PROCESOS ESTOCÁSTICOS ARMA

ELEMENTOS FINANCIEROS CON SERIES

TEMPORALES

Juan Tenorio

Temas:

• Conceptos básicos
• ARMA finitos
• ARMA infinitos
Introducción

En general, cualquier serie de tiempo estacionaria puede expresarse

utilizando una combinación lineal de WN. Ejemplos:
AR(1) Yt = φ1 Yt 1 + εt
MA(1) Yt = εt + θεt 1
AR(p) Yt = φ1 Yt + φ2 Yt 2 + ... + φp Yt p + εt
1
MA(q) Yt = θ 1 εt 1 + θ 2 εt 2 + ... + θ q εt q + εt
ARMA(p,q) Yt =
φ1 Yt 1 + φ2 Yt 2 + ... + φp Yt p + θ 1 εt 1 + θ 2 εt 2 + ... + θ q εt q + εt

Jorge Rodas (INFOPUC) Sesión 1 03/15 9 / 29

Introducción

Estas presentaciones pueden simpli…carse enormemente utilizando el

operador de rezagos (L):
AR(1) (1 φL)Yt = εt
MA(1) Yt = (1 + θL)εt
AR(p) (1 φ1 L φ2 L2 ... φp Lp )Yt = εt
MA(q) Yt = (1 + θ 1 L + θ 2 L2 + ... + θ q Lq )εt
ARMA(p,q)
(1 φ1 L φ2 L2 ... φp Lp )Yt = (1 + θ 1 L + θ 2 L2 + ... + θ q Lq )εt

Jorge Rodas (INFOPUC) Sesión 1 03/15 10 / 29

Representación MA in…nito

Toda representación AR(p) puede expresarse como un MA(∞) si se

cumplen las condiciones de invertibilidad.
Ejemplo 1: se tiene el proceso AR(1): (1 φL)Yt = εt , si jφj < 1,
entonces
1
Yt = εt
1 φL
Yt = 1 + φL + φ2 L2 + ... εt
Yt = εt + φεt 1 + φ2 εt 2 + ...
∞
Yt = ∑ φi εt i
i =0

Jorge Rodas (INFOPUC) Sesión 1 03/15 11 / 29

Representación MA in…nito

Ejemplo 2: AR(2) (1 φ1 L φ2 L2 )Yt = εt

Sean λ1 y λ2 las raíces del polinomio 1 φ1 L φ2 L2 :

1 φ1 L φ2 L2 = (1 λ1 L)(1 λ2 L)

Por fracciones parciales:

1 1 λ1 λ2
=
(1 λ1 L)(1 λ2 L) λ1 λ2 1 λ1 L 1 λ2 L

luego:
∞ ∞
λ1 λ2
Yt =
λ1 λ2 ∑ λi1 εt i
λ1 λ2 ∑ λi2 εt i
i =0 i =0

Jorge Rodas (INFOPUC) Sesión 1 03/15 12 / 29

Representación MA in…nito

Esta representación impone las condiciones que jλi j < 1. Dado que
los λ son funciones de los φ (pueden calcularse) imponer las
condiciones de invertibilidad no es tan simple como en el caso AR(1).

Jorge Rodas (INFOPUC) Sesión 1 03/15 13 / 29

Funciones de Autocorrelación y Autocovarianza

Llamamos autocovarianza a γj = Cov (Yt , Yt j)

γj
Llamamos función de autocorrelación a la función ρj γ0
Ejemplo 1: MA(1) Yt = εt + θ 1 εt 1

γ0 = (1 + θ 21 )σ2ε

γ1 = θ 1 σ2ε
γk = 0 para todo k > 1
θ 1 /(1 + θ 21 ) j = 1
ρj =
0 j >1
El grá…co ρj versus j se conoce como correlograma.

