Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una serie temporal es una secuencia ordenada de valores, correspondientes a la magnitud de una variable en un determinado instante en el tiempo {X } X1, X2, . . . , Xt, . . . =1
Ejemplo: Ruido blanco gaussiano: Secuencia de variables aleatorias con una distribucin normal N (0, ) o
1, 2, . . . t, . . .
Contenidos 1. Series temporales. Valores esperados. Procesos estacionarios. Ecuaciones de diferencias. Prediccin. o 2. Modelos de series temporales Medias mviles: Modelos MA(q). o Procesos autorregresivos: AR(p). Series no estacionarias. Heterocedasticidad Modelo ARCH(q) Modelo GARCH(p,q).
0,
1,
La hiptesis que realizamos es que la serie temporal o de longitud T est generada mediante la extraccin de a o muestras de una distribucin de densidad de probabilidad o P {X } =1
1
Ejemplo: En una secuencia determinista, en la cual la trayectoria es unica, la distribucin es un producto de distribuciones delta o
T
Valores esperados.
{X }T=1
=
=1
(X G(X 1 , ))
El valor esperado de una determinada funcin de los valores o T de una serie temporal F ({X } =1) es
E F
{ }T=1
=
=1
1 exp 2
1 2
{X }T=1 dX1
dX2 . . .
{X } =1
La distribucin marginal de la variable Xt se obtiene o mediante integracin de la distribucin completa respecto o o al resto de las variables
P (Xt) = dX1 ... dX2 . . . dXt1 . dXt+1 . . .
En la prctica los valores esperados se obtienen mediante a un promedio sobre realizaciones de la serie temporal
(i) X
T
=1
X1 , X2 , . . . , XT ,
(i)
(i)
(i)
i = 1, 2, . . . I
dXT P
T {X } =1
(i) X
T
=1
i=1
Esta estimacin converge al valor exacto en el l o mite de un nmero innito de realizaciones: u F E [F ] , cuando I .
E [Xt ] = t .
Procesos estacionarios.
Xt = Xt t ,
2 2 E Xt = t .
Autocovarianza:
o Autocorrelacin:
Un proceso X0, X1, . . . , Xt, . . . es estacionario en sentido estricto si se cumple P (Xt1 , Xt2 , . . . , Xtr ) = P (Xt1+ , Xt2+ , . . . , Xtr + ). Un proceso es dbilmente estacionario, o estacionario e con respecto a la covarianza si cumple las condiciones E [Xt] = E Xt+ Xt =
La condicin de estacionaridad estricta implica la dbil si o e existen los dos primeros momentos de la distribucin. o
Un proceso estacionario es ergdico respecto a la media si o
1 X = T
X ,
=1
1 T
T t=1
Xt+ Xt ,
Funcin de autocovarianza/autocorrelacin. o o
Para un proceso estacionario (a partir de este momento, se utilizar la condicin dbil), se dene la funcin de a o e o covarianza como = E [Xt+ Xt] . El coeciente de correlacin es o = . 0
Consideremos la ecuacin de diferencias de primer orden o Xt = Xt1 + t. La ecuacin se resuelve mediante un mtodo recursivo o e
t1
Xt = X0 +
t =0
El valor de este coeciente est acotado a 1 1. Se dene el operador de retrasos LXt = Xt1; con las propiedades L0Xt = Xt; L1 Xt = Xt+1; L Xt = Xt ; Los comportamientos posibles de la solucin son o
Con el valor > 1 la solucin es explosiva. o Con el valor < 1 la solucin es explosiva y presenta oscilaciones. o Con el valor 0 < 1 la solucin decae exponencialmente. o Con el valor 1 < 0 la solucin decae exponencialmente con o oscilaciones.
x 10 1 X
t
17
= 1.50
1 2 0 4 2 X 0
t
10
20
30
40
50 = 1.00
2 4 0 2 1 X 0
t
10
20
30
40
50 = 0.50
60
70
80
90
100
Xt =
i=1
i Xti + t.
1 2 0 10 20 30 40 50 Tiempo 60 70 80 90 100
2 1 X
t
0 1 2 0 10 20 30 40 50 = 1.00 60 70 80 90 100
2 0 X
t
t,
2 4 6 0 17 x 10 10 20 30 40 50 = 1.50 60 70 80 90 100
0 1 2 X
t
3 4 5 0 10 20 30 40 50 Tiempo 60 70 80 90 100
0 . 0 . . 00)
t 1 2 3
1 1 0
0 0 0
0 0 0
p1 0 0 1
p 0 0 0
Ejemplo: Consideremos la ecuacin de diferencias de orden 2 o Xt = 1Xt1 + 2Xt2 + t. La ecuacin se puede escribir de manera equivalente como o Xt Xt1 = 1 2 1 0 Xt1 Xt2 +
t
2
1.5
(0,1)
0.5
Real; 1 > 1
0 2 = 1 + 1 Complex; | j | < 1 2 = 1 1
0.5
(2,1)
(2,1)
1.5
Complex; | | > 1
j
2 + 4 = 0
1 2
2 3
0 1
x 10 8 6 4 X
= 1.22
1
= 1.22
2
= 0.71
1
= 0.71
2
3 2 1 X
t
2 0
0 1 2
1 = 2 =
1 1 + 2 1 1 2
2 + 42 , 1 2 1 + 42 .
