Universidad Nacional de Ingeniera

lisis de series de tiempo

Ana
n, presentaciones y
Trabajos de investigacio
laboratorios

Forecast de una serie financiera

y una serie agrcola

Alumno:
Carlos Yalta

Profesor:

Rafael Caparo

3 de mayo de 2015

Resumen
El presente trabajo tiene como objetivo determinar la mejor predicci
on de un portafolio con tres activos, una serie financiera de renta
variable y un commodity. La primera parte consiste en obtener los mejores modelos para los precios de los activos, seg
un la metodologa Box Jenkins, pasando luego a estudiar la varianza condicional con un modelo
GARCH. La ultima parte tienen como materia de estudio el poder de
predicci
on y acercamiento de los modelos para poder establecer planes
de acci
on frente a las variaciones aleatorios propias de la incertidumbre.

1.

Serie financiera

El precio de las acciones de la empresa Apple inc. sera el caso de estudio,

tomando la informacion de Yahoo Finance para una serie mensual que inicia
desde enero del 2000 hasta enero del 2015.

Figura 1: Precios ajustados Apple inc. 2000-2015

Se observa un comportamiento en los u
ltimos 10 a
nos de recuperacion para
el precio de la accion que continua al alza, resaltando un descenso considerable
en el a
no 2012 debido a la incertidumbre dentro de la compa
nia por el fallecimiento del director ejecutivo y la falta de innovaciones en sus productos. As
como el ingreso al mercado de diversos modelos de smartphones y tablets que
competian directamente por un porcentaje de mercado. La serie es no estacionaria con una tendencia al alza en el precio de la accion. Evaluamos las graficas
de las funciones de autocorrelacion simple (AC) y funcion de autocorrelacion
parcial (PAC) para corroborar el comportamiento de la serie.

Figura 2: FAS - FAP Apple inc 2000-2015

La grafica muestra una convergencia con cada rezago adicional evidenciando la que es no estacional. Por lo tanto procedemos a calcular la serie de
primeras diferencias.

Figura 3: Primera diferencia de los precios ajustados

Figura 4: Correlograma primeras diferencias

En la figura se observa un comportamiento estacionario de la Autocorrelacion y la Autocorrelacion Parcial, ademas se tiene un corte de la banda en el
rezago 1 y 2 para ambos casos, por lo tanto procedemos a estimar un modelo
ARIMA(1,1,2).

Figura 5: Ecuacion estimada para AR(1) , MA(2)

Figura 6: Calidad de ajuste del modelo ARIMA(1,1,2)

En este caso se tienen a los residuos distribuidos normalmente e incorrelacionados. Seg
un la grafica de ajuste entre la muestra y la distribucion normal
estandar tenemos que en los valores extremos se dispersan pero estan muy
concentrados en la mayor parte de la muestra.

Forecast del modelo ARIMA

Figura 7: Forecast de los precios ajustados Apple inc.

4

Figura 8: Vista ampliada de los periodos predecidos

Presentamos la prediccion de los precios para el activo en estudio, se observa que los lmites que representan el intervalo de confianza no modelan
adecuadamente el forecast, permitiendo que se tomen valores muy lejanos de
la tendencia promedio. Tenemos un comportamiento al descenso de los precios
ajustados para Apple, pero al momento de validar con los datos observados
comprobamos que existen deficiencias, causadas por la volatilidad de la serie.
Adicionalmente en la grafica ampliada desde los periodos 2012 - 2015 tenemos
una funcion lineal que trata de modelar los precios historicos del activo, mostrando que no encaja adecuadamente al comportamiento de la serie. Tambien
se observa el nivel de validacion y efectividad como decrece con el incremento
de los periodos teniendo un promedio de 47 % de aproximacion valida dentro
del forecast.
Modelos ARIMA-GARCH
Calculamos los retornos del precio de la accion mediante la formula geometrica:
Rt = ln(
Obteniendo los siguientes resultados:

Pt
)
Pt1

Figura 9: Retornos de Apple inc. vs Precios ajustados

Procedemos a calcular el modelo ARIMA(1,1,2) - GARCH(1,1) para poder
evaluar los retornos dentro del periodo de estudio.

Figura 10: Ecuacion estimada

Figura 11: Calidad de ajuste del modelo

Se observa en la grafica que el modelo escogido encaja o describe casi fielmente el comportamiento de los precios ajustados. Ademas se tiene un correlograma uniforme y que no se aleja de las bandas otorgando a este modelo un
buen nivel o bondad de ajuste.
Forecast del modelo ARIMA-GARCH(1,1)

Figura 12: Simulacion de los retornos Apple inc.

