Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Monsalve & Harmath 2015 Series de Tiempo PDF
Monsalve & Harmath 2015 Series de Tiempo PDF
EMALCAVENEZUEL A 2015
Abelardo monsalve
y Pedro Harmath
c
Ediciones IVIC
Instituto Venezolano de Investigaciones Cientficas
Rif: G-20004206-0
Introduccion al Analisis de Series de Tiempo
con Aplicaciones a la Econometra y Finanzas
Abelardo Monsalve Pedro Harmath
Diseno y edicion: Escuela Venezolana de Matematicas
Deposito legal lfi66020155102240
ISBN 978-980-261-163-8
Caracas, Venezuela
2015
A las instituciones y personas que cada ano se esfuerzan por llevar a
cabo la Escuela Venezolana de Matematicas, y en particular su XXVIII
edicion.
Indice general
Prologo VII
1. Econometra Financiera 1
1.1. Rentabilidad y Valoracion de Activos Financieros . . . . 2
1.1.1. Rentabilidad Simple . . . . . . . . . . . . . . . . . 4
1.1.2. Rentabilidad Continua . . . . . . . . . . . . . . . . 6
1.2. Estadstica en las Finanzas . . . . . . . . . . . . . . . . . . 7
1.3. Otras Series Financieras . . . . . . . . . . . . . . . . . . . 11
3. Modelos No-Estacionarios 53
3.1. No estacionariedad en la Varianza . . . . . . . . . . . . . 55
3.2. No estacionariedad en la Media . . . . . . . . . . . . . . . 55
3.3. Test de Raz Unitaria . . . . . . . . . . . . . . . . . . . . . 58
4. Otros Modelos 61
4.1. Modelos Estacionales . . . . . . . . . . . . . . . . . . . . . 61
4.2. Modelos de Memoria Larga . . . . . . . . . . . . . . . . . 62
4.3. Modelos de Regresion de Series de Tiempo . . . . . . . . 64
4.3.1. Estimacion consistente de la Matriz de Covarianza 74
III
IV INDICE GENERAL
6. Modelos No Lineales 99
6.1. Modelos No Lineales para la Esperanza Condicional . . . 101
6.2. Modelos TAR . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.3. Modelos SETAR . . . . . . . . . . . . . . . . . . . . . . . . 102
6.4. Modelos STAR . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.5. Modelos Markov Switching . . . . . . . . . . . . . . . . . 104
6.6. Metodos No-Parametricos . . . . . . . . . . . . . . . . . . 105
6.6.1. Regresion por Nucleo . . . . . . . . . . . . . . . . 107
6.6.2. Seleccion del Parametro de Suavizado . . . . . . . 108
6.6.3. Metodo de Regresion Local Lineal . . . . . . . . . 109
6.6.4. Aplicacion a Series de Tiempo . . . . . . . . . . . 111
6.7. Modelo de Coeficiente Funcional Autorregresivo . . . . . 113
6.8. Modelo No-Lineal Autorregresivo Aditivo . . . . . . . . 113
6.9. Modelo No-Lineal de Espacio de Estado . . . . . . . . . . 114
6.10. Tests de No-Linealidad . . . . . . . . . . . . . . . . . . . . 115
6.10.1. Test No-Parametrico . . . . . . . . . . . . . . . . . 115
6.10.2. Estadstico de los Residuos al Cuadrado . . . . . . 115
6.10.3. Test Parametricos . . . . . . . . . . . . . . . . . . . 116
6.10.4. El test RESET . . . . . . . . . . . . . . . . . . . . . 116
6.10.5. El test F . . . . . . . . . . . . . . . . . . . . . . . . 117
6.10.6. Test de Umbral . . . . . . . . . . . . . . . . . . . . 118
Prologo
1
2 Abelardo Monsalve y Pedro Harmath
analisis estadstico.
Pt
1 + Rt = , o bien Pt = Pt1 (1 + Rt ). (1.3)
Pt1
(a)
14
8 10
Pt
6
4
(b)
0.20
0.05
Rt
0.10
(c)
0.20
0.05
rt
0.10
Pt Ptk
R t ( k) = . (1.4)
Ptk
R2t
rt = ln(1 + Rt ) Rt ,
2
y por lo tanto rt infravalora el verdadero rendimiento Rt .
Al observar las series de rentabilidades como las de las figuras (1.1) y
(1.2) se pueden deducir una serie de caractersticas comunes. De forma
general, podemos establecer que las series de rentabilidades presen-
tan un comportamiento erratico en el sentido de que los valores extre-
mos de rentabilidad se dan con relativa frecuencia, por otro lado, existe
agrupamiento de la volatilidad (volatility clustering), es decir, perodos
de alta volatilidad suelen ser precedidos por perodos de baja volatili-
dad de mayor o menor duracion. Esto ultimo es especialmente notable
en estas series, ya que el perodo que comprenden los datos incluye los
episodios mas destacados de la actual crisis, como por ejemplo, el agru-
pamiento de la volatilidad durante el verano y otono del 2008, y en la
primavera de 2010.
(a) (d)
22
25
20
18
Pt
Pt
15
14
01/2008 08/2008 03/2009 10/2009 05/2010 12/2010 01/2008 08/2008 03/2009 10/2009 05/2010 12/2010
(b) (e)
0.10
0.05
0.00
Rt
Rt
0.05
0.15
01/2008 08/2008 03/2009 10/2009 05/2010 12/2010 01/2008 08/2008 03/2009 10/2009 05/2010 12/2010
(c) (f)
0.10
0.10
0.00
0.00
rt
rt
0.15
0.10
01/2008 08/2008 03/2009 10/2009 05/2010 12/2010 01/2008 08/2008 03/2009 10/2009 05/2010 12/2010
y se estima mediante
T
c ( x) = 1
SK
( T 1)x3 ( xt x )3. (1.8)
t =1
y se estima mediante
T
1
K ( x) =
( T 1)x4 ( xt x )4 . (1.10)
t =1
(a) (c)
5
5
4
Tipo de Inters
Tipo de Inters
4
3
3
2
2
1
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
(b) (d)
5
5
4
Tipo de Inters
Tipo de Inters
4
3
3
2
2
1
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
La figura (1.3) muestra las Series del EURIBOR, para los distintos pla-
12 Abelardo Monsalve y Pedro Harmath
(a) (c)
0.4
0.10
Serie de Cambios
Serie de Cambios
0.2
0.0
0.00
0.2
0.10
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
(b) (d)
0.3
0.6
0.2
Serie de Cambios
Serie de Cambios
0.4
0.1
0.2
0.0
0.0
0.2
0.1
2001 2003 2005 2007 2008 2010 2001 2003 2005 2007 2008 2010
Perodo Perodo
Figura 1.4: Series de las variaciones del tipo de interes del EURIBOR,
perodo comprendido entre el 15 de Octubre 2001 al 3 de Diciembre de
2010. Plazo de vencimiento: (a) 1 semana, (b) 1 mes, (c) 6 meses, (d) 1
ano (12 meses).
