Econometrı́a Financiera

Tema 2:

Modelos Univariados de Media Condicionada

Abdel Arancibia Flores1

1 UNIVERSIDAD NACIONAL DE INGENIERÍA

Abril, 2020

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 1 / 15

Índice

1. Conceptos Preliminares
1.1 Procesos Estocásticos
1.2 Procesos Estocásticos Estacionarios
1.3 Función de Autocorrelación
1.4 Procesos Lineales

2. Proceso Media Móvil (MA)

2.1 Proceso MA(1)
2.2 Proceso MA(q)

3. Procesos Autoregresivos (AR)

3.1 Proceso AR(1)
3.2 Proceso AR(p)

4. Procesos Mixtos (ARMA(p,q))

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 2 / 15

Conceptos Preliminares
Procesos Estocásticos

Un Proceso Estocástico (PE) es una secuencia de variables aleatorias, ordenadas y equidistantes

cronológicamente.

Ejemplo:

I Suponga que hemos observado una muestra de tamaño T de alguna variable aleatoria Y .

Y = {y1 , y2 , . . . , yT } = {yt }T
t=1

La muestra observada representa T números particulares, este conjunto de T números es una

posible salida de un subyacente proceso estocástico generador de datos.

I Si imaginásemos haber observado el proceso para un perı́odo de tiempo infinito, obtendrı́amos

la secuencia

{yt }∞
t=−∞ = {. . . , y−1 , y0 , y1 , . . . , yT , yT +1 , yT +2 , . . . }

la cual puede ser vista como una simple realización de un proceso de series de tiempo.

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 3 / 15

Conceptos Preliminares
Procesos Estocásticos Estacionarios

I Estrictamente Estacionario
El proceso estocástico {yt } es estrictamente estacionario si la distribución conjunta de
{yt }∞
t=−∞ no depende del tiempo. En otras palabras, los momentos de {yt } no dependen del
tiempo.

I Débilmente Estacionario
O también llamado estacionario en covarianzas. El proceso estocástico {yt } es débilmente
estacionario si los dos primeros momentos de yt no dependen del tiempo.

E [yt ] = µt = µ

Var [yt ] = σt2 = σ 2 < ∞

Cov (yt , yt−k ) = E [(yt − µ)(yt−k − µ)] = γk < ∞

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 4 / 15

Conceptos Preliminares
Procesos Estocásticos Estacionarios

Nota: Un proceso estocástico estacionario especial e importante en la teorı́a de series

de tiempo es el ruido blanco.

Se dice que {t }T

t=1 es ruido blanco si:

E [t ] = 0

Var [t ] = σ2

Cov (t , t−k ) = 0, ∀ t ∈ {1, . . . , T }, ∀ k 6= 0

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 5 / 15

Conceptos Preliminares
Función de Autocorrelación

Sea un proceso estocástico estacionario: Y = {yt }T

t=t0

I Función de Autocorrelación Simple (ρk )

Está definida como la correlación entre yt y yt−k

Cov (yt , yt−k ) γk γk

ρk = Corr (yt , yt−k ) = p p = √ √ =
Var (yt ) Var (yt−k ) γ0 γ0 γ0

I Función de Autocorrelación Parcial (PACF)

La autocorrelación parcial de orden k, mide la dependencia lineal de yt y su rezago yt−k luego

de remover el efecto de los rezagos intermedios sobre ambas.
La autocorrelación parcial de orden k, es el coeficiente de la regresión parcial (en la población)
φkk en la autoregresión de orden k-ésimo de la forma

yt = φ0,k + φ1,k yt−1 + · · · + φk,k yt−k + t

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 6 / 15

Conceptos Preliminares
Procesos Lineales
Un proceso estocástico es lineal si se obtiene a partir de la combinación lineal de los elementos de
un ruido blanco ({t }t∈Z )
∞
X
yt = µ + ψi t−i
i=0

cuya varianza de largo plazo es

∞
X
Var∞ (yt ) = σ2 ψi2
i=0

I Teorema de descomposición de Wold

Cualquier serie de tiempo estacionaria {yt }t∈Z puede ser escrita como la suma de n proceso
estocástico lineal y un proceso determinı́stico (kt )
∞
X
yt = kt + xt = g (t) + ψi t−i
i=0

cuyo valor de ψ0 es igual a la unidad.