Figura 13: Forecast de los retornos Apple inc.

Figura 14: Validacion de los datos predecidos

Se tiene como resultado una prediccion lineal que se distribuye al rededor
de x = 0, sin seguir el comportamiento de los retornos otorgando predicciones
erroneas. Evaluando la validacion de datos tenemos que el acercamiento de la
prediccion es en promedio de 1 %.

2.

Serie Agrcola

Analizaremos el precio de un producto agrcola con mas de 3000 variedades

como es la papa, en este caso se estudia la papa Yungay clasificada como papa
blanca, seg
un el Sistema de Informacion de Abastecimiento y Precios (SISAP)
del Ministerio de Agricultura y Riego (Minagri). Tenemos una muestra de
92 observaciones con periodos diarios, empezando desde el 5 de Enero hasta
el 27 de Abril del presente. La serie muestra un comportamiento del precio
estacionario en los meses de Enero y Febrero, luego supero la valla de un S/. 1
por kilo siguiendo una tendencia al alza que luego retoma los valores al rededor
de los cuales se comparta el precio.

Figura 15: Precios diarios de la papa Yungay

Figura 16: Correlograma de los Precios diarios de la papa Yungay

El correlograma muestra que la serie no es estacionaria debido a que cada
rezago se encuentra fuera de la banda y no varia respecto a un valor promedio.

10

Figura 17: Primeras diferencias del precio

Figura 18: Correlograma de las primeras diferencias

La primera diferencia del precio diario de la papa Yungay se convierte en
una serie estacionaria de acuerdo al correlograma, con un precio promedio de
S/. 0.9955 por kilo en el mercado mayorista. A diferencia de la serie financiera
donde la primera diferencia varia al rededor del eje x = 0. La figura muestra
que el mejor modelo ARMA para el precio de la papa Yungay puede estar dado
por un proceso AR(8) y un MA(8), debido a que cortan la banda en dichos
niveles de rezago. Por lo tanto se procede a calcular un modelo ARIMA(8,1,8).
11

Figura 19: Ecuacion estimada

Figura 20: Calidad de ajuste

En la figura se tiene un modelo que se ajusta a la muestra observada, ya
que en comparacion con la distribucion estandar en el grafico QQ se tiene una
gran acercamiento de la mayora de los datos. Por lo tanto podemos emplear
el modelo ARIMA(8,1,8) para realizar el Forecast, separando la muestra en
una parte observada correspondiente al 80 % y la otra para validar los datos
comparando con la prediccion realizada.
12

Forecast del modelo ARIMA

Figura 21: Forecast del precio de la papa Yungay

Figura 22: Validacion de los datos predecidos

El modelo estimado nos otorga un poder de prediccion muy aceptable en
promedio de 90 % para la serie agrcola, como se observa en la grafica de validacion, la linea del Forecast encaja muy bien en la serie observada. Por lo tanto
podemos concluir que el precio de la papa Yungay tendra un comportamiento
13

a la baja para el mes de Abril llegando probablemente a un precio de S/. 0.70

por kg.
Modelos ARIMA-GARCH

Figura 23: Retornos de la papa Yungay vs. Precio diario

Tenemos la grafica de retornos en comparacion con la evolucion de los
precios diarios de la papa Yungay. Introducimos el modelo GARCH(2,1) para
modelar la variacion de los retornos.

Figura 24: Ecuacion estimada incluyendo el componente GARCH

14

Figura 25: Calidad de ajuste del modelo

La ecuacion estimada posee una bondad de ajuste aceptable, ademas los
parametros se encuentran dentro de los niveles de confianza. Por lo tanto se
procede a realizar el forecast para este modelo ARIMA-GARCH.
Forecast del modelo ARIMA-GARCH

Figura 26: Simulacion de retornos del precio papa Yungay

15

Figura 27: Forecast del retorno papa Yungay

Figura 28: Muestra observada vs. prediccion

Primero simulamos 100 escenarios posibles para los retornos de los precios
de la papa Yungay, luego se realiza el forecast en base a todos las simulaciones
realizadas de manera que nos permita un mejor poder de prediccion y acercamiento a las muestras observadas al momento de la validacion. El resultado
nos muestra un comportamiento de los retornos de baja volatilidad sin variaciones muy altas ni muy bajas, ademas permite conocer los niveles maximos y

16

mnimos de los retornos en base a los intervalos de confianza. Finalmente comparando la muestra observada con la predecida, se tiene un comportamiento
similar pero sigue siendo lejano a los valores reales.

