ESTADO DEL ARTE

SERIES DE TIEMPO


Agustn de la Cuesta W.; Juan Pablo Duarte P.



I Abstract

Poder hacer una proyeccin de los datos con una alta exactitud, es algo
que cualquier analista de una empresa necesita para poder establecer sus
estrategias. En este trabajo se entregan una serie de herramientas que se
utilizan en series de tiempo para pronosticar. Dentro de las Herramientas que se
detallan se encuentran los mtodos ingenuos, suavizamiento exponencial,
modelos autoregresivos y los modelos condicionales heterocedasticos. Estos
modelos se utilizan dependiendo de la precisin que se este buscando, la
caracterstica de los datos, entre otras cosas. Tambin se muestran algunas
aplicaciones que utilizan estas metodologas, comparndolas y obteniendo
conclusiones en base a estas.



I I Introduccin

Una serie de tiempo o serie cronolgica, es una coleccin de datos numricos
(observaciones) al cual se asocia con un instante especfico del tiempo. A travs del anlisis de
estos, se puede construir un modelo que explique la estructura y el comportamiento de la serie
de datos. Adems se puede proyectar la evolucin de una variable a lo largo del tiempo.

Los modelos de series de tiempo suponen desconocimiento acerca de las relaciones
causales que en la realidad afectan a la variable que se trata de pronosticar. Sin embargo,
examina el comportamiento de una serie temporal en el pasado para inferir cual ser su
comportamiento futuro.

Si se define X t como una variable aleatoria que describe el comportamiento de la serie
en el instante t, podemos escribir un proceso estocstico ( X ) de la siguiente forma:

X = { X t , t e Z }

Por otro lado, no es posible distinguir las particularidades que el comportamiento de una
serie de tiempo pueda tener, incluso grficamente.

El mtodo de una serie temporal para la obtencin de una prediccin, puede implicar la
utilizacin de un modelo determinstico simple, hasta la utilizacin de un complejo modelo
estocstico adaptivo.

Los mtodos existentes permiten ajustar los consumos histricos a una determinada
curva, logrando extrapolarla hacia el futuro. Esto presenta caractersticas, tales como:

- Es posible utilizar una mnima cantidad de datos,
- Permite emplear algoritmos directos y sencillos (con la ayuda de softwares).
- Sus resultados son bastante aceptables, de acuerdo a los datos que se
manejan.

Por otra parte, estudios revelan que una serie de tiempo posee ciertos componentes de
movimientos o variaciones caractersticas que pueden medirse y observarse por separado, como
se muestra a continuacin:

a) Tendencia o movimientos seculares o de larga duracin.

Es el patrn bsico de crecimiento o disminucin de la serie a largo plazo. Seala que el
nivel de la serie se desplaza en forma regular con movimientos suaves hacia arriba o hacia
abajo a lo largo del tiempo. Se encuentra ajustando una recta o curva de regresin a la
variable en cuestin.

b) Ciclo o movimientos cclicos.

Se refiere al movimiento ondulado de la serie, a mediano plazo, que resulta de los cambios
en la actividad econmica y competitiva en general. Son, sin duda, oscilaciones de larga
duracin alrededor de la curva de tendencia, las cuales pueden o no ser peridicas, es decir,
pueden o no seguir caminos anlogos en intervalos de tiempo iguales. El componente cclico
es til para los pronsticos a mediano plazo. No obstante, las fluctuaciones cclicas son
difciles de pronosticar porque no se presentan de manera regular.

c) Estacionalidad o movimientos estacionales.

Son fluctuaciones peridicas en una serie de tiempo, cuya frecuencia es menor a un ao
(semestre, trimestre, mensual, diaria, etc.), repitindose aproximadamente en las mismas
fechas y con la misma intensidad. El componente temporal puede estar relacionado con
factores climatolgicos, fiestas o costumbres comerciales.

d) Ruido estadstico o movimientos errticos o irregulares.

Son movimientos espordicos o de corto plazo que se deben a una infinidad de factores no
identificables, ocasionales o imprevisibles. Cada uno de estos afecta en pequea medida a
un efecto en la variable. Estos componentes, por definicin son impredecibles y se deben
eliminar de los datos pasados, a efecto de encontrar el comportamiento ms normal de las
series.


I I I Modelos
III.1 Modelos de Descomposicin Clsicos

Esta metodologa consiste en descomponer la serie histrica en: tendencia (T), ciclo (C),
componente estacional (S) y componente irregular (I). Estos cuatro componentes pueden ser
combinados de manera aditiva o multiplicativa para producir el efecto observado.

El modelo aditivo se expresa como: X
t
= T
t
+ S
t
+ C
t
+ I
t
, los valores al lado derecho
corresponden a la tendencia, la variacin estacional, la variacin cclica y la variacin aleatoria o
irregular, respectivamente para el mismo perodo. Sin embargo este modelo supone que los
componentes son independientes uno del otro, lo que rara vez sucede en la vida real. En la
mayora de los casos, los movimientos de un componente tendrn un impacto en los otros, por lo
que el modelo multiplicativo es el que se usa con ms frecuencia.

El modelo multiplicativo se expresa como: X
t
= T
t
x S
t
x C
t
x I
t
. En este modelo slo T se
expresa en las unidades originales, y S, C e I se expresan en trminos de fracciones. Debido al
comportamiento de las variables bajo estudio, se utilizar y explicar solamente la metodologa
correspondiente al modelo multiplicativo.


III.1.1 Estimacin de la componente estacional


El primer paso en la descomposicin es la obtencin un ndice estacional. Teniendo en
cuenta el comportamiento de las variables, se calcula un promedio mvil que abarque un ciclo de
estacionalidades completo, eliminando de esta forma las variaciones estacionales, as como todo
el efecto aleatorio, dejando la tendencia y el componente cclico, es decir, PM t = T t x C t.


Luego se calcula la razn por promedio mvil:

t t
t t
t t t t
t
t
xI S
xC T
xI xC xS T
PM
X
= =

Posteriormente, para eliminar el componente aleatorio se calcula una razn media por
promedio mvil para cada una de las estaciones. Esto se logra promediando la razn promedio
mvil para cada estacin, sin incluir el mximo ni el mnimo de cada conjunto.



III.1.2 Anlisis de la tendencia


Utilizando el mtodo de mnimos cuadrados ordinarios, es posible estimar una curva de
tendencia, donde la variable dependiente es la serie de tiempo que se desea pronosticar y el
tiempo se utiliza como variable independiente. Dado el comportamiento de las series bajo
estudio, generalmente se opta por estimar la tendencia en forma lineal.

III.1.3 Estimacin de la variacin cclica


El componente cclico se identifica dividiendo el promedio mvil por la tendencia. Una
vez aislado el componente cclico, es posible ajustar una curva de regresin sinusoidal, a travs
de la metodologa de mnimos cuadrados, de la forma:

C
t
= a + b COS ( c
t
+ d )

III.1.4 Pronsticos

Finalmente, al determinar los componentes del modelo, estos se renen para obtener el
pronstico de la variable de inters, de la siguiente forma:

t t t t
xC xS T X =
III.2 Mtodos Ingenuos

Antes de recurrir a los mtodos ms sofisticados uno debe preguntarse si el problema en
cuestin realmente lo justifica, o bien, si bastara con usar tcnicas econmicas computacionales
y de simple interpretacin.

Esto depender esencialmente de la importancia de las decisiones que se tomarn en
base al modelo y del tipo de prediccin (Corto, largo; o mediano plazo).

Los modelos existentes que pueden ser utilizados son:

a) x(t) = T(t)+E(t)+A(t) (aditivo)

b) x(t) = T(t) E(t) A(t) (multiplicativo)

c) x(t) = T(t) E(t) + A(t) (mixto)




Se puede apreciar claramente, al igual que el apartado anterior, que:

T: Tendencia de la serie (representa la direccin predominante de la serie, es decir, su
comportamiento promedio).

E: Variacin estacional (Se caracteriza por perodos o ciclos de la serie).

A: variaciones accidentales (Se caracteriza cambios irregulares ya sean de tendencia variancia
o ciclos de la serie).


III.2.1 Estimacin de la Tendencia

Es necesario estimar una curva de tendencia, donde la variable dependiente es la serie
de tiempo que se desea pronosticar y el tiempo se utiliza como variable independiente. Dado el
comportamiento de las series, es probable estimar la tendencia en forma lineal, mediante el uso
de mnimos cuadrados.


Regresin Mediante inspeccin grfica se decide cual curva ajustar.

a) T(t) = a + bt (recta)

b) T(t) = a ebt (exponencial)

c) T(t) = a + bt + ct
2
(parabola)

La estimacin de T(t) se anotar .

Por otro lado, se remueve el efecto estacional de la serie en cuestin, antes de estimar
la tendencia. Para esto se usa Medias mviles.

Medias Mviles:

12
) 6 (
2
1
) 5 ( ) 4 ( ) 5 ( ) 6 (
2
1
) (
+ + + + + + + +
=
t x t x t x t x t x
t z

La nueva serie Z(t), bajo el supuesto de que la serie es mensual con efecto estacional
anual, se suele decir que es la serie original filtrada o suavizada.

Ahora, se estima la tendencia aplicando regresin a la serie suavizada.

III.2.2 Estimacin de la Variacin Estacional

Si se utilizo regresin a x(t) para estimar la tendencia, se calcula la serie residual W(t):

Aditivo) Caso ( ) (

) ( ) (

t T t x t W =
Mixto) Caso (
) (

) (
) (

t T
t x
t W =


W(t) Es una serie en que slo deberan manifestarse los efectos estacionales y accidentales.

Si adems se aplica medias mviles se tendr que, la serie W(t) se puede estimar
mediante

Mixto) (
) (
) (
(t) W
~
; Aditivo) ( ) ( ) ( ) (
~
t z
t x
t z t x t W = =


: ) (
~
t W
Tambin ser una serie en que slo se encontrar presente efectos estacionales y
accidentales.


) (

t T
En cualquiera de estos casos denotaremos mediante w(t) la serie en que se han
removido los efectos de la tendencia.

