DEPARTAMENTO DE CAPACITACIÓN - CIDDEA CT ASESORES

DIPLOMA EN ECONOMETRÍA
Series Temporales: Aplicaciones
Macroeconómicas y Financieras

Juan Carlos Abanto Orihuela

August 8, 2017

1 S ERIES DE F OURIER
1.1 P REGUNTAS T EÓRICAS
t2
• Considere la función f (t ) = 2 para −π < t < π. Obtenga la transformada de Fourier.

• Considere la función: (
3
2t + 3 ,si −2 < t < 0,
f (t ) =
3 ,si 0 < t < 2.
Obtenga la transformada de Fourier

1.2 P REGUNTAS P RÁCTICAS

• Considerando las transformadas del problema anterior. Considere 1500 casos para
cada una y 10 armonicos. Grafique las funciones.

• Considerando los componentes del PBI (consumo, inversión, gasto, importaciones y

exportaciones) que se encuentran en el archivo “comp_pbi .d t a”, realice un análisis
expectral:

– Analice el periodograma.
– Obtenga el ciclo mediante el uso del filtro de Baxter y King y Christiano Fitzgerald.

1
 – Evalue las desviaciones estandar de los ciclos de cada serie para el periodo com-
prendido entre el primer trimestre de 1990 y el primer trimestre del 2017. Final-
mente muestre que componente del PBI es más volatil.

2 M ODELOS U NIVARIADOS
2.1 P REGUNTAS T EÓRICAS
• Considere el siguiente modelo estimado y t = 0.3 + 0.3y t −1 + 0.6y t −2 + µt , donde µt ∼
i i d N (0, σ2 ).

– Calcule las raices del modelo. Represente la serie como un proceso M A(∞).
– Calcule la media, varianza de y t .
– Calcule la cov(y t , y t −1 ),cov(y t , y t −2 ), cov(y t , y t −3 ) y cov(y t , y t −4 )
– Calcule la F AS 1 ,F AS 2 ,F AS 3 ,F AS 4 .

• Considere el siguiente modelo estimado y t = 0.2 + 0.6y t −1 + µt + 0.4µt −1 , donde µt ∼

i i d N (0, σ2 ).

– Represente la serie como un proceso M A(∞).

– Calcule la media, varianza de y t .
– Calcule la cov(y t , y t −1 ),cov(y t , y t −2 ), cov(y t , y t −3 ) y cov(y t , y t −4 )
– Calcule la F AS 1 ,F AS 2 ,F AS 3 ,F AS 4 .

2.2 P REGUNTAS P RÁCTICAS

• Considerando la información que se encuentra en “pbi _sec t or i al .xl s”:

– Realice un test de RU para las series.

– Analice el correlograma de cada serie y el correlograma de la serie en primera
diferencias.
– Analice la existencia del componente estacional para cada serie.
– Proponga un modelo AR I M A(p, d , q)S AR I M A s (P, D,Q).
– Proyecte cada serie sectorial un año adelante y sume las proyecciones para obtener
el PBI proyectado.
– Calcule los intervalos de confianza de cada serie y sume sus intervalos para cal-
cular el intervalo del PBI proyectado.

2
 3 M ODELOS M ULTIVARIADOS
3.1 P REGUNTAS P RÁCTICAS
• Considerando los índices bursatiles en el archivo retornos.wf, busque el mejor modelo
VAR para los rendimientos.

• Encuentre el número de rezagos optimos.

• Considere la causalidad de Granger y determine el grado y la relación de endogeneidad.

• Considere la forma reducida con la especificación de Cholesky.

• Obtenga la Descompocición de Varianza para 10 periodos y genere el índice spillover

de contagio financiero.

3.1.1 E LABORACIÓN DEL ÍNDICE DE SPILLOVER

Esta Parte comprende la elaboración de un índice de spillover para retornos bursátiles que
responderá a la pregunta: £qué porcentaje de los movimientos en los mercados financieros
se deben a shocks idiosincrásicos (propios de cada bolsa) y qué porcentaje a shocks externos
(efecto contagio)?
Se utiliza la metodología de Vectores Autorregresivos (VAR) con una pequeña modificación.
El empleo del VAR permitirá realizar la descomposición de varianza y sobre la base de esta úl-
tima recogeremos el efecto agregado de los spillovers a través de los mercados financieros1 .
La metodología VAR permite plantear un sistema de ecuaciones lineales en la cual una “n”
cantidad de variables dependientes - para nuestro caso, retornos de Índices de diferentes
bolsas - dependen de sus propios rezagos así como de los rezagos de las otras variables de-
pendientes. Para ilustrar mejor lo anterior se especifica a continuación un VAR(1) para dos
variables y un error de predicción hacia adelante, para luego generalizar a un VAR de “n”
variables y “n” periodos de predicción hacia adelante, entonces:

y 1,t = a 11 y 1,t −1 + a 21 y 2,t −1 + ²1,t

y 2,t = a 21 y 1,t −1 + a 22 y 2,t −1 + ²2,t
Lo anterior se puede expresar matricialmente de la siguiente forma:

y t = Ay t −1 + ²t
Donde y t = (y 1,t , y 2,t )0 y A es la matriz de dos por dos que contiene los parámetros del primer
rezago del vector y t . Si partimos de este VAR ensu forma reducida es posible re expresarlo de
la siguiente forma:
y t = (I − AL)−1 ²t