3.

Anexos
seriefinanciera.m

clear , c l c ;

2
3
4
5
6
7
8

% A n a l i s i s de p r e c i o s de l a s a c c i o n e s de Apple
y=yahoo ;
q u o t e s={ AAPL } ;
f e c h a i n i c i o = 1/1/2000 ;
f e c h a f i n = 1/1/2015 ;
A=f e t c h ( y , q u o t e s { 1 } , { Adj C l o s e } , f e c h a i n i c i o , f e c h a f i n , m ) ;

9
10
11

tiempo = A( : , 1 ) ;
p r e c i o = A( : , 2 ) ;

12
13
14
15
16
17
18
19
20
21
22

% G r a f i c a de l a f u n c i
on financiera
figure (1)
plot ( tiempo , p r e c i o , b , LineWidth , 1 ) ;
d a t e t i c k ( x , mmmyy ) ;
ylabel ( P r e c i o Ajustado , F o n t s i z e , 1 0 ) ;
legend ( Apple , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
title ( Precios Hist
o r i c o s de Apple I n c . , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

23
24
25
26
27
28
29

% Correlograma p r e c i o
figure (2)
subplot ( 2 , 1 , 1 ) ;
autocorr ( precio ,36) ;
subplot ( 2 , 1 , 2 ) ;
parcorr ( precio ,36) ;

30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

% Gra
f i c a de l a primera d i f e r e n c i a
figure (3)
d p r e c i o = zeros ( 1 8 0 , 1 ) ;
f o r k =1:179
d p r e c i o ( k )=p r e c i o ( k+1)p r e c i o ( k ) ;
end
plot ( tiempo , d p r e c i o , r , LineWidth , 1 ) ;
d a t e t i c k ( x , mmmyy ) ;
ylabel ( \ D e l t a ( P r e c i o Ajustado ) , F o n t s i z e , 1 0 ) ;
legend ( \ DeltaApple , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
t i t l e ( Primera d i f e r e n c i a d e l P r e c i o , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

45

17

46
47
48
49
50
51

% Correlograma primera d i f e r e n c i a p r e c i o
figure (4)
subplot ( 2 , 1 , 1 ) ;
autocorr ( dprecio ,36) ;
subplot ( 2 , 1 , 2 ) ;
parcorr ( dprecio ,36) ;

52
53
54
55

% Estimando modelo ARIMA( 1 , 1 , 2 )

mdl = arima ( 1 , 1 , 2 ) ;
e s t m d l = e s t i m a t e ( mdl , p r e c i o ) ;

56
57
58
59
60
61
62
63
64
65
66
67
68

% Verificando la calidad del ajuste

figure (5)
r e s = i n f e r ( estmdl , p r e c i o ) ;
subplot ( 2 , 2 , 1 )
plot ( r e s . / sqrt ( e s t m d l . V a r i a n c e ) )
t i t l e ( Residuos Estandarizados )
subplot ( 2 , 2 , 2 )
qqplot ( res )
subplot ( 2 , 2 , 3 )
autocorr ( res ,36)
subplot ( 2 , 2 , 4 )
parcorr ( res ,36)

69
70
71
72
73
74
75

% FORECAST PRECIO
% separamos l a d a t a 80 % 20 %
t 1 = zeros ( 1 4 4 , 1 ) ;
p1 = zeros ( 1 4 4 , 1 ) ;
t 2 = zeros ( 3 6 , 1 ) ;
p2 = zeros ( 3 6 , 1 ) ;

76
77
78

t 1 ( 1 : 1 4 4 , 1 ) = tiempo ( 1 8 0 : 1 : 3 7 , 1 ) ;
t 2 ( 1 : 3 6 , 1 ) = tiempo ( 3 6 : 1 : 1 , 1 ) ;

79
80
81

p1 ( 1 : 1 4 4 , 1 ) = p r e c i o ( 1 8 0 : 1 : 3 7 , 1 ) ;
p2 ( 1 : 3 6 , 1 ) = p r e c i o ( 3 6 : 1 : 1 , 1 ) ;

82
83
84
85
86
87

% C
aclulo del f orec ast
yt1 = s i m u l a t e ( estmdl , 3 6 , numPaths , 1 0 0 0 , Y0 , p1 ) ;
mn1 = mean( yt1 , 2 ) ;
lowp = p r c t i l e ( yt1 , 2 . 5 , 2 ) ;
upp = p r c t i l e ( yt1 , 9 7 . 5 , 2 ) ;

