Ataurima-Arellano M. (2014) Aplicaciones A Series de Tiempo Financieras

UNIVERSIDAD NACIONAL DE INGENIERA
FACULTAD DE INGENIERA ECONMICA, ESTADSTICA Y CIENCIAS SOCIALES

Aplicaciones a Series de Tiempo Financieras
Miguel Ataurima Arellano
mataurimaa@uni.pe
28 de enero de 2014
1
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
NIVEL BSICO
1. Desarrolle un programa que replique la FIR para un modelo autoregresivo de tercer orden. Calcu-
le el multiplicador dinmico para J = 30 periodos hacia adelante suponiendo parmetros iguales a
[0,01 0,03 0,05].
SOLUCIN:
ES_4_1.m (script)

1 % Programa que grafica la FIR, FAS y FAP de un AR(p)
2 % Elaborado por: Miguel Ataurima Arellano
3 % Referencia: Hamilton J. (1994) Time Series Analysis pp. 155
4 % Curso: Series de Tiempo
5
6 clc; clear;
7
8 %% % % % % % % % % % % % % % % Proceso AR
9 c = 0;
10 phi = [0.01 0.03 0.05];
11 sigma = 1;
12 T = 500;
13 yinic = [0 0 0];
14 J = 30;
15
16 p = length(yinic);
17 w = sigma*randn(T,1);
18 y = zeros(T,1);
19 y(1:p) = yinic(:);
20 for t = p+1:T
21 y(t) = c + phi(:)*y(t-1:-1:t-p) + w(t);
22 end
23
24 %% % % % % % % % % % % % % % % Calculo de la FIR
25
26 % Orden de la EeD
27 p = length(phi);
28
29 % Matriz F
30 F = [ phi(:) ; ...
31 eye(p-1) zeros(p-1,1)];
32
33 % Valores propios
34 L = eig(F);
35
36 % Obtencion de los coeficientes c (Proposicin 1.2)
37 p = length(L);
38 c = zeros(p,1);
39 for ii=1:p
40 den = 1;
41 for kk=1:p
42 if kk~=ii
43 den = den*( L(ii) - L(kk) );
44 end
45 end
46 c(ii) = L(ii)^(p-1)/den;
47 end
48
49 % Calculo de la FIR (funcion impulso respuesta o multiplicador dinamico)
50 IRF = zeros(J+1,1);
51 for jj = 0:J
EXPOSITOR: Miguel Ataurima Arellano 2 mataurimaa@uni.pe
NIVEL BSICO
52 IRF(jj+1) = c.*L.^jj;
53 end
54
55
56 %% % % % % % Graficas
57
58 subplot(2, 1, 1); plot( y );
59 strphi = num2str(phi(1));
60 for k=2:length(phi)
61 strphi = [strphi , num2str(phi(k))];
62 end
63 title([AR( num2str(p) ): \phi = [ num2str(phi) ] ]);
64 xlim([1 T]);
65 set(gca, FontSize, 8);
66
67
68 subplot(2,1,2); bar( IRF );
69 xlim([1 J]);
70 title(FIR);
71 set(gca, FontSize, 8);
72 xlabel(J (Lag));

Salida
50 100 150 200 250 300 350 400 450 500
4
2
0
2
4
AR(3): = [ 0.01 0.03 0.05 ]
5 10 15 20 25 30
0
0.2
0.4
0.6
0.8
1
FIR
J (Lag)
NIVEL BSICO
2. Desarrolle un programa que encuentre el Spectrum del siguiente ARMA(2,2).
Z
t
= 0,03Z
t1
0,04Z
t2
+
t
+ 0,02
t1
+ 0,03
t1
con
t
RB(0, 1)
SOLUCIN:
ES_4_2.m (script)

1 % Programa que grafica el Spectrum de un Proceso ARMA(p,q)
2 % Elaborado por: Miguel Ataurima Arellano
3 % Referencia: Hamilton J. (1994) Time Series Analysis pp. 155
4 % Curso: Series de Tiempo
5
6 clc; clear;
7
8 % Coeficientes del componente AR
9 phi = [0.03 -0.04];
10
11 % Coeficientes del componente MA
12 theta = [0.02 0.03];
13
14 % Varianza de las innovaciones
15 sigma = 1;
16
17 % Obtencin de los grados de los polinomios
18 p = length(phi);
19 q = length(theta);
20
21 % Funciones que modelan las polinomios phi y theta
22 poliphi = @(z) polyval([-phi(end:-1:1) 1], z);
23 politheta = @(z) polyval([theta(end:-1:1) 1], z);
24
25 % Dominio del espectro
26 w = (0:pi/128:pi);
27 domw1 = exp(-1i*w);
28 domw2 = exp(1i*w);
29
30 % Evaluacin del espetro
31 Sy = (sigma^2/(2*pi))*(politheta(domw1).*politheta(domw2)) ...
32 ./(poliphi(domw1).*poliphi(domw2));
33
34 % Grfica del espectro
35 plot(w,Sy);
36 grid on;
37 axis tight;
38 xlabel(Frecuencia (\omega));
39 ylabel(S_Y(\omega));
40 title([\bfSpectrum del ARMA( num2str(p) , num2str(q) )]);