(a)
0.8 1.0 1.2 1.4 1.6
Tipo de Cambio
Perodo
(b)
0.04
Variacin
0.00
0.06
Perodo
17
18 Abelardo Monsalve y Pedro Harmath
E ( xt ) = x , ( constante), independiente de t,
(i.) 0 = Var( xt ),
(ii.) k = k .
(i.) 0 = 1,
(ii.) k = k ,
(iii.) |k | 1.
20 Abelardo Monsalve y Pedro Harmath
k T ( xt x)( xtk x)
k = = t = k+1 T , 0 k < T 1. (2.2)
0 t=1 ( xt x)2
contra la alternativa
(a) (d)
0.8
0.8
ACF
ACF
0.4
0.4
0.0
0.0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Lag Lag
(b) (e)
0.10
0.10
0.00
0.00
ACF
ACF
0.10
0.10
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Lag Lag
(c) (f)
0.10
0.10
0.00
0.00
ACF
ACF
0.10
0.10
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Lag Lag
Banco Santander
Serie Q(m) m p-valor
Precio 5516,716 8 < 2,2e 16
Rentabilidad Simple 5,768 8 0,673
Rentabilidad Continua 5,876 8 0,661
IBEX35
Serie Q(m) m p-valor
Precio 5447,224 8 < 2,2e 16
Rentabilidad Simple 11,834 8 0,159
Rentabilidad Continua 11,452 8 0,177
En finanzas suele ser comun asumir que las series de los retornos de los
activos en estudio son debilmente estacionarias. Por ello, es importan-
te establecer criterios para verificar, empricamente, dicha suposicion.
Un resultado de gran utilidad relacionado a las series estacionarias es
que cualquier funcion de una serie de tiempo estacionaria es tambien
una serie de tiempo estacionaria. De manera que, si { xt } es estaciona-
ria entonces {yt } = { f ( xt )} es estacionaria para cualquier funcion f (.).
Otro resultado util a destacar es el de ergodicidad de la serie. Una se-
rie de tiempo { xt } es ergodica si los momentos relativos a la muestra
convergen en probabilidad a los momentos de la poblacion, es decir,
p p p
x
, k
k , k
k .
En otras palabras, esto quiere decir que las medias calculadas a par-
tir de observaciones pasadas no pueden diferir persistentemente de
24 Abelardo Monsalve y Pedro Harmath
E ( t ) = 0, Var( t ) = 2 < ,
xt x = t + 1 t1 + 2 t2 + . . .
= i t i , 0 = 1, (2.6)
i=0
E ( xt ) = x ,
0 = Var( xt ) = 2 2 2
i=0 i , donde es la varianza del t ,
26 Abelardo Monsalve y Pedro Harmath
k 0 i i + k
k = = i= , k 0.
0 i=0 i2
xt = 1 xt1 + t . (2.8)
xt = 0 + 1 xt1 + t , (2.9)
Introduccion al Analisis de Series de Tiempo 27
xt = E ( xt | xt 1 ) + t . (2.10)
x t = E ( x t |Ft 1 ) + t , (2.11)
i. E ( xt ) = ,
ii. Var( xt ) = 0 ,
2
ii. Var( xt ) = 0 = ,
1 12
1 1 + 2 si k = 0,
iii. Cov( xt , xtk ) = k =
1 k1 para k > 0.
k = 1 k1 , para k 0.
tasa 12 . Para tener una idea de esto, consideremos los modelos autorre-
gresivos de orden 1 simulados, para distintos valores de 1 (ver figura
(2.2)). A continuacion se muestran las funciones de autocovarianzas de
1 = 0.9 1 = 0.8
3
6
2
1
4
Xt
Xt
0
2
3 2 1
0
0 20 40 60 80 100 0 20 40 60 80 100
t t
1 = 0.4 1 = 0.5
3
2
2
1
1
0
0
Xt
Xt
3 2 1
1
2
0 20 40 60 80 100 0 20 40 60 80 100
t t
1.0
0.8
0.8
0.6
0.6
0.4
k
k
^
0.2
0.4
0.2
0.2
0 5 10 15 20 5 10 15 20
Lag Index
ACF Estimada para 1 = 0.4 ACF Terica para 1 = 0.4
1.0
1.0
0.8
0.8
0.6
0.6
0.4
k
k
^
0.4
0.2
0.2
0.2
0.0
0 5 10 15 20 5 10 15 20
1.0
1.0
0.5
0.5
k
k
^
0.0
0.0
0.5
0.5
0 5 10 15 20 5 10 15 20
Lag Index
ACF Estimada para 1 = 0.5 ACF Terica para 1 = 0.5
1.0
1.0
0.5
0.5
k
k
^
0.0
0.0
0.5
0.5
0 5 10 15 20 5 10 15 20
(1 1 L . . . p L p ) xt = t , (2.13)
p ( L ) xt = t , (2.14)
donde
p ( L) = 1 1 L . . . p L p ,
el cual recibe el nombre de polinomio caracterstico. Los resultados pre-
sentados para el proceso AR(1) se pueden generalizar para el proceso
AR( p). As pues, tenemos que
0
E ( xt ) = = ,
1 1 . . . p
(1 1 L 2 L2 . . . p L p )k = 0, k > 0.
