MODELOS DE SERIES TEMPORALES EN FINANZAS

(I): MODELOS ARIMA

Modelización Económica II

Referencias:
Mills y Markellos (2008) "The Econometric Modelling of Financial
Time Series", Cambridge University Press.
Aznar y Trívez (1993) "Métodos de Predicción en Economía II", Ariel.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 1 / 37

1 Introducción a las series temporales

Llamaremos serie temporal o proceso estocástico en tiempo discreto a una

sucesión de variables aleatiorias fYt g para t = ∞, ..., 2, 1, 0, 1, 2, ..., ∞ (t
recoge el tiempo y toma valores discretos).
Box & Jenkins (1976) modelizó las series temporales mediante los modelos
ARIMA. El término signi…ca:

AR = Au torregresivos
I = Integrados
MA = Medias móviles
La metodología Box-Jenkins recoge una serie de etapas y procedimientos para la
identi…cación, estimación, contraste y predicción de los modelos ARIMA con
datos de series temporales.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 2 / 37
1 Introducción a las series temporales

Una serie temporal Yt es estacionaria (en sentido débil) si existen sus

momentos de primer y segundo orden y estos son constantes e
independientes de t, es decir,
a) E (Yt ) = µ 8 t,
b) Var (Yt ) = E (Yt µ )2 = σ 2 8 t
c) Cov (Yt , Yt s) = E [(Yt µ)(Yt s µ)] = γ(s ) 8 t y 8s 6= 0.
γ(s ) es una función que depende de s pero no de t y se denomina función
de autocovarianza (FAC).
Ejemplo: Un ruido blanco (εt ) es un proceso estocástico estacionario dado
que si E (εt ) = 0 8 t, Var (εt ) = σ2ε 8t y Cov (εt , εt s ) = 0 8 t y 8s 6= 0.
La propiedad de estacionariedad es muy importante porque si las series no
son estacionarias la estimación MCO es sesgada, inconsistente y las
desviaciones típicas de los estimadores no son válidas.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 3 / 37

1 Introducción a las series temporales

Una serie temporal estacionaria Yt se puede caracterizar por su estructura

completa de covarianzas (γ(s )), correlaciones (ρ(s )) o correlaciones
parciales (φ(s )).
γ (s )
Función de autocorrelación simple (FAS): ρ(s ) = γ (0 )
8s = 1, 2, ...donde γ(0) = Var (Yt ).

Función de autocorrelación parcial (FAP):

φ(s ) = Corr [Yt Yt s j Yt 1 , Yt 2 , ..., Yt s +1 ] 8s = 1, 2, ...

La representación grá…ca de la FAP y de la FAS se denominan

correlograma simple y parcial. Ambas son funciones simétricas y
comprendidas entre 1 y 1.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 4 / 37

1 Introducción a las series temporales

La etapa de identi…cación de la metodología Box-Jenkins trata de reconocer

el proceso ARIMA que genera una serie temporal concreta en función de los
correlogramas simple y parcial muestrales.

ρ(s) ρ(s)
1 1

1 3 5
1 2 3 4 5 6 s 2 4 6 s

−1 −1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 5 / 37

2 Modelos Autorregresivos
Modelo AR(1)

Un proceso autorregresivo de primer orden, AR(1), se de…ne como

Yt = φ 0 + φ 1 Yt 1 + εt
donde εt es una variable aleatoria ruido blanco: E (εt ) = 0 8
t, Var (εt ) = σ2ε 8t y Cov (εt , εt s ) = 0 8t y 8s 6= 0.
Si jφ1 j < 1 el proceso AR(1) es estacionario. En tal caso se puede
demostrar que:
φ0
a) E (Yt ) = 1 φ1 8t,
σ2ε
b) Var (Yt ) = γ(0) = 1 φ21
8t
2
c) Cov (Yt , Yt s) = γ(s ) = φs1 1 σεφ2 = φs1 γ(0) 8 t y 8s 6= 0.
1

Por tanto jφ1 j < 1 todas las autocorrelaciones simples son disntintas de cero
si bien decaen rápidamente hacia cero.
ρ(s ) = φs1 8s = 1, 2, ...