2 4 0 20 40 60 Tiempo 80 100
20
40 60 Tiempo
80
100
1 = 0.71 i 2 1
2 = 0.71 i 4
x 10
1 = 1.22 i
2 = 1.22 i
2 X X 0 20 40 60 Tiempo 80 100 0
t t
0 1 2 2 0 20 40 60 Tiempo 80 100
10
11
se observa con este procedimiento que lineales simples son ms robustos en sus a que los no lineales. Esta fenmeno puede o varias causas
Los modelos no lineales memorizan la serie temporal (sobreajuste). La serie datos de prueba suelen ser ms corta que la serie a de entrenamiento, y los efectos de la no-linealidad pueden ser pequeos. n El criterio de error elegido puede conducir a conclusiones errneas o sobre la calidad de la prediccin. o
13
12
+ t ,
(q)
donde t es ruido blanco gaussiano con desviacin estndar o a , el vector de retrasos de este ruido blanco es t con la denicin o
(q) t (q)
(q) t
Ejemplo: MA(1) Xt = +
Varianza:
2 2 2 E Xt = (1 + ) . t
t1
Autocovarianza:
=(
t1
t2 . . .
tq ) .
= =
2 3 = . . . = 0
2
Autocorrelacin : o
1 2
= =
, 1 + 2 3 = . . . = 0
15
Xt = t
40 50 60 Autocorrelaciones
70
80
90
100
0.5
0.5
0.5
0.5
0 0 2 4 6 8
0 10 12 14 16 18 20 0 2 4 6 8
10
12
14
16
18
20
Xt = t 0.88 t1 + 0.21 t2 4
10
20
30
40 50 60 Autocorrelaciones
70
80
90
100
1
2
Magnitud
0 10 20 30 40 50 60 Autocorrelaciones 70 80 90 100
0 2 4
1 Magnitud
Magnitud
0 2 4 6 8 10 12 14 Autocorrelaciones de los valores absolutos 16 18 20
0.5 0 0.5
0.5
0 0 2 4 6 8
1 Magnitud
10
12
14
16
18
20
0.5
Xt = +
=0
t ,
El proceso autorregresivo de orden p es generado mediante la ecuacin de diferencias o (p) Xt = X t + t , donde t es ruido blanco gaussiano con desviacin estndar o a , el vector de retrasos de X es (p) Xt
(p) Xt
donde
< .
1 Xt
(p)
| | < .
=0
y el vector de parmetros es a
La media del proceso es
E[Xt ] =
0 ,
=0
= (1 2 . . . p) .
2
=
=0
+j .
i=1
18
i z i = 1
19
se encuentran fuera del c rculo unidad en el plano complejo. La media incondicional del proceso es E [Xt] = 0 1
p i=1 i
1 < 1
E [Xt ] =
Varianza:
0 . 1 1 2 1 2 1
2 E Xt =
Autocovarianza y autocorrelacin: o
p
= =
X = 0.90 X
t t1
iXti
j
5
j 2 1 2 1 1 j 1
+ epsilon
t
Ecuaciones de Yule-Walker: Las funciones de autocorrelacin satisfacen la misma ecuacin que el o o proceso autorregresivo
=
i=1 p
Magnitud
10
20
30
40 50 60 Autocorrelaciones
70
80
90
100
1 Magnitud
i i + ,0
=
i=1
i i
0.5
0 0 2 4 6 8
10
12
14
16
18
20
20
21
40 50 60 Autocorrelaciones
70
80
90
100
0.5
0.5
0.5
0 0 2 4 6 8
0 10 12 14 16 18 20 0 2 4 6 8
10
12
14
16
18
20
10
20
30
40 50 60 Autocorrelaciones
70
80
90
100
1 Magnitud
0.5
0.5
0 0 2 4 6 8
10
12
14
16
18
20
0.5
En trminos del operador de retardo LXt = LXt1, el e proceso AR(p) se puede escribir como
p
Xt = 0 +
=1
L Xt +
Xt = (1 1L)1 [0 + t] = 1 0 + 1 1 1 1 L
t
o, de manera equivalente
p
0 = + L 1 1 =0 1
(1
=1
L )Xt = 0 +
0 + 1 1 =0 1
t .
