Gestión de Inversiones

Clase 3: Introducción a las Series

de Tiempo
Rodrigo Ortiz, PhD
Preguntas articuladoras
• ¿Qué son las ST?
• ¿Qué las caracteriza?
• ¿Qué condiciones vamos a exigir sobre las ST?

• Lecturas sugeridas:
• 1) Brooks (hasta el capítulo 6)
• 2) Enders (cap 1-2) (Esta lectura es algo más compleja).
Introducción
• Una serie de tiempo 𝑌 = 𝑌𝑡+1 +∞ 𝑡=−∞ es una colección de variables
indexadas en el tiempo.
• Esta colección de variables aleatorias tienen asociadas (obviamente)
distribuciones de probabilidad.
• Supongamos queremos decir algo acerca de los momentos de 𝑌𝑡+1 .
Asumamos su valor esperado existe; luego:
+∞
• 𝜇𝑡+1 = 𝐸 𝑌𝑡+1 = ‫׬‬−∞ 𝑢𝑓𝑌𝑡+1 𝑢 𝑑𝑢
• Donde 𝑓𝑌𝑡+1 es simplemente la función de densidad de probabilidad
de la variable aleatoria 𝑌𝑡+1
Introducción
2
• Notar que 𝜇𝑡+1 , 𝜎𝑡+1 , 𝛾𝑗𝑡+1 , 𝜌𝑗𝑡+1 están indexadas en t+1 !!
• ¿Cómo estimar estos momentos? Si tuviéramos N realizaciones
independientes del proceso, podríamos utilizar la LGN. Esto implicaría
que conocemos realidades paralelas (?).
+∞ +∞ +∞ +∞ +∞
1 2 3 4 𝑁
• 𝑌𝑡+1 , 𝑌𝑡+1 , 𝑌𝑡+1 , 𝑌𝑡+1 ,… 𝑌𝑡+1
𝑡=−∞ 𝑡=−∞ 𝑡=−∞ 𝑡=−∞ 𝑡=−∞
• En definitiva, requeriríamos observar múltiples realizaciones de la
realidad para obtener los momentos (en caso de existir) de Y en t+1
¿Tiene sentido hablar de momentos en la
serie de precios del IPSA?
Quizás estamos ante un proceso estocástico
de este estilo…
 Estacionariedad débil
• En general, para trabajar con series de tiempo, debemos restringir en algo
en nivel de dependencia y el nivel de heterogeneidad (no vamos a trabajar
con cualquier cosa).
• En algún sentido, vamos a trabajar con cosas “más generales” dado que
derribamos el supuesto iid. En otro sentido, relajar este supuesto
introduce restricciones adicionales sobre los momentos. Hay un tradeoff
entonces entre restricciones sobre momentos y los supuestos de
independencia y heterogeneidad.
• Exigiremos dos cosas: 1) Estacionariedad y 2) Ergodicidad.
Estacionariedad débil
• En palabras sencillas, estamos pidiendo alguna noción de estabilidad
y tratabilidad. Intentaremos explotar la estructura estable del
proceso. Una serie inestable sería, por ejemplo, 𝐸 𝑌𝑡 = 𝜇𝑡 .
• Notar que el proceso no tiene un valor esperado, sino que cada
variable aleatoria, en cada tiempo, posee un valor esperado distinto.
• El problema de este ejemplo es que, para inferir algo sobre el
proceso, solo disponemos de una observación!!
 Estacionariedad débil
• Diremos que 𝑌𝑡 es un proceso estacionario en covarianzas (o débilmente
estacionario) ssi:
• 1) 𝐸 𝑌𝑡 = 𝜇 ∀𝑡
• 2) 𝐸 𝑌𝑡 − 𝜇 𝑌𝑡−𝑗 − 𝜇 = 𝛾𝑗 ∀𝑡, 𝑗
• Notar que de 2) se desprende que la varianza tampoco depende de t (j=0).
• En otras palabras, los dos primeros momentos del proceso son invariantes en
el tiempo. En particular, las autocovarianzas dependen de su distancia
intertemporal j, pero no de t.
• Si bien existen distintas nociones de estacionariedad (e.g., estacionariedad
fuerte o estricta), durante el curso usualmente nos referiremos a
estacionariedad débil
Volviendo a series financieras: ¿Cuál se aproxima más al
concepto de estacionariedad: Precios o Retornos?
 ¿Son los siguientes procesos estacionarios?
• 1) 𝑌𝑡 = 𝑐 + 𝜀𝑡
• 2) 𝑌𝑡 = 𝑡 + 𝜀𝑡
• 3) 𝑌𝑡 = 𝜀𝑡 + 𝜀𝑡−1
Más ejercicios
1) 𝑌𝑡 = 𝛼 𝑐𝑜𝑠(𝜆𝑡) + 𝛽 𝑠𝑒𝑛 𝜆𝑡 Con 𝛼 ~𝑁(0, 𝜎 2 ) y 𝛽~𝑁(0, 𝜎 2 ) e independientes