Por lo tanto, a W(t) se le llama serie residual (luego de removida la tendencia), tal como
se muestra en la figura 4.1, para ambos casos


Caso Aditivo Caso mixto

Figura 3.1: Serie Residual W(t)


Para estimar la variable estacional E(t) se puede comenzar por considerar e(h), como el
promedio de los valores de w en el mes h.

mensual serie suponiendo ) (
12
1
12
1

=
=
h
h e e


Como es razonable, se quisiera que el promedio de las estimaciones sea 0 en el caso
aditivo y 1 en el caso mixto, por lo que se puede estimar E(h) mediante:

mixto Caso ; ) 1 ( ) ( ) (

Aditivo Caso ; ) ( ) (

=
=
e h e h E
e h e h E


La aplicacin del estimador ((h)) en pronstico es directa, ya que se predice E(t)
mediante la variacin estacional estimada para el mes t.

Para poder elegir entre ambos modelos, se suele utilizar el grfico de la serie residual.
En el caso de series de ndices se sugiere usar modelos mixtos, debido a que en este caso las
variaciones sern porcentuales).



III.2.3 Formulacin General del Problema de Prediccin

La prediccin correspondiente, que depender del modelo elegido y, en general, de n y
k, se anotar de la siguiente forma:

Mixto Caso ) (

) (

) (
Aditivo Caso ) (

) (

) (
k n E k n T k x
k n E k n T k x
n
n
+ + =
+ + + =


donde k es el horizonte de prediccin o nmero de pasos adelante que se est prediciendo y n el
origen de la prediccin.

Una vez conocido x(n+k) podemos calcular el error de prediccin correspondiente:

) ( ) ( ) ( k x k n x k e
n n
+ =


III.3 Suavizacin Exponencial

Los mtodos de suavizamiento exponencial han sido desarrollados desde principios de
los aos 1950s. Quizs la razn ms importante de su popularidad es la sorprendente precisin
que puede ser obtenida con un mnimo de esfuerzo en la identificacin del modelo.

Gardner propone un sistema para clasificar los modelos de suavizamiento exponencial
de dos maneras, dependiendo de la estacionalidad y la tendencia. Los modelos pueden
incorporar o no, un componente estacional que puede ser multiplicativo o aditivo. Adems,
pueden poseer o no una tendencia lineal, exponencial o amortiguada. La combinacin de estas
caractersticas entrega 12 modelos diferentes de suavizamiento exponencial, incluyendo los
modelos clsicos desarrollados por Winters y Holt.

A continuacin se estudiaran los modelos ms utilizados de suaviazamiento exponencial:

- Suavizamiento exponencial Simple: sin tendencia y sin componente estacional
- Modelo aditivo sin tendencia
- Holt: tendencia lineal y sin componente estacional
- Winters o Suavizamiento exponencial triple: tendencia lineal y componente
estacional multiplicativo
- Modelos con tendencia exponencial y componente estacional multiplicativo
- Modelos con tendencia amortiguada y componente estacional multiplicativo

III.3.1 Suavizamiento exponencial simple

Como su nombre lo indica, el suavizamiento exponencial tiene el efecto de suavizar una
serie, el Suavizamiento Exponencial Simple se utiliza cuando los datos no presentan ningn
patrn de tendencia, es decir, si la serie temporal flucta con respecto a un nivel base3. Sus
ecuaciones son:

Forma Recursiva

( )
1
1

+ =
t t t
S x S o o
t m t
S X =
+

Forma de correccin del error

1
+ =
t t t
S e S o
t m t
S X =
+

Donde: X
t
: es el valor observado de la serie en el perodo t
S
t
: es el nivel suavizado de la serie, calculado despus de observar X
t
: S
0
= X
1


t
X

es el pronstico para el perodo t

m: es una constante que representa un nmero no especificado de perodos
e
t
: es el error del pronstico
t t t
X X e =

: es una constante de suavizamiento para el nivel de la serie ( 0 < < 1)

El modelo es un promedio ponderado de los valores actuales y los pasados, ajustando
los pronsticos en direccin opuesta a los errores pasados. Debido que se desea pronosticar con
el menor error posible, el valor de se escoge minimizando el error cuadrtico medio (MSE).

Si es cero, todos los valores suavizados sern iguales al valor inicial. Si este parmetro
es uno, cada valor suavizado ser igual a la observacin previa respectiva. Valores de
mayores que 0 y menores que 1 producirn un pronstico que es un promedio ponderado de las
observaciones anteriores, cuyos pesos reducirn exponencialmente los valores pasados. Valores
pequeos para hacen que los efectos pasados tarden ms en desaparecer, por el contrario
mientras ms cercanos estn a uno, mayor ser el efecto de las observaciones ms recientes.


III.3.2 Modelo Aditivo sin tendencia

Este modelo es parcialmente equivalente al modelo de suavizamiento exponencial
simple, sin embargo, adicionalmente cada pronstico es mejorado a travs de un componente
estacional aditivo, el cual es suavizado independientemente.

Forma recursiva

( ) ( )
( ) ( )
m p t t m t
p t t t t
t p t t t
I S X
I S X I
S I X S
+ +

+ =
+ =
+ =

o o
o o
1
1
1


Forma de correccin del error

( )
m p t t m t
p t t t
t t t
I S X
I e I
e S S
+ +

+ =
+ =
+ =

o o
o
1
1


Donde: I
t
: es un ndice o factor estacional suavizado al final del perodo t
: es una constante de suavizamiento para los factores estacionales (0 < < 1)


III.3.3 Modelo Winter (Suavizamiento exponencial triple)

Este mtodo se usa cuando estn presentes la tendencia y la variacin estacional,
mejora los pronsticos del modelo de suavizamiento exponencial simple a travs de un
componente de tendencia lineal (independientemente suavizado con el parmetro ) y de un
componente estacional multiplicativo (suavizado con el parmetro ). Sus ecuaciones son:



Forma recursiva

( ) ( )
( ) ( )
( )
( )
m p t t t m t
p t
t
t
t
t t t t
t t
p t
t
t
I T m S X
I
S
X
I
T S S T
T S
I
X
S
+ +

+ =
+ =
+ =
+ + =

1
1
1
1 1
1 1
o o

o o




Forma de correccin del error

( )
( )
m p t t t m t
t
t
p t t
t
p t
t
t
p t
t
t t t
I T m S X
S
e
I I
T
I
e
T
I
e
T S S
+ +

+ =
+ =
+ =
+ + =

1
1
1 1
o o
o
o


Donde: T
t
: es la tendencia suavizada al final de l perodo t
: es una constante de suavizamiento para la tendencia (0 < < 1)
P :es el largo del ciclo estacional; p=12 para datos mensuales; p=4 para datos
trimestrales.

El resto de los parmetros mantiene su definicin anterior. Adems, para calcular el valor
suavizado (pronstico) para la primera observacin de la serie, las estimaciones del nivel (S 0) y
la tendencia (T o) son necesarias. Se suele calcular estos valores a travs de las siguientes
frmulas:

( )
( ) p k
M M
T
k

=
1
1
0

2
0
1 0
T
p M S =

Donde M k es promedio del ltimo ciclo estacional, M 1 es el promedio del primer ciclo
estacional y k es el nmero de ciclos estacionales completos. Adems, los valores iniciales de
los factores estacionales se toman como los ndices estacionales del modelo de descomposicin
clsico.

III.3.4 Modelo con tendencia Exponencial y con componente estacional multiplicativa

En este modelo los pronsticos del modelo de suavizamiento exponencial simple son
mejorados a travs de un componente de tendencia exponencial (independientemente suavizado
con el parmetro ) y de un componente estacional multiplicativo (suavizado con el parmetro ).
Sus ecuaciones son:

Forma recursiva

( ) ( )
( )
( )
( )
m p t
m
t t m t
p t
t
t
t
t
t
t
t
t t
p t
t
t
I T S X
I
S
X
I
T
S
S
T
T S
I
X
S
+ +

=
+ =
+ =
+ + =

1
1
1
1
1
1 1
o o

o o



Forma de correccin del error

( )
( )
m p t
t
m
t m t
t
t
p t t
t p t
t
t
t
p t
t
t t t
I T S X
S
e
I I
T I
S
e
T
I
e
T S S
+ +

=
+ =
+ =
+ =

1
1
1
1 1
o o
o
o


Todos los parmetros mantienen su definicin anterior. Adems, para calcular el valor
suavizado (pronstico) para la primera observacin de la serie, las estimaciones del nivel (S 0) y
la tendencia (T o) son necesarias. . Se suele calcular estos valores a travs de las siguientes
frmulas:

( ) ( )
( ) ( )
(

=
=
2
log log
0
log log
0
0 1
1
T p M
p
M M
e S
e T
k


Adems, los valores iniciales de los factores estacionales se toman como los ndices
estacionales del modelo de descomposicin clsico.


III.3.5 Modelo con Tendencia Amortiguada y con componente estacional multiplicativa

En este modelo los pronsticos del modelo de suavizamiento exponencial simple son
mejorados a travs de un componente de tendencia amortiguada (independientemente
suavizado con el parmetro ) y de un componente estacional multiplicativo (suavizado con
parmetro ); este modelo es una extensin del modelo lineal de un parmetro de Brown. En
este caso no es aplicable la forma recursiva como lo ha sido en los casos anteriores.




Forma de correccin de error

( )
( )
( ) | |
m p t
m
w
t
w
t m t
t
t
p t t
p t
t
t t
p t
t
t t t
I T S X
S
e
I I
I
e
T T
I
e
T S S
+
=
+

|
.
|

\
|
+ =
+ =
+ + =
+ + =

1
1
1 1

2 1
1
2
|
o o o
| o o |
o o |


Donde : Es una constante de modificacin de la tendencia (o < < 1)

El resto de los parmetros mantiene su definicin anterior. Adems, para calcular el valor
suavizado (pronstico) para la primera observacin de la serie, las estimaciones del nivel (S 0) y
la tendencia (T o) son necesarias. Estos se calculan estos valores a travs de las siguientes
frmulas:

( )
2
1
1
0
1 0
1
0
T
p M S
p k
M M
T
k
=

=
|


Adems, los valores iniciales de los factores estacionales se toman como los ndices
estacionales del modelo de descomposicin clsico.