NIVEL BSICO
Salida
0 0.5 1 1.5 2 2.5 3
0.145
0.15
0.155
0.16
0.165
0.17
Frecuencia ()
S
Y
(
)
Spectrum del ARMA(2,2)
NIVEL BSICO
3. Construya un portafolio de 4 componentes, considere un Equity Portfolio como el visto en clase.
Reealice las mismas opperaciones en el caso anterior, adicionalmente realice un anlisis riesgo rentabilidad
considerando el riesgo como la desviacin estndar derivada del modelo GARCH previamente estimado.
SOLUCIN:
ES_4_5.m (script)

1 % Problema No. 4.5
2 % Series Utilizadas :
3 % NIKE
4 % AMEXP
5 % COCACOLA
6 % MCDONALD
7
8 clc; clear;
9
10 % Cargamos las 4 series (incluyendo fechas y encabezados)
11 [p, texto] = xlsread(series4,1,A1:E3486);
12
13 % Seleccionamos fechas y quotes
14 strfechas = texto(2:end,1);
15 strquotes = texto(1,2:end);
16
17 % Convertimos fechas texto a fechas numericas
18 formatIn = dd/mm/yyyy;
19 tiempo = datenum(strfechas,formatIn);
20
21 % Grafica de precios
22 figure(1);
23 plot(tiempo, p);
24 legend(strquotes);
25 datetick(x,mmmyy);
26
27 % Obtenemos retornos
28 R = price2ret(p);
29 figure(2);
30 plot(tiempo(2:end), R);
31 legend(strquotes);
33
34 [T,n] = size(p);
35
36 % Pesos
37 w = (1/n)*ones(n,1);
38
39 % Retorno del Portafolio
40 Rp = R*w;
41 figure(3);
42 plot(tiempo(2:end), Rp);
43 legend(Retorno del Portafolio);
45
46 % Autocorrelacion de Rp
47 figure(4);
48 autocorr(Rp);
49
50 % Autocorrelacion de Rp^2
51 figure(5);
NIVEL BSICO
52 autocorr(Rp.^2);
53
54 % Estimacion del GARCH
55
56 spec = garchset(Distribution,T,P,1,Q,1,R,1,VarianceModel,...
57 GARCH,Display,off)
58 [spec, error, like, residuos, desviaciones] = garchfit(spec,Rp);
59
60 % Nota: error, es el error filtrado del modelo
61 garchdisp(spec,error);
62
63 % Graficamos los residuos filtrados
64 figure(6)
65 subplot(2,1,1); plot(tiempo(2:end),residuos);
66 title(Residuos filtrados por ARIMA-GARCH);
68
69 subplot(2,1,2); plot(tiempo(2:end),desviaciones);
70 title(Des. Est. Condicionales (filtradas));

NIVEL BSICO
Salida
Jan00 Jan02 Jan04 Jan06 Jan08 Jan10 Jan12 Jan14
0
50
100
150
200

NIKE
AMEXP
COCACOLA
MCDONALD
1.2
1
0.8
0.6
0.4
0.2
0
0.2

NIKE
AMEXP
COCACOLA
MCDONALD
0.3
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1

Retorno del Portafolio
0 2 4 6 8 10 12 14 16 18 20
0.2
0
0.2
0.4
0.6
0.8
Lag
S
a
m
p
l
e

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Sample Autocorrelation Function
NIVEL BSICO
0 2 4 6 8 10 12 14 16 18 20
0.2
0
0.2
0.4
0.6
0.8
Lag
S
a
m
p
l
e

