ESTADISTICA ESPANOLA

Vol. 37, Nm. 139, 1995, pgs. 287 a 304

Distincin entre caos y azar en series

ruidosas mediante predicciones locales
baricntricas ( *)

por
FERNANDO FERNANDEZ RODRIGUEZ
Departamento de Econorna Aplicada
Universidad de Las Palmas de Gran Canaria

JUAN MARTIN GONZALEZ

Departamento de Fsica
Universidad de Las Palmas de Gran Canaria

RESUMEN
En este trabajo los autores contrastan la presencia de caos determinista en diversas series econmicas ruidosas analizando las
posibilidades de prediccin a corto plazo por medio de predicciones
locales baricntricas. Se desarrollan algunos estadstcos con el fin
de separar, en una serie ruidosa, las observaciones de comportamiento determinista de las que muestran comportamiento independiente de las anteriores.
Palabras c/ave: caos determinista, prediccin, ocurrencias an^logas.
Clasificacin AMS: 62P20, 90A20, 62M 10.
(*) Los autores agradecen su soporte econrnico al Ministerio de Educacin espaol a travs
del Proyecto DGICYT PB94-0425.

f^:;^"T AI)Iti TI( > ftiF' ^N^ ^I ^1

?KK

1.

INTRODUCCION

La teora del caos determinista ha posibilitado la modelizacin y prediccibn

de muchas series temporales cansideradas tradicionalmente como ruidos de
comportamiento puramente aleatorio.
Las ciencias aplicadas han prestado recientemente gran inters por el caos
determinista porque las trayectorias generadas por determinadas ecuaciones en
diferencias no lineales tienen apariencia puramente aleatoria. Dichas trayectorias caticas resultan indistinguibtes por los mtodos lineales clsicos (anlisis
espectral y funciones de autocovarianza}, de un genuino ruido blanco de naturaleza aleatoria. Tal ocurre, por ejemplo, con la serie temporal generada por la
ecuacin logstica X^ + 1= 4X^ (1 -- Xl), para ^c'o E(0, ^).
No obstante, la deteccin emprica de dinmicas caticas es un problema
extremadamente sutil debido a que la reconstruccin del atractor extrao que
origina la dinmica determinista es sumamente sensible a los parmetros usados en los tests no lineales [Chen ( 1992)].
La Economa presenta actualmente mucho inters por las dinmicas caticas [Medio ( 1992} y Lorenz ( 1993)]. No obstante, el debate entre la existencia
de comportarniento aleatorio o catico es ms agudo, si cabe, debido a que la
longitud de las seres disponibles es, por lo general, demasiado pequea para
garantizar la fiabilidad estadstica de los tests que suelen usarse para detectar
el caos.
En Ramsey, Sayers y Rothman (1990), los autores concluyen que los mtodos ms usuales de deteccin experimental del caos, tales como la Dimensin
de Gorrelacin, los exponentes de Lyapunov y la entropa de Kolmogorov, no
pueden aplicarse de modo fiable a pequeos grupos de datos tales como los
que se utilizan en la Economa.
En el presente trabajo desarrollamos un test para contrastar la existencia de
comportamiento catico determinista en una serie temporat y distinguirlo del genuino ruido blanco. Para ello nos basaremos en la siguiente idea: en una serie
temporal catica es posible realizar predicciones a corto plazo a base del estudio de patrones de comportamiento, anlogos al presente, ocurridos en el pasado; en el ruido blanco esto es imposible.
Gomo aplicacin prctica del test tratamos diversas series, de apariencia ruidosa, analizadas ya en la literatura econmica por las tcnicas ms usuales de
deteccin del caos: la serie de parados de Sayers (1986), la de rentabilidades
burstiles de Scheinkman y LeBaron (1989) y la del ndice Divisia de Barnet y
Chen (1988). Todos los autores nos han ofrecido amablemente sus datos.

[)I:^T1N('I()N fNTRF^ C'A()S Y.A"I.AR EN tiF^.RIF^-ti Rl't1N)tiA^

2.

?K^

DETECCION DEL CAOS DETERMINISTA Y PREDICCION

POR OCURRENCIAS ANALOGAS

Se {x,, ..., x} una serie finita de observaciones escalares que supondremos estacionaria. EI concepto de Espacio de Fases asociado a la serie temporal
[Schuster (1988) para una panormica general] es la base de todo el desarrolla
posterior, porque permitir examinar la evolucin de los patrones de comportamiento dentro de la serie.
En este esquema, los segmentos formados por d trminos consecutivos de
la serie temporal se consideran puntos de un espacio vectorial real cuya dimensin es denominada Dimensin de Inmersin (DI = d). Tales puntos se denotarn, a partir de ahora, por:

