Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distincion Entre Caos y Azar - 723-154-139 - 7 PDF
Distincion Entre Caos y Azar - 723-154-139 - 7 PDF
por
FERNANDO FERNANDEZ RODRIGUEZ
Departamento de Econorna Aplicada
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.
?KK
1.
INTRODUCCION
2.
?K^
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 ^:
lim
e--^0
lim
n--^^
E^.S"1AUIST^I('A t^.tiNANOE.A
n-^^
Sd ()
^2]
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)
Il x;'--xdll
[3]
[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.
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]
t ^^ ..., x^k+ 1
[8]
[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]
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
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
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:
[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}
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:
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
=\/ar(Xn+1)+^OC?(n)Vaf(X^+1 d)=CS2+Q2^a?(n)=
r= 1
r= 1
[^4]
+ /?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
= Var (Xn + 1 - ^ ^ / k i^ ^ + 1, d ) _
^ bar = Var (%'^n + 1 - x *ba+ 1 d )
r_ 1
^
= a2 (1 + 1 / k)
r= 1
[17j
297
que coincide con ei mnimo absoiuto que toma aS,m, con lo que concluye la demostracin.
4.
[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
^^8
F^STAUI^;TI('.A F.SPA()LA
$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:
?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
^aa
t=srA[^i:^r^c_A t:^;NAN()L.A
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
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.
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.
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)
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.