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 7 / 15

Proceso Media Móvil (MA)
Proceso MA(1)
Sea {t } un ruido blanco, el proceso MA(1) está dado por:

yt = µ + t + θt−1
I Esperanza (µ)

E [yt ] = E [µ + t + θt−1 ] = µ + E [t ] + θ.E [t−1 ] = µ

I Varianza (γo )
2 2 2 2 2
γ0 = E [(yt − µ) ] = E [(t + θt−1 ) ] = E [t + 2θt t−1 + θ t−1 ]
2 2 2
=σ +0+θ σ
2 2
= (1 + θ )σ
I Covarianza (γk )
La primera covarianza (k = 1) es
γ0 = E [(yt − µ)(yt−1 − µ)] = E [(t + θt−1 )(t−1 + θt−2 )]
2 2
= E [t t−1 + θt−1 + θt t−2 + θ t−1 t−2 ]
2 2
=0+θ σ +0+0
2
= θσ
las covarianzas para k > 1 son iguales a 0.
I La ACF se corta en k = 1 y la PACF decae exponencialmente.
I Siempre es estacionario.

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 8 / 15

Proceso Media Móvil (MA)
Proceso MA(q)
Un proceso media móvil de q-ésimo orden, denotado como MA(q), es caracterizado mediante

yt = µ + t + θ1 t−1 + θ2 t−2 + · · · + θq t−q

I Esperanza (µ)

E [yt ] = µ + E [t ] + θ1 .E [t−1 ] + θ2 .E [t−2 ] + · · · + θq .E [t−q ] = µ

I Varianza (γo )
2 2
γ0 = E [(yt − µ) ] = E [(t + θ1 t−1 + θ2 t−2 + · · · + θq t−q ) ]
2 2 2 2 2 2 2 2 2 2 2
γ0 = σ + θ1 σ + θ2 σ + · · · + θq σ = (1 + θ1 + θ2 + · · · + θq )σ

I Covarianza (γk )

( 2
(θk + θk+1 θ1 + θk+2 θ2 + · · · + θq θq−k )σ para k = 1, 2, . . . , q
γk =
0 para k > q

I La ACF se corta en k = q y la PACF decae exponencialmente.

I Es estacionario siempre y cuando q sea finito.

I Es invertible si todas las raı́ces de

2 q
Θ(L) = 1 + θ1 L + θ2 L + · · · + θq L
caen fuera del cı́rculo unitario.

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 9 / 15

Proceso Media Móvil (MA)
MA(1): yt = 2 + εt + 0.7εt−1 ACF de MA(1) PACF de MA(1)

1.0

0.4
5

0.3
0.8
4

0.2
0.6
3

Partial ACF

0.1
ACF
yt4

0.4
2

0.0
−0.1
0.2
1

−0.2
0.0
0

−0.3
0 50 100 150 200 250 300 0 5 10 15 20 5 10 15 20

Time Lag Lag

MA(1): yt = 2 + εt − 0.7εt−1 ACF de MA(1) PACF de MA(1)

1.0

0.1
6
5

0.0
4

0.5

−0.1
Partial ACF
3

ACF
yt5

−0.2
2

0.0

−0.3
1

−0.4
0

−0.5
−1

0 50 100 150 200 250 300 0 5 10 15 20 5 10 15 20

Time Lag Lag

MA(2): yt = 2 + εt + 0.5εt−1 − 0.7εt−2 ACF de MA(2) PACF de MA(2)

1.0

0.1
0.8
4

0.0
0.6

Partial ACF

−0.1
0.4
2

ACF
yt6

0.2

−0.2
0.0
0

−0.3
−0.2

−0.4
−0.4
−2

0 50 100 150 200 250 300 0 5 10 15 20 5 10 15 20

Time Lag Lag

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 10 / 15

Procesos Autoregresivos (AR)
Proceso AR(1)
Un proceso autoregresivo de primer orden, AR(1) satisface la siguiente ecuación en diferencia

yt = c + φyt−1 + t

Para calcular los momentos, asumiremos que el proceso es estacionario en covarianza