x;d = ( x; , x; _ , ,

X; _ ^,^ _ ^ ^ }

y se flaman, a menudo, d-historias. EI conjunto de todas las d-historias es considerado como e1 espacio de fases de un sistema dinmico d-dimensional, definido por la serie temporal, y reflejar sus propiedades. EI espacio d-dimensional
II^d se denomina entonces Espacio de Fases de la serie temporal.
EI paradigma catico establece que, pese a la apariencia ruidosa de la serie
original, un ajuste correcto de la dimensin de inmersin d dara lugar a una
cornpleja configuracin en el espacio de fases canocida como un atractor extrao. Estos atractores, lejos de estar forrnados por puntos distribuidos a! azar, tienen caractersticas geomtricas y dinmicas deterministas [Schuster (1988)].
La presencia de caos determinista en una serie temporal suele contrastarse
por dos procedimientos: el test de Grassberger y Procaccia (1983}, y el test
BDS de Brock, Dechet y Scheinkrnan (1987) . Ambos tests se basan en el concepto de Correlacin Entera Cd (^), que se define como la probabilidad de que
dos puntos del espacio reconstruido se encuentren a una distancia menor que ^:

Cd(^)=#{(i,)lII Xd-X^dll <,d<_,j<_n,i^j}l(na--nd)

donde nd = n-(d - 1) es el nmero de d-historias que pueden considerarse en
la muestra de tamao n y# representa el nmero de elementos de un conjunto.
En el test de Grassberger y Procaccia se define la Dimensin de Correlacin
como:
Dd =

lim

e--^0

lim

n--^^

[log Cd (^) / log {^}]

Si al aumentar ^a dimensin de inmersin, la Dimensin de Carrelacin se

estabiliia en torno a un valor D, para d>_ do, tal comportamiento sera sntarna

E^.S"1AUIST^I('A t^.tiNANOE.A

de una explcacn determinista de la serie temporal por medio de un atractor

extrao do-dimensional con una dimensin fractal D[Schuster (1988)]. Para un
ruido blanco, fa Dimensin de Correlacin Dd crecera ilimitadamente al aumentar d sin Ilegar a saturarse.
EI test BDS, por otra parte, contrasta la existencia de estructuras potencialmente predecibles dentro de la serie temporal.
Si dicha serie es un ruido blanco, la proximidad de dos patrones en una determinada dimensin no condiciona la proximidad de dichos patrones en una dimensin superior; ocurrir entonces que:
lm

n-^^

Ca (E) = C, (E)d con probabilidad 1

Brock, Dechet y Scheinkman (1988) demuestran que, bajo la hiptesis nula

de ruido blanco para la serie temporal, (Cd (E) - C, (^)d ) n 12 tiene media cero y
est normalmente distribuida. Llamando sd (E) a la desviacin tpica de las correlaciones enteras, el estadst+co BDS, w, tendr una distribucin N(0,1):
wd (E) ' (,^d (1 _ ^1 (E)d 1 n 1/2 ^

Sd ()

^2]

Cuando ^ w^ > 2, podemos rechazar con un 95% de confianza la hiptesis

nula de ruido blanco [Brock, Hsieh y Lebaron (1992) para una amplia visin de
sus aplicaciones].
Provenzale et al. (1992} han sugerido que la distincin entre caos determinista de baja dimensin y el autntico ruido blanco no debera basarse solamente en estimaciones de la Dimensin de Correlacin o el test BDS y deberan
aplicarse otros mtodos para analizar series temporales con el fin de extraer
tanta informacin dinmica como sea posible.
EI mtodo que usaremos en este trabajo para detectar el determinismo en una
serie consiste en analizar, para cada una de las observaciones finales de la serie
(en nuestras simulaciones hemos considerado las cien ltimas), !as posibilidades
de prediccin a corto plazo. Con ella pretendemos estudiar si los puntos del espacio de fases reconstruido se comportan de acuerdo al principio de prediccin por
ocurrencias anlogas. Es decir, tratamos de ver si puntos prximos evolucionan,
a corto plazo, con trayectorias simlares dentro del espacio de fases.
Nuestro test puede ser considerado, entonces, como un caso particular del
test BDS, porque permite analizar separadamente las posibilidades de prediccin
de los diferentes patrones de comportamienta dentro de una serie temporal.
Seguimos igualmente la idea central de Farrner y Sidorowich (1987) o Sugihara y May (1990) al considerar que la posibilidad de hacer predicciones a

[)ISTINt'1()N F^N"TitE t'AO.^ Y AI..AR NN Sf^RI^^.S RUI[X)^A:4

291

corto piazo es crucial para detectar la presencia de caos. En esta misma lnea,
en Bajo, Fernndez y Sosvilla ( i 992a, b) se realizaron este tipo de predicciones
sobre series de tipos de cambio que mejoran las del camino aleatorio.
Con ei fin de separar el comportarnento aleatorio del determinstico no iineal, usaremos varias tcnicas no paramtricas de prediccin por ocurrencias
aniogas, introducidas ya por Farmer y Sidorowich (1987), y que describimos a
continuacin:
Dada una serie temporal {x^, ..., x}, un predictor es simplemente una regla
para obtener una estimacin Xn +^ para la observacin siguiente a la ltima de la
serie.
La prediccin por ocurrencias anfogas es una tcnica de prediccin donde
los segmentos de abservaciones sucesivas con un comportamiento dinmico similar son empleados para predecir, por extrapolacin, el trmino siguiente al
que ocupa el final de la serie. Este trmino se calcula como algn tipo de promedio de las observaciones siguientes a los segmentos que se utilizan. Como
ejemplo ms simpie pueden citarse los predictores lineaies autorregresivos,
ajustados localmente, del tip:
xn+ 1 = a0 (n) xn + a, (n) xn_, + ... + ad_ 1 (n) Xn_ ^d_ ^^ + b (n)