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 6 / 37

2 Modelos Autorregresivos
Modelo AR(1)

Si jφ1 j < 1 sólo la primera autocorrelación parcial es distinta de cero.

8
< φ si s = 1
1
φ (s ) =
: 0 8s > 1

ρ(s) φ(s)
1 1

1 2 3 4 5 6 s 1 2 3 4 5 6 s

−1 −1
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 7 / 37
2 Modelos Autorregresivos
Modelo AR(1)

Si jφ1 j 1 el AR(1) tiene varianza "explosiva" (no estacionario en

varianza).

Por ejemplo, si φ1 = 1 el proceso resultante se denomina paseo aleatorio

(con deriva φ0 ): Yt = φ0 + Yt 1 + εt . Éste es un proceso integrado de
orden 1 o I(1) dado que su primera diferencia es estacionaria:
∆Yt = Yt Yt 1 = φ0 + εt .

Estadísticamente este proceso es indistinguible de un AR(1) con φ1 = 0.99,

proceso muy próximo a la no estacionariedad que se caracteriza por la alta
persistencia de las correlaciones (lento decaimiento hacia cero de la FAS).
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 8 / 37
2 Modelos Autorregresivos
Modelo AR(1)

Correlograma de un proceso AR(1) próximo a la no estacionariedad.

ρ(s)
1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 s

−1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 9 / 37

2 Modelos Autorregresivos
Generación de una serie de un proceso AR(1) estacionario con Eviews

Abrir EViews and crear un nuevo …chero con "File/New Work…le". En el rango de
la serie "work…le range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Yt con el valor 0 para la observación 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]
3. smpl 2 500
genr yt=0.5+0.4*yt(-1)+ut [genera Yt : proceso AR(1) con φ1 = 0.4]

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 10 / 37

2 Modelos Autorregresivos
Generación de una serie de un proceso AR(1) estacionario con Eviews

Notar que la media ( 1 0.5

0.4 = 0.83) y la varianza ( 1
1
0.4 2
= 1.19) son constantes
en el tiempo.

5
4
3
2
1
0
-1
-2
-3
100 200 300 400 500
YT

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 11 / 37

2 Modelos Autorregresivos
Generación de una serie de un proceso AR(1) no estacionario con Eviews

Abrir EViews and crear un nuevo …chero con "File/New Work…le". En el rango de
la serie "work…le range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Yt con el valor 0 para la observación 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]
3. smpl 2 500
genr yt=0.5+1.4*yt(-1)+ut [genera Yt : proceso AR(1) con φ1 = 1.4]

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 12 / 37

2 Modelos Autorregresivos
Generación de una serie de un proceso AR(1) no estacionario con Eviews

1.4E+72

1.2E+72

1.0E+72

8.0E+71

6.0E+71

4.0E+71

2.0E+71

0.0E+00

-2.0E+71
100 200 300 400 500

YT

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 13 / 37

2 Modelos Autorregresivos
El modelo AR(2)

Un proceso autorregresivo de segundo orden, AR(2), se de…ne como

Yt = φ 0 + φ 1 Yt 1 + φ 2 Yt 2 + εt

donde εt es una variable aleatoria ruido blanco.

Un AR(2) se puede reescribir en función del operador de retardos, L (que

satisface Ls Yt = Yt s) y el correspondiente polinomio de retardos, Φ(L):

Yt φ 1 Yt 1 φ 2 Yt 2 = φ0 + εt

(1 φ1 L φ2 L2 )Yt = φ0 + εt

Φ ( L ) Yt = φ0 + εt
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 14 / 37
2 Modelos Autorregresivos
El modelo AR(2)

Un AR(2) es estacionario si las raíces del polinomio de retardos caen

fuera del círculo unidad, es decir si jLi j > 1 8 i = 1, 2 donde Li son las
raíces que satisfacen 1 φ1 L φ2 L2 = 0.
Por ejemplo, para el caso del AR(1)
1 φ1 L = 0 ) L = φ1 > 1 , jφ1 j < 1.
1

φ
Si el proceso AR(2) es estacionario E (Yt ) = 1 φ 0 φ 8t y la estructura de
1 2
autocovarianzas se obtienen de la resolución del sistema de ecuaciones de
Yule-Walker.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 15 / 37

2 Modelos Autorregresivos
El modelo AR(2)

El sistema de Yule-Walker es recursivo: con las tres primeras ecuaciones

se obtienen γ(0), γ(1) y γ(2).