III.4 Modelos Autoregresivos

III.4.1 Modelos de Box & Jenkins (Autoregresivos- Medias Mviles)

El estudio realizado por G.P.E. Box y G.M. Jenkins (1976), estableci una nueva
generacin en herramientas de prediccin. La metodologa conocida como Box & Jenkins (o
tcnicamente conocida como ARIMA), a diferencia de otros modelos utilizados para el mismo fin,
la variable de inters puede ser explicada por valores pasados y por trminos estocsticos de
error.

Esta metodologa tiene un alcance bastante ms amplio que los modelos de
descomposicin clsica, los mtodos ingenuos o de suavizamiento, no obstante son muy
complejos.

Los procesos estocsticos son sucesiones de variables aleatorias, siendo su ndice el
tiempo {Xt}. Dichos procesos estn compuestos por observaciones tomadas a intervalos iguales,
con lo que las aplicaciones frecuentes corresponden a datos observados en el tiempo, como ser
cada ao, mes, hora, etc.

El mtodo Box & Jenkins consiste en construir un modelo en varias etapas (siguiendo el
esquema del cuadro siguiente), detalladas a continuacin:

Formulacin de un modelo ARIMA
Identificacin de un modelo para los
datos observados (p,d,q,P,D,Q)
Estimacin de los parametros
(|'s, u 's, u's, O's)
Crtica y diagnosis del modelo
Es el modelo adecuado?
Pronsticos


1. Formulacin de un modelo ARIMA: lo primero es decidir si la serie es o no un proceso
estacionario, si no lo es, se debe trasformar para que lo sea.

2. Identificacin de un modelo para los datos observados: examinando los coeficientes de
las funciones de autocorrelacin simple
1
y autocorrelacin parcial
2
, se escoge en forma
tentativa valores p, d, q, P, D y Q para cada serie, siguiendo el principio de parsimonia
(el modelo debera usar el menor nmero posible de parmetros).


1
Mide el grado de correlacin de una variable con si misma, desfasada una cierta cantidad de
tiempo.
2
Mide autocorrelacin despus de eliminar los efectos de retardos intermedios
3. Estimacin de parmetros y contrastes: esto es determinar los parmetros para el
modelo ARIMA(p, d, q)(P, D, Q) especfico.

4. Critica y diagnosis del modelo: esto es, verificar si el modelo se ajusta apropiadamente,
examinando los coeficientes de las funciones de autocorrelacin y autocorrelacin
parcial de los residuos.


La autocorrelacin mide el grado de correlacin de una variable con s misma desfasada
una cierta cantidad de tiempo (lag o retardo). La autocorrelacin Parcial mide la
autocorrelacin despus de eliminar el efecto de los retardos intermedios.
Si el modelo parece inadecuado en alguna forma, se considerar la naturaleza de la
inadecuacin para ayudar a seleccionar otro modelo. Luego se proceder a estimar ese
nuevo modelo y verificar su ajuste.

5. Pronsticos: Con pocas iteraciones de esta estrategia, se espera llegar al mejor modelo
posible para las series bajo estudio, una vez determinado el modelo se realizan los
pronsticos. Si la serie fue diferenciada, sta debe integrarse antes de generar los
pronsticos.


Esta metodologa corresponde al modelo que mejor predice en el corto plazo, debido a
que no existe nada mejor que el pasado de la propia serie de datos, para saber su evolucin
futura.

El modelo general introducido por Box y Jenkins establece una base cuantitativa para
decidir si aplicar una regresin, una suavizacin, o ambas simultneamente para crear el mejor
pronstico.

Cualquier serie de tiempo puede ser generada por un proceso estocstico o aleatorio y
un conjunto concreto de informacin. Las series de tiempo se utilizan para inferir sobre el
proceso estocstico subyacente. Un tipo de proceso estocstico que ha recibido gran atencin
por parte de los analistas de series de tiempo es el proceso estocstico estacionario.

En forma general, se dice que un proceso estocstico es estacionario si su media y su
varianza son constantes en el tiempo y si el valor de la covarianza entre dos periodos depende
solamente de la distancia o rezago entre dos periodos del tiempo y no del tiempo en el cual se
ha calculado la covarianza.

Para explicar lo afirmado, sea y
t
una serie de tiempo estocstica con estas propiedades:

Media E(y
t
)=

Varianza Var(y
t
)= E(y
t
-)
2
=o
2

Covarianza
k
= E[(y
t
-)(y
t+k
-)]



III.4.1.1 Elaboracin de Modelos para series de tiempo

Mediante una serie de tiempo estacionaria se pueden elaborar modelos AR, MA, ARMA,
VARMA y ARIMA.

Cabe destacar, que los tres tipos de parmetros que participan en el modelo son: Los
parmetros autorregresivos (p), el nmero de pasos de diferencia (d) y los parmetros de media
mvil (q).




III.4.1.2 Proceso Autoregresivo - AR(p)

El componente autorregresivo indica que cada observacin es dependiente de valores
previos del proceso.

El proceso estacionario X = {X(t), t e Z} se dir autorregresivo de orden p si existe un
ruido blanco A = {a(t), t e Z} y constantes o, |1, ...........|p; |p =0, (|: grado de asociacin) tales
que:

X(t)= o + |1 X(t-1) + ........|p X (t-p) + a(t)



|(B) X(t) = at

En otras palabras, X(t) se obtiene haciendo regresin del proceso sobre su pasado y
sumndole un trmino que se supone no correlacionado con el pasado y que corresponde al
ruido blanco a(t).

Adems, un proceso autorregresivo de orden p, abreviado como AR(p), pondera las
observaciones anteriores para determinar el valor de X(t), donde existen p parmetros
autoregresivos ( 1, 2, p).



III.4.1.3 Proceso de Media Mvil - MA(q)

El componente de media mvil implica que la serie experimenta variaciones aleatorias a
lo largo del tiempo, cuyo efecto puede perdurar en el nivel de la serie.

El proceso estacionario X = {X(t), t e Z} se dir media mvil de orden q si existe un ruido
blanco A= {a(t), t e Z} y constantes o, u1, .....uq; uq = 0, tales que la expresin:

X(t) = o + a(t) - u1 a(t-1) - ....... uq a(t-q)



X(t) = u
q
(B) at

Representa un proceso estocstico de medias mviles de orden q, abreviado como
MA(q). Donde a(t) es una variable aleatoria que proviene de un proceso estacionario que
se caracteriza por tener esperanza nula, proceso llamado tambin ruido blanco.


III.4.1.4 Proceso Autoregresivo y de media Mvil - ARMA(p,q)

Es probable que un proceso tenga caractersticas de AR y de MA a la vez. Por lo tanto tendr
una parte autorregresiva y una parte de promedio mvil.

El proceso estacionario X = {X(t), t e Z} se dir proceso autorregresivo de medias mviles de
orden (p,q) , si existe un ruido blanco A= {a(t), t e Z} y constantes o, u1, uq,
|1, |p; |p =0; uq = 0, tal que un proceso ARMA (p,q) puede escribirse como:

X(t) = o + |1 X(t-1) + ......+ |p X (t-p) + a(t) - u1 a(t-1) - ....... uq a(t-q)



|
p
(B)X(t)=u
q
(B)a
t




III.4.1.5 Proceso Autoregresivo Integrado de media Mvil ARIMA(p,d,q)

En este proceso aparece un tercer parmetro (d), el cual corresponde al nmero de
diferenciaciones que se le aplica a la serie de modo de hacerla una serie estacionaria, es decir,
que no tenga tendencia. La diferenciacin es una tcnica que consiste en obtener las diferencias
entre cada par de observaciones, formando una nueva serie, de modo de hacerla estacionaria y
luego aplicar un modelo ARMA (p,q). Esto permite aplicar los modelos ARIMA a series no
estacionarias, ya que estos funcionan bajo el supuesto de estacionariedad de la serie. El trmino
integrado se refiere al proceso inverso, necesario para realizar los pronsticos.

Un modelo es ARIMA (p,d,q) si es del tipo

|
p
(B) (1-B)
d
X
t
= u
q
(B) a
t

Por lo tanto, se dice que x
t
sigue un modelo autorregresivo y de medias mviles. Si los
polinomios | y u son de grado p y q respectivamente, entonces el modelo se denota ARIMA
(p,d,q). Por conveniencia se introduce el operador



III.4.1.6 Proceso Autoregresivo Integrado de media Mvil estacional ARIMA(p,d,q)x(P,D,Q)
s


La serie de tiempo es estacional si ella presenta un ciclo repetitivo, es decir, la
observacin ocurrida en X
t
, tiene mucha correlacin con la observacin X
t-s
, de s es la amplitud
del periodo estacional.

As se puede tener un proceso autorregresivo estacional, representado por los
parmetros u
1
, u
2
,., u
P
, y un proceso de medias mviles estacional, el cual es
representado por los parmetros, O
1
,O
2
,,O
Q
. E parmetro D representa el nmero de veces
que se hace necesario diferenciar el componente estacional para que la serie sea estacionaria.

En general, el componente no estacional es representado por los parmetros con letras
minsculas, mientras que el estacional con letras maysculas.

Un modelo ARIMA (p,d,q)x(P,D,Q)
s
es de la forma:

u
P
(B
S
) |
p
(B)V
d
V
D
S
X(t)= u
q
(B)O
Q
(B
S
)a
t


donde V, se define como operador de retardos, y es de la forma:

V=(1-B)

y la composicin del operador V d veces consigo mismo es (1-B)
d
y se denota V
d
.
III.4.1.7 Proceso Multivariados VARMA (p,q)

Los modelos y mtodos de estimacin antes mencionados, pueden ser extendidos a
series de tiempo multivariadas. Este anlisis investiga una cierta dependencia temporal e
interaccin entre un set de variables. En otras palabras, un procesos multivariado ocurre cuando
existen varias variables dependientes entre si que influyen en el comportamiento de una variable
global.

Se considera una Serie de Tiempo Multivariada: (Y
t
, t e Z) de dimensin n con
componentes denotados por Y
1t
,...., Y
nt
, t e Z, Cada componente (Y
i,t
, t e Z), es un proceso
univariado.