0.4
0.6
Partial ACF
Partial ACF
0.4
0.2
0.2
0.0
0.0
0.2
0.2
5 10 15 20 5 10 15 20
Lag Lag
PACF para 1 = 0.8 PACF para 1 = 0.5
0.2
0.2
0.0
0.0
Partial ACF
Partial ACF
0.2
0.2
0.4
0.4
0.6
0.6
0.8
5 10 15 20 5 10 15 20
p 0 1 2 3 4 5
AIC 0 1.88 3.73 5.29 7.07
PACF 0.83 -0.04 0.039 0.07 0.05
p 1 2 3 4 5
AIC 0 1.78 3.11 5.10 6.73
PACF -0.778 -0.047 -0.082 0.005 -0.061
bondad del ajuste del modelo AR(k) para los datos, mientras que el
segundo termino se le conoce con el nombre de funcion de penalizacion
del criterio puesto que este penaliza un modelo candidato por el nume-
ro de parametros usado. Dependiendo del criterio usado, esta funcion
puede variar. Para seleccionar un modelo AR, en la practica, se calcula
el AIC (k) para k = 0, . . . , p, donde p es un entero positivo preespecifi-
cado, y entonces se selecciona el orden k como aquel con menor valor
de AIC. Como se observa en los cuadro (2.3) y (2.4), los menores valo-
res de AIC son para el retardo 1, en ambos casos. Por tanto, el orden de
las series es 1, como era de esperarse.
( T 2p 1)
2 = 2 .
Tp
m 2k
Q ( m ) = T ( T + 2) Tk
. (2.16)
k=1
tT= p+1 2t
R2 = 1 ,
tT= p+1 ( xt x )2
Prediccion
Dentro del analisis de series de tiempo la prediccion juega un papel
muy importante. Suponga que se tiene un modelo AR( p) y que se
esta en el instante h, y ademas se esta interesado en la prediccion de
xh+k , donde k 1. El instante h es llamado el origen de prediccion y el
entero positivo k es el horizonte de prediccion. Sea xh (k) la prediccion de
xh+k , usando el error cuadratico mnimo de la funcion de perdida y
Fh la informacion disponible en el origen de prediccion h. Entonces, la
prediccion xh (k) se selecciona de manera tal que
2
E {( xh+k xh (k)) | Fh } mn E {( xh+k g)2 |Fh },
g
x t = + t 1 t 1 , -constante (2.17)
x t = + ( 1 1 L ) t , (2.18)
x t = t 1 t 1 . (2.19)
Introduccion al Analisis de Series de Tiempo 39
x t = + t 1 t 1 2 t 2 . . . q t q , (2.20)
x t = + ( 1 1 L . . . q L q ) t = + q ( L ) , (2.21)
donde
q ( L ) = 1 1 L . . . q L q .
De manera analoga a los modelos autorregresivos, primero se estable-
ceran las propiedades para el modelo mas simple, MA(1) y posterior-
mente seran generalizadas al modelo general MA(q).
Los modelos MA son debilmente estacionarios puesto que se definen
como una combinacion lineal de una sucesion de ruido blanco donde
los primeros dos momentos son invariantes respecto del tiempo. Si se
considera el proceso MA(1) de la ecuacion (2.17), su valor esperado
es E ( xt ) = , la cual es invariante respecto del tiempo. As mismo al
tomar su varianza se obtiene
Var( xt ) = (1 + 12 )2 ,
Var( xt ) = (1 + 12 + . . . + q2 )2 .
1 = 1 2 , y k = 0, para k > 1.
40 Abelardo Monsalve y Pedro Harmath
1
0 = 1, 1 = , k = 0, para k > 1.
1 + 12
Invertibilidad
xt = 1 xt 1 + 2 xt 2 + . . . + t ,
Introduccion al Analisis de Series de Tiempo 41
donde la serie de los pesos, i convergen. Esto es, |i | < . Para ver
esto, considere el modelo MA(1)
x t = 1 ( L ) t ,
donde 1 ( L) = 1 1 L. Si se satisface la condicion de invertibilidad,
entonces la ecuacion anterior es equivalente a
11 ( L) xt = t ,
de donde la expansion de 11 ( L) = 1 1 L produce
(1 + 1 L + 12 L2 + . . .) xt = t .
j
Los pesos, j = 1 , convergen siempre que |1 | < 1, es decir, si el
modelo es invertible. Esto ultimo implica la suposicion razonable, que
el efecto de las observaciones pasadas decrecen con el tiempo. Para el
caso general, es decir, un proceso MA(q) los pesos en la representacion
AR(), esto es ( L) xt = t , vienen dados por 1 ( L), los cuales se
pueden obtener resolviendo la ecuacion ( L) ( L) = 1 respecto de los
coeficientes L j . Por la condicion de invertibilidad, las races de
( 1 1 L . . . q L q ) = ( 1 h1 L ) . . . ( 1 h q L ) = 0
deben satisfacer |h1 | < 1, . . . , |hq | < 1.
1 = 0.8 1 = 0.5
3
2
2
1
1
0
0
Xt
Xt
1
1
2
2
3
0 20 40 60 80 100 0 20 40 60 80 100
t t
X t = t 1 t 1 .
1.0
0.8
0.6
0.5
0.4
k
0.2
0.0
0.2
0 5 10 15 20 0.5 5 10 15 20
Lag Index
ACF Estimada para 1 = 0.5 ACF Terica para 1 = 0.5
0.2 0.4 0.6 0.8 1.0
1.0
0.8
0.6
k
0.4
0.2
0.2
0.0
0 5 10 15 20 5 10 15 20
0.2
0.4
0.1
0.2
0.0
Partial ACF
Partial ACF
0.0
0.1
0.2
0.2
0.3
0.4
5 10 15 20 5 10 15 20
1 = x1 ,
y
2 = x2 + 1 1 .
Este enfoque hace referencia al metodo de verosimilitud condicional. Otra
manera es considerar el metodo de verosimilitud exacta, es decir, se con-
sideran los valores iniciales t para t 0 como parametros adiciona-
les del modelo y se estiman conjuntamente con el resto de parametros.
Existe preferencia respecto al metodo de verosimilitud exacta cuando el
modelo MA esta proximo a ser no invertible, es decir, cuando las races
de la ecuacion caracterstica q ( L) = 0 estan cercanas al circulo unitario.
Introduccion al Analisis de Series de Tiempo 45
Prediccion
Las predicciones de un modelo MA se pueden obtener de manera muy
sencilla. Puesto que el modelo tiene memoria finita, las predicciones
apuntan a la media de la serie rapidamente. Para ver esto, suponga
que el origen de prediccion es h, y se denota por Fh a la informacion
disponible en el instante h. Para la prediccion a un paso de un proceso
MA(1)
x h + 1 = + h + 1 1 h .