introducidos por Farmer y Sidorowich en (1987). En Gershenfed y Weigend

(1994) se encuentra una exposicin ampla de este tipo de predicciones.
La ocurrencia anloga en un comportamiento dinmico se mide en trrninos
de algn concepto mtrico dei espacio vectorial real d-dimensional: puntos prximos corresponden a segmentos similares en la serie temporal. La forma rns
comn de buscar la ocurrencia anloga a x a consiste en encontrar un determinado nmero k de puntos x;d del espacio de fases que minimicen la funcin:

Il x;'--xdll

[3]

Alternativamente, podemos minimizar cualquiera de las siguientes funciones:

^-- P (x;', x d) 0 1-- cos (x;d, x d i

[4l

En Fernndez (1992) se establece la equivafencia enire las ocurrencias anlogas que se obtienen al utilizar las tres funciones para una serie catica.
Con el fin de medir la calidad de las predicciones, podemos predec'rr sucesivos datos de la serie generando con ello una serie paralela de predicciones que
puede ser comparada con la serie original. La calidad predictiva puede ser establecida por medio del estadstico:

^g,

E=.STAf)1ST1('A WtiPAN()l.A

E(n+ 1) _

^ Xn+ 1^ xn+ 1

a
donde cs es la desviacin tpica de la serie temporal.
Si E(n + 1) > 1, nuestra prediccin es peor que la prediccin constante dada
por la media de la serie. Si E(n + 1) ^ 1, nuestra prediccin es ms precisa que
la proporcionada por la media.
Tales errores permiten la obtencin de diversas medidas de volatilidad para
series #inancieras [Bajo, Fernndez y Sosvilla (1992b); Bajo, Fernndez, Mora y
Sosvilla (1994)].

3.

PREDICTORES SIMPLICIALES Y BARICENTRICt^S

Dada una serie temporal {x^, ..., x}, vamos a introducir un tipo especial de
predictores, por ocurrencias anlogas, que nos permitirn realizar nuestro contraste. Los Predictores Simpliciales se construyen de la siguiente forma: tomemos el conjunto de las k d-historias del espacio de fases (vease [1 ]):
xdl^ , ..., xdlw

[s]

que minimizan su distancia con la d-historia final de la serie x d.

La prediccin zn +^ de x^ +^ se realiza considerando alguna combiriacin lineal convexa de las observaciones:
[/]

t ^^ ..., x^k+ 1

de la serie que siguen a las k d-historias elegidas, es decir:

xn+ 1! a, (n) x^^ + 1 + a2 (n) x;2+ ,+... + ak (n^ x^^+ 1

[8]

donde se supone que:

k

[9]

^a;(n)-1
^_ ^

Los parmetros a; (n ) pueden ser elegidos de muchas formas. La ms simple es considerar a; (n) = 1 / k, y en tal caso, por razones geomtricas, tal predictor simplicial se Ilama Predictor Baricntrico xba^, :
X^ar1-1/kx^+^+1/kx^+^+...+1/kx^+^
1

[10]

L)IST1N('IUN ENTRF C'AOti Y.A"!_AR FN SF^RIF-^ ftl!ICN)SAti

293

La prediccin de los datos est condicionada por dos parmetros que deben
ser elegidos a priori, la dimensin de inmersin (DI) y el nmero de puntos prximos (NPP): z + ^ = xn + ^ (DI, NPP).
Suelen establecerse cotas superiores e inferiores en el nmero de puntos
prximos (NPP) a la hora de construir predictores locales [Farmer y Sidorowich
(1988)].
Debido al carcter loca! de los predictores, la eleccin de la dimensin de inmersin no debe afectar, en teoria, de forma crucial, a la calidad de las predicciones: en efecto, para series caticas, el teorema de Takens [Takens (1981)]
asegura que si de un sistema dinmico m-dimensional extraemos como observable una nica serie temporal, de modo genrico, la dinmica reconstruida por
rnedio del espacio de fases I^^d de la serie es equivalente, para d> 2m, a 1a dinmica del sistema original.
En la prctica, existe un criterio simpie para determinar tanto una DI como
un NPP ptimos. Tal criterio consiste en realizar diversas predicciones de las ltimas observaciones de la serie temporal y elegir una DI y un NPP que minirnicen la suma cuadr^tca de los errores de prediccin:
m