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Sample Autocorrelation Function
0.3
0.2
0.1
0
0.1
Residuos filtrados por ARIMAGARCH
0
0.05
0.1
Des. Est. Condicionales (filtradas)
NIVEL BSICO
4. Producir datos simulados:
a) Elaborar la recta m
t
= at +b y la senoidal s
50,t
= 250 sin
2t
T
. a = 0,5, b = 1,0, T = 50. Tomamos

t = [0, 999].
SOLUCIN:
ES_5_1_1_a.m (script)

1 clc; clear;
2
3 % parametros de la tendencia
4 a = 0.5;
5 b = 1;
6
7 % parametros de la onda sinusoidal
8 A = 250; % Amplitud
9 T = 50; % Periodo de la Onda Sinusoidal (distancia pico a pico)
10
11 % Intervalo de simulacion
12 t = (0:999);
13
14 % Generacion de Series
15 m = a*t + b;
16 s50 = A*sin(2*pi*t/T);
17
18 % Grafica de las series
19 plot(t, m, t,s50);
20 grid on;
21 xlabel(Periodos);
22 legend(m_t, s_{50,t});
23 title(Series Simuladas);
24 shg;

Salida
0 100 200 300 400 500 600 700 800 900 1000
400
200
0
200
400
600
Periodos
Series Simuladas

m
t
s
50,t
NIVEL BSICO
b) Adiciones un ruido N (0, 1) a la recta y la senoidal, respectivamente. Presentar la funcin de autoco-
rrelacin respectiva variando la desviacin del ruido. Interprete.
SOLUCIN:
ES_5_1_1_b.m (script)

1 clc; clear;
2
4 a = 0.5;
5 b = 1;
6
10
12 t = (0:999);
13
15 m = a*t + b;
16 s50 = A*sin(2*pi*t/T);
17
18 T = length(t);
19 tc = 1.96;
20 stderror = sqrt(1/T);
21 bw = tc*stderror;
22
23 i = 1;
24 % Aqu variamos la desviacin del ruido en los valores 10, 100 y 200
25 for sigma2 = [10 100 200]
26
27 % Generamos un ruido gaussiano N(0,10) para un determinado sigma
28 sigma = sqrt(sigma2);
29 u = sigma*randn(size(t));
30
31 % Incorporamos el ruido gaussiano a la series
32 m = m + u;
33 s50 = s50 + u;
34
35 % Grafica de la autocorrelacion
36 figure(1); %clf;
37 J = 36;
38 acf_m = correlograma(m, J);
39 acf_s50 = correlograma(s50, J);
40
41 % Grafica de la ACF
42 subplot(3,2,i); h(i) = bar(acf_m); axis([0 J -1.5 1.5]);
43 xlabel(Rezagos (j)); ylabel(ACF de m_t); hold on;
44 plot([0 J],[bw bw], --k, [0 J],[-bw -bw], --k); hold off;
45 title([\sigma^2 = num2str(sigma2) ]);
46 grid on;
47
48 % Grafica de la ACF
49 subplot(3,2,i+1); h(i+1) = bar(acf_s50); axis([0 J -1.5 1.5]);
50 xlabel(Rezagos (j)); ylabel(ACF de s_{50,t}); hold on;
52 title([\sigma^2 = num2str(sigma2) ]);
NIVEL BSICO
53 grid on;
54
55 i = i + 2;
56 end
57 set(h,FaceColor, [0.7 0.8 1], EdgeColor, k);

Salida
0 10 20 30
1
0
1
Rezagos (j)
A
C
F

d
e

m
t
2
= 10
0 10 20 30
1
0
1
Rezagos (j)
A
C
F

d
e

s
5
0
,
t
2
= 10
0 10 20 30
1
0
1
Rezagos (j)
A
C
F

d
e

m
t
2
= 100
0 10 20 30
1
0
1
Rezagos (j)
A
C
F

d
e

s
5
0
,
t
2
= 100
0 10 20 30
1
0
1
Rezagos (j)
A
C
F

d
e

m
t
2
= 200
0 10 20 30
1
0
1
Rezagos (j)
A
C
F

d
e

s
5
0
,
t
2
= 200
Interpretacin:
Se observa que las variaciones en la desviacin estndar no afectan a las funciones de autocorrelacin
NIVEL BSICO
c) Agregar simultneamente la recta, el ruido y la senoidal. Obtenga la funcin de autocorrelacin de
esta serie agregada. Interprete.
SOLUCIN:
ES_5_1_1_c.m (script)

