Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LA ECONOMETRÍA
APLICADA A LAS FINANZAS
02 de junio de 2016
1
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
2
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
4
Fórmulas Covarianza
5
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Proceso Autoregresivo (AR) utilizado en 1927 por Yule aplicado en la predicción de las
manchas solares.
Los valores presentes de la variable Y depende sólo de los valores que la variable
toman en los períodos previos (realizaciones anteriores) más su término de error.
Realizaciones más lejanas en el tiempo no tienen influencia destacable sobre magnitud
actual de la variable.
Yt = μ + ø1 yt-1 + ø2 yt-2 + ø3 yt-3 + ø4 yt-4 + ….. + øq yt-p + ut
Estacionariedad es una propiedad deseable de un modelo AR. 7
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Proceso ARMA
8
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Proceso ARIMA
Ruido Blanco:
Rt = Ro +Ԑt
9
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Random Walk:
Rt = ǿ Rt-1 +Ԑt Es decir, el ǿ=1
Donde Ԑt tiene una distribución normal1 con media cero y variancia finita y
no tiene correlación serial (o sea, Ԑt es ruido blanco). Según este modelo,
el mejor predictor de una variable en el período t es la tasa del período t-1.
Cuando se produce una perturbación aleatoria en la variable, ésta tiene
infinita persistencia en el tiempo. La tasa no está acotada (puede adoptar
cualquier valor).
Rt = c + βRt-1 + Ԑt
donde 0<β<1 y Ԑt tiene una distribución normal con media cero y variancia
finita. El valor de β determina la velocidad de la variable (tasa de interés, tc,
etc.) para regresar a su valor de largo plazo. Ese período se denomina de
"reversión a la media" ("mean reversion"). La "vida media" ("half life") es el
tiempo que demora en reducirse a la mitad un shock inicial en R y
constituye una medida de la persistencia de los shocks. La vida media (así
como la persistencia) es mayor en la medida en que β se aproxima a uno.
Así, un β =0,9950 implica que el proceso tiene una vida media de 5 años,
mientras que si β =0,9975 la vida media es de 10 años.
Estos modelos suponen que el término del error Ԑt posee varianza
constante, lo cual puede no ser cierto. Una manera de modelar una
varianza variable en el tiempo es suponer que ésta depende de la varianza
y del error en el período anterior. Los modelos más comúnmente
considerados son los modelos GARCH y, especialmente, el modelo
GARCH (1,1). Interesante paper sobre modelos de comportamiento de las tasas de interés
11
12
Fuente: Software Shop 13
Fuente: Software Shop 14
Fuente: Software Shop 15
Fuente: Software Shop 16
17
18
19
20
21
22
23
24
25
26
27
28
29
CAPÍTULO II. Repaso del modelo clásico de regresión lineal.
ac pac ac pac
acf
pacf
Proceso ARIMA
ACF: Sus valores pueden variar entre –1 y 1 correspondientes a un rezago
k indican si existe correlación entre los valores de la serie separados por k
períodos. Si los valores decrecen rápidamente a medida que los rezagos
se incrementan hasta hacerse menores que las líneas punteadas trazadas
a ambos lados del eje vertical. Estas líneas están trazadas a una distancia
de dos desviaciones estándares de la serie, e indican que un valor
individual de ACR dentro de dichas líneas no es significativamente
diferente de cero (nivel de significación aproximado del 5%).
ac pac ac pac
acf acf pacf
pacf
ac pac ac pac
acf
pacf
ac pac
acf
Resumen
pacf
Yt
AR
acf
MA
pacf
34
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
36
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
3.- Chequeo de Diagnóstico (cont.): La adecuación del modelo, como también ha sido
dicho no resulta de chequear la bondad del ajuste con el estadístico R2. Lo más importante
en este enfoque, que se basa en la modelización de la autocorrelación presente, es que
no quede autocorrelación permanente, lo cual indicaría que hay información disponible
que no está siendo utilizada. Esto se prueba verificando que los residuos de la regresión
sean ruido blanco.
