CURSO DE ECONOMETRÍA

FINANCIERA CON R

1. Datos Informativos:
Modalidad: Virtual a través de la plataforma Zoom.

Fecha de inicio:

Costo del curso:

Área temática: Métodos Cuantitativos.

Público objetivo: Economistas, Ingenieros económicos y profesionales de campos afines.

Recomendaciones: Economía, Álgebra Lineal y Estadística.

2. Justificación o Fundamentación:
La econometría financiera consiste en la aplicación de métodos econométricos a las finanzas, es decir, es
el uso de métodos estadísticos para resolver problemas financieros. Esta disciplina se ha desarrollado rá-
pidamente en los últimos años debido a la creciente complejidad del sistema financiero, de la informática
y del desarrollo de nuevas tecnologías.

En la economía global los mercados financieros tienen una gran importancia debido al impacto y a las
repercusiones que ocasionan en la sostenibilidad y en el crecimiento de la economía. Para comprender
la estructura de los mercados financieros se hace necesario tener conocimiento de la Econometría Finan-
ciera de manera teórica y práctica, ya que de esta forma se desarrolla y estiman modelos financieros que
permiten entender el comportamiento de distintas perturbaciones que afectan al mercado financiero, y en
general, a la economía global.

3. Objetivos:

3.1. Objetivo General:

Al término del curso el participante estará en capacidad de aplicar, analizar e interpretar de forma eficiente
los distintos métodos econométricos usados en el área financiera e investigación económica relacionada a los

1
mercados financieros, tomando en cuenta la importancia que tienen en los distintos campos de aplicación. Todo
ello constituye una fortaleza para la formación académica de los participantes en su desarrollo y desempeño
profesional.

3.2. Objetivos Específicos:

Utilizar el lenguaje de programación R con el fin de especificar, estimar y evaluar modelos univariados y
multivariados haciendo uso de los métodos econométricos apropiados.

Desarrollar en los participantes conocimientos, destrezas y habilidades para especificar, estimar y evaluar
modelos econométricos financieros y su aplicación en el campo de la investigación económica.

Permitir que el estudiante desarrolle la capacidad de análisis y evaluación de los problemas económicos,
así como la formulación de escenarios que faciliten la toma de decisiones y el manejo de la incertidumbre
que afectan a los mercados financieros.

Discutir conceptos teóricos en clase que permita a los participantes mejorar el manejo de herramientas
económicas, estadísticas, matemáticas y econométricas aplicables a diversas áreas de las finanzas.

4. Contenido del Curso:

4.1. Sesión I:
Introducción e instalación de R y RStudio.

Importación de datos de diferentes fuentes: *.txt, *.csv, *.xlsx, *.json.

Establecer conexión con base de datos: Access, Sql, etc.

Vectores, matrices, importación de packages, uso de principales librerías.

Fundamentos estadísticos y tratamiento de datos, gráficos, diagrama de barras, circulares y de mosaico.

4.2. Sesión II:

Modelo de regresión lineal clásico, planteamiento y supuestos. Diagnóstico de tests estadísticos y distri-
buciones de probabilidad asociadas.

Detección y corrección de heterocedasticidad, autocorrelación y multicolinealidad. Test de White, Durbin-

Watson, Breusch-Godfrey y normalidad. Test de estabilidad.

Modelos dinámicos. Operador de rezagos. Modelos en primera diferencia. Problemas asociados a la

inclusión de regresores rezagos.

2
 Estimación del modelo Capital Asset Pricing Model (CAPM) y el modelo Arbitrage Pricing Theory
(APT).

4.3. Sesión III:

Modelos de series de tiempo univariante. Modelación y predicción. Procesos estocásticos estrictos y
débilmente estacionarios.

Procesos de media móviles y autorregresivos. Momentos y condición de estacionariedad, función de

autocorrelación y función de autocorrelación parcial.

Procesos ARMA y estimación de modelos de suavizamiento exponencial. Criterio de selección de mo-

delos y predicción con modelos ARMA.

Modelos de series de tiempo multivariante. Modelos de Vectores Autorregresivos (VAR). Función de

impulso respuesta y descomposición de varianza. Estimación de un modelo entre los rendimientos de la
propiedad y variables macroeconómicas.

4.4. Sesión IV:

Modelando relaciones de largo plazo en Finanzas. Pruebas de raíces unitarias: Test Dickey- Fuller, Aug-
mented Dickey- Fuller, Pillips-Perron, etc. Tipos de no estacionariedad.

Pruebas de raíces unitarias con quiebre estructural. Aplicación: Tipos de interés del Euro y la Libra
Esterlina.

Cointegración. Modelo de corrección de errores. Test de cointegración de Johansen. Un modelo para

variables no estacionarias: Lead-Lag Relationships between Spot and Futures Prices.

Métodos de estimación de parámetros en sistemas cointegrados: El enfoque de Engle-Granger.

4.5. Sesión V:
Modelando la volatilidad. Tipos de modelos no lineales. Tests para no linealidad.

Modelo Autoregressive Conditionally Heteroscedastic (ARCH). Estimación y problemas con este tipo
de modelos.

Modelo ARCH generalizado, el modelo multivariante GARCH. Estimación de parámetros utilizando el

método de máxima verosimilitud. Predicción de varianza utilizando modelos GARCH. Aplicaciones.

Extensiones al modelo básico GARCH, el modelo EGARCH y el modelo de Glosten, Jaganathan y

Runkle (modelo GJR).

3
4.6. Sesión VI:
Modelando estacionalidad con series de tiempo financieras. Construcción de variables dummy estacio-
nales.

Estimación de modelos Markov Switching. Aplicación a la serie de tiempo del tipo de cambio real.