Tomando la esperanza condicional, se obtiene
xt = 0 + 1 xt1 + 2 xt2 + . . . + p xt p + t
1 t 1 2 t 2 . . . q t q
p q
= 0 + i xti + t i ti , (2.22)
i=1 i=1
p ( L) xt = 0 + q ( L) t . (2.23)
Los polinomios
p
( L) = 1 1 L . . . p L p = 1 i xti ,
i=1
y
q
p
( L ) = 1 1 L . . . p L = 1 i t i ,
i=1
xt 0 1 xt1 = t 1 t1 , (2.24)
Prediccion
Denotamos por h el origen de prediccion, y por Fh la informacion dis-
ponible hasta dicho instante. La prediccion a un paso de xh+1 se puede
obtener del modelo como
p q
xh (1) = E ( xh+1 |Fh ) = 0 + i xh+1i i h+1i ,
i=1 i=1
y
( L)
= 1 + 1 L + 2 L2 + . . . ( L), (2.26)
( L)
entonces se tiene lo siguiente:
Si se cumplen las condiciones de invertibilidad del proceso ARMA( p, q)
(es decir, las soluciones del polinomio ( L) son mayores en modu-
lo que la unidad), entonces el proceso dado por la ecuacion (2.23)
se puede escribir, usando el operador definido en (2.25) como
( L) 0
( L ) xt = xt = + t = + t,
( L) ( L)
donde = 0 / ( L), entonces el proceso ARMA( p, q) queda de-
terminado por
0
xt = + 1 xt 1 + 2 xt 2 + . . . + t . (2.27)
1 1 . . . q
0 ( L)
xt = + t = + ( L) t ,
( L) ( L)
donde = 0 /( L), de manera que el proceso ARMA( p, q) se
representa por
0
xt = + t + 1 t1 + 2 t2 + . . . . (2.28)
1 1 . . . p
Introduccion al Analisis de Series de Tiempo 51
53
54 Abelardo Monsalve y Pedro Harmath
(a) (b)
1.6
14
12
1.4
Precio de Activo
US DolarEuro
10
1.2
8
1.0
6
0.8
4
1999 2001 2003 2006 2008 2011 012008 032009 052010
Perodo Perodo
(c) (d)
5
5
rt Plazo: 1 semana
rt Plazo: 12 meses
4
4
3
3
2
2
1
2001 2003 2005 2007 2009 2010 2001 2003 2005 2007 2009 2010
Perodo Perodo
d
xt = t + t = j t j + ( L) t . (3.2)
j=1
xt = 0 + 1 t + t . (3.3)
yt = xt xt 1 = (1 L ) xt = xt ,
= 1 + t ,
( L ) xt = ( L ) t ,
Introduccion al Analisis de Series de Tiempo 57
xt = + t ,
( L)d xt = + ( B) t , (3.7)
( L ) x t = 0 + ( L ) t ,
H0 : = 1 versus Ha : < 1,
aplicando la regresion
p 1
xt = ct + xt1 + i xti + et , (3.8)
i=1
1
ADF-test = ,
std( )
donde [] denota la parte entera. Esta seleccion de pmax permite que este
aumente cuando el tamano de la muestra se incrementa.
Otros Modelos
4
4.1. Modelos Estacionales
Algunas series en finanzas tales como los ingresos trimestrales por los
activos de una empresa exhiben un cierto comportamiento cclico o pe-
riodico. Tales series son denominadas series de tiempo estacionales. En
algunas aplicaciones, la estacionalidad es considerada como algo se-
cundario y por ello es removida, dando como resultado una serie de
tiempo estacionalmente ajustada y que luego es usada para estudiar-
la. Este procedimiento de remocion de estacionalidad de una serie de
tiempo se conoce como ajuste estacional. En otras aplicaciones como la
prediccion, uno de los principales objetivos del analisis financiero, la
estacionalidad es tan importante como otras caractersticas de los datos
y debe por consiguiente ser considerada en el analisis de la serie. En es-
ta seccion se discutiran algunos modelos econometricos que son utiles
en la modelizacion de series de tiempo estacionales.
Para una serie de tiempo estacional yt con periodicidad s, la diferencia-
cion estacional esta referida a
s yt = yt yt s = (1 L s ) yt .
La diferencia convencional yt = yt yt1 = (1 L)yt se conoce como
61
62 Abelardo Monsalve y Pedro Harmath
wt = (1 L)(1 Ls ) t = t t1 ts + ts1 ,
y = X
+ , (4.5)
E [ xt xt ] = XX es de rango k + 1.
T T
SSR( ) = (yt xt )2 = 2t ,
t =1 t =1
yt = xt + t , t = 1, . . . , T,
donde " # 1
T T
1
= ( X X ) Xy= xt xt xt yt ,
t =1 t =1
r6t = 0 + 1 r3t + t ,
donde r6t y r3t son dos series de tiempo y t denota el error. Si los termi-
nos de error { t } constituyen un proceso de ruido blanco, entonces el
metodo de mnimos cuadrados produce estimaciones consistentes. Sin
66 Abelardo Monsalve y Pedro Harmath
Cuadro 4.1: Resumen de los datos del ajuste lineal a la serie de los tipos
de interes.
Estimados Error Estandar t-valor Pr(>|t|)
0 0.1953 0.0049 39.61 0.0000
1 0.9621 0.0017 578.96 0.0000
Introduccion al Analisis de Series de Tiempo 67
5
4
rt(%)
3
2
1
Ao
Figura 4.1: Graficos de las series de tipos de interes del EURIBOR, des-
de el 15 de octubre del 2001 hasta el 03 de Diciembre de 2010. En azul,
(linea continua) serie con plazo de vencimiento a 3-meses, y en rojo, (li-
nea discontinua) serie con plazo de vencimiento a 6-meses.
El modelo (4.6) confirma la alta correlacion entre las dos series. Sin em-
bargo, al observar el grafico de los residuos y su funcion de autoco-
rrelacion muestral (ACF) en la figura (4.3), se concluye que el modelo
ajustado (4.6) es completamente inadecuado.
En particular, la ACF de los residuos es excepcionalmente significativa
y su decaimiento es bastante lento, mostrando un patron similar a una
serie con races unitarias. El comportamiento de los residuos sugiere
que existen marcadas diferencias entre los dos tipos de interes.