^, (x^,+ ^ (DI, NPP} -- xn+ i)2

Con el fin de contrastar la hiptesis nula de que la serie temporal es un ruido
blanco ser necesario demostrar que las observaciones x!^ +^, ..., x1k+ ^ (vase
[7]), que se utilizan en el predictor bar^centrico, pueden ser consideradas como
realizaciones de variables aleatorias independientes en un proceso estocstico.
Consideremos, para ello, un proceso estocstico discreto dado por una coleccin de variables aleatorias {X, ,.. ., X , .. .} IID, N (o, a), en un espacio de
probabilidad (5^2, F, P} tomando valores en el conjunto II^. Sea {^f'^ (w}, ...,
X^ (w), ...}, X; (w) = x; E II^^ una realizacin muestral del proceso. Sea S={xd,
d<_ i s n} c I^d, donde x^d representa la d-historia ( x;, x; _ 1, ..., x; _^d_,^), segn
la notacin introducida en [1 ].
Para cada dimensin de inmersin DI = d, definimos una nueva variable
aleatoria X^ +, d de !a forma:

X^^ +, d(w) - X^ +,(w) = x^ + ^, donde j minimiza {^^ x d-- xf' ^^ en S ^ I^d}

Las observaciones x^ +,,..., x^ +^ de [7] tambin pueden ser consideradas
2

como realizaciones de variables aleatorias X^2 + ^, d,..., X^k+ ^ d, donde d representa la dimensin de inmersin. Para ello, definiremos, de forma anloga:

?94

ES"T.A[)1ST1C'A t^SF'ANOE A

X^2 +, d( w) = X^ ^,( w) = x^ t ,, donde j mini miza ^ ^ x d- x1d ^( en S -{x d} ^ I^^'

,
y asi sucesivamente.

Praposicin 1
Las variables aleatorias X^ ^, d , donde i= 1, ,.., k son N(0, cs).

Demostracin:
Haremos la demostracin para i= 1; en los casos restantes la situacin es
anioga. Tenemos que:

P({w: X^^ + , d(w) ^ x}) - P({w: X^ +, (w) <_ x l ^^ x d- x^d ^^ es mnimo})

= P ({w: X^ + , (w) < x})

[12)

donde la primera igualdad se sigue por definicin de X^, +,, d y la segunda porque las variables aleatorias {X, ,.. ., X,,, ...} son IID. X ^, +,, d y X^ +, tienen, por
tanto, la misma funcin de distribucin y entonces X ^^ ^ d es N(o, a).

Proposicin 2
Cada una de las variables aleatorias X^ +^, d con r=. 1, ..., k es independiente de la X^ +,, para toda dimens^n de ^nmers^n d.

Demostracin:
La construccn de cada varable aleatora X^ + , d se realiza por medio de
una restriccin mtrica relativa a los valores de las variables X1 ( w) = x^ ,...,
X^ _ d+^( w) = x^ _ d+ ^, donde siempre ocurre que j< n+ 1. Por lo tanto, como
las variables aleatorias {X,, ..., X^ +^, ...} son tID, concluiremos entonces que
los eventos {w: ao ^ X^,+ ,, d(w) <_ bo} y{w: a, <_ X^ +^(w) <_ b,} son independientes para toda r y para cada ao, bo, a,, b, . Entonces tendremos para la funcin de distribucin que:
F(X ^,+ ^, d^ X^ Xn + 1^ Y ^ = Fx (X ^,+ 1, d^ x) Fxn+, (x^ +^^ Y)
de donde se concluye la independencia.

I^ 3}

DISTIN(_'ION Et^iRE C:AOS Y A"I.AR I:N SF:RIE:S RUI[X)SAS

295

Proposicin 3
Las variables aleatorias X^ +^ d, donde r= 1, ..., k, son independientes entre si.

Demostracin:
Demostraremos la independencia de X^^ , d y X^2 , d; para cualquier otro
par de variables, la demostrac^n es anloga.
Teniendo en cuenta que segn hemos definido previamente:

X^^ , d(w) = x^ +,, donde j minirniza {^^ x- x!d ^^ en s}

X^2+,, d(w) = xl +,, donde j minimiza {^^ xd- x^d () en S- {xd^}}
siendo S el conjunto de d-historias de la serie temporal en el espacio de fases.
Se sigue, entonces, que las variables aleatorias X^^+,, d y X^2+, d nunca podrn coincidir en ninguna realizac^n muestral del proceso.
Por tanto, de la independencia de las variables X^,..., X se concluye la independencia de los sucesos {w: ao <_ X*+, d( w) <_ bo} y{w: a, s X*+, d( w} <_
b}
1 para todo a0 , b,
0 a,1 b 1 ; por tanto, la ^ 'variables X'/^+1,d y X'.^2+1,d ^^ ern inde-

pendientes.
Los predictores baricntricos se caracterizan por la siguiente propiedad de
mnimo:

Proposicin 4
Considerando una serie temporal generada a partir de una fiamilia de variables aleatorias independientes e idnticamente distribuidas, el pred'rctor baricntrico es el predictor local simplicial que minirniza el error cuadrtico medio de
prediccin.

Demostracin:
Sea x^a+ ^, segn [10], la prediccin simplicial de la observacin x ^, sea
{X ^,..., X ^ } la familia de variables aleatorias I I D, con varianza a2, que generan la serie temporal.