1 clc; clear;
2
4 a = 0.5;
5 b = 1;
6
10
12 t = (0:999);
13
15 m = a*t + b;
16 s50 = A*sin(2*pi*t/T);
17
18 %% % % %Generamos un ruido gaussiano N(0,10)
19 sigma = sqrt(10);
21
22 %% % % %Todos juntos
23 y = m + s50 + u;
24
25 T = length(t);
26 tc = 1.96;
29
31 figure(1); clf;
32 subplot(2,1,1);
33 plot(t, y, t, u);
34 grid on;
36 legend(y_t = m_t + s_{50,t} + u_t; u_t~N(0,10), ...
37 u_t~N(0,10));
38
39 % Grafica de la autocorrelacion
40 J = 100;
41 acf_y = correlograma(y, J);
42 subplot(2,1,2);
43 h = bar(acf_y); axis([0 J -1.5 1.5]);
44 xlabel(Rezagos (j)); ylabel(ACF de y_t); hold on;
47 grid on;
48 shg;

NIVEL BSICO
Salida
0 100 200 300 400 500 600 700 800 900 1000
500
0
500
1000
Periodos

y
t
= m
t
+ s
50,t
+ u
t
; u
t
~N(0,10)
u
t
~N(0,10)
0 10 20 30 40 50 60 70 80 90 100
1
0
1
Rezagos (j)
A
C
F

d
e

y
t
Interpretacin:
Se observa que la ACF es cclica debido a la persistencia de las oscilaciones que la seal sinusoidal
adhieren a la seal resultante y
t
.
NIVEL BSICO
5. Extrayendo la tendencia de una serie.
El operador de diferencias de orden p se dene por
p
x
n
= x
n
x
np
. Aplicar este operador para varios
valores de p con el n de eliminar la tendencia de la serie del ejercicio anterior.
SOLUCIN:
ES_5_1_2.m (script)

1 clc; clear;
2
4 a = 0.5;
5 b = 1;
6
10
12 t = (0:999);
13
15 m = a*t + b;
16 s50 = A*sin(2*pi*t/T);
17
18 %% % % %Generamos un ruido gaussiano N(0,10)
19 sigma = sqrt(10);
21
22 %% % % %Todos juntos
23 y = m + s50 + u;
24
25 T = length(t);
26 tc = 1.96;
29
30 % Aplicamos el operador de diferencia de orden p para varios valores de p
31 k = 1;
32 for p = 47:53
33 ysa = zeros(T,1);
34 for n = p+1:T
35 ysa(n) = y(n) - y(n-p);
36 end
37 ysa(1:p) = NaN;
38 YSA(:,k) = ysa;
39 strlegenda{k} = [p = num2str(p)];
40 k = k + 1;
41 end
42
43 plot(YSA(1:500,:),LineWidth,2)
44 legend(strlegenda);
45 grid on;
47 ylim([-150 200]);
48 title(Grfica de \nabla_px_n para distintos valores de p);
49 shg;

NIVEL BSICO
Salida:
0 50 100 150 200 250 300 350 400 450 500
150
100
50
0
50
100
150
200
Periodos
Grfica de
p
x
n
para distintos valores de p

p = 47
p = 48
p = 49
p = 50
p = 51
p = 52
p = 53
NIVEL BSICO
6. Sea Z
t
N
0, 100
2
componente de las siguientes series de tiempo denidas como:

Y
(1)
t
= 1 + 0,5t +Z
t
Y
(2)
t
= 250 sin
2t
50
+Z
t
Y
(3)
t
= 1 + 0,5t + 250 sin
2t
50
+Z
t
a) Simular tres series para t [0, 999].
SOLUCIN:

1 clc; clear;
2
3 T = 1000;
4 t = (0:T-1);
5
6 % Generamos el ruido blanco gaussiano Z
7 sigma = 100;
8 Z = sigma*randn(T,1);
9
10 % Generamos las series de tiempo pedidas
11 Y1 = 1 + 0.5*t + Z;
12 Y2 = 250*sin(2*pi*t/50) + Z;
13 Y3 = 1 + 0.5*t + 250*sin(2*pi*t/50) + Z;
14
16 subplot(3,1,1);
17 plot(t, [Y1, Z]);
18 grid on;
20 legend(Y_{1,t}, ...
21 Z_t~N(0,100^2));
22
23 subplot(3,1,2);
24 plot(t, [Y2 Z]);
25 grid on;
27 legend(Y_{2,t}, ...
28 Z_t~N(0,100^2));
29
30 subplot(3,1,3);
31 plot(t, [Y3 Z]);
32 grid on;
34 legend(Y_{3,t}, ...
35 Z_t~N(0,100^2));
36 shg;

