Ingresos y Gasos Anuales a parir de daos mensuales: Una ilusración para Colombia. Julio César Alonso 1, Mauricio Alejandro Arcos 1 1 UNIVERSIDAD ICESI, CIENFI (Cenro de
Más detallesASPECTOS METODOLÓGICOS DE INDICADORES DE VOLUMEN DE VENTAS, DE ARTÍCULOS ELABORADOS POR LA ACTIVIDAD MANUFACTURERA. Lima noviembre 2008
Índice de volumen de venas de la producción indusrial ASPECTOS METODOLÓGICOS DE INDICADORES DE VOLUMEN DE VENTAS, DE ARTÍCULOS ELABORADOS POR LA ACTIVIDAD MANUFACTURERA Lima noviembre 2008 Rolando Porilla
Más detallesResumen. Hipótesis central
Alguna Evidencia sobre los Cosos de Dificulades Financieras 2º Congreso Nacional e Inernacional de Finanzas de la Empresa y Mercado de Capiales Consejo Profesional de Economía a de la Ciudad Auónoma de
Más detalles1. INTRODUCCIÓN. XVI Jornadas ASEPUMA IV Encuentro Internacional Vol Actas_16 Issue 1: 901
Esimación de un nuevo modelo de volailidad esocásica asimérico por umbrales (modelo TA-ARSV). Aplicación a series de rendimieno del precio medio de maerias primas Esimación de un nuevo modelo de volailidad
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detallesSerie Apuntes de Clase ΩΒΓ
Serie Apunes de Clase ΩΒΓ N 06 Ocubre del 014 Rafael Busamane Romaní UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Universidad del Perú, DECANA DE AMÉRICA FACULTAD DE CIENCIAS ECONÓMICAS La Serie Apunes de
Más detalles5. Modelos dinámicos
5. Modelos dinámicos Los modelos lineales dinámicos son un caso paricular de una clase más grande de modelos dinámicos. En general los modelos dinámicos se caracerizan por ener una dinámica en los parámeros
Más detallesModelos Multivariantes Recursivos. Variables exógenas. Modelos Uniecuacionales
Modelos Mulivarianes Recursivos. Variables exógenas. Modelos Uniecuacionales Moivación (I) En los 3 primeros emas hemos viso la modelización ARIMA univariane. Los modelos ARIMA no son modelos economéricos
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 1. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios 1 Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.1. Se ha modelizado la variable v de dos modos diferenes: (1)
Más detallesGESTIÓN DE INVENTARIOS Código: M. Docente: Julio César Londoño Ortega
GESTIÓN DE INVENTARIOS Código: 760033M Docene: Julio César ondoño Orega 1. Concepos avanzados de pronósicos de demanda 1. CONCEPTOS AVANZADOS DE PRONÓSTICOS DE DEMANDA Medición y análisis de los errores
Más detalles3.8. PROBLEMAS 205. s 1 (t) s 3 (t) Figura 3.43: Señales para el Problema 3.1. b) Obtenga las coordenadas de cada señal en la base correspondiente.
38 PROBLEMAS 5 38 Problemas Problema 3 Para las cuaro señales de la Figura 343: s () s () 3 3 3 s 3 () - s () 3 Figura 343: Señales para el Problema 3 a) Encuenre un conjuno de señales oronormales, que
Más detallesESTIMACIÓN DEL RIESGO BURSÁTIL MEDIANTE REGRESIÓN POR CUANTILES 1
Revisa de Invesigación en Modelos Financieros Año 4 Vol 1 (2014) 87-102 ESTIMACIÓN DEL RIESGO BURSÁTIL MEDIANTE REGRESIÓN POR CUANTILES 1 JULIO EDUARDO FABRIS Insiuo de Invesigaciones Económicas (IIE),
Más detallesTema 3 Sistemas lineales.
Tema 3 Sisemas lineales. Podemos definir un sisema como un grupo o combinación de elemenos inerrelacionados o íner-acuanes que forman una enidad coleciva. En el conexo de los sisemas de comunicación los
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Series Temporales
Esadísica Descripiva y Analisis de Daos con la Hoja de Cálculo Excel Series Temporales Serie emporal una serie emporal es una sucesión de observaciones de una variable realizadas a inervalos regulares
Más detallesTema 10 La economía de las ideas. El modelo de aumento en el número de inputs de Romer (1990)
Tema 0 La economía de las ideas. El modelo de aumeno en el número de inpus de Romer (990) 0. Endogeneización de la ecnología: un doble enfoque. 0.2 El secor producor de bienes finales. 0.3 Las empresas
Más detallesEconometría II. Análisis de series temporales (I): Procesos estacionarios. Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid.
Economería II Análisis de series emporales (I): Procesos esacionarios Miguel Jerez y Sonia Sooca Universidad Compluense de Madrid Febrero 2004 Ver. /6/2003, Pag. # Índice: Inroducción Concepos básicos
Más detallesCOMPORTAMIENTO DE LA SERIE DE TIEMPO TASA DE DESOCUPACIÓN DEL GRAN ROSARIO EN EL PERÍODO
Décimas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas y Esadísica, noviembre de 005 Blaconá, María Teresa* Bussi, Javier** *Insiuo de Invesigaciones Teóricas y Aplicadas de la Escuela
Más detallesIntroducción a LS-DYNA (4 Safety)
13/04/017 Inroducción a LS-DYNA (4 Safey) Conenido 1.. Inegración en el iempo: Implício vs. Explício 1..1. Méodo Implício vs. Explício 1... Paso de iempo críico Análisis Dinámicos Los análisis esáicos
Más detallesy t = α 0 + α 1t + γ(l)ε (16.1)
CAPITULO 6 MODELOS DE SERIES DE TIEMPO NO ESTACIONARIAS 6.. INTRODUCCIÓN El análisis esadísico radicional de series de iempo, presenado en capíulo anerior, supone la exisencia de la propiedad esadísica
Más detallesMaterial sobre Diagramas de Fase
Maerial sobre Diagramas de Fase Ese maerial esá dedicado a los esudianes de Conrol 1, para inroducirse a los diagramas de fase uilizados para el Análisis de Esabilidad de los punos de equilibrio del sisema
Más detallesESTUDIO DEL PRONÓSTICO DE LA DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO
Scienia e Technica Año IX, No, Diciembre 00. UTP. ISSN 0-70 7 ESTUDIO DEL PRONÓSTICO DE LA DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO RESUMEN El presene ariculo describe un pronosico
Más detalles