F.S`TA[)ISTIC'A F^aPANOt,A

^y(j

Definimos la variable aleatoria:

^
xn. 1, d ^ a1 (^) x^^+ t, d ^2 (n) x^^+ 1, d+... + ak (n) X^^+ 1, d

Teniendo en cuenta la independencia de las variables en las proposiciones 2

y 3, las siguientes clculos son inmediatos:
^
Vaf (Xn + 1

Xn+ t, d) - Var (.n + t- j-+ ar ^n) x^ + 1, d) ...

r= 1

=\/ar(Xn+1)+^OC?(n)Vaf(X^+1 d)=CS2+Q2^a?(n)=
r= 1

r= 1

[^4]

=62(1 +^^r (n))-a^ im

r= 1

Si ^ a? (n) est acotada por nmeros m y M, la desviacin tpica de los

r

errores crs,m est trivialmente acotada:

a^ (1

+ /?7^1^2 ^ (Ssim ^ Cf (

[15]

+ M)t^2
k

a? ( n),
Como tenernos que ar ( n )>_ 0, los valores extremos de la funcin 1 +^
r- 1
k

su^eta a la condicin ^ a(n) = 1, son ^2 y 1+ 1 (mximo absoluto y mnimo

r- t r
k
,
k

relativo, respectivamente). Por la convexidad de la funcin 1+^ a? (n), el mnir= 1

mo local es global y por tanto:

Q 1+ ^
_<a11^
k ^a. sim

Por otro lado, para predictores baricntricos es inmediato que:

^

= Var (Xn + 1 - ^ ^ / k i^ ^ + 1, d ) _
^ bar = Var (%'^n + 1 - x *ba+ 1 d )
r_ 1
^

=Var(Xn+t}+^1 /k2Var(X^+t,d)=a2+cs2^,1 /k2=

r- 1

= a2 (1 + 1 / k)

r= 1

[17j

DESTIN('1(_)N E;NTRE i'A()S Y AlAR t^N St:RIt:.S RI^tU()SA^

297

que coincide con ei mnimo absoiuto que toma aS,m, con lo que concluye la demostracin.

4.

UN TEST DE HIPOTESIS PARA SEPARAR EL COMPORTAMIENTO

CAOTICO DEL AZAR

EI test de hiptesis que describiremos a continuacin permitir contrastar !a

hiptesis nula de ruido bianco frente a la hiptesis alternativa de comportamiento catico. Mientras qu el caos ser predecible a corto plazo, un genuino ruido
blanco deber ser impredecible.
Nuestro mtodo permite contrastar por separado la predecibilidad de cada
ObserVacin Xn + y de !a serie formulando varias predicciones baricntricas con
un nmero fijo k de puntos prximos y con dimensiones de inmersin variando
entre d, y dm, verificando que la varianza de los errores baricntricos de prediccin es pequea. Esto es, admitiremos que !a observacin xn +^ es predecible
cu^ndo seamos capaces de predecirla de forma robusta en toda una gama de
dirnensianes de inmersin.
Para establecer nuestro contraste de predecibilidad introduciremos una nueva variable aleatoria: e! error baricntrico de prediccin
n

bart (d, k} _ X bart (d^

k) -- xn + t

[18]

donde d representa la dimensin de inmersin y k el nmero de puntas prximos empleados en el predictor baricntrico.
Busquemos la distribucin de E ba^t .

Proposicin 5
La variable aleatoria e ba^t tiene una distribucin N(0, a(1 / k+ 1)t^2}.

Demastracin:
n

Dado que E*^^ + t= ^barn + t (d, f^ - X^ + t =^ 1 / k X*^ + t d-- Xn + 1+ siguiendo las

r
'
r= 1

proposiciones 1, 2 y 3, las variables aleatorias 1 / k X^, + t, d, para r= 1, ..., k, y

Xn + t sern independientes entre s y tendrn distribuciones N(0, a/ k) y
N {0, a}, respectivamente.

^^8

F^STAUI^;TI('.A F.SPA()LA

^ bar ^ tendr entonces una distribucin normal de media cero y su varianza

ser:
cs2 / k 2+.. k. ,+ Q2 / k 2+ a2 = a2 / k+ Q2 ^ Q2 (1 + 1/ k)

con lo que concluye la demostracin.