88
89
90
91

[ yF , yMSE ] = f o r e c a s t ( estmdl , 3 6 , Y0 , yt1 ) ;

UB = yF + 1 . 9 6 sqrt (yMSE) ;
LB = yF 1 . 9 6 sqrt (yMSE) ;

92
93
94
95
96
97
98
99
100
101

% Gra
fica
figure (6)
h1 = plot ( t1 , p1 , C o l o r , [ . 8 0 , . 7 5 , . 7 5 ] ) ;
hold on
h2 = plot ( t2 , mn1 , b , LineWidth , 2 ) ;
h3 = plot ( t2 , upp , k , LineWidth , 1 . 5 ) ;
plot ( t2 , lowp , k , LineWidth , 1 . 5 ) ;
d a t e t i c k ( x , mmmyy ) ;
legend ( [ h1 , h2 , h3 ] , A d j P r i c e , F o r e c a s t , . . .

18

102
103
104

F o r e c a s t I n t e r v a l , L o c a t i o n , Northwest )
t i t l e ( F o r e c a s t Adj P r i c e Apple i n c . )
hold o f f

105
106
107
108

% Validadndo d a t o s p r e d e c i d o s
error = abs ( ( yFp2 ) . / p2 ) . 1 0 0 ;
v a l i d o = 100error ;

109
110
111

mvalido = mean( v a l i d o ) ;
myF = mean( yF ) ;

112
113
114
115
116
117

N=[yF p2 v a l i d o ] ;
fprintf (
Tabla de v a l i d a c i o n de d a t o s
\n ) ;
f p r i n t f ( ===================================\n ) ;
fprintf ( Forecast
Muestra
V a l i d a c i o n
\n ) ;
disp (N) ;

118
119
120
121
122
123
124
125
126
127

figure (7)
subplot ( 2 , 1 , 1 ) ;
h4 = plot ( t2 , p2 , t2 , mn1) ;
d a t e t i c k ( x , mmmyy ) ;
set ( h4 ( 1 ) , L i n e S t y l e , , C o l o r , b ) ;
legend ( Adj P r i c e , F o r e c a s t , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
t i t l e ( Muestra o b s e r v a d a vs . F o r e c a s t )
grid on

128
129
130
131
132
133
134
135

subplot ( 2 , 1 , 2 ) ;
h5 = plot ( t2 , v a l i d o ) ;
d a t e t i c k ( x , mmmyyyy ) ;
legend ( V
a l i d o ( %) , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
title ( Validaci
o n de d a t o s ( en p o r c e n t a j e ) ) ;
grid on

136
137
138
139
140

%% % % % % % % % % % % % % % % % % % % % % % % % % % % % %
%MODELO GARCH RETORNOS
r = price2ret ( precio ) ;

141
142
143
144
145
146
147
148
149
150
151

figure (8)
subplot ( 2 , 1 , 1 ) ;
plot ( tiempo , p r e c i o , b , LineWidth , 1 ) ;
d a t e t i c k ( x , mmmyy ) ;
ylabel ( P r e c i o Ajustado , F o n t s i z e , 1 0 ) ;
legend ( Apple , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
title ( Precios Hist
o r i c o s de Apple I n c . , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

152
153
154
155
156
157

subplot ( 2 , 1 , 2 ) ;
plot ( tiempo ( 1 8 0 : 1 : 2 ) , r , k , LineWidth , 1 ) ;
d a t e t i c k ( x , mmmyy ) ;
ylabel ( Retornos , F o n t s i z e , 1 0 ) ;
legend ( R t , O r i e n t a t i o n , H o r i z o n t a l , . . .

19

158
159
160
161

L o c a t i o n , NorthWest ) ;
t i t l e ( Retornos de Apple I n c . , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

162
163
164
165

% E s p e c i f i c a n d o e l modelo ARIMAGARCH
mdl1 = arima ( ARLags , 1 , D , 1 , MALags , 2 , V a r i a n c e , g a r c h ( 1 , 1 ) ) ;
e s t m d l 1 = e s t i m a t e ( mdl1 , r ) ;

166
167
168
169
170
171
172
173
174
175
176

% Bondad de a j u s t e
figure (9)
r e s 1 = i n f e r ( estmdl1 , r ) ;
t i t l e ( Residuos Estandarizados )
subplot ( 3 , 1 , 1 )
qqplot ( res1 )
subplot ( 3 , 1 , 2 )
autocorr ( res1 , 3 6 )
subplot ( 3 , 1 , 3 )
parcorr ( res1 , 3 6 )