Modelos de variable dependiente limitada. Modelo de probabilidad lineal y sus desventajas. Modelo logit
y probit. Estimación de parámetros y bondad de ajuste de los modelos.

Aplicación: Estimación de los modelos logit y probit a los rendimientos bursátiles.

5. Metodología de Enseñanza:
La metodología se basa en una enseñanza activa, utilizando diferentes dinámicas de trabajos que se
realizan en las sesiones de clase virtuales, así como tareas, investigaciones, trabajos individuales y de
investigaciones etc., propuestas por el docente.

La estrategia utilizada será el aprendizaje basado en problemas y estudio de casos, y la plataforma que
utilizará como soporte son: plataforma Canvas, blogs, video tutoriales, etc.

El rol del profesor será de un mediador y guía, pues ayudará a los paticipantes en la construcción de
sus aprendizajes, brindando la información y orientaciones necesarias para el logro de los objetivos de
aprendizaje y guiando paso a paso el trabajo con las herramientas del curso. Los alumnos serán agentes
activos y participativos, enriqueciendo las clases con sus propias investigaciones, preguntas, argumen-
taciones y descubrimientos. Por cuanto, el alumno es responsable de su propio aprendizaje a través del
uso y manejo adecuado de las herramientas de tecnologías de la información, logrando un aprendizaje
significativo que le permitirá aplicar lo aprendido según las necesidades personales y profesionales en el
campo en que se desarrolla.

Finalmente, se recomienda a los participantes consultar la bibliografía sugerida para profundizar en sus
aprendizajes y lograr mayor destreza en el proceso del mismo.

6. Evaluación:
La calificación del curso consiste en el promedio ponderado de: trabajos, test o tareas de cada sesión semanal.

7. Certificación:
Será a nombre de la empresa Finance and Econometrics SAC. Todos los participantes que obtengan una nota
aprobatoria igual o mayor a 14 (catorce) podrán obtener la certificación digital a nombre del instituto. Si en

4
caso lo requiera físico, será con un coste adicional de transporte.

Nota: Para la obtención de cualquiera de estas certificaciones los participantes deberán tener como haber re-
suelto las asignaciones en los plazo y momentos oportunos.

8. Docentes:
Mg. Rafael Bustamante Romaní

Economista con más de 15 años de experiencia en el dictado de: Econometría Financiera, Econometría Avan-
zada, Macroeconomía y Microeconomía e informática para economistas. Docente investigador en la UNMSM
en el área de finanzas y ciencia de datos. Docente de Econometría Avanzada con Stata, R Studio y Python.
Magister en Economía con mención en Finanzas y MBA CENTRUM en PUCP. Estudios concluidos del Doc-
torado en Economía (UNAM.) Actualmente cursando el MBA con Énfasis en Business Intelligence y Big Data
por el Instituto europeo de Postgrado y el Master en Ciencia de datos y análisis por la Universidad Sao Paulo
y el Doctorado en Economía y Finanzas UFM- OMMA. Diplomados concluidos en Big Data- Data Science y
POWER BI-Análisis y Visualización de Datos. Cofundador de la empresa de Capacitación Finance and Econo-
metrics Group SAC. Experiencia laboral como Analista econométrico en el Área de Proyectos del FITEL-MTC
y Analista de Riesgos Financieros en el SIS-Miniesterio de Salud. Consultor y jefe de proyectos con la empresa
IPDC-SAC en diversos ministerios y entidades públicas: MEF, SBS, SUNAT, MTC, PROVIAS, etc.

Mg. Alfredo Calderón Vela.

Economista por la PUCP con más de 10 años de experiencia en el dictado de: Estadística, Microeconomía,
Macroeconomía, Evaluación de Proyectos y Análisis Financiero. Docente en la PUCP del Departamento de
Economía. Magister en Economía por la Universidad Torcuato Di Tella (UTDT) y la PUCP con mención en
Economía. Cursos concluidos de Econometría Avanzada, Series de Tiempo, Datos de Panel, Análisis Estadís-
tico Multivariado y Big Data, Machine Learning and Econometrics with R, Análisis de Datos con Software
Estadístico R e Introducción a Python para Machine Learning

Laboró en el Ministerio de Economía y Finanzas (MEF) en la Dirección General de Presupuesto Público, Di-
rección de Programación y Seguimiento Presupuestal y en la Dirección General de Descentralización Fiscal y
Asuntos Sociales, Dirección de Análisis y Transferencia de Recursos a los Gobiernos Regionales y Locales.
Asimismo, se desempeñó como Analista Financiero en el Banco de la Nación en el Departamento de Finanzas,
División Estudios Económicos y Financieros, Sección Estudios y Propuestas.

9. Bibliografía:
Brockwell, P.J. & R.A. Davis (1991): “Time Series: Theory and Models”. Springer Verlag.

5
Canova, Fabio (2007): “Methods for Applied Macroeconomic Research, Princeton”. University Press.

DeJong, David and Chetan Dave (2007): “Structural Macroeconometrics”. Princeton University Press.

Granger, C.W.J. and P. Newbold (1987): “Forecasting Economic Time Series.” Academic Press.

Greene, W. H. (2003). Econometric analysis. Quinta edición. Pearson Education, Inc.

Hamilton, J. D (1994). Time series analysis. Princeton University Press.

Harvey, A.C. (1990): “The Econometric Analysis of Time Series”. MIT Press.

Jared, L. “R for Everyone”.

John M. Chambers. “Software for Data Analysis: Programming with R (Statistics and Computing)”.

Johnston, J & Dinardo, J (1997). Econometric Methods. Cuarta Edición. Mc Graw Hill.

Kim, C.-J. and C.R. Nelson (1999): “State-Space Models with Regime Switching.” MIT Press, Cambrid-
ge.