Tomando en cuenta lo discutido en secciones anteriores, el comporta-
miento no-estacionario (raz unitaria) de ambas series de tipos de in-
teres y de los residuos obtenidos a partir de la ecuacion (4.6); surge la
necesidad de considerar la serie de las diferencias para las series del
EURIBOR. As pues, se consideran las nuevas series
0.15
5
0.10
4
Plazo=6meses
Plazo=6meses
0.05
3
0.00
0.05
2
0.10
1
Plazo=3meses Plazo=3meses
Cuadro 4.2: Resumen de los datos del ajuste lineal a la serie de las va-
riaciones de los tipos de interes.
Estimados Error Estandar t-valor Pr(>|t|)
0 0.0001 0.0002 0.75 0.4552
1 0.9845 0.0130 75.50 0.0000
(a)
0.2
Residuos
0.0
0.2
Ao
(b)
0.8
ACF
0.4
0.0
0 5 10 15 20 25 30 35
Lag
Figura 4.3: Serie de los residuos de la regresion para las dos series de
tipos de interes: (a) grafico de los residuos, (b) funcion de autocorrela-
cion de la muestra.
Introduccion al Analisis de Series de Tiempo 71
(a)
0.10
Variaciones
0.00
0.10
Ao
(b)
0.10
Variaciones
0.10 0.00
Ao
(a)
0.05
Residuos
0.05
Ao
(b)
0.04
ACF
0.00
0.06
0 5 10 15 20 25 30 35
Lag
tT=2 ( t t1 )2
DW = . (4.10)
tT=1 2t
donde t = yt xt
es el residuo estimado en el instante t. El estimador
de Newey and West (1987) es
" # 1 " # 1
T T
Cov( ) HAC = xt xt C HAC xt xt , (4.12)
t =1 t =1
donde
T l T
C HAC = 2t xt xt + j ( xt t t j xt j + xt j t j t xt ),
t =1 j=1 t = j+1
j
j = 1 .
l+1
Modelos de Heterocedasticidad
5
Condicional
77
78 Abelardo Monsalve y Pedro Harmath
x t = t + t = E ( x t |Ft 1 ) + t , (5.1)
t = t t ,
t2 = 0 + 1 2t1 + . . . + p 2t p .
y por lo tanto
h i
E (4t ) = E E (4t |Ft1 ) = 3E (20 + 20 1 2t1 + 21 4t1 ).
Consecuentemente,
320 (1 + 1 )
4 = .
(1 1 )(1 321 )
82 Abelardo Monsalve y Pedro Harmath
( p+1 , . . . , T | , 1 , . . . , p ) = ln f ( p+1 , . . . , T | , 1 , . . . , p ).
T
1 2t
(0 , ) = ln ( h t ) +
ht
,
t = p +1 2
Prediccion
De forma general, sean x1 , . . . , xh observaciones de una serie de tiempo
{ xt }. Se quiere entonces predecir la observacion xh+k , para algun hori-
zonte de prediccion k > 0, a partir de las observaciones disponibles. Se
denota por xh (k) el estimador de mnimos cuadrados de xh (k), esto es
m q
2t = 0 + (i + i )2ti + t j t j , (5.9)
i=1 j=1
donde p+ j = q+ j = 0 para j 1.
320 (1 + 2(1 + 1 ))
4 = .
(1 (1 + 1 ))(1 (1 + 1 )2 221 )
T
1 2t
( p+1 , . . . , T | , , 1 , . . . , p ) = 2 cte. + ln(ht ) + ht ,
t = p +1
p q
pero en este caso ht = 0 + i=1 i 2ti + j=1 j ht j . En esta situa-
cion la varianza condicional ht no se puede expresar en terminos de
un numero finito de observaciones pasadas de t , tal como sucede con
los modelos ARCH. Como solucion a este inconveniente, se sustituye
en la funcion de verosimilitud a ht por una version truncada de la mis-
ma, ht . Los estimadores de maxima verosimilitud condicional de 0 ,
= (1 , . . . , p ) y = ( 1 , . . . , p ) se obtienen al maximizar la fun-
cion
T
1 2t
(0 , , ) = ln(ht ) + ,
t = 2 ht
donde es un entero ( > p).
Hasta ahora se ha asumido que las innovaciones t siguen una distri-
bucion normal, lo cual implica que la distribucion condicional de t es
una normal con media cero y varianza ht . Por otro lado, la distribu-
cion incondicional de t en los modelos GARCH no es una normal. Por
ejemplo, para un modelo GARCH(1, 1), la kurtosis y la kurtosis incon-
dicional de t es mayor que la kurtosis de una normal.
En aplicaciones practicas en series de tiempo de alta frecuencia, se suele
observar que la kurtosis incondicional de t en un GARCH(1, 1), dada
por (5.11), es menor que la de la serie observada, es decir, el modelo
GARCH(1, 1) con t con distribucion normal, no tienen la capacidad de
88 Abelardo Monsalve y Pedro Harmath
+1
+2 1
2 1 t2
f ( t ) =
p 1+ ,
2 ( 2) 2
f ( p+1 , . . . , T | , , 1 , . . . , p ) =
T +1
+2 1
1 2 1 t2
h
p
( 2)
1+
h t ( 2)
.
t = p +1 t 2
Prediccion
Tal como se discutio para los modelos ARCH, de forma analoga se pue-
de calcular de manera recursiva las predicciones para la varianza con-
dicional en los procesos GARCH. Sea el modelo GARCH(1, 1) con ecua-
Introduccion al Analisis de Series de Tiempo 89
k2
ht (k) = 0 ( 1 + 1 ) j + ( 1 + 1 ) k 1 h t +1 ,
j=0
0
donde, 2 = 1 1 1 es la varianza incondicional de t .
donde {t }
t= y { k }k=1 son sucesiones de numeros reales no es-
tocasticos y g(t ) es una funcion que responde al signo y a la magnitud
de t . La funcion g considerada en esta seccion es
Siendo A = 2b1 exp( a0 2/ ).
xt = g( ht , ) + t ,
p
t = t ht . (5.18)
94 Abelardo Monsalve y Pedro Harmath
xt = 0 + 1 ht + t ,
p
t = t ht ,
ht = 0 + 1 2t1 . (5.19)
p q
h t = 0 + (i + i 1{ ti<0} )2ti + j ht j , (5.20)
i=1 j=1
xt = + zt + t ,
z t = 1 z t 1 + t ,
donde xt = log 2t , = log( + E log(t2 ) ) y t = log(t2 ) E log(t2 ) )
es un ruido blanco no gaussiano de media cero y varianza 2 cuyas pro-
piedades dependen de t . Por ejemplo, si t tiene distribucion normal
de media cero y varianza 1, entonces log(t2 ) se distribuye
como el lo-
garitmo de una variable X12 de media E log(t2 ) = 1,26 y varianza
conocida 2 = 4,93.