El valor actual del vector Y
t
, depende de la serie de todos los componentes pasados.

Existe una representacin lineal parsimoniosa (sobria, moderada), con un nmero de
retardos limites para cada proceso estacionario.

Vector de proceso autoregresivo de orden p, VAR (p)


t p t p t t
Y Y Y c + u + + u =

...
1 1


Vector de proceso de media mvil de orden q, VMA (q)


q t q t t t
Y

O + + O + = c c c ...
1 1


Vector de proceso autoregresivo de media mvil de orden p y q, VARMA (p,q)


q t q t t p t p t t
Y Y Y

O + + O + + u + + u = c c c ... ...
1 1 1 1


o bien,


t t
L Y L c ) ( ) ( O = u

Donde L es un operador de retardo.






III.4.1.8 Modelos ARMAX

Existe un conocimiento amplio sobre los modelos economtricos de una sola ecuacin
para estimar la relacin entre variables y hacer pronsticos. Un de las tareas en el modelamiento
econmico es describir los posibles impactos en el tiempo de un cambio en una o ms variables
explicatorios del modelo. Por otra parte, existe una familiarizacin con los modelos ARIMA
(expuestos anteriormente).

Las ltimas dos dcadas han trado mayor integracin de las tcnicas de modelamiento
de las series economtricas y de tiempo. Para una modelamiento de una sola ecuacin, una
buena alternativa es utilizar un modelo ARMAX (Autoregresivo Media Mvil con variables
explicatorios).
Una especificacin muy general que se ha probado en trabajos recientes es el modelo
racional de Jorgenson, o en una literatura ms reciente, el modelo autorregresivo de retardos
distribuidos (ARD).


t t t
x
) L ( C
) L ( B
y c + + =

donde B (L) y C (L) son polinomios en el operador de retardos. El cociente de dos polinomios en
el operador de retardos puede producir, esencialmente, cualquier forma deseada de la
distribucin de retardos con relativamente pocos parmetros. La forma autorregresiva es:


t t t
) L ( C x ) L ( B y ) L ( C c + + o =

En esta forma, el modelo tiene variables dependientes e independientes retardadas y un
error de media mvil (MA).

Un modelo mucho ms general y flexible se obtiene permitiendo que el error tenga una
estructura de retardos propia. El modelo resultante es:

t t t
) L ( D x ) L ( B y ) L ( C c + + o = =

donde o= C(1). Esto es conocido como un modelo ARMAX. Esto tambin es conocido como
una funcin de transferencia. En este contexto, x
t
, representa el impulso y lo que hemos
identificado como los coeficientes de los retardos distribuidos son las caractersticas de
respuesta al impulso. Un caso especialmente importante es el modelo ARMA, que es el modelo
ARMAX sin regresores:

q t q 1 t 1 t p t p 2 t 2 1 t 1 t
... y ... y y y

c u c u c + + + + + o =

La notacin convencional ARMA (p,q) ARMAX(p,q) indica el nmero de trminos
retardados en la parte AR, C(L)y
t
, y la parte MA, D(L)c
t
, respectivamente. Los modelos ARMA y
ARMAX son comunes en el anlisis de series temporales.

El trmino error c
t
se considera como una variable aleatoria serialmente incorrelacionada
y de varianza constante. Es decir, no se permite la posibilidad de perturbaciones
autorregresivas. De hecho, no se ha perdido generalidad, ya que se puede suponer que si la
perturbacin original estaba sujeta a autorregresin, es el resultado de tomar diferencias
parciales que ha solucionado esta parte del proceso de las perturbaciones. Segundo, incluso
permitiendo ms de una variable exgena del modelo puede escribirse como:

t ti
i
i
x ' x ) L ( B | =

Para algn conjunto de coeficientes desconocidos y valores contemporneos y
retardados x
si
.

As, una formulacin bastante general del modelo ARMAX es:

q t q 1 t 1 t t p t p 1 t 1 t
... x ' y ... y y

c u c u c + | + + + + =

Lo que se presenta como una modificacin del modelo bsico ARMA, este modelo
presenta la caracterstica de contar con regresores estocsticos. proporcionando un modelo
dinmico de considerable generalidad.


III.4.1.8.1 Estimacin de modelos ARMAX

Si no hay trminos de media mvil en la ecuacin (3.4), es un modelo de regresin lineal
con regresores estocsticos.

El vector de parmetros:

| |
'
k 1 p 1
,..., , ,..., , | | = |

puede estimarse de modo consistente por mnimos cuadrados ordinarios en la regresin de y
t
en

| |
' '
t p t 2 t 1 t
x , y ,..., y , y , 1 z

=

(x
t
puede contener tambin valores retrasados de las variables exgenas). El estimador MCO en
este contexto, estar asintticamente distribuido con una normal con matriz de covarianza
asinttica.

Cuando hay perturbaciones de media mvil, el modelo se convierte en no lineal. En este
caso el estimador mnimo cuadrado ser consistente y distribuido asintticamente normal. Si c
t
se supone normalmente distribuida, entonces el mnimo cuadrado no lineal, condicionado a las
observaciones iniciales, ser tambin mximo verosmil. As, mnimos cuadrados sern tambin
eficientes. Generalmente, mnimos cuadrados lineales aplicados no sern siquiera consistentes.
El modelo contiene ambas variables dependientes retardadas y autocorrelacin. La suma de los
cuadrados a minimizar es

+ + =
= =
T
q p t
t
S S
1
2
) ( ) , , , ( c | u |


Estimaciones de mnimos cuadrados no lineales de un modelos de regresin
dinmico pueden ser basados en la iteracin del mtodo de Gauss-Newton. La iteracin
es:

| |
s
s s s
s
s
G G G
.

.
+
.
= c | |
'
1
' '
1


Donde G
s
es una matriz de derivativos de los residuales con respecto a los
parmetros. Los derivativos son calculados como:

, ,..., 1 , ...
, ,..., 1 , ...
, ,..., 1 , ...
, ... 1
1
1
1
1
1
1
1
1
q j
K k
p i y
j
q t
q
j
t
j t
j
t
k
q t
q
k
t
tk
k
t
i
q t
q
i
t
i t
i
t
q t
q
t t
=
|
|
.
|

\
|
c
c

|
|
.
|

\
|
c
c
=
c
c
=
|
|
.
|

\
|
c
c

|
|
.
|

\
|
c
c
=
c
c
=
|
|
.
|

\
|
c
c

|
|
.
|

\
|
c
c
=
c
c
|
|
.
|

\
|
c
c

|
|
.
|

\
|
c
c
=
c
c

u
c
u
u
c
u c
u
c
|
c
u
|
c
u _
|
c

c
u

c
u

c

c
u

c
u

c




Estas ecuaciones son ecuaciones diferenciales que pueden ser calculadas
recursivamente luego de inicializar
t
c y los derivativos con q ceros. En un formato de matriz, se
tendra:

), ( ,..., 1 ,
), ( ,..., 1 ,
), ( ,..., 1 ,
), 1 ( ,..., 1 ,
,
,
,
,
q X q q s G
q X K q s G
q X p q s G
q X q s G
s t
t
s t
t
s t
t
s t
t
=
(

c
c
=
=
(

c
c
=
=
(

c
c
=
=
(

c
c
=

u
c
|
c

c

c
u
|

Entonces la fila r-sima de G
s
es

, , , ,
' ' '
) (
(

|
.
|

\
|
c
c
|
.
|

\
|
c
c
|
|
.
|

\
|
c
c
|
|
.
|

\
|
c
c
=
u
c c

c
t t t t t
s
B
g





donde:

,
,
,
, 1
,
,
,
,
u c
u
c
u _
|
c
u

c
u

c
u
|

t retardos
t
t t
t
t retardos
t
t
t
G
G
G y
G
=
c
c
=
c
c
=
c
c
=
c
c



Un estimador de variables instrumental puede ser usado para obtener los valores de
inicio. Se pueden usar valores de retraso de las variables exgenas
t
_ como instrumentos para
[y
t-1
, . . . , y
t p
]. Construir valores iniciales para [u
1
,, u
q
] es ms complejo. Box and Jenkins
(1984) sugieren el siguiente mtodo de procedimiento de estimacin de momentos, que puede
ser basado en los residuos desde el estimador de variables instrumental.

1.- Sea c
1
, i = 0,1,,q, ser la covarianza muestral de e
t
y e
t-1.
. (Ellas son
autocovarianzas). Partir con . 0 =
.
u

2.-Calcular
. .
+
=
) ' 1 (
0 2
u u
c
s

3.- Para i = q, q 1, ... , 1 (trabajando hacia atrs), calcular

=
+
. . .
=
1
1
1
2
q
j
j
j
i
s
c
u u u
.

4.- Verificar la convergencia basada en el cambio desde la ltima iteracin. Si es
as, entonces termina. En caso contrario, retornar al paso dos.

Este mtodo podra no converger. La estimacin podra diverger, en tal caso la
especificacin del modelo se vuelve sospechosa. Esto puede ser conducido por un sobreajuste,
que es la especificacin de muchos parmetros. Luego que los parmetros han sido estimados:

,
1
1
2
1 1
2
t
T
p t
q K p T

+ + =
.
.

= c o
c


Donde:

q t q
t t p t p t t
t y y y
. .

. . .

. .

.
+ + + = c u c u _ | c ... ' ...
1
1
1 1



La matriz de covarianza asinttica estimada para un parmetro estimado es:

Varianza asinttica estimada , '
1 2
. . . .
|
.
|

\
|
=
(

G G c o |

Donde G es la matriz (T-p-q) x (1+K+p+q) de derivativos de los residuales con respecto
a las parmetros. La matriz es la suma de cuadrados y producto cruz calculados en la ltima
iteracin.


III.4.1.8.2 Clculo de las ponderaciones de los retardos en el modelo ARMAX


Los coeficientes de los retardos de x
t
, x
t-1
, ..., del modelo son los trminos individuales en
el cociente de polinomios. Los denotaremos como:

o
0
, o
1
, o
2
, .... = el coeficiente en 1,L,L
2
, ..., en B(L)/C(L)

Un modo conveniente de calcular estos coeficientes de los retardos es escribir la parte
izquierda de la ecuacin como A(L) y notar que implica que A(L) C(L) = B(L). Por lo tanto slo
tenemos que igualar coeficientes.