I Esperanza (µ)

E [yt ] = c + φ.E [yt−1 ] + E [t ]

µ = c + φµ + 0
c
µ=
1−φ
I Varianza (γo )

yt = µ(1 − φ) + φyt−1 + t
(yt − µ) = φ(yt−1 − µ) + t
2 2 2 2
E [(yt − µ) ] = φ E [(yt−1 − µ) ] + 2φE [(yt−1 − µ)t ] + E [t ]
2 2
γ0 = φ γ0 + 0 + σ
σ2
γ0 =
1 − φ2

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 11 / 15

Procesos Autoregresivos (AR)
Proceso AR(1)
I Covarianza (γk )

E [(yt − µ)(yt−k − µ)] = φ.E [(yt−1 − µ)(yt−k − µ)] + E [(yt−k − µ)]

E [(yt − µ)(yt−k − µ)] = φ.E [(yt−1 − µ)(y|t−1|−|k−1| − µ)]
γk = φγk−1

De manera iterativa llegamos a que la covarianza vendrı́a a ser

k
γk = φ γ0

I Función de Autocorrelación (ρk )

γk
ρk =
γ0
φk γ0
ρk =
γ0
k
ρk = φ

la función de autocorrelación decae exponencialmente.

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 12 / 15

Procesos Autoregresivos (AR)
Proceso AR(p)
Los procesos AR(p) se definen como

yt = c + φ1 yt−1 + φ2 yt−2 + · · · + φp yt−p + t

Utilizando el operador de rezagos, podemos reescribirlo de la forma

2 p
(1 − φ1 L − φ2 L − · · · − φp L )yt = c + t

donde Φ(L) = 1 − φ1 L − φ2 L2 − · · · − φp Lp , es el polinomio de rezagos del proceso AR(p)

I El proceso AR(p) será estacionario si las raı́ces del polinomio de rezagos (Φ(L)) caen fuera del cı́rculo unitario.

I Se puede verificar que

∞
X
yt = µ + ψi t−i
i=0
con:
c
E [yt ] = µ = Pp
1− j=1
φj

1 2
Var [yt ] = Pp σ
1− j=1
φ2j

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 13 / 15

Procesos Autoregresivos (AR)
AR(1): yt = 2 + 0.45yt−1 + εt ACF de AR(1) PACF de AR(1)

0.4
1.0
6

0.8

0.3
5

0.6

0.2
Partial ACF
4

ACF
yt

0.4

0.1
3

0.2

0.0
2

0.0

−0.1
1

0 50 100 150 200 250 300 0 5 10 15 20 5 10 15 20

Time Lag Lag

AR(1): yt = 2 − 0.45yt−1 + εt ACF de AR(1) PACF de AR(1)

5

1.0

0.1
0.8
4

0.0
0.6
3

−0.1
Partial ACF
0.4
ACF
yt1

−0.2
0.2
1

0.0

−0.3
−0.2
0

−0.4
−0.4
−1

0 50 100 150 200 250 300 0 5 10 15 20 5 10 15 20

Time Lag Lag

AR(2): yt = 2 + 0.5yt−1 − 0.7yt−2 + εt ACF de AR(2) PACF de AR(2)

1.0
6

0.2
4

0.0
0.5

Partial ACF

−0.2
ACF
yt2

0.0

−0.4
0

−0.6
−0.5
−2

0 50 100 150 200 250 300 0 5 10 15 20 5 10 15 20

Time Lag Lag

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 14 / 15

Procesos Mixtos (ARMA(p,q))

Está dado por:

yt = c + φ1 yt−1 + φ2 yt−2 + · · · + φp yt−p + t + θ1 t−1 + θ2 t−2 + · · · + θq

o de la siguiente manera

Φ(L)yt = c + Θ(L)

I Es estacionario si todas las raı́ces de Φ(L) caen fuera del cı́rculo unitario.
I Es invertible si todas las raı́ces de Θ(L) caen fuera del cı́rculo unitario.
I Tanto ACF como PACF decaen exponencialmente.

Abdel Arancibia Flores Econometrı́a Financiera Abril, 2020 15 / 15