Series de Tiempo. Una Introducción

Transcripción

1 Series de Tiempo. Una Introducción

2 Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino utilizar una estrategia alternativa: utilizar la información en el pasado de la misma serie. Las series de tiempo son un modelo ateórico en ese sentido y parten explicítamente del supuesto de que la historia sirve como guía para realizar inferencia sobre el futuro. Herramientas Modernas para el Manejo del Riesgo Financiero 2

3 100,00 90,00 80,00 70,00 60,00 50,00 40,00 PIB trimestral de Colombia (millones de USD) Herramientas Modernas para el Manejo del Riesgo Financiero

4 Algunas Condiciones para trabajar con series de tiempo El valor de una variable aleatoria depende de sus propios valores pasados o de una suma ponderada de perturbaciones aleatorias. es estacionario y ergódico sí: = (i) (ii) La distribución de, + 1, + 2,, + es igual a la de, + 1, + 2,, +. Para cualquier par de funciones acotadas y, +1,, + +, + +1,, + + =, +1,, + +, + +1,, + + Herramientas Modernas para el Manejo del Riesgo Financiero 4

5 En palabras: Estacionariedad: Tome n observaciones y las copara con otras n observaciones tomadas de otra parte, lo que importa es cuántas tomó y no en dónde las tomó, como distribución generadora de momentos es idéntica una implicación es que la media y la varianza son constantes. Ergodicidad: El valor esperado se puede expresar como el producto de los valores esperados para dos pedazos de distribuciones en el límite cuando N se hace infinito. También se podría entender como que las covarianzas se van a cero lo suficientemente rápido cuando N se hace infinito, tan rápido como para que el proceso sea estacionario(ergódicamente). Herramientas Modernas para el Manejo del Riesgo Financiero 5

6 Medias Móviles (MA) Con Ruido Blanco o sea de media cero y estacionario en covarianza. =0, 2 2 = >0, =0con =0, 1, 2, Se puede entender como un proceso que comenzó hace tanto tiempo que su media y covariaza se han estabilizado en valores constantes. MA (q): = con 0 =1 Herramientas Modernas para el Manejo del Riesgo Financiero 6

7 Medias Móviles (MA) Es estacionario en covarianza porque: Media: = Autocovarianza j: = = 2 + para =0,1,, =0 para > ( el proceso tiene memoria finita) =0 Herramientas Modernas para el Manejo del Riesgo Financiero 7

8 Medias Móviles (MA) 1,0 =2+ +0,6 1 0,3 2 1,0 =2+ +0,8 1 0,5 0, k k Herramientas Modernas para el Manejo del Riesgo Financiero 8

9 Procesos Autoregresivos AR (p): = Media: si el proceso es estacionario = 1 = =. = = Nótese que la condición de estacionariedad implica (aunque no se reduce a) que: 1 2 <1 Herramientas Modernas para el Manejo del Riesgo Financiero 9

10 Unapruebade la estacionariedad: pruebade Raícesunitariasde Dickey-Fuller Aumentada La prueba de raíces unitarias se basa en la estimación de dos modelos, uno restringido y otro no restringido: 1 = Y un modelo restringido: 1 = + =1 Si las restricciones se cumple, lo cual podemos probarlo a través de una prueba F, =1; =0. Se dice que la serie tiene una raíz unitaria. Es =1 decir que es NO estacionaria y entonces habrá que diferenciarla. Herramientas Modernas para el Manejo del Riesgo Financiero 10

11 Procesos Autoregresivos Un caso específico AR(1): = Media: = 1 1 con 1 <1 Haciendo =0, como desviaciones alrededor de la media para que no estorbe. Varianza: 0 = = = = Herramientas Modernas para el Manejo del Riesgo Financiero 11

12 Algunas Fórmulas Útiles Teóricamente Covarianzas: (alrededor de la media): = 1 0 = Correlación: = = 1 Este proceso tiene memoria infinita. 0 Herramientas Modernas para el Manejo del Riesgo Financiero 12

13 Función de Autocorrelación parcial: Covarianza con desplazamiento k para un proceso AR(p) = Ahora hagamos =0,1,2,,. Estas correlaciones equivalen a la estimación por MCO. = Herramientas Modernas para el Manejo del Riesgo Financiero 13

14 Función de Autocorrelación parcial: Si el orden del proceso es p, entonces 0 con > 1,0 =0, ,0 =0, ,5 0, k k Función de autocorrelación simple y parcial Herramientas Modernas para el Manejo del Riesgo Financiero 14