El error cuadrtico medio de la prediccin es:

) ... 1 ( ) y ( MSE
2
1 l
2
1
2
T / l T c +
+ + + o =








III.4.2 Modelos Autoregresivos Condicionales Heterosedasticos (ARCH)

Robert F. Engle (1982), profesor de la Oxford University, es el pionero en stos modelos,
publicando en Econometra su trabajo ARCH, sigla que representa al Modelo Autorregresivo
Condicional Heteroscedstico. Desde entonces, este campo ha crecido explosivamente, donde
numerosos trabajos se han escrito analizando modelos de volatilidad variable. Un trabajo de
Bollerslev, Chou, y Kroner (1992) lista ms de 100 trabajos en esta materia.

ARCH ( Autorregresivo Condicional Heteroscedstico) y GARCH (ARCH Generalizado)
son dos modelos economtricos que son usados frecuentemente para predecir volatilidad
condicionada. Mientras, para muchas aplicaciones, es razonable tratar la volatilidad como
constantes a travs del tiempo, este modelos no lo toma as, y de hecho la volatilidad flucta. En
algunas variables econmicas, y especialmente en el comportamiento de las tasas de
rentabilidad de activos financieros, la volatilidad puede ser altamente variable. Los comerciantes
de opciones que tienen un factor de sensibilidad significativo usan ARCH, GARCH y otros
modelos para predecir el comportamiento futuro de volatilidades condicionales basados en el
comportamiento de su volatilidad reciente.

Mientras ARCH y GARCH han disfrutado de un xito significativo en aplicaciones
prcticas, una limitacin de este modelo es que ellos son tcnicas simples de extrapolacin. No
pueden anticipar los eventos reales que causan a los mercados al ser estables o voltiles.


III.4.2.1 Concepto

Engle (1982), define la Autoregresin Condicional Heteroscedstica, como un trmino
usado para describir la "concentracin" de volatilidad. Explcitamente, reconoce la diferencia
entre la varianza condicional y la incondicional permitiendo a la condicional cambiar a travs del
tiempo como una funcin de errores pasados, dejando la varianza incondicional constante.
Adems introduce una nueva clase de procesos estocsticos, donde asume que la variacin de
los errores est autocorrelacionada (esto es, cuando los trminos de error correspondientes a
perodos diferentes estn correlacionados) y depende directamente de la magnitud de los errores
pasados.

Heteroscedasticidad es un trmino usado para la varianza de una variable a travs del
tiempo, esta situacin se produce cuando la varianza del trmino de error es distinta de unas
observaciones a otras, en este caso los elementos de la diagonal principal de la matriz de
covarianzas no sern iguales entre s.

Engle sugiere analizando los modelos de inflacin, que los errores de prediccin, ya
sean grandes o pequeos, parecen ocurrir en conjunto y hacen pensar en una estructura
heteroscedstica, en que la variacin de los errores es notablemente predecible. Debido a esto,
ha sugerido el modelo Autoregresivo Condicional Heteroscedstico, o ARCH, como una
alternativa para los procesos de series de tiempo usuales.

En el artculo seminal de los modelos ARCH, Engle cita tres situaciones que motivan y
justifican la modelizacin de la heterocedasticidad condicional Autorregresiva (nombre por l
mismo dado). Estas seran las siguientes:

1. La experiencia emprica nos lleva a contrastar perodos de amplia varianza de error
seguidos de otros de varianza ms pequea. Es decir, el valor de la dispersin del error
respecto a su media cambia en el pasado, por lo que es lgico pensar que un modelo
que atienda en la prediccin a los valores de dicha varianza en el pasado servir para
realizar estimaciones ms precisas.

2. Engle expone la validez de estos modelos para determinar los criterios de mantenimiento
o venta de activos financieros. Los agentes econmicos deciden esta cuestin en
funcin de la informacin proveniente del pasado respecto al valor medio de su
rentabilidad y la volatilidad que sta ha tenido. Con los modelos ARCH se tendran en
cuenta estos dos condicionantes.

3. El modelo de regresin ARCH puede ser una aproximacin a un sistema ms complejo
en el que no hubiera factores innovacionales con heterocedasticidad condicional. Los
modelos estructurales admiten, en multitud de ocasiones, una especificacin tipo ARCH
infinito que determina con parmetros cambiantes, lo que hace a este tipo de modelos
capaces de contrastar la hiptesis de permanencia estructural que supone una de las
hiptesis de partida y condicin necesaria para la validez del modelo economtrico
tradicional.

En definitiva, la clave de estos modelos est en considerar la informacin pasada de la
variable y su volatilidad observada como factor altamente explicativo de su comportamiento
presente y, por extensin lgica, de su futuro predecible. Estadsticamente, esta conclusin se
refleja en tener en cuenta la esperanza condicional (conocida y fija la informacin hasta el
momento inmediatamente anterior) del cuadrado de una variable (la expresin de su varianza si
su media es nula).

La limitacin del concepto, es que si se quiere estimar la volatilidad como una funcin de
volatilidad histrica, se deben incorporar tanto, la volatilidad histrica, como los errores de la
previsin en su estimacin.

III.4.2.2 Conceptos bsicos para el desarrollo de los modelos ARCH

Se define un proceso estocstico estacionario como aquella sucesin ordenada de
variables aleatorias cuya funcin de distribucin es invariante ante valores igualmente
separados:

) , , ,..., , ( ) , , ,..., , ( |
1 1 1 1 + + + + + + + + + + +

=
m t m t mt m t m t t t t t t t
y y y y y F y y y y y F Y


Como en la prctica es casi imposible conocer la verdadera funcin de distribucin de
muchas funciones. Esta definicin (que se conoce con el nombre de "estacionariedad en sentido
fuerte") se suele confirmar slo para el primer y los segundos rdenes; es decir, para la media y
la varianza del proceso. Segn esta definicin de "estacionariedad en sentido amplio o dbil", un
proceso estocstico sera estacionario cuando se cumplieran las tres condiciones siguientes:

1. E ( Y
t
) = , media constante

2. Var ( Y
t
) = E (
t
Y )
2
=
2
, varianza constante

3. Cov (
j t t
Y Y

; ) = Cov (
j m t m t
Y Y
+ +
; )



Como es conocido, el "ruido blanco" es un caso particular de este tipo de proceso en el
que las tres condiciones se reescribiran del siguiente modo:

1. E (
t
) = 0

2. Var (
t
) = E (
0 t
)
2
=
2
e


3. Cov (
j t t
; ) = 0

Sobre esta definicin clsica de estacionalidad, conviene hacer algunas puntualizaciones
estadticas relativas a las segundas derivadas del proceso que estamos manejando.

Sobre esta definicin clsica de estacionariedad, conviene hacer algunas
puntualizaciones estadsticas relativas a las segundas derivadas del proceso que estamos
manejando. El hecho de que no exista autocorrelacin entre observaciones del ruido blanco
desplazadas en el tiempo, no significa necesariamente que no haya dependencia entre estas de
un modo no lineal. Lo nico que aseguramos es precisamente eso: no podemos formular ningn
tipo de dependencia lineal entre et y et-j; pero nada se dice al respecto de si puede haber una
relacin de dependencia cuadrtica, exponencial o de cualquier otro tipo.

La lgica de la dependencia entre el ritmo de evolucin en perodos precedentes y el
valor de variacin del perodo actual nos lleva necesariamente a hablar de probabilidades
condicionadas en trminos de estadstica terica o inferencial. Es a partir de los momentos de
primer y segundo orden en trminos marginales (no condicionales) o condicionales como se
pueden descubrir relaciones de causalidad entre series temporales que responden como un
proceso estocstico estacionario para el contraste lineal.

Puede existir un proceso definido a partir de un "ruido blanco", en el que la media y la
varianza marginales sean constantes; y, al mismo tiempo, la media condicional puede ser
constante y la varianza condicional no fija.

En el siguiente proceso:

2 / 1
1
2
) ( + = t
t t
y w y o c

- donde
t
c es un proceso de ruido blanco (entre otras, no hay correlacin con su
pasado, luego tampoco la hay con el pasado de y
t
)
- el proceso generado y
t
es tambin estacionario
- en los momentos condicionales, en t, el valor de t-1 es una realizacin concreta
conocida (no aleatoria)

Podemos calcular los valores de su esperanza y su varianza, no olvidando que, en los
valores condicionales, los valores de la endgena en t-1 son realizaciones ya conocidas del
proceso aleatorio, por lo que su valor esperando es el valor ya observado (no son variable
aleaoria):

Marginal (incondicional) Condicional
Esperanza
( ) ( )
( ) ( ) 0 (
) (
2 / 1
2
1
2 / 1
2
1
2
= + =
+ =

t t
t
t
t
y w E E
y w E y E
o c
o c

( ) ( ) ( ) 0
1
2 / 1
2
1 1
= + =
t t t t t
E y w y E c o
Varianza
( ) ( )
( )
( ) c
c
o
o
o o
o c
2 2
2
1
2
2
1
2 2
1
;
) (

=
+ =
+ =

w
y E
y w E
y w E y E
t
t
t
t t

( ) ( ) ( )
( ) c o o
c o
2 2
1
2
1
2
1
2
1
+ =
+ =

t
t
t t
t
t
y w
E y w y E


Es importante resaltar que:

- la media (esperanza) es constante en ambos casos, e igual a cero.
- La varianza marginal es constante; mientras que
- La varianza condicional depende de los valores que haya tomado
2
1 t
y , luego no
es fija

Se da la circunstancia de que, en este proceso, la funcin de autocovarianza es nula
para todos los retardos que se quieran considerar; mientras que es distinta de cero para los
valores al cuadrado del mismo proceso yt generado.