Jorge Rodas (INFOPUC) Sesión 1 03/15 14 / 29

Funciones de Autocorrelación y Autocovarianza

Ejemplo 2: AR(1) Yt = φ1 Yt 1 + εt

σ2ε
γ0 =
(1 φ21 )
γ1 = φ1 γ0
γ2 = φ1 γ1 = φ21 γ0
En general γk = φk1 γ0
ρj = φj1

Jorge Rodas (INFOPUC) Sesión 1 03/15 15 / 29

Funciones de Autocorrelación y Autocovarianza

Ejemplo 3: AR(3) Yt = φ1 Yt + φ2 Yt 2 + φ3 Yt 3 + εt
1
Multiplicando alternativamente por Yt , Yt 1 , Yt 2 , Yt 3 y tomando
esperanza podemos generar el siguiente set de ecuaciones:

1 = φ1 ρ1 + φ2 ρ2 + φ3 ρ3 + σ2ε /γ0

ρ1 = φ1 + φ2 ρ1 + φ3 ρ2
ρ2 = φ1 ρ1 + φ2 + φ3 ρ1
ρ3 = φ1 ρ2 + φ2 ρ1 + φ3
Este sistema es soluble, tiene cuatro ecuaciones y cuatro incógnitas.

Jorge Rodas (INFOPUC) Sesión 1 03/15 16 / 29

Funciones de Autocorrelación y Autocovarianza

En general, para todo k > 3 podemos multiplicar el proceso por Yt k

y tomar esperanza lo que da:

ρk = φ1 ρk 1 + φ2 ρk 2 + φ3 ρk 3

Estas ecuaciones se conocen como sistema de Yule-Walker.

Jorge Rodas (INFOPUC) Sesión 1 03/15 17 / 29

Funciones de Autocorrelación Parcial

En general, para un proceso AR(p) el sistema de ecuaciones de

Yule-Walker tiene la siguiente forma:

ρ1 = φ1 + φ2 ρ1 + ... + φp ρp 1 k=1

........................................
ρp = φ1 ρp 1 + φ2 ρp 2 + ... + φp k=p
ρk = φ1 ρk 1 + φ2 ρk 2 + ... + φp ρk p k>p

Jorge Rodas (INFOPUC) Sesión 1 03/15 18 / 29

Funciones de Autocorrelación Parcial

Note que para resolver este sistema es necesario conocer el valor de p,

como esto usualmente no ocurre podemos utilizar la estrategia de
desarrollar el sistema de ecuaciones para sucesivos valores de p.
Para p = 1, entonces φ1 = ρ1
Para p = 2, entonces ρ1 = φ1 + φ2 ρ1 y ρ2 = φ1 ρ1 + φ2 de donde
ρ2 ρ21
φ2 = 1 ρ21
Así obtenemos la secuencia φ1 , φ2 , ... que son los denominados
coe…cientes de autocorrelación parcial.

Jorge Rodas (INFOPUC) Sesión 1 03/15 19 / 29

Características de las Series de Tiempo Estacionarias

Proceso FAC
AR(1) Decae exponencialmente
MA(1) ρ1 > 0, ρk = 0 para todo k > 1
ARMA(1,1) Decae oscilando empezando en k = 1
AR(p) Decae hasta cero, puede oscilar
ARMA(p,q) Decae (puede oscilar) empezando en k = q

Proceso FAP
AR(1) φ1 > 0, φk = 0, para todo k > 1
MA(1) Decae oscilatorio
ARMA(1,1) Decae exponencial empezando en k = 1
AR(p) Un pico en k = p φk = 0, para todo k 6= p
ARMA(p,q) Decae (puede oscilar) empezando en k = p

Jorge Rodas (INFOPUC) Sesión 1 03/15 20 / 29

Condiciones de Estacionariedad

∞ ∞
MA: ∑ θ j εt j la varianza de este modelo es Var (xt ) = σ2ε ∑ θ 2j .
j =0 j =0
Para que este proceso sea estacionario se debe cumplir que
∞
2
∑ θ j < ∞.
j =0
AR: este caso es más complicado. Ejemplo: el AR(1) se puede
k
expresar por sustitución recursiva: Yt = φk Yt k + ∑ φj εt j .
j =0
En este caso la condición para que la varianza sea …nita es que
jφj < 1
En general todo polinomio AR(p) puede factorizarse como
(1 λ1 L)(1 λ2 L)...(1 λp L). La condición jλi j < 1 es equivalente
a que las raíces del polinomio caigan fuera del círculo unitario.

