Fase 5 - Caso Práctico ARGOS

Métodos Cuantitativos y Estadísticos 1
Caso de Estudio: ARGOS
Rubén Darío Vásquez Jimeno
Universidad Nacional Abierta y a Distancia (UNAD)
Maestría en Gestión Financiera
Métodos Cuantitativos y Estadísticos
Julio 2023
Introducción
Los métodos cuantitativos y estadísticos, resultan ser una herramienta muy valiosa para
quienes se desempeñan en el ámbito financiero, ya que son estas herramientas las que les permite
tomar decisiones soportadas en análisis rigurosos que permiten de alguna manera poder bajar la
incertidumbre frente a lo que puede pasar, es por eso que con el desarrollo del presente trabajo se
busca la apropiación, a través de un caso de estudio, de los diferentes métodos que existen para
el pronóstico de acciones en una bolsa de valores.
En el presente trabajo se desarrollan conceptos y ejercicio prácticos que ayudan a entender
mejor todo lo relacionado con las series de tiempo y su aplicación dentro de la economía y las
finanzas, lo que conocemos como econometría, en un concepto más amplio.

Objetivos
General
Aplicar los conceptos aprendidos en el desarrollo de la asignatura, aplicando los modelos de
predicción a una serie real (acción de Argos).
Específicos
1. Analizar los diferentes modelos de regresión estudiados para definir uno para la
estimación de la proyección de la acción de Argos.
2. Practicar los conocimientos teóricos de los modelos de regresión a través de análisis de
una serie con los precios de una acción.

Contenido
Análisis Del Sector
De acuerdo a los últimos reportes del DANE, en Colombia, hasta el cierre de abril la
producción de cemento gris ha experimentado una tendencia a la baja significativa del 4,2 % en
comparación con el mismo periodo del año anterior, este informe presenta datos que dan cuenta
que se produjeron 4.532 miles de toneladas de cemento gris en el país durante ese período y que
los despachos al mercado nacional también se han visto afectados, registrando disminuciones
del orden del 6,3% en relación a abril de 2022 (4.138 miles de toneladas).
De acuerdo con los análisis del DANE, las causas de este comportamiento negativo
en la comercialización de cemento gris en Colombia son principalmente, el
decrecimiento en el canal de comercialización, y los desafíos que se dan por el
aumento de los costos de construcción debido a la inflación, que también influye en el
incremento del costo de los materiales de construcción. Todos estos factores han
impactado negativamente la demanda de cemento gris en el país.
Frente a esta situación, se hace necesario que las empresas del sector de la
construcción evalúen estrategias para poder estimular la demanda de cemento en el
mercado nacional., así como también se requiere un análisis profundo de los costos de
producción y comercialización, con el fin de encontrar soluciones que impulsen la
recuperación de este importante sector de la economía. Y esto es importante porque el
sector de la construcción juega un papel fundamental en el desarrollo económico del
país, generando empleo y dinamizando otras industrias relacionadas. Además, es
necesario asegurar un suministro adecuado de cemento gris para la ejecución de

proyectos de infraestructura y vivienda, que son vitales para el crecimiento y desarrollo
sostenible de Colombia.
Selección Del Modelo Estadístico
Para el análisis de los datos y poder hacer la proyección solicitada dentro del caso de estudio,
se plantea utilizar un modelo ARIMA, con este modelo y gracias a su robustez estadística resulta
bastante útil cuando se necesitan realizar predicciones en el corto y mediano plazo, con un bajo
indicador de costo/eficiencia, además con suficiente rapidez, realizando el análisis de series que
pueden tener un fuerte componente estacional, lo que la hace idónea para realizar predicciones
de acciones en bolsas de valores.
Por otro lado, aun cuando este modelo presenta unas limitaciones básicas, una se presenta
cuando se intentan realizar predicciones en el largo plazo donde los intervalos de confianza de la
predicción se incrementan de manera considerable a partir por lo cual puede tender a perder
precisión en la predicción, y otra limitación es su carácter univariante que no permite hacer
análisis explicativos sobre la evolución del precio ya que no es posible soportar los resultados en
ningún modelo económico.
Ahora bien, para superar estas dos limitantes y tener mejoras en las estimaciones en el largo
plazo como en la introducción de otras variables para dar un carácter estructural a las
predicciones, se puede plantear la posibilidad de utilizar modelos VAR (vectores
autorregresivos). Estos modelos permiten obtener formas estadísticas reducidas de vectores
permitiendo realizar predicciones de variables con igual bajo indicador de costo/beneficio.

