Trabaje con las siguientes series de precios de activos financieros.

Establecer rango hasta: 2018-08-29 que realmente representa finales de 2018.

(datos_bolsa.xlsx)

Serie temporal, diarios (5 días), fecha inicial: 2004-01-02

*Muestra – Establecer rango: 2018-08-29*

TELEFÓNICA
1º Gráfico de series temporales:

Podría tener tendencia negativa (no tiene mucho sentido pagarte 2€ para que cojas una acción.
2º Correlograma:

Parece un proceso integrado, pero vamos a comprobarlo con el contraste de Dickey-Fuller.

3º Contraste de Dickey-Fuller:

*Variable – Contrastes de raíz unitaria – Contraste aumentado de Dickey-Fuller: con constante;

con constante y tendencia*

Como el p-valor es mayor que 0.05, no rechazo la hipótesis nula, por lo tanto, diré que es al
menos una serie integrada de primer orden. Habrá que añadir la primera diferencia.
El primer gráfico es característico de datos de alta frecuencia. Vemos tramos de mayor
volatilidad y de menos.

Para ver la volatilidad elevo la serie al cuadrado y así no tendrá valores negativos.

El correlograma no parece ser integrado.

*Variable – Contrastes de raíz unitaria – Contraste aumentado de Dickey-Fuller: con constante;

con constante y tendencia*
Vemos que le p-valor es menor que 0.05, por lo tanto, rechazaré la hipótesis nula y podré decir
que la serie es integrada de primer orden.

*Modelo - Serie temporal univariante – ARIMA (1, 1, 1)*

4º Chequeo:

*Desde el modelo: Gráficos – correlograma de los residuos*

No tiene problemas de autocorrelación.

*Desde el modelo: contrastes – normalidad de los residuos*

No pasa el contraste de normalidad.

*Desde el modelo: Contrastes – ARCH*

No pasa tampoco el contraste de ARCH porque el p-valor es menor que 0.05 y rechazo la
hipótesis nula. Es una serie que no tiene heterocedasticidad, por lo tanto, la varianza depende
de su pasado, por lo que no es constante.

*Desde el modelo: Guardar – Residuos al cuadrado: usq1*

*Modelo – MCO – Variable dependiente: usq1 – Retardos: 1-5*

La variable depende de su pasado porque no cumple el contraste de ARCH.

Cuando el ARIMA no pasa el contraste de ARCH  GARCH

*Modelo – Series univariantes temporales – GARCH 0 y ARCH 1– Variable dependiente: d_TEF –

Estandarizar los residuos*
*Desde el modelo: Gráficos – correlograma de los residuos*

No lo pasa

*Desde el modelo: Guardar – Residuos al cuadrado: usq3*

*Modelo – MCO (ARCH) – Variable dependiente: usq3 – Regresores: 1-5*

Valor p (de F) es menor que el 0.05 por lo tanto rechazamos y no pasa el contraste de ARCH.

Como con esta serie no puedo trabajar, tomaré logaritmos.

En el gráfico la serie toma los misma forma pero la diferencia entre valores es menor.

*Variable – Contrastes de raíz unitaria – Contraste aumentado de Dickey-Fuller: con constante;

con constante y tendencia*

No rechazo la hipótesis nula por lo tanto aplico la diferencia del logaritmo.

*Variable – Contrastes de raíz unitaria – Contraste aumentado de Dickey-Fuller: sin constante;
con constante*

Es estacionaria, por lo que podemos decir que es integrada de primer orden.

*Modelo - Serie temporal univariante – ARIMA (3, 1, 0)*

Corrige los problemas de autocorrelación, normalidad no lo pasa y el contraste de ARCH
tampoco.

*Modelo – Series univariantes temporales – GARCH 0 y ARCH 1– Variable dependiente: d_TEF –

Estandarizar los residuos – Retardos: 3*
Para saber que modelo es mejor comparo con el criterio de Akaike y el de Schwarz, en caso de
empate, usamos criterio de Hannan-Quinn.

En este caso nos quedamos con el último modelo que tiene ARCH 4 porque tiene un menor
criterio de Akaike.

*Desde el modelo: Guardar – Residuos al cuadrado: usq9*

*Modelo – MCO (ARCH) – Variable dependiente: usq9 – Regresores: 1-5*

No presenta problemas de ARCH.

Ahora podríamos realizar predicciones.