Verificar que el residuo es ruido blanco (es decir, sin ACR):
1)Verificar correlograma de los residuos de la regresión. Q stat. De Ljung-Box desde
orden 1 hasta el orden k. Significancia conjunta Ho=no ACR. Para un nivel de significancia
del 5% un valor p menor que 0,05 indica rechazar la Ho de no ACR hasta el orden k. Que
valor de k? algunos econometristas como Diebold (1998) sugiere k=√T para series
cortas…Otros sugieren guiarse por la periodicidad de la serie y así chequear valores Q
para k=4,8,12 en series trimestrales y k=12,24 y 36 para series mensuales. Otra prueba:
2)Test de Breusch y Godfrey: View/residual test…serial correlation LM test….el test Q
solo se reporta para valores de k que superan la cantidad de regresores…si una ecuación
hay 3 regresores (β), el primer test Q que el programa calcula es el correspondiente a k=4
Ho=no existencia de correlación serial en los residuos hasta el orden k. Verificada la
ausencia de ACR en los residuos de las regresiones…Q*R2 p- value mayor 0,05 hay más
de 5% de probabilidad de No ACR en los residuales..Bueno. En cada modelo se verifica
que los residuos de la estimación de los parámetros sean de ruido blanco.. Para hacerlo
se inspecciona tambien correlograma Q Ljung Box. Cuando residuo no sea ruido blanco
este criterio es prioritario.
37
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Para el caso de no tener ningún modelo que haya conseguido eliminar la ACR en los
residuos de la regresión, simplemente elegiremos entre los candidatos el que presente el
mayor valor del criterio elegido.
a) Extracción de una tendencia determinística: Por ejemplo está claro que una serie
que crece en el tiempo no será estacionaria en media, pero si la regresamos contra
una tendencia (lineal, cuadrática, logarítmica, etc.) quizás podamos transformarla en
una serie que si lo sea. Luego analizaríamos la serie transformada, la identificaríamos,
predeciríamos sus valores futuros y, finalmente, haríamos la transformación inversa
para tener las predicciones de la serie original. La extracción de la tendencia es muy
sencilla si sabemos el tipo de tendencia de qué se trata. Por ejemplo, una tendencia
lineal se determina mediante una regresión contra una tendencia, o sea una serie que
crece uniformemente en el tiempo (t=1, 2, 3) que el programa E-views genera
automáticamente con el comando @trend. Archivo pbi.wf1. Esta serie no es
estacionaria en media (ver gráfico), pero regresándola contra una tendencia quizás
logremos estacionalizarla. La regresaremos contra una tendencia lineal (@trend) o
podríamos probar con @trend^2 o @log(@trend) para tendencia logarítmica. PBI_PM
regresada contra @tend podría tenerse una serie destendenciada es el residuo (en
este caso no se logró). Fuente: Fabris, Julio (capítulo de Modelos univariados).
b) Transformaciones de Box y Cox (igual que con heteroscedasticidad) aplicando log
aplanaría la variabilidad de la misma. (logaritmación)
38
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Para el caso de no tener ningún modelo que haya conseguido eliminar la ACR en los
residuos de la regresión, simplemente elegiremos entre los candidatos el que presente el
mayor valor del criterio elegido.
E NE
-3,0123 -2,4154
Valores críticos
del test (1%, 5%
y 10%)
41
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Ejemplo:
En este caso el valor de la inflación en el año en curso “hereda” una magnitud de 84,88% del valor
alcanzado en el período anterior y puede persistir Inercia inflacionaria? Las realizaciones más lejanas
en el tiempo no tienen influencia destacable sobre la magnitud actual de la variable. 42
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
43
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Estimación en econometría:
Ejemplos:
1.- Estimación del retorno de una acción en particular.
2.- Estimación del precio de una vivienda de acuerdo a sus características
3.- Estimación del grado de riesgo de un portafolio de inversión para el año
próximo.