La autocovarianza de yt para el retardo t se podra calcular como:
( ) ( ) ( ) ( ) ( ) ( ) 0 ) ( ,
2 / 1 2
1
2 / 1
2
1
= + = + = =
t t t
o c o c t
t t t t t t t t
y y w E E y y w E y y E Y

dado que el proceso lo hemos definido como estacionario y el residuo como "ruido blanco"; es
decir, con correlacin nula con periodos precedentes, lo que implica tambin correlacin nula con
los valores de yt desplazados en el tiempo.

La funcin de autocovarianza para la serie al cuadrado presenta valores distintos de
cero, por lo menos para el retardo uno, como se puede comprobar con:

( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
2
2
2
4
1
2
1
2
1
2
1
2
1
2
1
2 2 2 2 2
) 1 (
1 1
) ( , cov
c
t
o
o
o e
o o
o c

|
|
.
|

\
|

+ =
|
|
.
|

\
|
(

+ = =



w
y E y E
w
y
w
y w E E y E y E y E y E y y
t t
t t
t t t t t t



De esta expresin, el nico valor no calculado hasta el momento es el siguiente:

( ) ( )
2 2
2
2 2
2
1
2 4
1
4
) (
) 3 1 ( ) 1 (
) 1 ( 3
) ( c o
o o
o
o c
|
|
.
|

\
|


= + =
w
y w E y E t t t

Para este ltimo clculo se suponen dos cuestiones:

1. El ruido blanco se distribuye como una normal, por lo que podemos determinar el
cuadrado de la varianza.

2. Adems, yt es un proceso estocstico estacionario; es decir, el parmetro o es menor
que la unidad y, con ello, nos aseguramos de que 3o<1, y la expresin anterior es
siempre calculable.

Sin prdida de generalidad, todo el proceso se puede realizar con la hiptesis de que la
perturbacin aleatoria tiene desviacin tpica igual a uno.

Aplicando este resultado a la ecuacin anterior y simplificando, podemos calcular la
autocovarianza de orden uno del proceso yt al cuadrado como:

0
) 3 1 ( ) 1 (
2
) 1 (
2
2
2
=


=
o o
w
Y

Con lo cual, el proceso yt descrito, si bien no tiene autocorrelacin en forma lineal, s la
tiene su forma cuadrtica (el resultado de este ltimo clculo es siempre distinto de cero, luego
hay correlacin).

La clave de los modelos que vamos a estudiar est en la distincin entre los momentos
condicionales y marginales. Entre ellos existe una relacin que se conoce con el nombre de ley
de expectativas iteradas que, segn Ruz (1994), podra definirse como: "la esperanza de la
observacin yt, o de una funcin de ella, g(yt), condicional en informacin disponible en el
momento t-t puede calcularse tomando primero la esperanza condicional en informacin
disponible en t-1, despus calculando la esperanza condicional en t-2 y, as, sucesivamente
hasta t-t ", es decir:

( ) ( ) ( ) ( ) ) ( ... ) (
1 1 t t t t t t
y g E E E y g E
+
=
t t t


Para calcular la esperanza marginal, se puede dejar que t tienda al infinito.

III.4.2.3 Especificacin de un Modelo ACRH (q)

Los modelos ARCH tienen su origen en un artculo de ENGLE (1982), en el que se
pretenda obtener una prediccin adecuada para la inflacin en el Reino Unido, sujeta a fuerte
volatilidad y con perodos de especial calma o de especial agitacin.

El modelo ARCH (q) viene definido por la siguiente expresin:

=

+ =
=
q
i
i t i t
t t t
y
y
1
2 2
o e o
o c


Donde se dan las siguientes restricciones:
1. ct es un proceso idnticamente distribuido con media cero y desviacin tpica igual a uno.

2. Los parmetros e>0 y oi>0 e i=1...q, y, para cumplirse la condicin de estacionariedad
en media, la suma de todos los parmetros es menor que la unidad.

3. Si ct es gaussiano y se distribuye segn una normal, yt es condicionalmente normal y su
varianza es o
2
t.

El proceso utilizado en la seccin anterior como ejemplo era, por tanto, un ARCH(1).
Para ste, ya se demostr que:

- Las esperanzas marginal y condicional son iguales a 0
- La varianza es constante
- La varianza condicional depende de los valores que haya tomado y
2
t-1
, luego no
es fija
- La distribucin marginal del proceso ARCH (1) tiene una forma desconocida.

De cara a la prediccin con modelos ARCH, habr que calcular los intervalos de
prediccin correctamente, ya que la prediccin puntual no vendr afectada por este tipo de
estructura. Con este fin, podemos obtener el error cuadrtico medio de prediccin para cualquier
momento, por ejemplo t+2, con el siguiente procedimiento:

2
1
2
2 1
2
1 3 2 1
2
2
2
1 1
1
2
1 1 2
2
2 1
2
2
2
2 2 2
... ) ( ) ( ) 1 (
) ( ...
)) ( ( ) ( ) ( ) (
q r q q r q r T
r
T q r q r
T T T T T T T T T
y y y y
y E y y
y E E y E y y E y ECM
+ +
+
+
+ + + + + +
+ + + + + + + + =
+ + + + =
= = =
o o o o o o o o o e
o o o e



III.4.2.4 Especificaciones de un Modelo GARCH (p,q)

GARCH es la abreviatura de Generalized Autorregresive Conditional Heterocedasticity y
da nombre a la ampliacin del modelo ARCH ya comentado que realiz Bollerslev (1986) para
los rdenes p,q, y Taylor (1986), para el caso especfico de los rdenes 1,1.

El modelo ARCH (q) que antes se presentaba, puede mostrar ciertas dificultades de
estimacin cuando se aplica a estructuras dinmicas en los cuadrados de las series. Por
ejemplo, en las series financieras, el nmero de retardos a utilizar es muy elevado y ello llevara
a un engorroso nmero de iteraciones para alcanzar una solucin al sistema planteado,
pudiendo darse el caso de no encontrar nunca una solucin. Por ello, el mismo ENGLE propuso
ya en 1983 ciertas restricciones a los parmetros del ARCH(1) que simplificaban su estimacin;
pero estas no eran capaces de recoger cualquier caso, por lo que la aportacin de Bollerslev es
decisiva a la hora de poder dotar de utilidad al modelo presentado por ENGLE.

El modelo GARCH (p,q) se podra escribir como:


= =

+ + =
=
q
s
p
s
s t
t s t s t
t t t
y
y
1 1
2 2 2
o | o e o
o c


con lo cual el modelo ARCH (q) no sera ms que un caso concreto de este (aqul en el que
todos los parmetros
t
| son iguales a cero.

El modelo GARCH (1,1) tiene las siguientes caractersticas:
1. ct es un idnticamente distribuido con media cero y desviacin tpica igual a uno.

2. Los parmetros e>0 y oi, |i >0 e i=1...q, y j=1...p. Adems, para cumplirse la condicin
de estacionariedad en media, la suma de todos los parmetros es menor que la unidad.

3. La funcin de distribucin marginal no es conocida, pero se pueden calcular los primeros
momentos y definir el proceso respeto a su media y a su varianza.

Para el proceso GARCH (1,1), dichos momentos sern:

Marginal Condicional
Esperanza
( ) ( )
( ) ( ) 0 (
) (
2 / 1
1
2 2
1
2 / 1
1
2 2
1
2
= + + =
+ + =

t
t t
t
t
t
t
y w E E
y w E y E
o | o c
o | o c

( )
( ) ( )
0
1
2 / 1
2
1
2
1
1
=
+ + =

t t t t
t t
E y w
y E
c o | o
Varianza
( ) ( )
| o
o

= =
1
2 2
w
E y E t t
( ) t t
t
y E
2 2
1
o =

- donde ct es un proceso de "ruido blanco" (entre otras, no hay correlacin con su
pasado, luego tampoco la hay con el pasado de yt).

- el proceso generado yt es tambin estacionario

- en los momentos condicionales, en "t", el valor de "t-1" es una realizacin
concreta conocida (no aleatoria)

De cara a la prediccin, Engle y Bollerslev derivaron la siguiente frmula para el clculo
de la varianza condicional en informacin disponible en el perodo T:

( )
( ) ( )
|
|
.
|

\
|

+ +
=
+

+
| o
e
o | o | o
e
o
1 (
1
2
4
1
2
T
S
S T T
E

Baillie y Bollerslev (1992) derivan la siguiente expresin del error cuadrtico medio:

( ) ( )
4
1
1
) 1 ( 2
2
2
,
) ( ) 1 (
i s t T
s
i
i
s T
E k v E

=

+ =

o | o o

En esta expresin ( )
2 2 2
, s T T s T s T
E v
+ +
= o o y k
2
es el valor del coeficiente de curtosis
(el cumulante de orden 2 de la densidad condicional de ct, que, si es una normal, sera tres)


III.4.2.5 Interpretacin del proceso GARCH (p,q)

Dado que este proceso es una forma generalizada que recoge, como caso concrteo, el
ARCH (q), se intentar definir a continuacin de una forma ms sencilla lo que se pretende
realizar con la especificacin GARCH (p,q).

En el modelo GARCH (1,1) hay dos ecuaciones:
- Una primera, donde se hace depender a la variable yt del valor de su varianza
multiplicada por un cierto trmino aleatorio que es "ruido blanco"

- En la segunda, en torno a un valor medio, representado por el trmino constante w, se
hace depender el valor actual de la varianza en el perodo "t" de los valores que esta
haya tenido en el momento anterior (t-1) y de la fluctuacin aleatoria que tambin se
daba en el pasado. En definitiva,podramos definir los tres trminos como:

- Media w: valor de iniciacin en torno al cual se producirn ciertas
variaciones. Tambin puede entenderse como el valor medio a largo plazo
sobre el que se genera la expectativa inmediata a ser modificada por los dos
sumandos que despus se detallan.
- Sumando
1

t
c o , innovacin sobre la volatilidad que se produjo en el
perodo anterior (trmino ARCH).
- Sumando
1

t
c | : prediccin de la varianza en el ltimo perodo histrico
conocido (trmino GARCH).

El modelo ARCH (1), como simplificacin del aqu presentado, sera un GARCH (0,1),
donde no se tendra en cuenta la informacin de prediccin sobre la ltima varianza de la
endgena calculable; es decir, la varianza del perodo anterior.