Suponiendo que el inverso existe (lo cual est garantizado a si el proceso es estacionario respecto a la covarianza) Xt = + (L) t, que corresponde a un proceso MA() con = 0 1
p =1
(L) =
. p L =1
24
25
Procesos ARMA(p,q)
Se puede construir un modelo que incluya simultneamente a trminos de medias mviles y autorregresivos e o Xt = c + X t +
(p) (q) t
Prediccin o
+ t.
La prediccin del valor de Xt+h basado en un conjunto o de variables explicativas It {Yt ; 0} equivale a hacer una estimacin de la distribucin condicional o o P (Xt+h|It). Normalmente las estimaciones se restringen a los dos primeros momentos: La media condicional Xt+h|t = E [Xt+h|It] = La varianza condicional E Xt+h Xt+h|t
2
i z i = 0
se encuentran fuera del c rculo unidad. Esta condicin es o independiente de los valores de los coecientes del trmino e correspondiente a medias mviles. o El proceso tambin se puede expresar como un modelo e MA() Xt = + (L) t, con las deniciones = c 1
p i=1 i
(L) =
|It
De esta forma se puede tambin poner de maniesto posibles e problemas de modelos degenerados: Modelos con factores comunes en el denominador y numerador de (L) generan series temporales que son indistinguibles.
26
La media condicional es el estimador para Xt+h que minimiza el error cuadrtico medio (varianza) de la a estimacin. o
27
j L
j=1
(Xt ) = 1 +
j Lj
j=1
Xt =
j=1
j Lj (Xt ) + 1 +
j Lj t.
Las frmulas de prediccin del apartado anterior asumen que o o disponemos de un nmero innito de observaciones hacia u el pasado. En caso de que el nmero de observaciones sea u nito {Xtm+1, Xtm+2, . . . , Xt}, podemos suponer que las innovaciones son nulas para los tiempos anteriores al inicial <= t m. Este procedimiento es razonable siempre que la memoria de la serie temporal sea a corto plazo y que t 0.
j=1
j L (Xt ) +
j j=1 j=1
j Lj t,
Esiste una prediccin ms precisa, basada en encontrar la o a a proyeccin exacta de (Xt+1 ) en los m valores ms o recientes X = (Xt , Xt1 , . . . , Xtm+1 ) . t La prediccin con un horizonte s = 1 es o
= Xt Xt|t1
j (Xt+sj|t ) +
j
j=s
t+sj .
Xt+1|t =
28
i (Xti+1 )
i=1
29
m1 m2
Numricamente el sistema se puede resolver mediante una e descomposicin de Cholesky. o La prediccin con un horizonte s es o Xt+1|t = tiene como solucin o 0 1 . . 1 0 . . . . . m1 . . . m2 . ... . ... 0 (s) 1 (s) 2 . . (s) m = s s+1 . . s+m1
t m i=1
Xt =
j=0
tj
+ t
i (Xti+1 )
(s)
con 0 = 1 y |j |2 < . La componente t es ruido j=0 blanco y representa el error de prediccin para Xt de la o prediccin lineal ptima a partir de toda la serie de valores o o anteriores de la variable = Xt E [Xt|Xt1, Xt2, . . .]
m1 m2
La componente linealmente determinista t no est a u correlacionada con tj para ningn valor de j y puede ser predicha linealmente a partir de la secuencia de valores anteriores de Xt t = E [t|Xt1, Xt2, . . .] La componente j=0 j linealmente no-determinista.
tj
es
una
componente
30
31
La descomposicin de Wold no puede utilizarse directamente o para proponer un modelo para la serie temporal, ya que contiene un nmero innito de parmetros. Con la hiptesis u a o adicional de que la funcin (L) puede ser aproximada con o cierta precisin por un aproximante de Pad o e (L) = j L L (L) j=0
j q q i=0 q L , p p j=0 j L
Metodolog Box-Jenkins. a
La observacin de que modelos con un nmero excesivo de o u parmetros conduce a modelos que generalizan de manera a deciente, nos lleva a preferir modelos con el nmero ms u a pequeo de parmetros. n a Box y Jenkins proponen una metodologia para modelacin o de series temporales
1. Realizar las transformaciones necesarias sobre los datos de forma que la serie transformada sea estacionaria.
con 0 = 0 = 1.