Vamos a contrastar la hiptesis nula de que la familia de variables aleatorias
que generan el proceso es IID, con lo que la varianza de los errores baricntricos de prediccin es a bar = a2 (1 + 1/ k). La hiptesis alternativa ser la de relacn determinista entre las variables, lo que implica errores de prediccin ms
pequeos y, por tanto, que la varianza de dichos errores sea significativamente
ms pequea.
Para ello consideraremos el estimador muestral de a bar definido por:
dm

$2 _

m --

,_ ^ ba r
^ [^ bar
2
n+ 1
n+ 1^
d ^ d,

donde Eba+ 1=^ba+ 1(d, k) = X ^a+ , (d, k) - x +, es, segn [10], el error de prediccin baricntrico de la observacin x +^ en la serie temporal {x,, ..., x 1}
utilizando una dimensin de inmersibn d y un nmero k de puntos prximos;
E ^a^ ^ representa la media aritmtica de dichos errores de prediccin para dimensiones de inmersin d^ , ..., dm.
Como estadstico de prueba uti lizaremos la conocida transformacin de s 2
que viene dada por la expresin:
(m - 1) s2
^,2
bar

i xm-t

que es una ji-cuadrado con m- 1 grados de libertad; obsrvese que rn es el nmero de predicciones baricntricas realizadas sobre xn + 1 al hacer variar la dimensin de inmersin.
S elegmos un nivel de sgnificacin a, podemos obtener una regin crtica
R = [a, b], donde:

f^ [ a^ (m ^21) s2 < b=
] a

[19]

bar

Teniendo en cuenta la expresin [17] para la desviacin tpica abar, se presentan las siguentes hiptesis alternativas:

UlST1N('IC)N FNTRE C'AC)S Y A"LAR f:N Sf:RIES RIPIIX)SAS

?99

Hiptesis 0:
En la serie temporal {x,, x2, ..., x + ,} generada por una fami{a de variables
aleatarias flD, hi (0, a), la observacin x , es 1a realizacin de una variable
aleatoria independiente de !as restantes:
a cs2 (1 + 1/ k) ^ 2^ b a2 (1 + 1/ k)
s
m-1
m--1

[ 20 ]

Niptesis 1:
Existe una relacin determinista entre la observacin x +, y sus precedentes porque puede ser predicha, en sucesivas dimensiones de inrnersin, con
errores de prediccin pequeos que tendrn, por tanto, varianza significativamente pequea:
S2 ^ aa2 (1 + t/ k)
m -- 1

5.

[21]

ALGUNOS EJEMPLOS

A continuacin analizaremos con nuestro test tres series econmicas de

apariencia ruidosa: la serie de parados de Sayers (1986), la serie de rentabilidades burstiles de Scheinkman y LeBaron (1989) y la serie del ndice Divisia de
agregados monetarios de Barnet y Chen (1988). Sobre las dos primeras series,
ni Sayers (1986) ni Scheinkman y LeBaron (1989) pudieron contrastar de forma
concluyente la existencia de caos. Sobre !a ltima, Barnet y Chen s.
Nuestros resultados pueden describirse en ia siguiente forma: debido a su
carcter no estacionario, hemos tomado primeras diferencias a la serie de agregados monetarios. La serie de parados y de rentabilidades burstiles mostraban
comportamiento estacionario en media.
En las dos primeras series, el estadstico BDS toma valores muy cercanos a
cero. En !a de agregados monetarios toma un valor en torno a diez, sealando
ef reconocimiento de patrones.
Hemos realizado 6 predicciones baricntricas en cada una de las [timas
100 observaciones de cada una de las series haciendo variar la dirnensin de
inmersin entre 3 y 8, manteniendo inalterado el nmero de puntos prximos en

^aa

t=srA[^i:^r^c_A t:^;NAN()L.A

k= 10. Esto proporcion un total de 5 grados de libertad con el fin de contrastar

el determinismo de cada observacin.
En !os grficos 1, 2 y 3 mostramos la desviavin tpica de los errores baricntricos de prediccin en todas las series. Nuestro contraste de hiptesis consiste en io siguiente: cuando dicha desviacin tpica est por debajo de 0.412
(1 + 1I10) a2 / 5, sealado por la lnea horizontal, no rechazamos la hiptesis de
determinismo con un 99,5% de probabilidad; cuando dicha desviacin tpica
est comprendida entre 0.412 (1 +^/10) a 2/ 5 y 15.086 (1 + 1/10) a 2/ 5, aceptamos la hiptesis de variables aleatorias IID N(0, cs) con un 99,5% de probabi(idad (a representa la desviacin tpica de las series y en el eje de abscisas se
representan las unidades de tiempo).
En las grficas podemos ver tambin que hay algunos segmentos de la serie
de parados (grf'rco 1) y de las rentabilidades burstiles (grfico 2) en !os que es
posible hacer predicciones a corto plazo con alguna precisin. Tales segmentos
coexisten con la presencia de Zonas turbulentas donde las predicciones son imposibles, ya que cualquier obediencia con comportamiento anlogo en el pasado se rompe. Los ltimos cien datos de la serie de agregados monetarios Divisia
(grfico 3) son predecibles con la excepcin de tres pequeas zonas turbulentas.

Grf^co 1
SERIE DE PARAD4S

0.^6
0.14
0.12

0.1

0.08
0.06
0.04
0.02

0
540

560

580

600

s2o

640

660

UltiTtNC'!(.)N l:NTKt- (.'A()ti ^" AI.AR 4^N SI:F21^^^ RUf1x;1SAS

Grfico 2
SERIE DE RENTABILIDADES BURSATILES
x 10_5
9

0^
1280

1300

1
1320

^
1340

1 ^-

'

1360

13$0

1400

800

820

Grfico 3
SERIE DE AGREGADOS MONETARIOS
x 10-g
4

3.5
3

2.5
2

1.5

0.5
0
700

720

740

760

780

^^n2

fi.