1 La metodología ha sido adaptada del trabajo realizado por Diebold, Francis y Kahmil Yildiz. “Measuring Fi-

nancial asset return and volatility spillovers, with application to global equity markets”. PIER Working Paper
07-002

3
 y t = (I − AL)−1 P −1 P ²t
y t = Φ(L)µt
Donde P es la matriz triangular inferior única obtenida de la factorización de Cholesky tal que
Σ = P P 0 (Σ es la matriz de varianzas y covarianzas de la forma reducida del sistema). µt = P ²t
por lo que E (µt µ0t ) = I , es decir µt es el vector de errores ortogonalizados. Hemos expresado
este VAR como un VMA, es decir un VAR de un proceso de medias móviles.

Considerando ahora la predicción 1 periodo hacia adelante de y t :

y t +1 = Φµt

Ahora, su correspondiente error de predicción de 1 periodo hacia adelante será:

µ1t
· ¸· ¸
a 0,11 a 0,12
ξt +1 = y t +1 − E (y t +1 ) = Φ0 µt =
a 0,21 a 0,22 µ2t

de lo anterior se nota que la varianza del error de predicción de un periodo hacia adelante
para la variable y 1,t será de v ar (a 0,11 µ1,t ) + v ar (a 0,12 µ2,t ), pero sabemos por lo demostrado
anteriormente que µ1,t y µ2,t son los errores ortogonalizados que poseen varianza igual a 1,
2 2
entonces el resultado se simplifica a a 0,11 + a 0,12 . Dado lo anterior se puede también decir
que la varianza del error de predicción un periodo hacia adelante para la variable y 2,t será de
2 2
a 0,21 + a 0,22 .
Por lo tanto, podemos preguntarnos £què proporción de movimientos de y 1,t son atribuibles
a los shocks experimentados por y 2,t e y 1,t misma? o £qué proporción de movimientos de
y 2,t son atribuibles a los shocks experimentados por y 1,t e y 2,t misma? Para esto, la descom-
posición de varianza juega un rol muy importante.
Definamos a partir de lo anterior dos componentes de la predicción de la varianza del error
de un periodo hacia adelante para la variable y 1,t . El primer componente será la fracción
compuesta por shocks de y 1,t misma la cual se conoce como own variance share y es rep-
2
resentada por la contribución de a 0,11 . El segundo componente será la fracción compuesta
por shocks de y 2,t la cual llamaremos cross variance share o mejor dicho spillover la cual es
2
representada en el ejemplo anterior por la contribución de a 0,12 . De igual forma podemos
descomponer en dos componentes la varianza del error de un periodo hacia adelante para
2
la variable y 2,t , la cual tendrá como own variance share la contribución a 0,22 y como cross
2
variance share o spillover a a 0,21 . Entonces, podemos concluir que los movimientos o shocks
experimentados por las variables y i ,t ∀i = 1, 2 atribuidos a y j ,t ∀ j 6= i viene a ser el spillover
de aquellas variables.
Dado que ya se ha especificado el concepto de spillover, será conveniente expresar esta vari-
able como un índice el cual contenga las propiedades de ser sencillo de construir y fácil
de interpretar. Este índice será construido como la proporción agregada de los spillover de
2 2
y i ,t ∀i = 1, 2, (a 0,12 + a 0,21 ) con respecto al total de la variación del error de predicción de
2 2 2 2
ambas variables (a 0,11 + a 0,12 + a 0,21 + a 0,22 ). Entonces el índice de spillover para el caso de
dos variables con predicción de varianza del error un periodo hacia adelante expresado en

4
porcentaje viene a ser:
2 2
a 0,12 + a 0,21
S= 2 2 2 2
x100
a 0,11 + a 0,12 + a 0,21 + a 0,22
Para el caso de n variables pero con predicción de varianza del error un periodo adelante
viene a ser:
Pn 2
i , j =1,i 6= j a 0,i j
S= Pn 2
x100
i , j =1 a 0,i j

y para el caso más general con “n” variables y con predicción de varianza del error “p” perio-
dos adelante, es:
Pp−1 Pn
a2
h=0 i , j =1,i 6= j h,i j
S = Pp−1 P x100
n 2
a
h=0 i , j =1 h,i j

teniendo todo este marco teórico presente se solicita que:

• En el workfile “retornos.wf” se encuentran los datos que se deberá emplear para con-
struir un índice de Spillover para los rendimientos de 14 bolsas del mundo. En total,
se tienen 606 observaciones semanales desde 08/05/1998 hasta el 11/12/2009 de los
retornos de las bolsas de SP 500, FTSE 100, DAX 30, IBEX 35, CAC 40, H ANGSE NG,
NIKKEI 225, STRAITS TIMES, JAKARTA, MOSKOW TIMES, BOVESPA, IPC MÉXICO, MER-
VAL, IGBVL. Este es el orden que se empleará al momento de especificar su VAR para
utilizar la descomposición de Cholesky. Asimismo, el número de errores de predicción
será de 10 semanas.