Examen 2 Series de Tiempo Andrea Mayté Galin de la Rosa, 19/12/2021 Paso 0: Elegir una serie de tiempo EBlija una serie de tiempo de su interés. La serie de tiempo seleccionada debe tener al menos 30 observaciones, puede ser de cualquier frecuencia. Sefiale la fuente de dénde obtuvo la informacion (inclur los enlaces usados para la descarga). Anexar Ia base de datas usada y el eédigo R. La base de datos que usare esol precio de las BitCoins a partir de enero de 2018, los datos fueron deseargados en el siguiente enlace: https: //mx investing; com erypto/biteoin /bte- Datos <- read_excel("C: /Users/PC/Downloads/Datos hist6ricos BTC_USD Bitfinex.xlsx") Datos -historical-data #8 # A vibble: 48 x 6 ## — Cierre Apertura Maximo Minimo Vol. “fh var.” #® — — fe 1 47170 56938 59055 42101 123.96K -0.172 we 256938 61330 68925 53482 169.14K -0.0716 we 361330 43830 66927 43311 182.94K 0.399 se 4 43830 47157 52888 39678 177-13K -0.0706 ae 5 47187 41409 50506. 37361 174.28K 0.139, we 6 41409 35044. 42317 29341 217.92K 0.182 a# 7 35044. 37305 40732 29927 352.27K -0.0606 ## 8 37305 87635. 59454. 32623 430.70K -0.953, ## 957637 68796 64374 48410. 261.62K -0.0197 ## 10 58796 45300 61462 45300 267.80K 0.298 48 # .., with 38 more rows Paso 1: Graficar Ia serie de tiempo Grafique apropiadamente la serie de tiempo. Use la funci6n de su preferencia y todos los elementos de formato ‘que sean de su agrado, Datos.te-ts(Dates, start = 2018, frequency = 12) cierre.te-ts(Datos.ts[,1], start = 2018, frequency = 12) plot (cierre.ts)cierre.ts 50000 L 30000 L 10000 1 T T T T T 2018 2019 2020 2021 2022 Time Paso 2: Anélisis descriptivo de la serie de tiempo De manera breve presente las estadisticas descriptivas mis relevantes de su serie temporal, es decir, longitud, de la serie, valor minimo, valor méximo, media muestral, etc. También describa las caracteristicas visnales de su serie, si presenta tendencia, componente estacional, quiebres estructurales en algéin punto, 0 algiin otro patron de interés. Seré itil para usted usar la fcién decompose() para presentar una grifica que desglose los componentes de In seri. Presente dicha grfca sunnary (cierre.ts) ## © Min, Ist Qu. Median Mean 3rd qu. Max we 3501 7163«« 941018492 29985 61330 deconpose(cierre.ts) ae Sx ae Jan Feb Mar Apr May = Jun Jul._=—sug Sep ## 2018 47170.0 56938.0 61330.0 43830.0 47157.0 41409.0 3043.5 37305.0 $7637.0 #8 2019 28933.0 19686.0 13788.0 10794.0 11671-0 11350.0 9150.6 9452.1 8635.3 ## 2020 7208.3 7599.9 9185.6 8331.1 9623.9 10088.0 10745.0 8533.3 5599.5 # 2021 3830.5 4038.3 6368.4 6618.1 7025.9 7730.6 6391.5 7485.8 9240.0 ae Oct Nov Dec #8 2018 58796.0 45300.0 93141.0 #8 2019 6427.7 8557.3 9367.4 #8 2020 4167.6 3894.0 3501.1 #8 2021 6925.3 10315.0 10284.0 #8## Sseasonal ae Jan Feb Mar Apr May Jun # 2018 ~1069.20220 ~3139.63553 -2714.03275 -2521.02581 -455.49664 630.46447 ## 2019 ~1069.20220 ~3139.63553 -2714.03275 -2521.02581 -455.49664 630.46447 #8 2020 ~1069.20220 ~3139.63553 -2714.03275 -2521.02581 -455.49664 630.46447 # 2021 ~1069.20220 -3139.63553 -2714.03275 -2521.02581 -455.49664 630.46447 ae uh ug Sep Oct Nov Dec ## 2018 ~3160.05914 -1706.30359 5318.90336 $772.25752 2966.46586 77.6447 ## 2019 ~3160.05914 -1706.30359 5318.90336 5772.25752 2966.46586 77.6447 ## 2020 ~3160.05914 -1706.30359 5318.90336 5772.25752 2966.46586 77.6447 ## 2021 -3160.05914 -1706.30359 5318.90336 5772.25752 2966.46586 77.6447 ae ## Strend ae Jan Feb Mar Ape May Jun Jul ## 2018 MA mA, MA mA, NA WA 46328.167 #8 2019 29208.171 26968.762 23766.487 19542.737 16829.79 19908.267 11412.504 #8 2020 8702.033 8730.183 8565.408 8344.746 8056.271 7617.537 7232.367 #2021 682.962 5597.921 5705.962 5972.854 6355,000 6905. 