NIVEL BSICO
Salida:
0 100 200 300 400 500 600 700 800 900 1000
500
0
500
1000
Periodos

Y
1,t
Z
t
~N(0,100
2
)
0 100 200 300 400 500 600 700 800 900 1000
500
0
500
Periodos

Y
2,t
Z
t
~N(0,100
2
)
0 100 200 300 400 500 600 700 800 900 1000
500
0
500
1000
Periodos

Y
3,t
Z
t
~N(0,100
2
)
NIVEL BSICO
b) Realizar un ltrado (medias mviles) de tres series con sus ruidos.
SOLUCIN:

1 clc; clear;
2
3 T = 1000;
4 t = (0:T-1);
5
7 sigma = 100;
8 Z = sigma*randn(T,1);
9
11 Y1 = 1 + 0.5*t + Z;
12 Y2 = 250*sin(2*pi*t/50) + Z;
13 Y3 = 1 + 0.5*t + 250*sin(2*pi*t/50) + Z;
14
15 % Aplicando el filtro MA
16 q = 12;
17 wts = [1/(2*q);repmat(1/q,11,1);1/(2*q)];
18 Ys1 = conv(Y1,wts,valid);
21
22 % Grafica de las Series
23 subplot(3,1,1);
24 plot(t, Y1,b,...
25 7:T-6,Ys1,r,LineWidth,2);
26 grid on;
27 legend(Y_{1,t}, Y_{1,t} filtrado (MA));
29
30 subplot(3,1,2);
31 Ys = conv(Y2,wts,valid);
32 plot(t, Y2,b,...
34 grid on;
37
38 subplot(3,1,3);
39 plot(t, Y3,b,...
41 grid on;
44
45 shg;

NIVEL BSICO
Salida:
0 100 200 300 400 500 600 700 800 900 1000
200
0
200
400
600
800
Periodos

Y
1,t
Y
1,t
filtrado (MA)
0 100 200 300 400 500 600 700 800 900 1000
500
0
500
1000
Periodos

Y
2,t
Y
2,t
filtrado (MA)
0 100 200 300 400 500 600 700 800 900 1000
500
0
500
1000
Periodos

Y
3,t
Y
3,t
filtrado (MA)
NIVEL BSICO
7. Simular los siguientes modelos MA y analizar su funcin covarianza emprica
a) X
t
= Z
t
+ 0,3Z
t1
0,4Z
t1
con Z
t
RB(0, 1)
b) Y
t
= W
t
1,2W
t1
1,6W
t1
con W
t
RB(0, 0,25)
SOLUCIN:
ES_5_1_4.m (script)

1 clc; clear;
2
3 T = 1000;
4 tiempo = (0:T-1);
5
6 %T = length(t);
7 tc = 1.96;
9 bw = tc*stderror;
10
11 % Generamos los ruidos blancos gaussianos Z y W
12 sigmaZ = 1;
13 sigmaW = sqrt(0.25);
14 Z = sigmaZ*randn(T,1);
15 W = sigmaW*randn(T,1);
16
17 % Asumimos
18 X = zeros(T,1);
19 Y = zeros(T,1);
20
22 for t = 3:T
23 X(t) = Z(t) + 0.3*Z(t-1) - 0.4*Z(t-2);
24 Y(t) = W(t) - 1.2*W(t-1) - 1.6*W(t-2);
25 end
26
28 subplot(2,2,1);
29 plot(tiempo, X);
30 grid on; ylim([-6 6]);
32 ylabel(X_{t});
33
34 subplot(2,2,2);
35 plot(tiempo, Y);
36 grid on; ylim([-6 6]);
38 ylabel(Y_{t});
39
40 J = 100;
41 [acf_X, pacf_X, gamma_X] = correlograma(X, J);
42 [acf_Y, pacf_Y, gamma_Y] = correlograma(Y, J);
43
44 % Grafica de la Autocovarianzas de X
45 subplot(2,2,3); h(1) = bar(gamma_X); axis([0 J -0.5 0.5]);
46 xlabel(Rezagos (j)); ylabel(Autocovarianzas de X_t);
47 grid on;
48
49 % Grafica de la Autocovarianzas de Y
NIVEL BSICO
50 subplot(2,2,4); h(2) = bar(gamma_Y); axis([0 J -0.5 0.5]);
51 xlabel(Rezagos (j)); ylabel(Autocovarianzas de Y_t);
52 grid on;