Jorge Rodas (INFOPUC) Sesión 1 03/15 21 / 29

Representación de Espacio - Estado

Dado que los AR(1) son muy fáciles de manejar, sería deseable poder
expresar cualquier modelo como un AR(1).
Ejemplo. Se tiene el modelo ARMA(2,1)

Yt = φ1 Yt 1 + φ2 Yt + θ 1 εt 1 + εt
2
2 3 2 32 3 2 3
Yt φ1 φ2 θ1 Yt 1 1
4 Yt 1 5 = 4 1 0 0 5 4 Yt 2 + 0 5 εt
5 4
εt 0 0 0 εt 1 1
Zt = AZt 1 + C εt

Jorge Rodas (INFOPUC) Sesión 1 03/15 22 / 29

Estimación

Puede utilizarse el método de máxima verosimilitud: hallamos la

función de verosimilitud y la maximizamos para obtener los
estimadores de los parámetros.
Ejemplo. Si estimamos un AR(1) yt = φyt 1 + εt con εt N (0, σ2ε )
la función de verosimilitud será:
1/2 T
y12
σ2ε T 1
1
∑ (y t
2σ2ε t =2
φyt 1)
2
L= 2π e 2σ2ε /(1 φ2 )
(2πσ2ε ) ( 2 ) e
1 φ2

Si T es grande podemos utilizar una función de verosimilitud

condicional en y1 :
T
1 2
T 1 ∑ (y t
2σ2ε t =2
φyt 1)
L= κ 0 (2πσ2ε ) ( 2 ) e

Jorge Rodas (INFOPUC) Sesión 1 03/15 23 / 29

Estimación

Maximizando el logaritmo tenemos:

T
∂ ln L T 1 1
∂σ2ε
= 2
2σε
+ 4
2σε ∑ (yt φyt 1)
2
=0
t =2

T
∂ ln L 1
∂φ
= 2
2σε ∑ (yt φyt 1 )yt 1 =0
t =2
De donde:
T
2
∑ (yt φ̂yt 1)
t =2
σ̂2ε =
T 1
T
∑ yt yt 1
t =2
φ̂ = T
∑ yt2 1
t =2

Jorge Rodas (INFOPUC) Sesión 1 03/15 24 / 29

Estacionalidad

De…nición: Son los movimientos sistemáticos dentro del año (aunque

no necesariamente regulares) ocasionados por cambios en el clima, el
calendario, la toma de decisiones de producción o consumo, etc.
Estas decisiones son in‡uenciadas por las dotaciones, las expectativas
y las condiciones de producción disponibles en la economía.

Jorge Rodas (INFOPUC) Sesión 1 03/15 25 / 29

Estacionalidad

LN_PBI_AGROPEC
6.0

5.6

5.2

4.8

4.4

4.0
80 82 84 86 88 90 92 94 96 98 00 02 04 06 08 10

Jorge Rodas (INFOPUC) Sesión 1 03/15 26 / 29

Métodos de desestacionalización

Se fundamentan en la idea que toda serie de tiempo se puede

expresar a través de la siguiente representación fundamental:

Xt = Tt + Ct + St + It

Donde Tt es el componente secular o tendencial, Ct es el ciclo, St es

el factor estacional e It la parte irregular.
También puede expresarse de manera multiplicativa:

Xt = Tt Ct St It

Jorge Rodas (INFOPUC) Sesión 1 03/15 27 / 29

Métodos de desestacionalización

El método Census fue desarrollado en 1954 por el US Bureau of

Census, de allí fue evolucionando a través de 11 versiones
eXperimentales (X1,X2,...) hasta llegar a la versión estándar (X11).
En los 70s se popularizaron los modelos de series de tiempo (ARIMA)
gracias a los trabajaos de Box & Jenkins. Dagum (1975) desarrolla el
llamado X11 - ARIMA que expande la serie utilizando técnicas ARIMA
para evitar los problemas que ocasiona en las colas el X11 original.
La última versión del X12 (1996) incorpora una serie de rutinas de
corrección de outliers, efectos de calendario, etc.

Jorge Rodas (INFOPUC) Sesión 1 03/15 28 / 29

Métodos de desestacionalización

6.0

5.6

5.2

4.8

4.4

4.0
80 82 84 86 88 90 92 94 96 98 00 02 04 06 08 10

LN_PBI_AGROPEC
LN_PBI_AGROPEC_TRAMO_SEATS
LN_PBI_AGROPEC_X12

Jorge Rodas (INFOPUC) Sesión 1 03/15 29 / 29