162 NA ae Aug Sep Oct Nov Dec #8 2018 44016.125 40483.042 37125,625 34270.542 31539.500 ## 2019 10003.721 9308.367 9013.979 826.062 8688. 183 #8 2020 6943.25 6677.42 6488,683 6309.058 6102.583 #8 2021 MA MA. MA mA, NA ae #8 Srandom a8 Jan Feb Mar Apr May Jun #8 2018 MA mA WA MA WA mA ## 2019 794.0314 ~4143,1270 -7264.4547 -6227.7117 ~3703.2825 -2588.7311 ## 2020 -424.5311 209.3522 3334.2244 2507.3800 2023.1258 1839.9980 ## 2021 -923.2603 1580.0147 376.4703 316.5716 1126.3966 194.9730 a Jul Aug Sep Oct Now Dec ## 2018 ~8124.6075 ~5004.8214 11895.0550 15898.1175 9062.9925 1523.8955 ## 2019 898.1850 1154.6828 -5991.9700 -8958.5367 -3235.2284 601.5522 ## 2020 6672.6925 3296.3786 -6396.8450 -8093.3409 -5981.5242 -2679.1478 #8 2021 A NA mA NA NA NA a a# Seigure ## [1] ~1069.20220 -3139.63553 -2714.03275 -2521.02581 -455.49664 630.46447 ## [7] ~3160.05914 -1706.30359 §318.90336 5772.25752 2966.46586 7766447 te # Stype # [1] "additive" te ## attr(,"class") ## [1] “decomposed.ts" Paso 3: Identificacién del modelo para la serie de tiempo Usted debe usar toda la herramienta a su aleance para lograr proponer tun modelo AR(p), MA(q), ARMA(p, 4), ARIMA(p, d, q) o SARIMA(p, d, q)(P, D, Q)m. Para lograr la identificacién del modelo apropiado recuerde que puede usar diferencias estacionales y/o diferencias de primer order y observar los correlogramas y eorrelogramas parciales. Apéyate en los patrones tipicos que mnestran las distintos modelos estudiados AR MA, ARMA y su evolucién a los modelos ARIMA y SARIMA.serielog-log(cierre.ts) serielog ” Jan Feb Mar Apr May umd ## 2018 10.761613 10.949718 11.024024 10.688074 10.761238 10.631254 10.464345 f# 2019 101272738 9.887663 9.591854 9.206746 9.364862 9.336073 9.121575 #4 2020 8.882988 2.995890 9.125392 9.027751 9.172005 9.219102 9.262196 #4 2021 8.250751 2.903579 8.759104 8.797564 8.857959 @.952942 8.762724 # jug Sep Oct Novae f# 2018 10.526883 10.961920 10.981829 10.721062 10.408626 ## 2019 9.153992 9.063614 8.768372 9.054540 9.144991 #4 2020 9.051731 8.690433 8.995096 8.267192 8.160832 #4 2021 8.920763 9.131297 8.842937 9.241354 9.298945 plot (serielog) 2 2 e 2] 8 2 wo 5 3 3 2 J 3 2 3 T T T T 2018 2019 2020 2021 2022 Time ndiffs(cierre.ts) wont adf.tost(cierre.ts) #8 Augnented Dickey-Fuller Test i fi data: cierre.ts #8 Dickey-Fuller = -1.4128, Lag order = 3, p-value = 0.8086 ae alternative hypothesis stationaryseriedif~diff (cierre.ts) seriedif ae Jan Feb Mar Apr. May Jun Jul aug #8 2018 9768.0 4392.0 -17500.0 3327.0 -5748.0 -6365.5 2261.5 #8 2019 ~4208.0 -9247.0 8898.0 -2994.0 877.0 ~321.0 -2199.4 301.5 #8 2020 -2159.1 391.6 1585.7 854.5 1292.8 464.1 657.0 2211.7 we 2021 329.4 207.8 2330.1 249.7 «407.8 704.7 1339.1 1094.3 ae Sep Oct Nov Dec 8 2018 2032.0 1159.0 -13496.0 -12159.0 #2019 816.8 -2207.6 2129.6 810.1 # 2020 -2933.8 -1431.9 -273.6 -392.9 ae 2021 1754.2 -2314.7 9389.7 -31.0 plot(seriedif) 10000 20000 seriedif 0 L -10000 2018 2019 2020 2021 2022 Time adf .test(seriedif) ae 4 Augnented Dickey-Fuller Test ae H# data: seriedif ## Dickey-Puller = -3.9379, Lag order ## alternative hypothesis: stationary 3, p-value = 0.02029plot(seriedif, typ: Ity="dashed" jmain="Serie de