Para estimar los parametros del modelo SV, se puede usar el metodo de
cuasi-verosimilitud mediante el filtro de Kalman considerando la ecua-
cion de transicion zt y la ecuacion de estados xt . Una alternativa es apli-
car un metodo de Monte Carlo. Jacquier et al. (1994) proporcionan una
comparacion de los resultados entre la estimacion cuasi-verosimilitud
y el metodo de Monte Carlo (MCMC).
p
t = t ht ,
2
ht = exp (ut ),
( 1 L ) d u t = t , (5.24)
xt = f ( t , t 1 , . . . ). (6.1)
99
100 Abelardo Monsalve y Pedro Harmath
donde g() y h() son funciones bien definidas, con h() > 0.
De esta forma, los modelos que se consideraran se restringen a
q
x t = g ( Ft 1 ) + t = g ( Ft 1 ) + h ( Ft 1 ) t , (6.3)
Siendo 1,i los coeficientes del modelo AR(1) del regimen i (ver Petruc-
celli and Woolford (1984) y Chen and Tsay (1991)).
Las { j,t } para j {1, 2} son sucesiones de variables aleatorias iid con
media cero y varianza finita e independientes una de la otra, y p 1.
Introduccion al Analisis de Series de Tiempo 105
Yt = m( Xt ) + t , (6.10)
tT=1 yt T
y = = m ( x ) + t =1 t .
T T
Teniendo en cuenta la ley de los grandes numeros, el promedio de los
impulsos t converge a su valor esperado, es decir, al valor
cero
cuan-
do T es incrementado. Por lo tanto, el promedio y = tT=1 yt /T es
una estimacion consistente de m( x). Sin embargo, en las series financie-
ras no se disponen de observaciones repetidas y los datos observados
son {(yt , xt )} para t = 1, . . . , T. Si la funcion m() es suave, el valor de
Yt para Xt x da una buena aproximacion de m( x), mientras que si es
lejano da como resultado una aproximacion pobre. As pues, un estima-
dor natural que tiene en cuenta este tipo de situaciones es el promedio
Introduccion al Analisis de Series de Tiempo 107
ponderado:
T
1
m( x) =
T t ( x ) yt , (6.11)
t =1
K h ( x xt )
t ( x) = , (6.13)
1
T tT=1 Kh ( x xt )
Watson (1964)):
1 T 1
TtT=1 Kh ( x xt )yt
m( x) =
T t ( x ) yt = 1 T
. (6.14)
t =1 T t =1 K h ( x xt )
donde:
Introduccion al Analisis de Series de Tiempo 109
m( x) m( x) + m ( x)( x x) + ( x x),
T
2
L(, ) = (yt ( xt x)) K h ( x t x ), (6.19)
t =1
tT=1 t yt
a = , (6.20)
tT=1 t
t = Kh ( x xt )[sT,2 ( x xt )sT,1 ].
tT=1 t yt
m( x) = . (6.21)
tT=1 t + 1/T 2
Perodo
Variaciones de los tipos (%)
0.05
0.05
Perodo
al hacer una revision para una escala mas fina (6.2(b)) se observa que
hay una tendencia. En cuanto a la volatilidad, se muestra en la (6.2(c)) el
scatterplot de |yt | contra xt1 y la estimacion ( xt1 ). El grafico confir-
ma que la volatilidad es mayor para tipos de interes elevados. As mis-
mo, la figura (6.2(d)) muestra la estimacion ( xt1 ) en una escala refi-
nada. Este ejemplo evidencia el potencial de las tecnicas de suavizado
en la caracterizacion de la dinamica de las series financieras.
xt = f 1 ( Xt 1 ) xt 1 + + f p ( Xt 1 ) xt p + t , (6.24)
zado. Dada una serie de tiempo xt , se dice que esta sigue un modelo no-
lineal autorregresivo aditivo y que se denota por NAAR si,
p
xt = f 0 ( t) + f i ( xt i ) + t , (6.25)
i=1
S t = f ( S t 1 ) + t , x t = gt ( S t ) + t , (6.26)
donde
St es el vector de estados,
{t } es independiente de {t }.
Introduccion al Analisis de Series de Tiempo 115
xt = Xt1 + , (6.27)
t = Xt11 + Mt 1 2 + t , (6.28)
2. Se considera la regresion
t = t + t ,
6.10.5. El test F
Con el proposito de mejorar la potencia del test de Keenan y el test
RESET, Tsay (1986) considera Mt1 = vech( Xt1 Xt1 ), siendo vech()
el vector half-stacking de Xt1 Xt1 que considera solo los elementos de
la diagonal y bajo la diagonal. La dimension de Mt1 es p( p + 1)/2
para un modelo AR( p). En la practica, este es un test que considera un
estadstico F parcial para probar la hipotesis = 0 en
xt = Xt1 + Mt 1 + t ,
(a) (c)
0.08
* *
* * * *
** * * *
0.05
** *
0.06
* ** * *
* *** * **
* **
* ***** ** ** **
** ** ********************************************* ******** ** ********************** * * *
abs(y)
*****************************
0.04
0.00
y(t)
* * *** ** *
** *
*** * * **
** * *
******************** ************* ****** ************* ** *
* * * *
** * ** *** *** ** ****** ****** * * * *** ** **
* *** *
* * ***** **** * *
**** * **
0.02
**
* * ** * *** * ********** *****
0.05
* ** * *
*** ****** ***** ************************* ***** * ********************** *
* * * ******************************************************************************************************************** ********* * *******
* ********* *
0.00
* * * * * * * ************ *
x(t1) x(t1)
(b) (d)
0.010
0.004
0.006
0.002
0.002
x(t1) x(t1)
121
122 Abelardo Monsalve y Pedro Harmath
1. W0 = 0 casi seguro,
W (t) = E (Wt ) = 0, t 0,
E (Wt W0 ) = 0, Var(Wt W0 ) = Tt = t.
xt = Wt tW1 , 0 t 1. (7.1)
Es claro que,
x0 = W0 0W1 = 0, y x1 = W1 1W1 = 0.
xt = t + Wt , t0 (7.2)
x (t) = E ( xt ) = t, y
xt = e(t+Wt ) , t 0. (7.3)
y es conocido con el nombre de Movimiento Browniano Geometrico, deno-
tado por GBM. El proceso xt no es Gaussiano, y sus funciones de media
y covarianza son
( t) = E ( x ) = e( + 2 ) t ,
1 2
x t
y 2
x (t, s) = Cov( xt , xs ) = e( +0,5 )(t+s) (e t 1).