FSTAC)tSTlt'A t^:`+PANf)l.,A

CiJNCLUSI^JNES

Los tests de Grassberger y Procaccia (1983} y de 8rock, Dechet y Scheinkman contrastan, en una serie temporal en su conjunto, la hiptesis de ruido
blanco frente a la hiptesis alternativa de caos determinista. En el test que hemas descrito en este trabajo se contrasta la existencia de estructuras patencialmente predecibles, observacin por observacin. La impredecibilidad de una abservacin de la serie a partir de las restantes reveia independencia de la variable aleatoria que la genera respecto a las restantes y, por tanto, ruido blanca; la
predecibilidad revela determinismo no lineal y, por tanto, caos.
En este sentido, nuestros tests aplicados sobre las tres series arrojan las siguientes conclusiones:
Con el tamao muestral disponible, no puede establecerse que la serie de
parados de Sayers (grfico 1) ni la de rentabilidades burstiles de Scheinkman y
LeBaron {grfica 2} sean predecibles por ocurrencias anlogas: en este sentida
no puede afirmarse de ninguna de ellas que sean caticas y que sus observacianes estn generadas por un proceso determinista no lineal.
Segn muestra el gr^fico 3, la serie del ndice monetario Divisia DM2 es predecible por ocurrencias anlogas excepto en tres pequeos segmentos. En este
sentido, el objetivo inical de contrastar que dicha serie est generada por un
proceso determinista catico slo se alcanza parcialmente.
Siguiendo los grficos 1 y 2, la hiptesis de compartamento determinista
debe ser rechazada para tas series de parados y rentabilidades burstiles. No
obstante, el grfico 1 muestra zonas de observaciones consecutivas de la serie
de parados que resultan predecibles alternadas con otras zonas de naturaleza
turbulenta e impredecible.

REFERENCIAS
BAJO, C7.; ^ERNNDE2, F., y SOSVILLA, S. (1992a}: Chaotic behavior in exchangerate series: First results for the peseta-U.S. dollar case, Economics Letters,
vol. 39, 207-211.

(1992b): Volatilidad y predecibilidad en las series del tipo de cambio peseta-dlar: un enfoque basado en el caos determinista, Revista Espaola de
Economa, vol. 9, n.Q 3, 91-199.
BAJO, O.; FERNNDEZ, F.; M(3RA, A., y SOSVILLA, S. (1994): Un anlisis comparado de volatilidad para los indices burstiles de Madrid y Nueva Yark, Revista de Economa Aplicada, n.4 4(vol. II), 177-186.

[)IS"flNt'I()N !:N`"1"Rt: C`At)!^ Y AIAft f-:N ^f:klf:ti Rl'[[.X)^AS

303

BARNETT, W., y CHEN, P. (1988): The Aggregation Theoretic Monetary Aggregates are Chaotic and have Strange Attractors , en Dynamic Econometrics
Modeling, Proceedings of the Third International Symposium on Economic
Theory and Econometrics, W. Barnet y H. White (eds.), Cambridge University Press.

BROCK, W. A.; DECHERT, W. D., y Scheinkman, J. (1987): A Test for lndependence based on the Correlaton Dimensian, Department of Economics, University of Wisconsin, Madison, University of Houston and University of Chicago.
BROCK, W. A.; HsIEH, D. A., y LEBARON, B(1992) : Nonlr'near Dynarnics, Chaos
and lnstability, MIT Press.
CHEN, P. (1992): Searching for Economic Chaos: A Challenge to Econometric
Practice and Nonlinear Tests, en Nonlinear Dynamics and Evolutionary
Economics, R. Day y P. Chen (eds.), ^xford University Press.
FARMER, J. D., y SIDOROWICH, J. (1987): Predicting Chaotic Time Series, Phys.
Rev. Lett., 59, 845-848.
-- (1988): Exploting Chaos to Predict the Future and Reduce Noise, en Evolution, Learning and Cognition, Y. C. Lee ( ed.), World Scientific Press.
FERNNDEZ, F. (1992): EI problema de la prediccin en series tempora/es: aplicaciones del caos determinista, Tesis Doctoral, Departamento de Economa
Aplicada, Universidad de Las Pafmas de Gran Canaria.
GERSHENFELD, N. A., y WEIGEND, A. S. (1994): The Future of Time Ser'res: Learning and Understanding, en Time Series Prediction: Forecasting the Future
and Understanding the Past, A. S. Weigend y N. A. Gershenfeld (eds.), Addison-Wesley.