Salida:
0 200 400 600 800 1000
6
4
2
0
2
4
6
Periodos
X
t
0 200 400 600 800 1000
6
4
2
0
2
4
6
Periodos
Y
t
0 20 40 60 80 100
0.5
0
0.5
Rezagos (j)
A
u
t
o
c
o
v
a
r
i
a
n
z
a
s

d
e

X
t
0 20 40 60 80 100
0.5
0
0.5
Rezagos (j)
A
u
t
o
c
o
v
a
r
i
a
n
z
a
s

d
e

Y
t
NIVEL BSICO
8. Simular la trayectoria de un modelo AR(1): X
t
= X
t1
+ Z
t
con Z
t
RB(0, 1). Vea la funcion de
covarianzas y las realizaciones del modelo basados en diferentes condiciones iniciales.
a) = 0,9
b) = 0,9
c) = 1,001
d) = 1,001
SOLUCIN:
ES_5_1_5.m (script)

1 clc; clear;
2
3 T = 100;
4 tiempo = (0:T-1);
5
7 sigmaZ = 1;
9
10 % Utilizamos 4 condiciones iniciales diferentes
11 X0 = [0 5 10 15];
12
13 % Utilizamos 4 valores del parametro autoregresivo phi
14 PHI = [0.9 -0.9 1.001 -1.001];
15
16 X = zeros(T,1);
17 i = 1;
18 for x0 = X0
19 j = 1;
20 for phi = PHI
21
22 % Generamos la serie
23 X(1) = x0;
24 for t = 2:T
25 X(t) = phi*X(t-1) + Z(t);
26 end
27
28 % Graficamos las series
29 figure(1);
30 subplot(4, 4, 4*(i-1) + j);
31 plot(tiempo, X);
32 title([x_0 = num2str(x0)]);
33 ylabel([\phi = num2str(phi)]);
34
35 % Graficamos las funciones de covarianza
36 figure(2);
37 subplot(4, 4, 4*(i-1) + j);
38 J = 100;
39 [ACF_X, PACF_X, gamma_X] = correlograma(X, J);
40 h(4*(i-1) + j) = bar(gamma_X); xlim([0 J]);
41 title([x_0 = num2str(x0)]);
42 ylabel(\gamma_j);
43
44 j = j + 1;
45 end
46 i = i + 1;
47 end
48
NIVEL BSICO

Salida 1: Funciones de Autocovarianza
Salida 2: Series en Niveles
0 50 100
-5
0
5
x
0
= 0

=

0
.
9
0 50 100
-10
0
10
x
0
= 0

=

-
0
.
9
0 50 100
0
5
10
15
x
0
= 0

=

1
.
0
0
1
0 50 100
-50
0
50
x
0
= 0

=

-
1
.
0
0
1
0 50 100
-5
0
5
10
x
0
= 5

=

0
.
9
0 50 100
-10
0
10
x
0
= 5

=

-
0
.
9
0 50 100
0
10
20
30
x
0
= 5

=

1
.
0
0
1
0 50 100
-50
0
50
x
0
= 5

=

-
1
.
0
0
1
0 50 100
-10
0
10
20
x
0
= 10

=

0
.
9
0 50 100
-10
0
10
x
0
= 10

=

-
0
.
9
0 50 100
10
20
30
x
0
= 10

=

1
.
0
0
1
0 50 100
-20
0
20
x
0
= 10

=

-
1
.
0
0
1
0 50 100
-10
0
10
20
x
0
= 15

=

0
.
9
0 50 100
-20
0
20
x
0
= 15

=

-
0
.
9
0 50 100
10
20
30
40
x
0
= 15

=

1
.
0
0
1
0 50 100
-20
0
20
x
0
= 15

=

-
1
.
0
0
1
NIVEL BSICO
9. Sea el modelo Y
t
= X
t
+ W
t
con X
t
un modelo AR(1) y W
t
RB(0, 0,25). El modelo AR(1) est
dado por X
t
= 0,5X
t1
+Z
t
con Z
t
RB(0, 1).
a) Estudiar la funcin de correlacin y la funcin de correlacin parcial de X
t
.