2
donde xt0 es la condicion inicial. Wti = Wti+1 Wti , son los incremen-
tos de un movimiento Browniano. En cuanto a los metodos de discreti-
zacion, estos pueden ser caracterizados por su orden de convergencia.
Un esquema de discretizacion y con paso de discretizacion de tamano
Introduccion al Analisis de Series de Tiempo 129
Para ilustrar como se aplica este lema, considere como funcion G (Wt , t) =
Wt2 , el cuadrado del proceso de Wiener. En este caso tenemos que (Wt , t) =
0 y (Wt , t) = 1 y
G G 2 G
= 2Wt , = 0, = 2.
Wt t Wt2
Por lo tanto,
2 1
dWt = 2Wt 0 + 0 + 2 1 dt + 2Wt dWt = dt + 2Wt dWt .
2
7.5.3. Estimacion de y
Los parametros y del movimiento Browniano se pueden estimar
de diversas maneras, mas adelante discutiremos este tema. Pero en es-
te caso, se ha supuesto que el precio sigue un movimiento browniano
geometrico. En este caso, una de las formas de estimar los parametros,
mas sencilla y practica es la siguiente. Supongase que se tienen n + 1
observaciones del precio Pt , es decir { P0 , P1 , . . . , Pn }, igualmente espa-
ciadas en un intervalo, esto es con paso (por ejemplo, observaciones
diarias, semanales o mensuales). Sea ahora, rt = ln( Pt ) ln( Pt1 ), para
t = 1, . . . , n la rentabilidad continua, entonces si se tienen en cuanta
los resultados en la seccion anterior para Pt siguiendo un movimien-
to Browniano geometrico, se tiene que rt tiene distribucion normal con
media r = ( 2 /2) y varianza r2 = 2 . Sea ahora r y sr la media
de la muestra y la desviacion estandar de la muestra. Ambos estimado-
res son consistentes, r r y sr r cuando n . Entonces, se
estima a partir de
sr
= .
Teniendo en cuenta que r = r, se puede estimar por
r s2
= + r .
2
Ejemplo 7.5.1. Considerense las rentabilidades continuas (logaritmo de
las rentabilidades) con frecuencia diaria del activo del IBEX35, Banco
Santander, en el perodo del 2 de Enero 2009 al 30 de diciembre de 2009.
La figura (7.1) muestra la evolucion de la rentabilidad continua del acti-
vo durante dicho perodo, compuesto de 252 observaciones y la funcion
de autocorrelacion de dicha rentabilidad. Claramente la funcion de au-
tocorrelacion evidencia que las rentabilidades no estan correlacionadas,
132 Abelardo Monsalve y Pedro Harmath
(a)
0.05
rt
0.05
(b)
0.06
0.00
ACF
0.06
2 4 6 8 10 12 14
Lag
sx x 2
= = 0,4562518, and = + = 0,6369963
2
dPt = Pt dt + Pt dWt .
E ( PT ) = Pt e( T t)
2 ( T t)
Var( PT ) = Pt2 e2( T t) (e 1)
Esto ratifica que la tasa esperada de rentabilidad del activo es . Si aho-
ra, se considera r la tasa continua de rentabilidad anual desde el instan-
te t al instante T. Entonces
PT = Pt er ( T t),
134 Abelardo Monsalve y Pedro Harmath
Nt +t
X Nt +1 con probabilidad t,
Xi
0 con probabilidad 1 t.
i= Nt +1
Pt+t Pt
t + t + I X, (7.23)
Pt
dPt = Pt dt + t Pt dW1t
y
dt2 = t2 dt + t2 dW2t (7.24)
= arg max ( X0 , . . . , Xn ; ).
Ciertamente los metodos antes descritos no son los unicos que se apli-
can para la estimacion de los parametros de los distintos modelos des-
critos en este captulo, sin embargo no es del interes de esta memoria
Introduccion al Analisis de Series de Tiempo 141
143
Nociones basicas de Probabilidad
A
A.1. Espacio de Probabilidad y Variable Aleatoria
Un espacio de probabilidad es un terna (, F , P ) donde es el espacio
muestral de todos los posibles resultados de un experimento aleatorio;
F es una -algebra de conjuntos, es decir, F es una coleccion de conjun-
tos que satisface:
(i.) El conjunto pertenece a F
(ii.) Si A F , entonces su complemento Ac F
(iii.) Si A1 , A2 , . . . , F entonces
[
Ai F .
i=1
145
146 Abelardo Monsalve y Pedro Harmath
(ii.) P () = 1 y P () = 0,
(iii.) Si A1 , A2 , . . . , An F entonces
!
n
[ n
P Ai = P ( A i ).
i=1 i=1
X : 7 R
7 X ( ) = x
X 1 ( A) = B;
para A B (R ) y B F .
lm F ( x) = 0, lm F ( x) = 1,
x x +
FX (x) = P ( X1 x1 , X2 . . . , Xn xn ), x = ( x1 , . . . , x n ) R n .
FXi ( xi ) = FXi (, . . . , xi , . . . , )
Z Z xi Z
f X (u1 , . . . , xi , . . . , un )du1 . . . dun ,
A.4. Independencia
Definicion A.4.1. Dos variables aleatorias X e Y son independientes si
P( X A, Y B) = P( X A) P(Y B)
f X1 X2 ( x 1 , x 2 ) = f X1 ( x 1 ) f X2 ( x 2 ) , x1 , x2 R.
E [ g1 ( X1 ), . . . , g( Xn )] = E [ g1 ( X1 )] , . . . , E [ gn ( Xn )]
Cov( X1 , X2 )
Corr( X1 , X2 ) = p .
Var( X1 )Var( X2 )
P ( X x 1 , X2 x 2 ) F ( x , x2 )
FX1 | X2 ( x1 | x2 ) = = X1 X2 1
P ( X2 x 2 ) FX2 ( x2 )
152 Abelardo Monsalve y Pedro Harmath
f X1 | X2 ( x 1 | x 2 ) = f X1 ( x 1 )
P ( A B)
P( A| B) = , para P ( B) > 0. (A.1)
P ( B)
E ( X1B )
E( X | B) = , (A.3)
P ( B)
Ahora bien, sea Y una variable aleatoria discreta que toma distintos
valores en los conjuntos Ai , es decir,
Ai = Ai ( ) = { : Y ( ) = yi }, i = 1, 2, . . .