GRASSBERGER, P., y PROCACCIA, I. (1983): Characteriiation af Strange Attractors, Phys. Rev. Lett., vof. 50, n.Q 5, 346-394.
LORENZ, H. (1993): Nonlinear Dynamica/ Economics and Chaotic Motion, Springer-Verlag.
MEDIO, A. (1992): Chaotic Dynamics: Theory and Applications to Economics,
Cambridge University Press.
PROVENZALE, A.; SMITH, L. A.; VIO, R., y MURANTE, G. (1992): Distinguishing between low-dimensional dynamics and randomness. In measured time series,
Physica, 58D, 361-372.
RAMSEY, J.; SAYERS, C., y ROTHMAN, P. (1990): The Statistical Properties of Dimension Calculations using small data sets: some economic applications,
lnternatona/ Economic Review, vol. 31, n.Q 4, 991-1020.

SAYERS, C. L. (1986): Work Stoppages: Exploring the Nonlinear Dynamics, rnimeo, Departrnent of Economics, University of Houston.

E'S"TAl)ItiT1('A E'.tiF'.^Nf)l.A

SCHEINKMAN, ,^. A., y I..EBARON, B. (^ 9H9): Nonlinear Dynamics and Stock Returns, Journa/ of Business, C2, 311-337.
SCHUSTER, H. G. (1988): Deterministic Chaos. An Introduction, VCH Weinheim.
SUGIHARA, G., y MAY, R. (1990): Nonlinear forecasting as a way of distinguishing
chaos fram measurement error in time series, Nature, voi. 344, 735-741.

TAKENS, F. (1981): <^Detecting strange attractors in turbulence, en Lect. Notes

Math. 898, D. A. Raud y L. S. Young (eds.), Springar-Verlag.

DISTINGUISHING BETWEEN CHAOS VERSUS RANDOMNESS

IN NOISY SERIES BY LOCAL BARYCENTRIC PREDICTIONS
SUMMARY
In this paper ihe authors test for the presence of deterministic
chaos in sveral noisy econornic time series, by analyzing their
short-term forecasting possibilities based on lacal barycentric predictions. Some statistics are developed in order t0 separate zones of
deterministic and random behavior.
Key words: deterrninistic chaos, predictions.
AMS C/assification: 62P20, 90A20, 62M 10.

REVISTA ESTADISTICA ESPANCILA

INFORMACION PARA LOS AUTORES
Envo de originales
Los originaies deben enviarse al Director de la Revista, INE, Paseo de la Castellana,
183. 28071 Madrid. Deben estar redactados en castellano y no haber sido publicados o
estar en proceso de publicacin en otro lugar. Se enviarn 4 copias del trabajo y la
revista acusar siempre su recibo.

PRESENTACION DE LOS MIANUSCRITOS

Estructura
La primera pgina debe incluir exclusivamente el ttulo del articulo y el nombre,
direccin completa y telfono del autor. En el caso de varios autores se indicar a quin
debe dirigirse la correspondencia. La segunda pgina contendr nicamente el titulo y
resumen del trabajo de un mximo de 100 palabras, seguida de 3 a 6 palabras clave y la
clasificacin AMS del artculo. EI texto del artculo comenzar en la tercera pgina y las
secciones se numerarn consecutivamente. La ltima pgina del original contendr en
ingls el ttulo del artculo, un resumen del rnismo bajo el epgrafe Summary y las
palabras clave. EI manuscrito debe mecanografiarse a doble espacio. Cuando el ttulo
del artculo contenga ms de 80 caracteres, se deber indicar un ttulo alternativo de
dicha longitud o menor.

Grficos
Todos los diagramas o grficos se numerarn sucesivamente y se indicar su posicin
en el texto con el nombre de fi^ura. Se colocarn al final del manuscrito y debern ser de
la calidad necesaria para su reproduccibn.
Referencia
EI sistema de referencia a seguir es el oficial del International Statistical Institute. Los
autores se citarn en el texto por su nombre, seguido de la fecha de publcacin;
ejemplo: Box (1986), y las referencias se situarn en orden alfabtico al final del texto,
como sigue:

a)
b)

Libros: Weisberg, S. (1985}. Applied Linear Regression, New YorK: V^/iley.

Artcu/os: Mahalanobis, P. c. (1950). Why Statistics? Sankhya, 10, 195-228.

c) Trabajos en obras colectvas: Box, G. E. P. (1983). An Apology for Ecurnenism in

Statistics. Scieniific Inference, Data Analysis and Robutsness, Ed. C. E. P., Leonard, T. y Wu,
C. F., pp. 51-84. New York: Academic-Press.

Evaluacin de los originales

Los originafes sern sometidos a un proceso de evaluacin garantizando el anonimato tanto del autar como de los evaluadores. EI objetivo de la revista es que el autor
reciba informacin sobre el resultdo de^ la evaluacin en un plazo mximo de tres
meses.

Pruebas y separatas
Aceptado el artculo y antes de su publicacin definitiva, el autor o autores recibir 2
juegos de pruebas para correcciones, uno de los cuales deber devolver corregido a la
Revista en un plazo de una semana desde su recepcin. Una vez publicado, recibir 25
separatas de su trabajo. Los posibles costes de impresin derivados de cualquier modificacin de la versin final aceptada del manuscrito o de retraso en la correccin de
pruebas sern a cargo del autor o autores del mismo.