2) 𝑌𝑡 ~𝑁(1,1) ∀𝑡 𝑖𝑚𝑝𝑎𝑟
• 𝑌𝑡 ~𝑒𝑥𝑝(1) ∀𝑡 𝑝𝑎𝑟

• Ambas son independientes entre sí. Entre normales, entre sí y entre t.

 Operadores de rezago (Back-shift operator)
• Dependiendo de los libros, lo verán denotados como L (Lag) o B (Back-
shift).
• 𝐿𝑌𝑡 = 𝑌𝑡−1
• 𝐿2 𝑌𝑡 = 𝐿 𝐿𝑌𝑡 = 𝑌𝑡−2
• 𝐿𝑖 𝑌𝑡 = 𝑌𝑡−𝑖
• 𝐿𝑐 = ?
• 𝐿−𝑖 𝑌𝑡 = 𝑌𝑡+𝑖
• 𝐿𝑖 + 𝐿𝑘 𝑌𝑡 = 𝑌𝑡−𝑖 + 𝑌𝑡−𝑘
• σ∞
𝑖=0 𝑐𝐿 𝑖
𝑌𝑡 = 1 − 𝑐𝐿 −1
𝑌𝑡 𝑐𝑜𝑛 𝑐 < 1
Modelos AR(p)
• Se dice que Y es un proceso autoregresivo de primer orden AR(1) si:

𝑌𝑡 = 𝜇 + 𝜌𝑌𝑡−1 + 𝜀𝑡 , 𝜀𝑡 𝑒𝑠 𝑊𝑁
• Notar que la esperanza condicional de Y está dada por sus
realizaciones pasadas:
𝐸 𝑌𝑡 𝑌𝑡−1 , … = 𝜇 + 𝜌𝑌𝑡−1

• De manera más general, un proceso autoregresivo de orden p AR(p)

𝑌𝑡 = 𝜇 + 𝜌1 𝑌𝑡−1 + 𝜌2 𝑌𝑡−2 + 𝜌3 𝑌𝑡−3 + ⋯ 𝜌𝑝 𝑌𝑡−𝑝 + 𝜀𝑡

La esperanza condicional:
𝐸(𝑌𝑡 |𝑌𝑡−1 , 𝑌𝑡−2 , … ) = 𝜇 + 𝜌1 𝑌𝑡−1 + 𝜌2 𝑌𝑡−2 + 𝜌3 𝑌𝑡−3 + ⋯ 𝜌𝑝 𝑌𝑡−𝑝
¿Es un AR(p) estacionario?
• Un AR(p) puede o no ser estacionario.
𝑌𝑡 = 𝜇 + 𝜌1 𝑌𝑡−1 + 𝜌2 𝑌𝑡−2 + 𝜌3 𝑌𝑡−3 + ⋯ 𝜌𝑝 𝑌𝑡−𝑝 + 𝜀𝑡
• Un AR(p) será estacionario ssi las raíces del siguiente polinomio
característico
• 𝑚𝑝 − 𝜌1 𝑚𝑝−1 − 𝜌2 𝑚𝑝−2 − ⋯ − 𝜌𝑝 = 0
• Tienen valor absoluto menor que 1.
• ¿Cuáles serían las condiciones de estacionariedad para un AR(1)?
Esperanza y varianza incondicional para un
AR(1) estacionario
• 𝑌𝑡 = 𝜇 + 𝜌𝑌𝑡−1 + 𝜀𝑡 , 𝜀𝑡 𝑒𝑠 𝑊𝑁 𝑦 𝜌 < 1
𝜇
• 𝐸𝑌𝑡 =
1−𝜌
𝜎𝜀2
• 𝑉(𝑌𝑡 ) =
1−𝜌2
Actividad aplicada
• Descargar el precio de cierre de las acciones MA, AAL y F desde el 1
de enero 2007 al día de hoy, frecuencia semanal.
• Calcular el retorno de las acciones y verificar si son o no RW
• Mastercard Incorporated (MA)
• Ford Motor Company (F)
• American Airlines Group Inc. (AAL)