Transformacin logar o tmica Yt = log Transformacin a rendimientos o rt = log Substraer tendencias Yt = Xt ( + t). Tomar diferencias Yt = Xt Xt1
33
Xt Xt1
St St1
St St1 St1
32
Hasta este momento hemos descrito modelos de una variable para una serie temporal que pueden ser escritos como
Xt = +
=0
= + (L)
con la propiedad
| | <
=0
y con las ra ces de (z) fuera del c rculo de radio unidad en el plano complejo. Para este tipo de series se cumple E [Xt] = Xt+s|t lim E [Xt + s|Xt, Xt1, Xt1, . . .] = .
s
34
35
Hay dos formas de describir tendencias en una serie temporal Procesos que tienen un comportamiento estacionario una vez que se substrae un trmino de tendencia. e
Ejemplo: Modelo con tendencia lineal
Modelos integrados o de ra unidad: Un modelo z integrado de orden d es tal que al ser diferenciado d veces da lugar a un proceso estacionario.
Caminante aleatorio con deriva
Xt = Xt1 + +
t
t,
(1) = 0.
Xt = + t + (L)
Las propiedades de este modelo son Prediccin o
(1 L)Xt = + (L) t ,
(1) = 0
Xt+s|t = + (t + s) +
s+
=0
Xt = + t + ut ,
donde ut es un proceso ARMA(p,q). El proceso diferenciado es estacionario (1 L)Xt = + (L) t , donde
Error de prediccin: o
(L)
s1
= (1 L)ut .
Xt+s Xt+s|t =
tau=0
t+s
Las propiedades de este modelo son Prediccin: o La relacin bsica es la prediccin de las primeras diferencias o a o
s+
=0
t .
Xt+s Xt+s|t
s1 tau=0
Con la observacin o
se llega a la relacin o
Procesos ARIMA(p,d,q)
s
+ t
=0 =1
=1 =0
t+s .
Un caso especialde modelos integrados son los procesos ARIMA(p,d,q). La diferencia de orden d de un proceso ARIMA(p,d,q) da lugar a un proceso estacionario ARMA(p,q). Consideremos el proceso ARIMA(0,1,1)
Xt+s Xt+s|t
=1 =0
Xt = Xt1 + +
Prediccin o
t1
Xt+s|t = s + Xt + t. Xt+1|t = Xt + t.
En resmen, la mayor diferencia entre procesos no u estacionarios de estos dos tipos es la persistencia del efecto de las innovaciones: En los procesos con tendencia la inuencia de las innovaciones disminuye con el tiempo. Sin embargo, en los procesos con ra unidad, el efecto de z las innovaciones se acumula en el tiempo. A pesar de las diferencias cualitativa, determinar cul es el proceso a subyacente a partir de una muestra nita puede ser problemtico. a
Suponiendo = 0, s = 1
Utilizando
t
= Xt Xt|t1 .
Xt+1|t = Xt (Xt Xt|t1 ). Iterando esta relacin se obtiene la prediccin correspondiente a un o o exponential smoothing Xt+1|t = (1 + )
obtenemos
() Xt .
=0
38
39
heterocedasticidad: ARCH(q)
Volatilidad incondicional 2 = E u2 = t 0 1
q i=1 i
Este modelo intenta reejar la estructura temporal de la volatilidad de una serie temporal, proponiendo un modelo autoregresivo para la serie temporal y otro distinto para las innovaciones (m) Xt = X t + ut ut = ht
t (q)
ht = u2 t
o a donde t es ruido blanco gaussiano con desviacin estndar igual a 1. La condicin de no negatividad o i >= 0 implica que el proceso es estacionario respecto a la covarianza si q i < 1
i=1
Estimacin por mxima verosimilitud Suponiendo que o a las innovaciones tienen una distribucin normal la o probabilidad condicional es (X X (m))2 t 1 t (max(q,m)) )= exp , p(Xt|X t 2ht 2ht donde y t ht = u2
(q)
(q)
u2 t1
u2 t2
...
u2 tq
40
LL =
t=r
log p(Xt|X t ),
(r)
r = max(q, m).
41
heterocedasticidad: GARCH(p,q)
0 + 1 ut1
Volatilidad incondicional:
E u2 = t
Volatilidad condicional:
0 . 1 1
Este modelo intenta reejar la estructura temporal de la volatilidad de una serie temporal, proponiendo un modelo autoregresivo para la serie temporal y otro distinto para las innovaciones (m) Xt = X t + ut ut = ht
t (p)
u2 t
| ut1
= 0 +
1u2 t1
ht = + [ht]
+ u2 t
(q)
donde t es ruido blanco gaussiano con desviacin estndar o a igual a 1. El vector de retrasos para las innovaciones es
2 (q) ut
u 2 u 2 . . . u2 t1 t2 tq .
(i + i) < 1; r = max{p, q}
i=1
Volatilidad incondicional 2 = E u2 = t 1
r i=1(i
+ i)
+ ut
2
+ ht1 + ut1
Volatilidad incondicional:
E ut
. 1
44