177
178
179
180
181
182
183

% FORECAST RETORNO
% separamos l a d a t a 80 % 20 %
t r 1 = zeros ( 1 4 3 , 1 ) ;
r 1 = zeros ( 1 4 3 , 1 ) ;
t r 2 = zeros ( 3 6 , 1 ) ;
r 2 = zeros ( 3 6 , 1 ) ;

184
185
186

t r 1 ( 1 : 1 4 3 , 1 ) = tiempo ( 3 7 : 1 : 1 7 9 , 1 ) ;
t r 2 ( 1 : 3 6 , 1 ) = tiempo ( 3 6 : 1 : 1 , 1 ) ;

187
188
189

r1 ( 1 : 1 4 3 , 1 ) = r (179: 1:37 ,1) ;

r2 ( 1 : 3 6 , 1 ) = r (36: 1:1 ,1) ;

190
191
192
193
194
195
196
197

% C
aclulo del f orec ast
yt=s i m u l a t e ( estmdl1 , 3 6 , numPaths , 1 0 0 , Y0 , r 1 ) ;
[ rF , rMSE ] = f o r e c a s t ( estmdl1 , 3 6 , Y0 , yt ) ;
% I n t e r v a l o de c o n f i a n z a y promedio de l a s i m u l a c i
on
mn = mean( yt , 2 ) ;
low = p r c t i l e ( yt , 2 . 5 , 2 ) ;
up = p r c t i l e ( yt , 9 7 . 5 , 2 ) ;

198
199
200
201
202
203
204
205

% Gra
fica simulaci
on
figure (10)
plot ( t r 1 , r1 , C o l o r , [ . 8 0 , . 7 5 , . 7 5 ] ) ;
hold on
plot ( t r 2 , yt ) ;
d a t e t i c k ( x , mmmyy ) ;
t i t l e ( Simulaci
o n de Retornos Apple i n c . , F o n t s i z e , 1 5 )

206
207
208
209
210
211
212
213

% Gra
f i c a de
figure (11)
h6 = plot ( t r 1
hold on
h7 = plot ( t r 2
h8 = plot ( t r 2
plot ( t r 2 , low ,

la prediccio
n forecast
, r1 , C o l o r , [ . 8 0 , . 7 5 , . 7 5 ] ) ;
, mn, b , LineWidth , 2 ) ;
, up , k , LineWidth , 1 . 5 ) ;
k , LineWidth , 1 . 5 ) ;

20

214
215
216
217
218

d a t e t i c k ( x , mmmyy ) ;
legend ( [ h6 , h7 , h8 ] , Retorno R t , F o r e c a s t , . . .
F o r e c a s t I n t e r v a l , L o c a t i o n , Northwest )
t i t l e ( F o r e c a s t Retornos Apple i n c . , F o n t s i z e , 1 5 )
hold o f f

219
220
221
222

% Validadndo d a t o s p r e d e c i d o s
e r r o r r = ( abs ( r 2 )abs (mn) ) . / abs ( r 2 ) . 1 0 0 ;
v a l i d o r = 100 e r r o r r ;

223
224
225

m v a l i d o r = mean( v a l i d o r ) ;
mrF = mean(mn) ;

226
227
228
229
230
231

N1=[mn r 2 v a l i d o r ] ;
fprintf (
Tabla de v a l i d a c i o n de d a t o s
\n ) ;
f p r i n t f ( ===================================\n ) ;
fprintf ( Forecast
Muestra
V a l i d a c i o n
\n ) ;
disp (N1) ;

232
233
234
235
236
237
238
239
240
241
242

% Gra
f i c a aumentada d e l f o r e c a s t v s v a l o r e s o b s e r v a d o s
figure (12)
subplot ( 2 , 1 , 1 ) ;
h9 = plot ( t r 2 , r2 , t r 2 ,mn) ;
d a t e t i c k ( x , mmmyy ) ;
set ( h9 ( 2 ) , L i n e S t y l e , , LineWidth , 1 . 5 ) ;
legend ( Retorno R t , F o r e c a s t , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
t i t l e ( Muestra o b s e r v a d a vs . F o r e c a s t )
grid on

243
244
245
246
247
248
249
250

subplot ( 2 , 1 , 2 ) ;
h10 = plot ( t2 , v a l i d o r ) ;
d a t e t i c k ( x , mmmyyyy ) ;
legend ( V
a l i d o ( %) , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
title ( Validaci
o n de d a t o s ( en p o r c e n t a j e ) ) ;
grid on

serieagricola.m
1

clear , c l c ;