Matemticamente, podramos volver a escribir la especificacin del modelo GARCH en
dos formas distintas que nos permitiran dar un nuevo enfoque al desarrollo que estamos
realizando:

1. En primer lugar, si hacemos una serie de sustituciones recursivas en la frmula del
modelo GARCH planteada, podramos rescribir la varianza condicional como una media
ponderada de todos los residuos al cuadrado del modelo de la siguiente forma:

( )

=
= = + + + + =
+ + =
+ + =
2 1 2
2
2
2
2
2
1
2
2
2
2
2
2
1
2
1
2
1
2
1
1
...
.....
j t
j
t
t t t t
t t t
t t t
y y
y
y
c | o
|
o
o | o e | o e o
o | o e o
o | o e o


Con lo cual tendramos que la varianza condicional es el resultado de un valor medio
constante sumado a una media ponderada decreciente de los valores de la varianza muestral en
los perodos precedentes.

2. Si presentamos el error en el valor esperado de la variable al cuadrado como
t t
t
v
2 2
o c = , podramos reescribir nuevamente el modelo GARCH(1,1) del siguiente
modo:

1
2
1
2
) (

+ + + =
t t t t
v v | c | o e c

Segn esta nueva formulacin, con el modelo GARCH (1,1) estamos representando un
proceso ARMA(1,1) heterocedstico para la serie de los errores al cuadrado. Algunos autores
expresan que el proceso ARCH (q) no sera ms que un proceso de medias mviles con
parmetros cambiantes o variables (por ejemplo, Tsay (1987) o Bera (1992)).



III.4.2.6 Variantes Sobre el modelo general


Dado que en muchas ocasiones la suma de los parmetros a y b propuestos es muy
prxima a uno, la estimacin de los modelos GARCH (p,q) entraan grandes dificultades. Engle
y Bollerslev (1986)viii propusieron un modelo GARCH Integrado (IGARCH) con las siguiente
especificacin:

) (
2
1
2
1
2
1
2

+ + =
=
t t t t
t t t
y
y
o o o e o
o c


en el que, obviamente, los parmetros suman uno ya que o | =1 en el modelo GARCH (1,1).
Aunque este proceso es no estacionario (la varianza marginal es infinita), bajo normalidad
condicional, y
t
es estrictamente estacionario y ergdico, como lo demuestra Nelson (1990).
Ciertas disquisiciones sobre ello se pueden encontrar en Keibergen y Van Dijk (1993).

El proceso muestra, como el resto, valores de prediccin nulos, y un error cuadrtico
medio calculable a partir de la expresin de Engle y Bollerslev (1986) como:

( )
2 2
) 1 (
t t h t
y h y ECM o o o e + + =

Para que la prediccin de la varianza tenga sentido, es fundamental que el valor de w
sea estrictamente positivo. Con ello, las predicciones del ECM crecen linealmente en el horizonte
de prediccin.

Existen tres problemas en los modelos GARCH:

1. Las restricciones de no negatividad de los parmetros son difciles de lograr en muchas
ocasiones.

2. Los modelos GARCH no permiten estimar convenientemente el efecto de
apalancamiento financiero que aparece en la realidad.



Existen distintas variables que se utilizan segn a la aplicacin que se le quiera dar, por
ejemplo existen los modelos que incorporan el factor exponencial, modelos asimtricos en el
caso burstil. A continuacin sale una serie de modelos derivados del GARCH.


Ao Nombre Autor-es Especificaciones de la Varianza Aportacin Principal
1982 ARCH Ingle
2
1 1
+ =
t o t
h c o o
Primera especificacin y
desarrollo
1983 ARCH
multivariado
Kraft y
Engel
b x y
H H
t t
t t t
=
+ + =

c
o c o o
1 2
2
1 1 0

Incorporacin de ms
variables explicativas y
desarrollo de los modelos
aplicando la matriz de
varianza y convarianza(H
t
)
1986 ARCH-M Engel,
Lilieny
Robins
2
1 1
+ =
t o t
h c o o
Modelo Arch incorporando
la desviacin tipica
heterocedastica
modelizada como
explicativa
1986 GARCH Bollerslev
1 2
2
1 1
+ + =
t t o t
h h o c o o
Mtodo generalizado sin
restricciones para la
estimacin de los
parmetros ARCH con
infinitos retardos
1986 LGARCH Bollerslev
y Taylor
2
1 1 2 1 1
+ + =
t t t o t
h h h c o o o
Linealizacin del modelo
GARCH-M
1986 MGARCH Geweke y
Pantula
+ + =

) ln( ) ln( ) ln(
1 2
2
1 1 t t o t
h h o c o o
Especificaciones de la
varianza multiplicativa
(linealizada con
logaritmos)
1986 IGARCH Engel y
Bollerslev
1
2
1
) 1 (

+ =
t t t
h h o c o
Persistencia en varianza
condicional
heterocedstica.
1989 EGARCH Nelson
(
(

+ +
+ =

t
c
o
c

| o
2
) log( ) log(
1
1
1
1
1 1 0
t
t
t
t
t t
h h
h h

Modelos ARCH para
procesos no normales
(funciones de densidad
exponenciales) Respuesta
asimtrica
1989 TS-GARCH Schwert
| |
2
1 2 2 1 1 0
+ + =
t t t t
h h h c o o o
Correccin de efectos
asimtricos en las
variaciones al alza o la
baja
1990 AGARCH
NGARCH
Engel y Ng
2
1 1 2 1 1 0
) ( c h h h
t t t t
+ + =

c o o o
Contraste y solucin de
auto correlacin entre la
perturbacin aleatoria y su
varianza
1990 FACTOR
ARCH
Engel, Ng
y
Rothschild

=
O + =
K
k
t k k k t
H
1
,
| |
Empleo de la covarianza
entre varias series
temporales
1992 T-GARCH Gourieroux
y Zakonian
2
1 1
2
1 2 2 1 1 0
) , 0 max(
| |



+ + + =
t t
t t t t
h
h h h
c o
c o o o

Modelos dinmicos donde
media y varinza
condicionales son
funcines stepwise
endgenas
1993 GJR-
GARCH
Golsten
2
1 1
2
1 1 2 1 1
) , 0 max(



+ + + =
t t
t t t o t
h
h h h
c o
c o o o

Diferenciacin del
parmetro en subida y
bajada
1993 V-GARCH Engel y Ng
2
1
1
2 1 1
|
|
.
|

\
|
+ + + =

c
h
h h
t
t
t o t
c
o o o
Similar al NGARCH, con
una variacin mayor en los
parmetros asimtricos
1993 A-PARCH Ding
( )
o
o o
|
c o o
j t
q
j
t
p
s
t s t t t
h
h

=
=

+ + =

1
1
0
) 1 ( | |

Se propone modelizar un
valor potencial de la
desviacin tpica que
atiende al mximo de la
funcin de autocorrelacin
del valor absoluto del
proceso
1994 ARCH de
rgimen
cambiante
Hamilton y
Susmel
0 .
1 0
~ ~
~
1
1
2
1
1
1
2
0
,
=
= s
+ + =
=

=

t
t t
t
q
j
t j t j t
t s
t
t
d etoc
d si
d h
g
c
c c o o
c
c


Introduccin de funciones
de densidad que cambian
de normal a t-studenta
partir de cadenas de
Markov
1997 VAR-
GARCH

VAR del iables n i
h b x h
i t i i t i i t
.. .. var ,..., 2 , 1
'
, 1
2
, 1 ,
=
+ + =

| c o

Empleo de una VAR con
residuos con
heterocedasticidad
condicional

Tabla 3.1: Modelos ARCH

I V Aplicaciones

El empleo de series de tiempo, traspasa diferentes industrias y reas. Es por esta razn
que el objetivo de este captulo ser mostrar algunos ejemplos donde se han aplicado modelos
de series de tiempo. Las reas se centran en el anlisis de demanda, esto se debe a que estos
ndices poseen un componente que es posible de analizar a travs del tiempo, por lo que su
estimacin se va facilitada por un anlisis de la serie de tiempo.


IV.1 Pronstico de Demanda de Carga

Esta aplicacin fue desarrollada por Francisco Barros para optar al ttulo de Ingeniero
Civil Industrial de la Universidad Adolfo Ibez. El objeto de esta memoria fue estimar la
demanda de transporte de carga area para el aeropuerto Arturo Merino Bentez (AMB), de
modo de apoyar el sistema de toma de decisiones de una empresa concesionaria. Pudindose
planificar el desarrollo que las instalaciones de transporte de carga deben tener en el mediano y
largo plazo.

Los modelos utilizados, fueron tres: Modelos de Descomposicin Clsicos, Modelos de
Suavizamiento Exponencial y la Metodologa de Box-Jenkins.

Segn el Modelo de descomposicin clsico, se estim la componente adicional, se
realiz un anlisis de tendencia y la estimacin de la variacin cclica. Luego para el caso de
suavizamiento exponencial, dentro de este se aplic el Modelo de Winters con tendencia lineal,
con tendencia exponencial y con tendencia amortiguada. Para posteriormente utilizar la
Metodologa Box-Jenkins.



Figura 4.1: Suavizamiento Exponencial para las salidas nacionales en el AMB.


Considerando el MAPE o error porcentual absoluto medio para el anlisis de las salidas
nacionales (adicionalmente se analiz las: llegadas nacionales, llegadas y salidas
internacionales), los resultados fueron los siguientes considerando el perodo de anlisis desde
el ao 1989 hasta 1999, y realizando una proyeccin para el ao 2000.



Suavizamiento Exponencial con tendencia
D. Clsica Lneal Exponencial Amortiguada
Box-
Jenkins
MAPE 7.1% 16.8% 18.9% 17.0% 17.1%

Tabla 4.1: Tabla de MAPE para las salidas nacionales en el AMB.

La tabla x, muestra claramente que el mtodo de Descomposicin Clsica obtuvo un
desempeo superior al resto de los modelos aplicados. Esta situacin, es slo vlida para el
caso analizado, y no se manifiesta en las dems demandas analizadas. Esto se debe a las
caractersticas propias de la serie, las que debidamente analizadas se ajustarn con un menor
error a un determinado modelo de Serie de Tiempo.