1 clc; clear;
2
3 T = 1000;
4 tiempo = (0:T-1);
5
8
9 sigmaZ = 1;
11
12 % Generamos X
13 X = zeros(T,1);
14 for t = 2:T
15 X(t) = 0.5*X(t-1) + Z(t);
16 end
17
18 J = 36;
19 [acf_X, pacf_X] = correlograma(X, J);
20
22 figure(1); clf;
23 subplot(3,1,1);
24 plot(tiempo, X);
26 ylabel(X_t);
27 legend(X_t);
28 grid on;
29
30 tc = 1.96;
33
34 subplot(3,1,2);
35 h(1) = bar(acf_X); axis([0 J -0.5 0.5]);
36 xlabel(Rezagos (j)); ylabel(ACF de X_t); hold on;
38 grid on;
39
40 subplot(3,1,3);
41 h(2) = bar(pacf_X); axis([0 J -0.5 0.5]);
42 xlabel(Rezagos (j)); ylabel(PACF de X_t); hold on;
44 grid on;
45
47 shg;

NIVEL BSICO
Salida:
0 100 200 300 400 500 600 700 800 900 1000
5
0
5
Periodos
X
t

X
t
0 5 10 15 20 25 30 35
0.5
0
0.5
Rezagos (j)
A
C
F

d
e

X
t
0 5 10 15 20 25 30 35
0.5
0
0.5
Rezagos (j)
P
A
C
F

d
e

X
t
NIVEL BSICO
b) Simular Y
t
. Analizar su FAS y FAP.
SOLUCIN:

1 clc; clear;
2
3 T = 1000;
4 tiempo = (0:T-1);
5
8
9 sigmaZ = 1;
11
12 % Generamos X
13 X = zeros(T,1);
14 for t = 2:T
15 X(t) = 0.5*X(t-1) + Z(t);
16 end
17
18 % Generamos Y
19 Y = zeros(T,1);
20 for t = 1:T
21 Y(t) = X(t) + W(t);
22 end
23
24 J = 36;
25 [acf_Y, pacf_Y] = correlograma(Y, J);
26
28 figure(1); clf;
29 subplot(3,1,1);
30 plot(tiempo, Y);
32 ylabel(Y_t);
33 grid on;
34
35 tc = 1.96;
38
39 subplot(3,1,2);
40 h(1) = bar(acf_Y); axis([0 J -0.5 0.5]);
41 xlabel(Rezagos (j)); ylabel(ACF de Y_t); hold on;
43 grid on;
44
45 subplot(3,1,3);
46 h(2) = bar(pacf_Y); axis([0 J -0.5 0.5]);
47 xlabel(Rezagos (j)); ylabel(PACF de Y_t); hold on;
49 grid on;
50
52 shg;

NIVEL BSICO
Salida:
0 100 200 300 400 500 600 700 800 900 1000
5
0
5
Periodos
Y
t
0 5 10 15 20 25 30 35
0.5
0
0.5
Rezagos (j)
A
C
F

d
e

Y
t
0 5 10 15 20 25 30 35
0.5
0
0.5
Rezagos (j)
P
A
C
F

d
e

Y
t
NIVEL BSICO
c) Simular U
t
= Y
t
0,5Y
t1
por dos mtodos y analizar su FAS y FAP. El primer mtodo es directo, el
segundo requiere la identicacin del modelo MA(1).
SOLUCIN:
ES_5_1_6c_.m (script)

1 clc; clear;
2
3 T = 1000;
4 tiempo = (0:T-1);
5
8
9 sigmaZ = 1;
11
12 % Generamos X
13 X = zeros(T,1);
14 for t = 2:T
15 X(t) = 0.5*X(t-1) + Z(t);
16 end
17
18 % Generamos Y
19 Y = zeros(T,1);
20 for t = 1:T
21 Y(t) = X(t) + W(t);
22 end
23
24 % Generamos U
25 % Asumimos que Y(0) = 0
26 U = zeros(T,1);
27 U(1) = Y(1);
28 for t = 2:T
29 U(t) = Y(t) - 0.5*Y(t-1);
30 end
31
32 J = 36;
33 [acf_U, pacf_U] = correlograma(U, J);
34
36 figure(1); clf;
37 subplot(3,1,1);
38 plot(tiempo, U);
40 ylabel(Y_t);
41 grid on;
42
43 tc = 1.96;
46
47 subplot(3,1,2);
48 h(1) = bar(acf_U); axis([0 J -0.5 0.5]);
49 xlabel(Rezagos (j)); ylabel(ACF de U_t); hold on;
51 grid on;
52
NIVEL BSICO
53 subplot(3,1,3);
54 h(2) = bar(pacf_U); axis([0 J -0.5 0.5]);
55 xlabel(Rezagos (j)); ylabel(PACF de U_t); hold on;
57 grid on;
58
60 shg;