Estimación Del Modelo (R – Project)
Grafica de la serie de tiempo completa
Gráfica de serie de tiempo únicamente para el precio
Análisis: al observar la gráfica de la serie de tiempo para el precio de cierre de la acción
de Argos en el último año (julio del 2022 a junio del 2023), se puede decir que no existe
una estacionalidad de los datos en el tiempo observado, ya que se evidencias picos y
valles pronunciados a lo largo del tiempo que no sugieren un comportamiento estacional.
Así mismo no se observa tendencias cíclicas, ni alcistas o bajistas, por el contrario, se
puede decir que los datos presentan cierta irregularidad en el comportamiento del precio
de la acción, lo cual se puede deber a las condiciones del mercado en ese espacio de
tiempo, a las actividades desarrolladas por la empresa y al momento económico del sector.
Lo primero que validaremos es si la serie es estacionaria a través de la prueba de
raíz unitaria de Dickey -Fuller:
De acuerdo con los resultados de la prueba en el software y a la gráfica resultante, se
puede decir que no existe autocorrelación de los datos, porque la mayoría de ellos están
alejados de la media.
Así mismo se observa en los resultados de la prueba, donde el p-valor es de 0.01 que nos
dice que la hipótesis nula es aceptada, es decir que la serie no es estacionaria.
Se aplica primeras diferencias para buscar la estacionariedad de la serie:
A continuación, se muestran los gráficos obtenidos luego de aplicar el método, donde
visualmente se infiere que los datos ya presentan estacionalidad porque al observar la
segunda grafica vemos como las barras en su mayoría están dentro de la media.
Se aplica la formulación para establecer cuantas diferencias se necesitan realizar:
Al realizar la prueba el resultado es uno, quiere decir que ya la serie aun no es
estacionaria y necesita una diferencia adicional.
Se aplica la segunda diferencia:

Validaremos es si la serie es estacionaria a través de la prueba de raíz unitaria de
Dickey -Fuller:
De acuerdo con los resultados de la prueba en el software y a la gráfica resultante, se
puede decir que no existe autocorrelación de los datos, porque la mayoría de ellos están
alejados de la media.
Así mismo se observa en los resultados de la prueba, donde el p-valor es de 0.01 que nos
dice que la hipótesis nula es aceptada, es decir que la serie es estacionaria.
Diagramas de autocorrelación simple y parcial, identificación de los rezagos de la
serie (p,q) para construir el ARIMA
Como ya establecimos que los datos iniciales de la serie de tiempo de los precios de cierre
de la acción de Argos no presentan
estacionalidad, se procede a realizar la gráfica
de los logaritmos de la serie de tiempo que se
muestra a continuación:
Se realiza test de Dick y Fuller para saber si esta nueva serie presenta estacionalidad
Se observa en los resultados de la prueba, donde el p-valor es de 0.01 que nos dice que la
hipótesis nula es aceptada, es decir que la serie no es estacionaria.
Se aplica método de primeras diferencias, que se muestran en la siguiente gráfica:
Observamos que la serie aun no es estacionaria.
Los resultados de la aplicación de la prueba de Dickey – Fuller muestran que la serie no es
estacionaria, y que necesita una corrida de las diferencias.

Segundas diferencias
A continuación, se muestra la gráfica de la serie ya ajustada:
Se construyen las series de autocorrelación simple y parcial, para poder establecer si los
valores que toma la serie tienen dependencia de valores anteriores, como estamos
trabajando el modelo ARIMA, con ACF se identifica la media móvil (MA) y con el PACF
el proceso autorregresivo (PACF)

Se aplica la prueba de Ljung - Box

El ACF de los residuos muestra autocorrelaciones no significativas.
Todos los valores de p para la prueba Ljung-Box Q están muy por debajo de 0.05 , lo que
nos indica que los datos son dependientes.

Pronóstico de la serie para 30

Pronóstico de la seria para 60

Pronóstico de la seria para 90
Se observa en los dos pronósticos realizados que la serie tiene tendencia al alza para los
siguientes 30, 60 y 90 periodos, con los intervalos de predicción del 80% como un área
sombreada oscura, y los intervalos de predicción del 95% como un área sombreada clara.
Conclusiones
Después de realizado el trabajo propuesto, se puede concluir que el análisis estadístico de las
series de tiempo a través de los modelos diferentes modelos existentes, viene a ser una
herramienta muy útil dentro de la econometría, ya que están permiten analizar variables que
impactan las decisiones financieras y de inversión.
Ahora bien, se debe tener en cuenta que se pueden encontrar diferentes modelos a usar para el
análisis estadístico, sin embargo, es importante poder sustentar el uso de uno u otro dependiendo
del contexto y la variable que se esté analizando.
Es importante además que estos análisis se puedan realizar con herramientas tecnológicas que
ayuden a que la toma de decisiones pueda ser ágil y con bajo grado de error en los cálculos.
Referencias
Arce, R., (1998). Introducción a los modelos autorregresivos con heterocedasticidad
condicional (ARCH)
https://www.uam.es/uam/media/doc/1606862179240/doctra9806.pdf
Amate, Kevin. (2018). Modelos ARCH y GARCH: Aplicación a series financieras.
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0121-47722008000100011
Baron, J. A. (2021). Modelos de varianza condicional.
[Objeto_virtual_de_Informacion_OVI]. Repositorio Institucional UNAD.
https://repository.unad.edu.co/handle/10596/39223
Gujarati, D. N., Porter, D. C.(2010). Econometría. Capítulo 22. Págs. 791-796. McGraw-Hill.
https://www-ebooks7-24-com.bibliotecavirtual.unad.edu.co/?il=279&pg=814
https://www.dane.gov.co/index.php/estadisticas-por-tema/construccion/estadisticas-de-
cemento-gris#:~:text=En%20mayo%20de%202023%2C%20la,al%20mismo%20mes
%20de%202022.