2
3
4

% A n a l i s i s de p r e c i o s de l a papa yungay Fuente MINAGRI

%=====================================================

5
6
7

% % L e c t u r a de d a t o s d e s d e l i b r o e x c e l
DATA = x l s r e a d ( p r e c i o p a p a y u n g a y , 1 , A2 : B93 ) ;

8
9
10
11

% Separaci
o n de s e r i e s
tiempo = DATA( : , 1 ) ;
p r e c i o = DATA( : , 2 ) ;

12
13
14
15

% G r a f i c a de l o s p r e c i o s d i a r i o s de l a papa Yungay
figure (1)
plot ( tiempo , p r e c i o , b , LineWidth , 1 ) ;

21

16
17
18
19
20
21
22

d a t e t i c k ( x , ddmmmyy ) ;
ylabel ( P r e c i o S / . por kg , F o n t s i z e , 1 0 ) ;
legend ( Papa Yungay , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
t i t l e ( P r e c i o s d i a r i o s a l Mayorista , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

23
24
25
26
27
28
29

% Correlograma p r e c i o de l a papa Yungay

figure (2)
subplot ( 2 , 1 , 1 ) ;
autocorr ( precio ,36) ;
subplot ( 2 , 1 , 2 ) ;
parcorr ( precio ,36) ;

30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

% Gra
f i c a de l a primera d i f e r e n c i a
figure (3)
d p r e c i o = zeros ( 9 2 , 1 ) ;
f o r k =1:91
d p r e c i o ( k )=p r e c i o ( k+1)p r e c i o ( k ) ;
end
plot ( tiempo , d p r e c i o , r , LineWidth , 1 ) ;
d a t e t i c k ( x , ddmmmyy ) ;
ylabel ( \ D e l t a ( P r e c i o ) , F o n t s i z e , 1 0 ) ;
legend ( \ DeltaPapa Yungay , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
t i t l e ( Primera d i f e r e n c i a d e l P r e c i o , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

45
46
47
48
49
50
51

% Correlograma primera d i f e r e n c i a p r e c i o
figure (4)
subplot ( 2 , 1 , 1 ) ;
autocorr ( dprecio ,36) ;
subplot ( 2 , 1 , 2 ) ;
parcorr ( dprecio ,36) ;

52
53
54
55

% Estimando modelo ARIMA( 8 , 1 , 8 )

mdl = arima ( 8 , 1 , 8 ) ;
e s t m d l = e s t i m a t e ( mdl , p r e c i o ) ;

56
57
58
59
60
61
62
63
64
65
66
67
68

% Verificando la calidad del ajuste

figure (5)
r e s = i n f e r ( estmdl , p r e c i o ) ;
subplot ( 2 , 2 , 1 )
plot ( r e s . / sqrt ( e s t m d l . V a r i a n c e ) )
t i t l e ( Residuos Estandarizados )
subplot ( 2 , 2 , 2 )
qqplot ( res )
subplot ( 2 , 2 , 3 )
autocorr ( res ,36)
subplot ( 2 , 2 , 4 )
parcorr ( res ,36)

69
70
71

% FORECAST PRECIO PAPA YUNGAY

% separamos l a d a t a 80 % 20 %

22

72
73
74
75

t1
p1
t2
p2

=
=
=
=

zeros ( 7 4 , 1 ) ;
zeros ( 7 4 , 1 ) ;
zeros ( 1 8 , 1 ) ;
zeros ( 1 8 , 1 ) ;

76
77
78

t 1 ( 1 : 7 4 , 1 ) = tiempo ( 1 : 7 4 , 1 ) ;
t 2 ( 1 : 1 8 , 1 ) = tiempo ( 7 5 : 9 2 , 1 ) ;

79
80
81

p1 ( 1 : 7 4 , 1 ) = p r e c i o ( 1 : 7 4 , 1 ) ;
p2 ( 1 : 1 8 , 1 ) = p r e c i o ( 7 5 : 9 2 , 1 ) ;

82
83
84
85
86
87

% C
aclulo del f orec ast
yt1 = s i m u l a t e ( estmdl , 1 8 , numPaths , 1 0 0 0 , Y0 , p1 ) ;
mn1 = mean( yt1 , 2 ) ;
lowp = p r c t i l e ( yt1 , 2 . 5 , 2 ) ;
upp = p r c t i l e ( yt1 , 9 7 . 5 , 2 ) ;

88
89
90
91

[ yF , yMSE ] = f o r e c a s t ( estmdl , 1 8 , Y0 , yt1 ) ;