γ (0) = φ1 γ(1) + φ2 γ(2) + σ2ε

γ (1) = φ1 γ (0) + φ2 γ (1)
γ (2) = φ1 γ (1) + φ2 γ (0)

El resto autocovarianzas se obtienen recursivamente de

γ (s ) = φ1 γ (s 1) + φ2 γ (s 2)8s > 2.

Todas las autocorrelaciones simples son distintas de cero pero sólo las dos
primeras autocorrelaciones parciales son distintas de cero.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 16 / 37

2 Modelos Autorregresivos
Correlograma simple y parcial de un AR(2)

ρ(s)
φ(s)
1 1

1 2 3 4 5 6 s 1 2 s

−1 −1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 17 / 37

2 Modelos Autorregresivos
El modelo AR(p)

El proceso autorregresivo de orden p o AR(p) se de…ne como:

Yt = φ 0 + φ 1 Yt 1 + φ 2 Yt 2 + ... + φp Yt p + εt

donde εt es una variable aleatoria ruido blanco.

Un AR(p) se puede reescribir en función del operador de retardos (L) y el
correspondiente polinomio de retardos, Φ(L):

Yt φ 1 Yt 1 φ 2 Yt 2 ... φ p Yt p = φ0 + εt
(1 φ1 L φ2 L2 ... φp Lp )Yt = φ0 + εt
Φ ( L ) Yt = φ0 + εt

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 18 / 37

2 Modelos Autorregresivos
El modelo AR(p)

Un AR(p) es estacionario si las raíces del polinomio de retardos caen

fuera del círculo unidad, es decir si jLi j > 1 8 i = 1, 2 donde Li son las
raíces de 1 φ1 L φ2 L2 ... φp Lp = 0.
φ
Si el proceso AR(p) es estacionario E (Yt ) = 1 φ φ 0 ... φ 8t y las
1 2 p
autocovarianzas se obtienen del sistema de ecuaciones de Yule-Walker
(con las p primeras ecuaciones se obtienen la varianza y las p primeras
covarianzas).

γ (0) = φ1 γ (1) + φ2 γ (2) + + φp γ(p ) + σ2ε

γ (s ) = φ1 γ (s 1) + φ2 γ (s 2) + φp γ (s p ) 8s > 0.

Todas las autocorrelaciones simples son distintas de cero pero sólo las p
primeras autocorrelaciones parciales son distintas de cero.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 19 / 37

3 Modelos de medias móviles
El modelo MA(1)

El modelo de medias móviles de orden 1 o MA(1) se expresa en función de

ruidos blancos (εt ) como

Yt = θ 0 + ε t θ 1 εt 1.

Un MA(1) es siempre estacionario (combinación lineal de procesos

estacionarios). En particular,
a) E (Yt ) = θ 0 8t,
b) Var (Yt ) = γ(0) = σ2ε (1 + θ 21 ) 8t
θ 1 σ2ε si s = 1
c) Cov (Yt , Yt s) = γ (s ) = 8 t.
0 8s > 1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 20 / 37

3 Modelos de medias móviles
El modelo MA(1)

En un MA(1) sólo la primera autocorrelacion simple es distinta de cero pero

la FAP nunca se anula.

ρ(s) φ(s)
1 1

1 1 2 3 4 5 6
s s

−1 −1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 21 / 37

3 Modelos de medias móviles
Invertibilidad de un MA(1)

Una serie temporal Yt es invertible si puede representarse como un proceso

AR estacionario (de orden in…nito). Esta propiedad se requiere para la
identi…cación de los procesos ARIMA según su FAS y FAP y para la
predicción de los procesos MA(q).

Si jθ 1 j < 1 el proceso MA(1) es invertible.