Z ( ) = E ( X |Y )( ) = E ( X | Ai ( )) = E ( X |Y ( ) = yi ), Ai
E ( aX1 + bX2 |F ) = aE ( X1 |F ) + bE ( X2 |F ),
E ( X |F0 ) = E ( X ),
154 Abelardo Monsalve y Pedro Harmath
E (YX |F ) = YE ( X |F ),
aE (Y |F ) = Y.
E [E ( X |F )] = E ( X ).
lm Fn ( x) = F ( x) (A.5)
n
lm P (| Xn X | ) = 0, (A.7)
n
y se denota por
p
Xn
X (A.8)
Introduccion al Analisis de Series de Tiempo 155
p lm | Xn X | = 0, (A.9)
n
lm E (| Xn X |r ) = 0, r 1. (A.12)
n
X (, ) : R.
{X (, t), t 0}
157
158 Abelardo Monsalve y Pedro Harmath
{X (, t, ), }
B.2. Filtraciones
Definicion B.2.1. Considerese un espacio de probabilidad (, F , P ). Una
filtracion {Ft , t 0} es una familia creciente de sub--algebras de F inde-
xadas por t 0; es decir, para cada s, t 0 tal que s < t, se tiene Fs Ft
con F0 = {, }.
Rt
Si X es diferenciable, entonces Vt ( X ) = 0 | X (u)|du. Si Vt ( X ) < ,
entonces se dice que X es de variacion acotada en [0, t]. Si lo anterior es
cierto para todo t 0, entonces se dice que X tiene variacion acotada.
160 Abelardo Monsalve y Pedro Harmath
B.5. Martingalas
Dado un espacio de probabilidad (, F , P ) y una filtracion {Ft , t
0}, entonces se define el como un espacio de probabilidad filtrado a la tupla
(, F , {Ft }t0 , P ).
Definicion B.5.1. Sea (, F , {Ft }t0 , P ). un espacio de probabilidad fil-
trado. Un proceso Xt con t , R un conjunto de indices, es una
martingala relativo a la filtracion {Ft , t 0}, siempre que:
(i.) Xt es adaptado a la filtracion {Ft , t 0}
(ii.) Xt es integrable, es decir, E | Xt | < ,
(iii.) Para cualesquiera s y t con s < t
E ( X t |Fs ) = X s , casi seguramente.
P ( X t + s y |Ft ) = P ( X t + s y | X t ) c.s.
P (y, t, x, s) = P ( Xt y| Xs = x)
163
164 Abelardo Monsalve y Pedro Harmath
g : [0, T ] R
I ( g) se define como el lmite de la sucesion de integrales I g(n) donde
g(n) es llamado un proceso simple, definido como
Entonces I g(n) se define como
n 1
I g( n ) = g(n) (tj ){Wt +1 Wt } j j
j=0
(C.7)
n 1
= g(tj ){Wt +1 Wt }.j j
j=0
y
Z T
Z T
Var Xs dWs = E ( Xs )2 dWs = 0, (Isometra de Ito)
0 0
donde
g g 2 g
gt (t, x) = (t, x), gx (t, x) = (t, x) y gxx (t, x) = (t, x)
t x x2
o, en su forma diferencial
1
dg(t, Xt ) = gt (t, Xt )dt + gx (t, Xt )dXt + gxx (t, Xt )(dXt )2 .
2
Introduccion al Analisis de Series de Tiempo 169
para todo T, R [ 0, ) .
En lo que respecta a la existencia de la solucion de la ecuacion diferen-
cial estocastica, se deben considerar algunas suposiciones.
LG . (Condicion Lipschitz Global) Para todo x, y R y t [0, T ], existe
una constante K < tal que
y
2x( x) + 2 ( x) B(1 + x2 ). (C.16)
x( x) + 2 ( x) A(1 + x2 ). (C.17)
P ( X t + s y |Ft ) = P ( X t + s y | X t ) c.s.
para cualquier t y s > 0. Por otro lado, los proceso de difusion puede ser
o no ergodicos. La propiedad ergodica implica que para cualquier funcion
medible h(), el siguiente resultado se satisface con probabilidad 1:
Z T Z
1
h( Xt )dt h( x) ( x)dx = E (h( )),
T 0
m( x)
( x) = , (C.20)
M
R
donde M = m( x)dx. Si las funciones m() y s() son tales que
Z x Z
s(y)dy and m(y)dy <
0
p 1 2
+ {( y) p} {2 (y) p} = 0, (s, x) (C.23)
t y 2 y2
p 1 2 p
+ {( x) p} + 2 (y) 2 = 0, (C.24)
s x 2 x
174 Abelardo Monsalve y Pedro Harmath
Bibliografa
Bakshi, G., Cao, C., and Chen, Z. (1997). Empirical performance of al-
ternative option pricing models. Journal of Finance, 52:20032049.
Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1994). Time Series Analy-
sis: Forecasting and Control. Prentice Hall, Englewood Cliffs, NJ, 3rd
edition edition.
Breidt, F. J., Crato, N., and De Lima, P. (1998). On the detection and
estimation of long memory in stochastic volatility. Journal of Econo-
metrics, 83:32534854.
Chen, R., Liu, J., and Tsay, R. S. (1995). Additivity tests for nonlinear
autoregressive models. Biometrica, 82:369383.
Cox, J., Ingersoll, J. E., and Ross, S. A. (1985). A theory of the term
structure of interest rates. Econometrica, 53(2):385407.
Fan, J. and Yao, Q. W. (2003). Nonlinear Time Series. Springer, New York.
Ng, S. and Perron, P. (1995). Unit root tests in arma models with data-
dependent methods for the selection of the truncation lag. Journal of
the American Statistical Association, 90:268281.
Oswaldo Larreal
Captulo Zuliano
Gerencia General
Martha Velasquez
Comision Editorial
Eloy Sira (coordinador)
Luca Antillano
Horacio Biord
Jesus Eloy Conde
Mara Teresa Curcio
Rafael Gasson
Pamela Navarro
Hector Suarez
Erika Wagner