UB = yF + 1 . 9 6 sqrt (yMSE) ;
LB = yF 1 . 9 6 sqrt (yMSE) ;

92
93
94
95
96
97
98
99
100
101
102
103
104

% Gra
fica
figure (6)
h1 = plot ( t1 , p1 , C o l o r , [ . 8 0 , . 7 5 , . 7 5 ] ) ;
hold on
h2 = plot ( t2 , mn1 , b , LineWidth , 2 ) ;
h3 = plot ( t2 , upp , k , LineWidth , 1 . 5 ) ;
plot ( t2 , lowp , k , LineWidth , 1 . 5 ) ;
d a t e t i c k ( x , mmmyy ) ;
legend ( [ h1 , h2 , h3 ] , P r e c i o papa , F o r e c a s t , . . .
F o r e c a s t I n t e r v a l , L o c a t i o n , Northwest )
t i t l e ( F o r e c a s t P r e c i o papa Yungay )
hold o f f

105
106
107
108

% Validando d a t o s p r e d e c i d o s
error = abs ( ( mn1p2 ) . / p2 ) . 1 0 0 ;
v a l i d o = 100error ;

109
110
111

mvalido = mean( v a l i d o ) ;
myF = mean(mn1) ;

112
113
114
115
116
117

N=[mn1 p2 v a l i d o ] ;
fprintf (
Tabla de v a l i d a c i o n de d a t o s
\n ) ;
f p r i n t f ( ===================================\n ) ;
fprintf ( Forecast
Muestra
V a l i d a c i o n
\n ) ;
disp (N) ;

118
119
120
121
122
123
124
125
126
127

figure (7)
subplot ( 2 , 1 , 1 ) ;
h4 = plot ( t2 , p2 , t2 , mn1) ;
d a t e t i c k ( x , mmmyy ) ;
set ( h4 ( 1 ) , L i n e S t y l e , , C o l o r , b ) ;
legend ( P r e c i o papa , F o r e c a s t , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
t i t l e ( Muestra o b s e r v a d a vs . F o r e c a s t )
grid on

23

128
129
130
131
132
133
134
135

subplot ( 2 , 1 , 2 ) ;
h5 = plot ( t2 , v a l i d o ) ;
d a t e t i c k ( x , mmmyy ) ;
legend ( V
a l i d o ( %) , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
title ( Validaci
o n de d a t o s ( en p o r c e n t a j e ) ) ;
grid on

136
137
138
139
140

%% % % % % % % % % % % % % % % % % % % % % % % % % % % % %
%MODELO GARCH RETORNOS PAPA YUNGAY
r = price2ret ( precio , periodic ) ;

141
142
143
144
145
146
147
148
149
150
151

figure (8)
subplot ( 2 , 1 , 1 ) ;
plot ( tiempo , p r e c i o , b , LineWidth , 1 ) ;
d a t e t i c k ( x , mmmyy ) ;
ylabel ( P r e c i o S / . por kg , F o n t s i z e , 1 0 ) ;
legend ( Papa Yungay , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
title ( Precios Hist
o r i c o s de l a papa Yungay , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

152
153
154
155
156
157
158
159
160
161

subplot ( 2 , 1 , 2 ) ;
plot ( tiempo ( 2 : 9 2 ) , r , k , LineWidth , 1 ) ;
d a t e t i c k ( x , mmmyy ) ;
ylabel ( Retornos , F o n t s i z e , 1 0 ) ;
legend ( R t , O r i e n t a t i o n , H o r i z o n t a l , . . .
L o c a t i o n , NorthWest ) ;
t i t l e ( Retornos de l a papa Yungay , . . .
Fontsize ,15) ;
set ( gca , F o n t s i z e , 1 0 ) ;

162
163
164
165

% E s p e c i f i c a n d o e l modelo ARIMAGARCH
mdl1 = arima ( ARLags , 8 , D , 1 , MALags , 8 , V a r i a n c e , g a r c h ( 2 , 1 ) ) ;
e s t m d l 1 = e s t i m a t e ( mdl1 , r ) ;

166
167
168
169
170
171
172
173
174
175
176

% Bondad de a j u s t e
figure (9)
r e s 1 = i n f e r ( estmdl1 , r ) ;
t i t l e ( Residuos Estandarizados )
subplot ( 3 , 1 , 1 )
qqplot ( res1 )
subplot ( 3 , 1 , 2 )
autocorr ( res1 , 3 6 )
subplot ( 3 , 1 , 3 )
parcorr ( res1 , 3 6 )

