VALORIZACIÓN DEL DÓLAR ESTADOUNIDENSE EN PESO COLOMBIANO

[USD/COP].

Y.D. Cuervo D., M.C. Solano O., F.A. Betancur B., O.E.Enemisica H., C.A.
Barrero A.

Facultad de Ingeniería Industrial, Universidad Pontificia Bolivariana, Cir. 1 #70-01,

of. 11-417, Medellín, Colombia.

Resumen: El siguiente artículo muestra el desarrollo y análisis de una serie

temporal, que tiene como objetivo principal seleccionar un modelo con tendencia
y estacionalidad o con filtros y suavizadores y un error para pronosticar la
valoración de dólares estadounidenses en peso colombiano. Para el desarrollo del
modelo, se utilizan las metodologías de trabajo explicadas en clase y el soporte de
un software de análisis de datos.
Palabras clave: Error, Estacionalidad, Filtros, Pronosticar, Tendencia.

VALORIZATION OF THE US DOLLAR IN COLOMBIAN PESO [USD/COP].

Abstract: The following article shows the development and analysis of a time
series, which has the main objective of selecting a model with trend and
seasonality or with filters and softeners and an error to forecast the valuation of US
dollars by Colombian peso. For model development, the working methodologies
explained in class and the support of data analysis software are used.
Keywords: Error, Seasonality, Filters, Forecast, Trend.

1. INTRODUCCIÓN.

Las series de tiempo son mediciones de una variable en un tiempo determinado,

en el siguiente documento se  buscará encontrar el mejor modelo de tendencia
que nos permita pronosticar cómo se va a valorizar el dólar en peso colombiano, el
dólar es la moneda que más se usa en el mundo, la incertidumbre en la variación
de este, afecta los precios en el mercado, los costos de producción, y muchos
otros factores, con este trabajo se quiere llegar a ajustar los últimos datos para así
poder pronosticar cómo va a actuar en el futuro.

2. PROCESO DEL TRABAJO.

Para este trabajo se hace uso de una serie histórica de mayo de 2015 a abril del
2020 sobre el precio del dólar estadounidense en peso colombiano. (Ver Anexo 1).

“Para evaluar el desempeño de los pronósticos se utilizaron diferentes métodos, el

primero que obtuvieron fue el modelo de la TCPPA, También se probó con otro
método que fue el modelo TRM(tasa representativa del mercado)-VAR, otro
método usado fue a partir de proyecciones del VAR y el último método que usaron

1
fue el PPA-TCR. De acuerdo con las conclusiones obtenidas de su estudio, los
mejores resultados de la proyección fueron el modelo TCPPA-VAR, según el
criterio MAPE a dos años y el modelo VAR (TRM-VAR) el cual, arrojó los mejores
resultados de acuerdo con los indicadores de evaluación MSE, RMSE, MAE y U-
Theil.” (Fayad. Fortich. Velez., 2009).

“Para pronosticar la tasa de cambio usando el índice de sentimiento del mercado

se recomienda realizarlo usando tiempos contemporáneos (sin rezago). Los
modelos realizados en el trabajo pronostican la tasa de cambio mejor que una
caminata aleatoria, además a corto plazo, el mejor modelo de pronóstico es el
ARIMAX usando como variable regresora el índice de sentimiento del mercado sin
rezago. De acuerdo al análisis de causalidad, se recomienda aplicar el pronóstico
del sentimiento del mercado usando la relación dinámica con la tasa de cambio del
dólar para fines comerciales. De acuerdo al alcance del trabajo sólo se incluyó el
término “dólar” como estimador del índice de sentimiento del mercado. Para un
trabajo posterior se recomienda incluir más términos de búsqueda que puedan
impactar la tasa de cambio, tomando como referencia la metodología aquí´ı
planteada.” (González ,J.J.F, 2018).

“El trabajo estudia la relación existente entre el tipo de cambio de la economía

Colombiana (COP/USD) y el precio del barril de petróleo de referencia WTI y de
referencia BRENT. De acuerdo a los resultados que un buen método para
pronosticar el comportamiento de la TRM es el ARIMA, así como para encontrar el
comportamiento futuro del petróleo tipo BRENT y tipo WTI en el corto plazo.
Además, se concluye que al modelar el Brent como una variable explicativa del
valor de la TRM no es confiable por su bajo R2, y que además el pronóstico no se
ajusta a la realidad.” (Librado, I. F. 2018)

Para el desarrollo de este trabajo se hará el análisis de un modelo paramétrico con

tendencia y estacionalidad, específicamente es un modelo cúbico y su
estacionalidad es modelada con funciones trigonométricas con un m = 2, en el
cual el modelo, los parámetros de tendencia y al menos uno de los coeficientes de
estacionalidad son significativos .También se examinara un modelo no
paramétrico, para este se hizo uso de la regresión local Loess, el cual no presenta
un modelo global fijo. (Ver Anexo 2 para los estimados de los coeficientes del
modelo paramétrico e información del no paramétrico). Seguidamente se presenta
los criterios y la gráfica de estos modelos en términos de pronósticos.