Tiempo" ,col="red") Serie de Tiempo 8 8 8 8 8 3 8 8 8 3 2 a By 42 ©, 2 eet 5° 8 © 0%,00, og00 902, 9%} 8 és ev Page! ° 3 8 8 oi T T T 2020 2021 2022 Time par(mfrow=e(2,1), mar=c(4,4,4,1)+.1) Finalmente ya que es estacionaria se puede aplicar un modelo ARIMA. Paso 4: Estimacién del modelo Una vez que ha indentificado un posible modelo que se adecue a los datos proceda a realizar la estimacion de los coeficientes y reportar sus salidas. act (seriedif)Series seriedif ACF 0.2 04 06 08 1.0 -0.2 L pact (seriedif)Series seriedif 0.2 03 0.4 Partial ACF act (ts(seriedif, frequency=1))Series ts(seriedif, frequency = 1) ACF 0.2 04 06 08 1.0 -0.2 L Lag pacf(ts(seriedif, frequency=1))Series ts(seriedif, frequency = 1) 0.2 03 0.4 L Partial ACF 5 10 15 Lag modeloi=arina (cierre.ts,order=c(1,2,1)) summary mode101) a #8 call: ## arima(x = cierre.ts, order = c(1, 2, 1)) a ## Coefficients: ae ari mal ae 0.2072 ~1.0000 ## 2.2. 0.1520 0.0797 ae ## eigea”2 estimated as 30457923: log Likelihood = -463.32, aie ae # Training set error measures: ae ME RMSE = MAES NPE. MAPE «MASE, ACEL ## Training set 182.5837 5402.674 3189.935 5.484268 18.87665 0.950112 0.08808138 Paso 5: Examen de los residuales Examine los residuales de su modelo ajustado para que compruebe si es adecuado. Para mostrar que los residuales son ruido banco usted debe llevar a cabo la prueba de Ljung-Box y presentar el correlograma de los residuales 10tsdiag(modelot) Standardized Residuals ° I ? T 1 2018 2ors 2020 202 2022 Time ACF of Residuals By 3 Lag P values for Liung-Box statistic tag Box. test (residuals(modelo1) ,type="Ljung-Box") ae #8 Box-Ljung test ae ## data: residuals(nodelot) # X-equared = 0.39617, df = 1, p-value = 0.5291 error=residuals(nodelo1) plot (error)10000 20000 error 0 L 20000 1 2018 2019 2020 2021 2022 Time Paso 6: Pronésticos 1 modelo estimado ha pasado la prueba de los residuales, es decir, si los residuales son ruiddo blanco, ‘entonces riselo para realizar pronésticos en los periodos hacia el futuro que usted decida. Presente el grafico de los pronésticos y la tabla de los valores pronosticados asi como sus intervalos de confianza al 80 y 95% de ceonfianza, pronostico-forecast: :forecast (modelot , Pronostico ae Point Forecast Lo 80 Hi 80 «Lo 95 —Hi 95 ## Jan 2022 9704.717 2858.034 16851.40 -1225.191 20634.62 #8 Feb 2022 901.209 -2304.301 20827.92 -8294.688 26318.31 #8 Mar 2022 295.355 632.844 22919.55 -14061.251 30651.96 8 Apr 2022 7574.021 -9856.553 2004.59 -19083.742 34231.78 ## May 2022 6851.675 -13087.009 26790.36 -23641.911 37345.26 ## Jun 2022 6129120 ~16112.250 28370.49 -27886.120 4014.36 ## Jul 2022 406.521 ~18989.514 29602.56 -31903.995 42717.04 ## Aug 2022 4683.914 -21754.818 31122.64 -35750.636 45118.46 #8 Sep 2022 3961.04 ~24432.299 32354.91 -39462.964 47385.57 ## Oct 2022 238.694 ~27038.965 3516.35 ~43066.989 49544.38 plot (pronostico) 2BForecasts from ARIMA(1,2,1) 60000 L 0 20000 L 40000 T T T T T 2018 2019 2020 2021 2022 Paso 7: Use la funcién auto.arima() para comparar sus resultados Finalmente haga uso de la funcién auto.arimna() del paquete forecast y compare sus resultados, modelo<-auto.arima(cierre.ts) sunmary (modelo) te Series: cierre.ts # ARIMA(O,1,0) ae # signa"2 estimated as 91367908: log 1ikelihood=-472.93 8 AIC=946.66 AICc=946.75 BIC=948.51 ae ## Training set error meacures: ae ME RMSE = MAE MPEMAPE = MASE «ACF. ## Training set -767.4756 5542.058 3278.466 -5.5392 18.084 0.264496 0.1753553, 1B