4.- Estimación de la volatilidad de los retornos de los bonos.
5.- Estimación de correlación entre el índice de acciones de EEUU y Reino
Unido para la próxima sesión.
6.- Estimación del número probable de moratorias en los portafolio de
préstamos de viviendas.
45
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Tipos de estimación:
1.- Estimación Econométrica (estructural) MCO…. Variable dependiente
en función de variable(s) independiente(s). Estos modelos trabajan bien
para relaciones a largo plazo…. APT1, eficiencia del mercado.
2.- Estimación de series de tiempo. Envuelve la estimación de los
valores futuros de las series dados los valores previos y/o los valores
previos del término de error.
48
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Estimación de los futuros valores del un MA(q): Este modelo tiene una
memoria de la longitud de q y esto limita el horizonte sensible de
estimación (ej: un MA(3) tiene una memoria de sólo 3 períodos, todas las
estimaciones de 4 o más pasos adelante colapsa en el intercepto. Si no
hay intercepto se obtendría cero.
49
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
50
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
Pasos adelante Datos estimados Datos actuales Error al Cuadrado Error Absoluto
1 0.20 -0.4 (0.20- - 0.40)2 = 0.360 |0.20- - 0.40 | = 0.600
2
2 0.15 0.2 (0.15- 0.20) = 0.002 |0.15- 0.20 | = 0.050
2
3 0.10 0.1 (0.10- 0.10) = 0.000 |0.10 - 0.10 | = 0.000
2
4 0.06 -0.1 (0.06- - 0.10) = 0.026 |0.06- - 0.10 | = 0.160
5 0.04 -0.05 (0.04- - 0.05)2 = 0.008 |0.04- - 0.05 | = 0.090
51
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
52
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
53
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
54
CAPÍTULO III: MODELOS UNIVARIADOS DE SERIES DE TIEMPO
INICIO
TRANSFORMAR
LA SERIE
VERIFICAR
ESTACIONAREIDAD
IDENTIFICACIÓN
ESTIMACIÓN
NO
VERIFICACIÓN
PRONÓSTICO
55
Pronóstico
56
Static Forecast
Pronóstico
Mediciones de efectividad y error de pronóstico :
Error de pronóstico: Diferencia entre el valor pronosticado por el modelo y el eT+t = YPT+t- YOT+t
valor observado de la variable dependiente. Si llamamos T al último período
utilizado para estimar el modelo, los pronósticos se harán para los períodos
posteriores y, por lo tanto, el error de pronóstico se calculará para un período T+t
con t=1, 2, ….n Si el superíndice P refiere al valor pronosticado y el superíndice O
al valor efectivamente observado, el error de pronóstico será:
Evaluación de pronósticos: La magnitud que se tiene en cuenta para la
evaluación de los pronósticos es la varianza del error del mismo, la cual puede
medirse mediante la llamada Raíz del Error Medio Cuadrático de Pronóstico (RMS
– Root Mean Squared Error), que es simplemente la raíz cuadrada de dicha
varianza evaluada en el horizonte de pronóstico. Si n son los períodos que
constituyen dicho horizonte:
Forecast U de Theil
U de Theil (econometrista) varia entre cero y uno, correspondiendo valor cero a un pronóstico perfecto.
Se descompone en tres partes:
a) Proporción de desvío (Bias Proportion): Cuánto difiere la media de los valores pronosticados, respecto
a la media de los valores observados
b) Proporción de Varianza: Cuando difiere la varianza de los valores pronosticados, respecto de la
varianza de los valores observados.
c) Proporción de Covarianza (las tres suman 1): mide los errores de pronóstico no sistemáticos
remanentes.
Si el pronóstico es bueno, la proporción de Covarianza debería concentrar la mayor parte del error, mientras
que las proporciones de desvío y de varianza deberían ser pequeñas. 59
Webinar: Introducción a los modelos AR(p)
http://software-videos.com/2409/
https://www.youtube.com/watch?v=e_jrj_zW5b8
60