2
 Fig 1.Criterios y gráfico de pronósticos.
A continuación se procede a realizar la validación de los residuos para cada
modelo y también si estos errores son Ruido Blanco (RB).Para la validación de los
supuestos de normalidad y homocedasticidad se puede realizar a través de una
prueba de hipótesis y una gráfica. La prueba de hipótesis para normalidad es:
Ho: Errores distribuyen normal, y Ha: Errores no distribuyen normal.
Y para homocedasticidad es:
Ho: Varianza constante Ha: Varianza no constante.
Y con criterio de rechazo Vp<α, con α=0.05.
Para normalidad caso se utilizó el test de Anderson-Darling, que arrojó un Vp =
0.5151 para el modelo cúbico estacional, se puede concluir que los errores
distribuyen normal (Ver Fig. 2), en el caso del modelo con Loess se tiene un Vp =
0.4415, no se rechaza Ho, así que también los errores distribuyen normal. Ahora
para el supuesto de homocedasticidad se utiliza para el Vp el test de Breusch-
Pagan, en el caso del modelo paramétrico con Vp = 0.07537, no se rechaza H o,
por lo tanto la varianza es constante. Para modelo no paramétrico podemos
observar que en la Fig. 2 en la gráfica de los residuos se ve que la varianza es
constante.

Para concluir si los errores son Ruido Blanco se debe certificar el cumplimento de,
E (Et) = 0, Var (Et) = δ2 y Cov (Et, Et+k)= 0. Para ambos modelos si observamos la
Fig 2 se puede observar que la gráfica de los residuos se mueve alrededor de
cero y que su varianza es constante, que anteriormente se verificó con prueba de
hipótesis. Para la incorrelación se observa en las Fig. 2 el gráfico de la Fac y se
concluye que para los dos modelos la serie no es ruido blanco, además utilizando
la prueba de hipótesis de incorrelación (Ver Anexo 3), se tiene que para el modelo
paramétrico con Vp= 0.0001389 y el no paramétrico Vp= 7.969e-05, se rechaza Ho,
por lo tanto en ambos modelos los errores no son independientes.

3
 Fig.2. Gráfica de residuos, Q-Q, FAC y FACP.
Como los errores no son RB se procede a identificar un modelo tipo ARMA, el
resultado que arrojó el software para cada modelo lo siguientes: para el modelo
cúbico estacional un ARMA(4,0) con Ar1=3.1142, Ar2=-4.1763, Ar3=2.9084 y
Ar4=-0.8827.Para el modelo de regresión local Loess un ARMA(1,0), con Ar1=
0.7484. ahora se realiza nuevamente la verificación si los residuos de los modelo
son Ruido Blanco claramente siendo los parámetros mencionados anteriormente
significativos. Teniendo presente que para que los errores sean RB deben cumplir:
E (Et) = 0, Var (Et) = δ2 y Cov (Et, Et+k)= 0. Para ambos nuevos modelos si
observamos la Fig 3 se puede observar que la gráfica de los residuos se mueve
alrededor de cero y que su varianza es constante, puesto que puedo encerrar los
residuos en un rectángulo. Ahora nos fijamos de la Fig. 3 el gráfico de la FAC para
ambos modelos, y resulta que para el nuevo modelo cúbico estacional no está
exactamente el 95% de los datos entre las bandas de Barlett, así que descartamos
que estos residuos son RB, mientras que en el gráfico del nuevo modelo con
Loess se observa que el 95% si está entre las bandas, es posible que estos
residuos si sean RB. Ahora nos aseguramos con la prueba de hipótesis de
incorrelación con el test de Ljung-Box (Ver Anexo 3), con este nos arrojó un Vp=
2.488e-08 para el modelo paramétrico con ARMA(4,0) evidentemente este modelo
no es RB, mientras para el no paramétrico con ARMA(1,0) con Vp=0.9897, no
rechazo Ho, puesto que 0.9897<0.005, así que este modelo tiene residuos RB.

Fig. 3. Gráfica
de residuos, Q-Q, FAC y FACP.
Se prosigue a presentar las ecuaciones finales de los modelos.
● Modelo paramétrico.

4
 3 2 4
j
Yt = Bo+∑ ❑Bjt + ∑ ❑B1,jcos(2πjt/12)+B2,jsen(2πjt/12) + ∑ ❑φ jEt-j + at
j=1 j=1 j=1

● Modelo no paramétrico.
Como en la Regresión Local Loes no asume intercepto y pendiente fija, se
muestra la ecuación del error con ARMA(1,0).
Et = φ 1Et-1 + at
Ahora pronosticamos con la estimación arima con ambos modelos, se presenta los
criterios de pronósticos y gráfico de los modelos (Ver Fig. 4). Teniendo en cuenta
que para elegir el mejor modelo para pronosticar debe tener menor MAE, MAPE y
RMSE, elegimos el modelo Regresión Local Loess con ARMA(1,0).

Fig. 4. Criterios y gráfico de pronósticos.