Fase 5 - Caso Práctico ARGOS

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fase 5 - Caso Práctico ARGOS

Cargado por

Copyright:

Formatos disponibles

Métodos Cuantitativos y Estadísticos 1

Caso de Estudio: ARGOS

Rubén Darío Vásquez Jimeno

Universidad Nacional Abierta y a Distancia (UNAD)

Maestría en Gestión Financiera

Métodos Cuantitativos y Estadísticos

el pronóstico de acciones en una bolsa de valores.

En el presente trabajo se desarrollan conceptos y ejercicio prácticos que ayudan a entender

finanzas, lo que conocemos como econometría, en un concepto más amplio.

Aplicar los conceptos aprendidos en el desarrollo de la asignatura, aplicando los modelos de

predicción a una serie real (acción de Argos).

estimación de la proyección de la acción de Argos.

2. Practicar los conocimientos teóricos de los modelos de regresión a través de análisis de

una serie con los precios de una acción.

Análisis Del Sector

en la comercialización de cemento gris en Colombia son principalmente, el

decrecimiento en el canal de comercialización, y los desafíos que se dan por el

aumento de los costos de construcción debido a la inflación, que también influye en el

impactado negativamente la demanda de cemento gris en el país.

construcción evalúen estrategias para poder estimular la demanda de cemento en el

producción y comercialización, con el fin de encontrar soluciones que impulsen la

recuperación de este importante sector de la economía. Y esto es importante porque el

sector de la construcción juega un papel fundamental en el desarrollo económico del

país, generando empleo y dinamizando otras industrias relacionadas. Además, es

necesario asegurar un suministro adecuado de cemento gris para la ejecución de

proyectos de infraestructura y vivienda, que son vitales para el crecimiento y desarrollo

Selección Del Modelo Estadístico

de acciones en bolsas de valores.

precisión en la predicción, y otra limitación es su carácter univariante que no permite hacer

ningún modelo económico.

predicciones, se puede plantear la posibilidad de utilizar modelos VAR (vectores

autorregresivos). Estos modelos permiten obtener formas estadísticas reducidas de vectores

permitiendo realizar predicciones de variables con igual bajo indicador de costo/beneficio.

Estimación Del Modelo (R – Project)

Grafica de la serie de tiempo completa

Gráfica de serie de tiempo únicamente para el precio

Análisis: al observar la gráfica de la serie de tiempo para el precio de cierre de la acción

una estacionalidad de los datos en el tiempo observado, ya que se evidencias picos y

valles pronunciados a lo largo del tiempo que no sugieren un comportamiento estacional.

Así mismo no se observa tendencias cíclicas, ni alcistas o bajistas, por el contrario, se

Lo primero que validaremos es si la serie es estacionaria a través de la prueba de

raíz unitaria de Dickey -Fuller:

De acuerdo con los resultados de la prueba en el software y a la gráfica resultante, se

dice que la hipótesis nula es aceptada, es decir que la serie no es estacionaria.

Se aplica primeras diferencias para buscar la estacionariedad de la serie:

A continuación, se muestran los gráficos obtenidos luego de aplicar el método, donde

visualmente se infiere que los datos ya presentan estacionalidad porque al observar la

Se aplica la formulación para establecer cuantas diferencias se necesitan realizar:

Al realizar la prueba el resultado es uno, quiere decir que ya la serie aun no es

estacionaria y necesita una diferencia adicional.

Se aplica la segunda diferencia:

Validaremos es si la serie es estacionaria a través de la prueba de raíz unitaria de

De acuerdo con los resultados de la prueba en el software y a la gráfica resultante, se

dice que la hipótesis nula es aceptada, es decir que la serie es estacionaria.

Diagramas de autocorrelación simple y parcial, identificación de los rezagos de la

serie (p,q) para construir el ARIMA

de la acción de Argos no presentan

estacionalidad, se procede a realizar la gráfica

de los logaritmos de la serie de tiempo que se

hipótesis nula es aceptada, es decir que la serie no es estacionaria.

Se aplica método de primeras diferencias, que se muestran en la siguiente gráfica:

Observamos que la serie aun no es estacionaria.

Los resultados de la aplicación de la prueba de Dickey – Fuller muestran que la serie no es