177
178
179
180
181
182
183

% FORECAST RETORNO PAPA YUNGAY

% separamos l a d a t a 80 % 20 %
t r 1 = zeros ( 7 3 , 1 ) ;
r 1 = zeros ( 7 3 , 1 ) ;
t r 2 = zeros ( 1 8 , 1 ) ;
r 2 = zeros ( 1 8 , 1 ) ;

24

184
185
186

t r 1 ( 1 : 7 3 , 1 ) = tiempo ( 1 : 7 3 , 1 ) ;
t r 2 ( 1 : 1 8 , 1 ) = tiempo ( 7 4 : 9 1 , 1 ) ;

187
188
189

r1 ( 1 : 7 3 , 1 ) = r ( 1 : 7 3 , 1 ) ;
r2 ( 1 : 1 8 , 1 ) = r ( 7 4 : 9 1 , 1 ) ;

190
191
192
193
194
195
196
197

% C
aclulo del f orec ast
yt=s i m u l a t e ( estmdl1 , 1 8 , numPaths , 1 0 0 , Y0 , r 1 ) ;
[ rF , rMSE ] = f o r e c a s t ( estmdl1 , 1 8 , Y0 , yt ) ;
% I n t e r v a l o de c o n f i a n z a y promedio de l a s i m u l a c i
on
mn = mean( yt , 2 ) ;
low = p r c t i l e ( yt , 2 . 5 , 2 ) ;
up = p r c t i l e ( yt , 9 7 . 5 , 2 ) ;

198
199
200
201
202
203
204
205

% Gra
fica simulaci
on
figure (10)
plot ( t r 1 , r1 , C o l o r , [ . 8 0 , . 7 5 , . 7 5 ] ) ;
hold on
plot ( t r 2 , yt ) ;
d a t e t i c k ( x , mmmyy ) ;
t i t l e ( Simulaci
o n de Retornos d e l p r e c i o papa Yungay , F o n t s i z e
,15)

206
207
208
209
210
211
212
213
214
215
216
217
218

% Gra
f i c a de l a p r e d i c c i o
n forecast
figure (11)
h6 = plot ( t r 1 , r1 , C o l o r , [ . 8 0 , . 7 5 , . 7 5 ] ) ;
hold on
h7 = plot ( t r 2 , mn, b , LineWidth , 2 ) ;
h8 = plot ( t r 2 , up , k , LineWidth , 1 . 5 ) ;
plot ( t r 2 , low , k , LineWidth , 1 . 5 ) ;
d a t e t i c k ( x , mmmyy ) ;
legend ( [ h6 , h7 , h8 ] , Retorno R t , F o r e c a s t , . . .
F o r e c a s t I n t e r v a l , L o c a t i o n , Northwest )
t i t l e ( F o r e c a s t Retornos p r e c i o papa Yungay , F o n t s i z e , 1 5 )
hold o f f

219
220
221
222

% Validadndo d a t o s p r e d e c i d o s
e r r o r r = ( abs ( r 2 )abs (mn) ) . / abs ( r 2 ) . 1 0 0 ;
v a l i d o r = 100 e r r o r r ;

223
224
225

m v a l i d o r = mean( v a l i d o r ) ;
mrF = mean(mn) ;

226
227
228
229
230
231

N1=[mn r 2 v a l i d o r ] ;
fprintf (
Tabla de v a l i d a c i o n de d a t o s
\n ) ;
f p r i n t f ( ===================================\n ) ;
fprintf ( Forecast
Muestra
V a l i d a c i o n
\n ) ;
disp (N1) ;

232
233
234
235
236
237
238

% Gra
f i c a aumentada d e l f o r e c a s t v s v a l o r e s o b s e r v a d o s
figure (12)
h9 = plot ( t r 2 , r2 , t r 2 ,mn) ;
d a t e t i c k ( x , mmmyy ) ;
set ( h9 ( 2 ) , L i n e S t y l e , , LineWidth , 1 . 5 ) ;
legend ( Retorno R t , F o r e c a s t , O r i e n t a t i o n , H o r i z o n t a l , . . .

25

239
240
241

Location , Southoutside ) ;
t i t l e ( Muestra o b s e r v a d a vs . F o r e c a s t )
grid on

242
243
244
245
246
247
248
249

figure (13)
h10 = plot ( t2 , v a l i d o r ) ;
d a t e t i c k ( x , mmmyyyy ) ;
legend ( V
a l i d o ( %) , O r i e n t a t i o n , H o r i z o n t a l , . . .
Location , Southoutside ) ;
title ( Validaci
o n de d a t o s ( en p o r c e n t a j e ) ) ;
grid on

26