CONCLUSIONES.
Se realizó un análisis sobre la tendencia, la estacionalidad y un modelo con filtros
y suavizadores, y en especial que sus errores sean Ruido Blanco en una serie de
tiempo donde la variable a analizar es la valorización del dólar en peso
colombiano. Basados en los resultados obtenidos en el trabajo fue posible
encontrar el mejor modelo para pronosticar la serie y ese modelo fue la Regresión
Local Loess con ARMA(1,0). Este modelo fue el que arrojó los mejores resultados
de acuerdo a los indicadores de evaluación MAE, MAPE y RMSE, se evidencia de
forma clara comparando los primeros pronósticos en la Fig. 1 con los finales en la
Fig. 4, que el modelo muestra los menores valores en los indicadores, además de
que presenta sus Et~RB(0,σ2) y si observamos detalladamente en la Fig. 3 el
gráfico de Q-Q hasta puede ser Ruido Blanco Gaussiano. Finalmente se puede
considerar este modelo útil para realizar futuramente pronósticos a esta serie de
tiempo.

5
REFERENCIAS.
USD/COP - Dólar estadounidense Peso colombiano. (s/f). n/a. Recuperado:
https://es.investing.com/currencies/usd-cop-historical-data

Fayan, C., Fortich, R.C. y Vélez, I,. (2009). Proyección de la tasa de cambio de
Colombia bajo condiciones de PPA: Evidencia empírica usando VAR. Estudios
Gerenciales. vol.25 no.113 Cali .Recuperado: http://www.scielo.org.co/scielo.php?
script=sci_arttext&pid=S0123-59232009000400010

Dolar Historico desde 1923 en Colombia. (s/f). n/a. Ubicación:

https://dolar.wilkinsonpc.com.co/dolar-historico/
Botero. S. y Cano. J., A. (2008). Análisis de series de tiempo para la predicción de
los precios de la energía en la bolsa colombiana. Cuadernos de Economía. vol.27
no.48.Bogotá.Recuperado:http://www.scielo.org.co/scielo.php?
script=sci_arttext&pid=S0121-47722008000100007

Velasquez. J., Olaya. T., & Franco. C.(2011). ANÁLISIS Y PREDICCIÓN DE

SERIES DE TIEMPO EN MERCADOS DE ENERGÍA USANDO EL LENGUAJE R.
DYNA, Vol 78, Número 165, p. 287-296. Recuperado de:
https://revistas.unal.edu.co/index.php/dyna/article/view/25670/39197

González , J. J. F. (2018). Pronóstico de la tasa de cambio peso colombiano dólar

estadounidense a partir de un indicador de sentimiento del mercado. Recuperado
30 de abril de 2020, de
https://repository.libertadores.edu.co/bitstream/handle/11371/2097/Gonzalez_Jos
%C3%A9_2018.pdf?sequence=1&isAllowed=y

Librado, I. F. (2018). Relación entre el precio del petróleo y el tipo de cambio en

Colombia. Recuperado 30 de abril de 2020, de
https://repositorio.unibague.edu.co/jspui/bitstream/20.500.12313/586/1/Trabajo
%20de%20Grado.pdf

ANEXO 1.

6
Datos de la serie.

FECHA Precio USD/COP

may-15 2531.0

jun-15 2605.22

jul-15 2880.0

ago-15 3054.60

sep-15 3087.80

oct-15 2896.86

nov-15 3144.60

dic-15 3174.50

ene-16 3282.50

feb-16 3291.30

mar-16 3000.51

abr-16 2848.69

may-16 3090.07

jun-16 2920.15

jul-16 3070.07

7
ago-16 2972.30

sep-16 2883.35

oct-16 3005.0

nov-16 3075.0

dic-16 3002.0

ene-17 2924.30

feb-17 2929.55

mar-17 2873.76

abr-17 2941.68

may-17 2916.25

jun-17 3047.07

jul-17 2985.0

ago-17 2951.36

sep-17 2936.91

oct-17 3041.42

nov-17 3015.30

dic-17 2984.50

8
ene-18 2830.20

feb-18 2866.75

mar-18 2792.50

abr-18 2808.60

may-18 2890.35

jun-18 2931.05

jul-18 2890.50

ago-18 3051.50

sep-18 2962.80

oct-18 3219.51

nov-18 3234.0

dic-18 3247.50

ene-19 3105.0

feb-19 3081.50

mar-19 3188.03

abr-19 3233.25

may-19 3380.0

9
 jun-19 3212.75

jul-19 3280.93

ago-19 3442.65

sep-19 3480.0

oct-19 3380.0

nov-19 3518.0

dic-19 3287.23

ene-20 3420.0

feb-20 3527.0

mar-20 4060.0

abr-20 3827.0

ANEXO 2.
Modelo cúbico estacional.
Coeficientes Estimado Valor P
Bo 2705.0829 <2e-16
B1 60.9182 1.70e-05 Coeficientes de
tendencia.
B2 -3.1600 3.54e-06
B3 0.0451 1.21e-06
C1-12 -26.9520 0.255791 Coeficientes de

10
 S1-12 -82.3165 0.000626 estacionalidad.
C2-12 18.1083 0.422932
S2-12 -22.5254 0.315291

Regresión Local Loes.

ANEXO 3.

Prueba de Ljung-Box.

11
12