Salida:
0 100 200 300 400 500 600 700 800 900 1000
4
2
0
2
4
Periodos
Y
t
0 5 10 15 20 25 30 35
0.5
0
0.5
Rezagos (j)
A
C
F

d
e

U
t
0 5 10 15 20 25 30 35
0.5
0
0.5
Rezagos (j)
P
A
C
F

d
e

U
t
NIVEL BSICO
d) Simular Y
t
como un ARMA(1,1).
SOLUCIN:
ES_5_1_6_d.m (script)

1 clc; clear;
2
3 T = 1000;
4 tiempo = (0:T-1);
5
8
9 sigmaZ = 1;
11
12 % Generamos X
13 X = zeros(T,1);
14 for t = 2:T
15 X(t) = 0.5*X(t-1) + Z(t);
16 end
17
18 % Generamos Y
19 Y = zeros(T,1);
20 for t = 1:T
21 Y(t) = X(t) + W(t);
22 end
23
24 % Simulacin de Y_t como un ARMA(1,1)
25 model = arima(1,0,1);
26 fit = estimate(model,Y);
27
28 % Recogemos los parmetros
29 phi = fit.AR{1};
30 theta = fit.MA{1};
31 c = fit.Constant;
32 sigma2 = fit.Variance;
33
34 % Graficamos
35 figure(2);
36 Y_BJ = zeros(T,1);
37 e = sqrt(sigma2)*randn(T,1);
38 for t = 2:T
39 Y_BJ(t) = c + phi*Y_BJ(t) + e(t) + theta*e(t-1);
40 end
41 plot(tiempo, Y, tiempo, Y_BJ, LineWidth, 2);
42 legend(Y_t, Y_t estimado como ARMA(1,1));
44 ylim([-6 6]);
45 grid on;

NIVEL BSICO
Salida:
0 100 200 300 400 500 600 700 800 900 1000
6
4
2
0
2
4
6
Periodos

Y
t
Y
t
estimado como ARMA(1,1)
Salida por Consola:

ARIMA(1,0,1) Model:
--------------------
Conditional Probability Distribution: Gaussian
Standard t
Parameter Value Error Statistic
----------- ----------- ------------ -----------
Constant -0.047973 0.0383039 -1.25243
AR{1} 0.367577 0.0742372 4.95139
MA{1} 0.0303972 0.0797297 0.381254
Variance 1.3437 0.0594129 22.6163

NIVEL BSICO
Cdigos MATLAB Auxiliares
Para la obtencin de la funcin de autocorrelacin, funcin de autocorrelacin parcial y la funcin
de autocovarianzas, se implement la rutina correlograma.m tomando como referencia el libro Time
Series Analysis : Univariate and Multivariate Methods (2nd Edition) de William W.S. Wei.
correlograma.m (script)

1 function [ACF, PACF, gamma] = correlograma(y,J)
2
3 T = length(y);
4 ybarra = mean(y);
5
6 % Calculo de las autocovarianzas muestrales
7 gamma = zeros(J,1);
8 gamma0 = (1/T)*(y(1:T)-ybarra)*(y(1:T)-ybarra);
9 for jj=1:J
10 gamma(jj) = (1/T)*(y(jj+1:T)-ybarra)*(y(1:T-jj)-ybarra);
11 end
12
13 % Calculo de la funcin de autocorrelacin muestral (ACF)
14 ACF = zeros(J,1);
15 for jj=1:J
16 ACF(jj) = gamma(jj)/gamma0;
17 end
18
19 % Calculo de la funcin de autocorrelacin parcial muestral (PACF)
20 PACF = zeros(J,1);
21 PACF(1) = ACF(1);
22 for j=2:J
23 rhoj = ACF(1:j);
24 M = ones(j-1,j-1);
25 for i=1:j-2
26 M(i,i+1:end) = rhoj(1:j-(i+1));
27 M(i+1,1:i) = rhoj(i:-1:1);
28 end
29 num = [[M; rhoj(j-1:-1:1)] rhoj(1:j)];
30 den = [M rhoj(j-1:-1:1); rhoj(j-1:-1:1) 1];
31 PACF(j) = det(num)/det(den);
32 end


Ataurima-Arellano M. (2014) Aplicaciones A Series de Tiempo Financieras

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ataurima-Arellano M. (2014) Aplicaciones A Series de Tiempo Financieras

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERA

FACULTAD DE INGENIERA ECONMICA, ESTADSTICA Y CIENCIAS SOCIALES

. a = 0,5, b = 1,0, T = 50. Tomamos

componente de las siguientes series de tiempo denidas como:

También podría gustarte