15 Función de Autocorrelación parcial: 1,0 =0,9 1 0, ,5 =0,9 1 0, k k Función de autocorrelación simple y parcial. Herramientas Modernas para el Manejo del Riesgo Financiero 15

16 Modelos Autorrgresivosde Medias Móviles ARMA (p,q) = Ojo que le cambié los signos al coeficiente de la parte MA para que tengan en cuenta que da la misma cosa. Si el proceso es estacionario: = Nótese que la condición de estacionariedad implica (aunque no se reduce a que: 1 2 <1 Herramientas Modernas para el Manejo del Riesgo Financiero 16

17 Consideremos un ARMA (1,1) = Con =0. 0 = = = 1 1 para 2 Correlación: 1 = 1 0 = Herramientas Modernas para el Manejo del Riesgo Financiero 17

18 Consideremos un ARMA (1,1) 1,0 = 0, ,9 1 0,5 k Herramientas Modernas para el Manejo del Riesgo Financiero 18

19 Procesos no estacionarios homogéneos ARIMA. Se pueden transformar en procesos estacionarios diferenciándolas una o más veces. Decimos que es no estacionaria homogéna de orden d si: = Δ d Es una serie estacionaria. Δ denota diferenciación Δ = 1 Δ 2 = Δ Δ 1 Herramientas Modernas para el Manejo del Riesgo Financiero 19

20 Procesos no estacionarios homogéneos ARIMA. ARIMA (p,d,q): Δ d = + es el operador autoregresivo y el operador de promedio móvil. o proceso D también me indica el orden de integracón de la serie. Existen los procesos: ARI (p,d) autoregresivo integrado de orden p,d IMA(d,q) o proceso de promedio móvil integrado de orden d,q. Herramientas Modernas para el Manejo del Riesgo Financiero 20

21 Condiciones necesarias y suficientes para la estacionariedad en un ARMA (p,q) = Con = (así nos ahorramos el = 1 Para que el proceso sea estacionario: 1 denbe converger, lo que implica que las raíces de la ecuación característica del polinomio asociado =0 deben estar todas por fuera del círculo unitario. Herramientas Modernas para el Manejo del Riesgo Financiero 21

22 Estimación: LaestimaciónserealizaparalosMAporMCO,paralosARa través de mínimos cuadrados no lineales o Máxima Verosimilitud una vez identificado el orden del proceso. Se requiere modificar un poco el supuesto de exogeneidad estricta (es decir que el término de perturbación es ortogonal al pasado, presente y futuro de los regresores), por uno de exogeneidad débil que requiere demostraciones de teoría asintótica para usar MCO cuando se tenga una muestra más grande. Herramientas Modernas para el Manejo del Riesgo Financiero 22

23 Algoritmo de estimación Análisis de la estanilidad del mundo: Grafique la serie y analícela. Haga pruebas de Raíz Unitaria del Tipo Dickey Fuller para probar al estacionariedad de la serie (recuerde que la hipótesis nula es que la serie tiene una raíz unitaria, es decir que no es estacionaria) Diferencia la serie el número de veces que sea necesario Análisis de los residuales: Analice la función de autocorrelación simple y parcial. Determine el orden del proceso AR, MA, ARMA. Recuerde: el número de barras por fuera de la banda de confianza del Función de Autocorrelación simple le indica el orden del proceso MA, el número de barras por fuera de las bandas de confianza le indican el orden del proceso AR. La otra función debe decrecer exponencialmente. Herramientas Modernas para el Manejo del Riesgo Financiero 23

24 Algoritmo de estimación Una recomendación práctica es comenzar con un modelo AR(1) o MA(1) e irlo mejorando hasta lograr un modelo cuyo resultado sea satisfactorio en términos de predicción o en términos de las funciones de autocorrelación. Como las series de tiempo son ateóricas, lo más recomendables es que usted estime varios modelos y luego los compare entre sí, haciendo uso de los criterios de selección de modelos vistos, más el criterio de Hannan-Quinn. Recuerde ajustar la muestra para que los grados de libertad de todos los modelosseanlosmismoydeestaformapodercompararlosentresí. Herramientas Modernas para el Manejo del Riesgo Financiero 24

25 Taller en Clase Herramientas Modernas para el Manejo del Riesgo Financiero 25