Yt = ε t + θ 0 θ 1 ( Yt 1 θ 0 + θ 1 εt 2) = εt + θ 0 (1 + θ 1 ) θ 1 Yt 1 θ 21 εt 2

y sustituyendo recursivamente εt i por el correspondiente proceso MA(1) se

obtiene
∞ ∞ ∞
Yt = θ 0 ∑ θ i1 ∑ θ i1 Yt i + εt = φ0 + ∑ φ i Yt i + εt .
i =0 i =0 i =0

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 22 / 37

3 Modelos de medias móviles
El modelo MA(2)

El modelo de medias móviles de orden 2 o MA(2) se expresa como (εt ruido

blanco)
Yt = θ 0 + ε t θ 1 ε t 1 θ 1 ε t 2 .

Un MA(2) es siempre estacionario y sus autocovarianzas:

a) E (Yt ) = θ 0 8t,
b) Var (Yt ) = γ(0) = σ2ε (1 + θ 21 + θ 22 ) 8t
8
< ( θ 1 + θ 1 θ 2 )σ2ε si s = 1
c) Cov (Yt , Yt s ) = γ(s ) = θ 1 σ2ε si s = 2 8 t.
:
0 8s > 2

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 23 / 37

3 Modelos de medias móviles
El modelo MA(2)

En un MA(2) las dos primeras autocorrelaciones simples son distintas de

cero pero la FAP nunca se anula.

ρ(s) φ(s)
1 1

1 2 1 2 3 4 5 6
s s

−1 −1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 24 / 37

3 Modelos de medias móviles
El modelo MA(2)

Un modelo MA(2) se puede representar en función del operador de retardos,

L, y del polinomio de retardos, Θ(L):

Yt = θ 0 + ( 1 θ1 L θ 2 L2 )εt = θ 0 + Θ(L)εt

Un MA(2) es invertible si las raíces del polinomio de retardos caen

fuera del círculo unidad, es decir si jLi j > 1 8 i = 1, 2 donde Li son las
raíces que satisfacen 1 φ1 L φ2 L2 = 0.

Por ejemplo, para el caso del MA(1)

1 θ1 L = 0 ) L = 1 > 1 , jθ 1 j < 1.
θ1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 25 / 37

3 Modelos de medias móviles
El modelo MA(q)

El modelo de medias móviles de orden q, MA(q), se representa como (εt

ruido blanco)

Yt = θ 0 + ε t θ 1 εt 1 θ 2 εt 2 ... θ q εt q.

Alternativamente usando el operador de retardos se puede expresar como

Yt = θ 0 + ( 1 θ1 L θ 2 L2 ... θ q Lq )εt = θ 0 + Θ(L)εt .

El modelo MA(q) es siempre estacionario e invertible si las raíces de

Θ(L) = 0 caen fuera del círculo unidad.

La FAS de un MA(q) se anula a partir del orden del proceso (q), pero la
FAP nunca se anula.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 26 / 37
4 Modelos ARMA
El modelo ARMA(1,1)

Un proceso ARMA(1,1) es un proceso mixto entre un AR(1) y un MA(1)

que se representa como (εt ruido blanco)

Yt = ψ 0 + φ 1 Yt 1 + ut θ 1 ut 1.

Este proceso es estacionario si jφ1 j < 1 e invertible jθ 1 j < 1.

Si el proceso es estacionario satisface:

θ0
a) E (Yt ) = 1 φ1 8t,
(1 +θ 21 2 φ1 θ 1 )
b) Var (Yt ) = γ(0) = σ2ε 1 φ21
8t
8
< σ2 (1 φ1 θ 1 )(φ1 θ 1 ) si s = 1
c) Cov (Yt , Yt s ) = γ(s ) =
ε 1 φ21 8 t.
: φ1 γ (s 1) 8s > 1

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 27 / 37

4 Modelos ARMA
El modelo ARMA(1,1)

Por tanto la FAS y la FAP de un ARMA(1,1) tienen todas las

autocorrelaciones simples y parciales distintas de cero, si bien éstas decaen
exponencialmente hacia cero.

La primera autocorrelación simple depende tanto de la parte AR(1) como

MA(1), pero a partir de ésta el resto se comportan como las de un AR(1).
En cuanto a la FAP, la primera autocorrelación parcial depende de la
estructura AR(1) y MA(1) pero a partir de ésta el resto se comportan como
en un MA(1).

Los procesos AR(1) y MA(1) son casos particulares del ARMA(1,1) para
θ 1 = 0 y φ1 = 0, respectivamente.

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 28 / 37

4 Modelos ARMA
El modelo ARMA(p,q)

La forma general de un proceso ARMA(p,q) es la siguiente (εt ruido blanco):

Yt = ψ 0 + φ 1 Yt 1 + ... + φp Yt p + εt θ 1 εt 1 ... θ q εt q

Φ ( L ) Yt = ψ0 + Θ (L) εt

Un ARMA(p,q) es estacionario e invertible cuando las raíces de

Φ (L) = 1 φ1 L φ2 L2 ... φp Lp = 0 y
Θ (L) = 1 θ1 L θ 2 L2 ... θ q Lq = 0 caen fuera del cículo unidad.

La FAS y la FAP de un proceso ARMA(p,q) estacionario son todas distintas

de cero dado que a partir del orden q la FAS se comporta como en un AR(p)
y a partir del orden p la FAP se comporta como en un MA(q).

Casos particulares: ARMA(p,0)=AR(p) y ARMA(0,q)=MA(q).

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 29 / 37
5 Modelos ARIMA(p,d,q)

La mayor parte de las series económicas no son estacionarias dado que

suelen presentar tendencias y/o clusters de volatilidad.

Las series no estacionarias en media se convierten en estacionarias

diferenciándolas. Si Yt no es estacionaria pero la serie diferenciada d veces
sí lo es, entonces Yt sigue un proceso integrado de orden d o I(d). En
particular las series estacionarias son I(0).

Normalmente basta con aplicar una diferencia (Zt = ∆Yt = Yt Yt 1 ), o

como mucho dos (∆2 Y t = ∆Zt = Zt Zt 1 ), para transformar las series
económicas en estacionarias.

Si las series no son estacionarias en varianza normalmente se les suele

aplicar logartimos antes de diferenciarlas. Diferencias de logaritmos son
Yt Yt 1
tasas de variación: ln(Yt ) ln(Yt 1) ' Yt 1 .
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 30 / 37
Ejemplos de series temporales no estacionarias
Los grá…cos de las series ofrecen una primera idea de la no estacionariedad. Por
ejemplo las …guras del índice S&P500 o del tipo de cambio £ /$ son claramente
no estacionarias en varianza (transformación logaritmica) y en media (primeras
diferencias).
SP500 (daily data) 26/4/1991 - 26/4/2006. 0bs 3913 Exchange rate £/$. Daily data. Obs 5441
1 ,6 0 0 .75

1 ,4 0 0
.70

1 ,2 0 0
.65
1 ,0 0 0

.60
800

.55
600

400
.50

200 .45
92 94 96 98 00 02 04 86 88 90 92 94 96 98 00 02 04 06

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 31 / 37

5 Modelos ARIMA(p,d,q)

Si Yt es I(d) entonces Zt = ∆d Yt = (1 L)d Yt es I(0), siendo L el

operador de retardos. Si además Zt se comporta como un ARMA(p,q)
entonces Yt se denomina ARIMA(p,d,q). Dicho proceso se puede
representar como:

Zt = ψ0 + φ1 Zt 1 + ... + φp Zt p + εt θ 1 εt 1 ... θ q εt q.
d
Φ(L)Zt = ψ0 + Θ(L)εt ) Φ(L)(1 L ) Yt = ψ 0 + Θ ( L ) ε t

Casos particulares: ARIMA(p,0,q)=ARMA(p,q), ARIMA(p,1,0)=ARI(p),

ARIMA(0,1,q)=IMA(q), ARIMA(p,0,0)=AR(p), ARIMA(0,0,q)=MA(q),
ARIMA(0,d,0)=I(d), ARIMA(0,1,0)="paseo aleatorio",
ARIMA(0,0,0)="ruido blanco"...
Algunas extensiones: modelos ARIMA estacionales multiplicativos (con parte
regular y estacional), modelos ARFIMA (de integración fraccional) y
Vectores Autorregresivos multivariantes (VAR).

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 32 / 37

6 Metodología Box-Jenkins

Box y Jenkins (1976) de…nieron una metodología de cuatro etapas para

seleccionar el proceso ARIMA subyacente a una serie temporal concreta con
el propósito de estimar, contraster y predecir series temporales. Las cuatro
etapas son las siguientes:

1) Identi…cación,
2) Estimación
3) Contraste
4) Predicción

La metodología se puede aplicar solamente a procesos ARMA estacionarios

(ARIMA antes de las correspondientes transformaciones para garantizar
estacionariedad).

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 33 / 37

6 Box & Jenkins Methodology

1) Representar la serie y calcular la FAS y FAP muestrales y comprobar si las

series son estacionarias. Si lo son (correlaciones decrecen rápidamente) pasar
al paso 3, si no lo son (lento decrecimiento) continuar con el paso 2.

2) Tomar logaritmos de la serie si parece que no es estacionaria en varianza

(varianza no constante en el tiempo) y/o primeras diferencias si parece que
no es estacionaria en media (tiene tendencia o medias distintas por tramos).

3) Examinar la FAS y la FAP muestrales de la nueva serie transformada (si

siguiera sin ser estacionaria volver al paso 2 y aplicar una nueva diferencia) e
intentar identi…car el proceso ARMA teniendo en cuenta las correlaciones
simples y parciales signi…cativas (bandas de ‡uctuación).

4) Estimar el proceso que se ha especi…cado (máxima verosimilitud).

Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 34 / 37
6 Metodología Box-Jenkins

5) Contrastes de hipótesis:

Contraste de signi…catividad individual (o conjunta) de los parámetros

del modelo.
Contrastes sobre los residuos del modelo: comprobar que la FAS y la
FAP tienen un comportamiento de ruido blanco (ninguna correlacion
signi…cativa), contraste de normalidad (test de Jarque-Bera)...
Usar el criterios de información de Akaike y Schwarz (AIC, BIC)
además del R 2 ajustado para decidir sobre la bondad de los ajustes de
posibles especi…caciones alternativas (normalmente de la inspección de
la FAS y FAC se pueden identi…car distintos modelos).

6) Si se deciden cambios en el modelo original volver estimar los nuevos

modelos en la etapa 4.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 35 / 37
7 Predicción bajo normalidad y varianza constante
Una vez que el modelo está correctamente especi…cado puede usarse para la
predicción.
Consideremos el caso más simple: Yt sigue un proceso AR(1),
Yt = φ 0 + φ 1 Yt 1 + εt
por tanto el horizonte de predicción para Yt será un periodo extramuestral
hacia adelante (T + 1) y el mejor predictor puntual
bT +1 = E
Y b ( YT + 1 ) = φ
b +φb YT
0 1
(suponiendo que el modelo sigue siendo válido en T + 1, es decir,
YT +1 = φ0 + φ1 YT + uT +1 , y E (uT +1 ) = 0).
Al nivel de con…anza del 95% (y asumiendo normalidad) un intervalo de
con…anza para Yt +1 será
YbT +1 z α σ bY
2
bY es la desviación típica muestral de Y .
donde z α = 1.96 y σ
2
En consecuencia Y se encontrará en dicho intervalo en T + 1 con una
probabilidad del 95%.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 36 / 37
8 Evaluación de las predicciones
¿Es nuestro modelo adecuado para predecir la variable objeto de estudio?

Para evaluar la capacidad predictiva del modelo se puede proceder de la siguiente

forma:
1 Separar la muestra en dos partes: (i) Periodo muestral (tamaño T ) y (ii)
Periodo extramuestral (tamaño n), que usaremos para comparar nuestras
predicciones con los datos reales.
2 Repetir la estimación n veces usando una "ventana rodante" de tamaño …jo.
3 Medir el error de predicción en el periodo extramuestral usando alguna
medida como el "error cuadrático medio" (ECM).
∑ni=1 ei2
ECM =
n
donde ei = Y bT +i YT +i es el error de predicción en el period T + i,
8i = 1, ..., n. Notemos que Yt +1 , Yt +2 , ..., Yt +n son los valores reales de la
serie en el periodo extramuestral (que son conocidos).
4 Repetimos los pasos 1 a 3 para cada modelo cuya capacidad predictiva
queramos comparar. El modelo con mejor capacidad predictiva será aquel
que presente un ECM menor.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 37 / 37