IV.2 Pronstico de Demanda para Gas Licuado


Esta aplicacin fue desarrollada por Macarena Lpez para optar al ttulo de Ingeniero
Civil Industrial de la Universidad Adolfo Ibez. El objetivo de esta memoria fue estimar la
demanda total de gas licuado a nivel regional estratificado segn el tipo de gas, ya sea envasado
o granel, con un horizonte de tiempo de cinco aos.

La metodologa empleada consisti en emplear la metodologa Box-Jenkins, para la
estimacin de la demanda. Esta demanda se pronostic para las regiones de Chile, tanto para el
consumo de gas licuado como de gas a granel.



Consumo de gas licuado envasado, Reg Metrop
Mes
T
o
n
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
E
n
e
-
8
7
J
u
l
E
n
e
-
8
8
J
u
l
E
n
e
-
8
9
J
u
l
E
n
e
-
9
0
J
u
l
E
n
e
-
9
1
J
u
l
E
n
e
-
9
2
J
u
l
E
n
e
-
9
3
J
u
l
E
n
e
-
9
4
J
u
l
E
n
e
-
9
5
J
u
l
E
n
e
-
9
6
J
u
l
E
n
e
-
9
7
J
u
l
E
n
e
-
9
8
J
u
l
E
n
e
-
9
9
J
u
l
E
n
e
-
0
0
J
u
l

Figura 4.2: Consumo Gas Licuado en la R.Metroplitana 1987-2000.

En base a la funcin de autocorrelacin simple y la funcin de autocorrelacin parcial y
el test estadstico de Box-Pierce. Se ajust a un modelo Arima multiplicativo estacional (0,1,1) x
(0,1,1)
12
. Los resultados del modelo se presentan en la siguiente figura:


Pronstico del consumo de gas licuado envasado, RM
Mes
T
o
n
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
E
n
e
-
8
7
J
u
l
E
n
e
-
8
8
J
u
l
E
n
e
-
8
9
J
u
l
E
n
e
-
9
0
J
u
l
E
n
e
-
9
1
J
u
l
E
n
e
-
9
2
J
u
l
E
n
e
-
9
3
J
u
l
E
n
e
-
9
4
J
u
l
E
n
e
-
9
5
J
u
l
E
n
e
-
9
6
J
u
l
E
n
e
-
9
7
J
u
l
E
n
e
-
9
8
J
u
l
E
n
e
-
9
9
J
u
l
E
n
e
-
0
0
J
u
l
E
n
e
-
0
1
J
u
l
E
n
e
-
0
2
J
u
l
E
n
e
-
0
3
J
u
l
E
n
e
-
0
4
J
u
l
E
n
e
-
0
5
J
u
l
E
n
e
-
0
6
J
u
l

Figura 4.3: Pronstico de Gas Licuado en la R.Metropolitana.
El modelo ajustado por la metodologa Box-Jenkins, observa un comportamiento que se
ajusta al comportamiento histrico de la demanda de gas licuado. A travs de este ajuste es
posible elaborar un pronstico para lo que ser la demanda de aos futuros.


IV.3 Anlisis de demanda de lubricantes.

Esta aplicacin fue desarrollada por Claudio Cortes, para optar al titulo de Ingeniero Civil
Industrial de la Universidad Adolfo Ibez. El objeto de sta, es obtener una modelo que logre
pronosticar la demanda mensual futura de los lubricantes Movil, en el corto plazo, en sus
distintas categoras, para apoyar la toma de decisiones que tiene que realizar la empresa en
base a la cantidad de ingresos que percibir, los cuales son funciones de las ventas, adems de
apoyar a la planificacin de la produccin.

Con este objetivo se estudiaron distintos modelos de pronstico como mtodos de
descomposicin clsica, mtodos ingenuos, suavizacin exponencial, modelos ARIMA, modelos
ARMAX, teniendo los mejores resultados con estos dos ltimos y particularmente con los
modelos ARIMA.

Los datos que se tenan corresponden a las demandas mensuales que han tenido los
lubricantes Movil en sus 25 productos divididos en 8 categoras, trabajando a nivel agregado
como grupo, durante los ltimos 4 aos, lo que se puede considerar que son escasos para
obtener buenos resultados en general, pero en este trabajo se obtuvo pronsticos con bajo error
finalmente para la cantidad de datos utilizados.

Vent a Tot al
2500000
3000000
3500000
4000000
4500000
5000000
5500000
Ener o Febr er o Mar zo Abr i l Mayo Juni o Jul i o Agosto Septi embr e Octubr e Novi embr e Di ci embr e
98
99
0
1
Figura 4.4: ventas mensuales del total de lubricantes

Si vemos el caso de la demanda de Lubricantes automotriz podemos notar que el mejor
modelo encontrado dentro de todos los revisados es el modelo ARIMA (2,1,3)x(2,0,2)
3







mtodos
ingenuos
ARIMA
(2,1,0)x(2,0,1)3 ARMAX
MPE 1,27% 0,10%
Grupo Transmisin MAPE 9,75% 9,08% 9,14%
coef. Correlacin 0,8212 0,838 0,6787

Tabla 4.2 muestra los errores de los distintos mtodos utilizados para pronosticar

En general los modelos ARIMAs se comportaron mejor que los otros modelos gracias a
sus caractersticas especficas que le permiten poder obtener mejores pronsticos en base a
una menor cantidad de datos. El MAPE promedio de los modelos ARIMA que se obtuvo fue de
un 8,79%, siendo este bastante aceptable por la caracterstica de los datos.

Los modelos ARMAX tuvieron tambin un gran desempeo en los pronsticos en los que
se pudo realizar, esto se debe porque adems de basarse en los datos anteriores incorporan
variables exgenas que permiten mayor exactitud.


IV.4 Pronstico para la volatilidad de los ADRs

Esta aplicacin fue desarrollada por Mariana Minoletti, para optar al titulo de Ingeniero
Civil Industrial, en la Universidad Adolfo Ibez. El objetivo de este proyecto ser estimar el
precio de las acciones emitidas como ADR y su volatilidad, mediante la clase de modelos
Autoregressivos Condicional Hetereosedstico Generalizados (GARCH).

Lo que se hace aqu es realizar un estudio de los modelos GARCH, y explicar porque
estos son tan utilizados para los pronsticos de la concentracin de la volatilidad. Este trabajo se
enfoca en un aspecto de los modelos GARCH, el cual se nombrar como su habilidad de
entregar un pronstico de la volatilidad.


Figura 4.5: Muestra la serie de tiempo para el valor de Concha y Toro
El estudio se realiza en base a datos histricos semanales de 13 ADRs que se han
tranzado durante mucho tiempo permitiendo que exista cierta estabilidad en ellos. La cantidad de
datos que se tienen de cada uno depende de la fecha en que se lanzaron al mercado
alcanzando alguno de estos a tener ms de 7 aos de datos histricos.

Los resultados que se obtuvieron en general no representan ms de un tres % de error,
por lo que son potentes herramientas de prediccin. En general la mayora de los ADRs
estudiados tuvieron como modelo con menor error al GARCH (1,1).




V Conclusiones


En esta monografa se estudiaron los modelos ms conocidos sobre Series de Tiempo,
yendo desde los modelos ms clsicos hasta modelos de data ms reciente. Los modelos de
pronsticos presentados difieren en precisin, complejidad, tanto como en el tipo y cantidad de
datos que pueden manejar. Quien pronostique podr seleccionar el que mejor se ajuste a los
requerimientos de precisin a un apropiado costo. Sin embargo, la eleccin no es sencilla y
obvia, ya que depender de factores como el tipo de patrones en los datos, el horizonte de
tiempo, el costo de emplear un determinado mtodo y el nivel de precisin. En ciertos casos,
ser ms valioso tomar en consideracin pronsticos producidos por diferentes mtodos, para
posteriormente elaborar el pronstico definitivo ponderando cada uno. En las aplicaciones se
pudo observar que los modelos analizados obtuvieron resultados razonablemente satisfactorios.
Considerando la simplicidad de algunos de stos, y lo relativamente sencillo que resulta su
aprendizaje, estos modelos pueden ser usados en una amplia gama de pronsticos, ya sea de
demanda, carga, desarrollo poblacional, anlisis de recursos, etc.

En los ltimos aos, crticas considerables se han sentido con respecto a la incapacidad
de pronosticar los eventos futuros y cambias. Ms aun, los pronosticadores han sido censurados
debido a grandes errores de pronstico que han causado que la toma de decisiones y
planificacin no respondiesen adecuadamente. Esto es una concepcin errnea de pronosticar,
que usada correctamente, otorga una ventaja o un menor error y que finalmente puede ser
usado para guiar el proceso de toma de decisiones.

Para terminar, cabe mencionar que la investigacin en series de tiempo est activa,
agregndose herramientas que no fueron mencionadas en esta monografa, tales como el
empleo de redes neuronales, que presentan la caracterstica de reconocimientos de patrones, y
que ya estn siendo fuertemente utilizadas en algunas industrias.



VI Bibliografa

- Box, G. Y Jenkins, G. (1976). Time series, forecasting and control.

- Cryer, Jonathan D. (1986). Time series analysis. Duxbury Press, Boston.

- Gardner, Everette S. Jr. (1985). Exponential smoothing: the state of the art. Journal of
Forecasting, 4, 1-28. Www.interscience.wiley.com.

- Makridakis, Spyros, y Wheelwright, Steven (1978). Interactive forecasting. Segunda
edicin, Editorial Holden Day.

- Pea, Daniel (1987). Modelos y mtodos, Modelos y series temporales.

- Allende, Hctor. Apuntes de Econometra y series cronolgicas.

- Acevedo Garrido, Juan A. Modelo de proyeccin de demanda para una empresa de
distribucin elctrica, Via del Mar, UAI 2000.

- Barros, Francisco. Pronstico de demanda de carga para el aeropuerto Arturo Merino
Bentez de Santiago, Via del Mar, UAI, 2001.

- Herl, Carlos V. Venegas, Ral. La demanda por combustibles derivados del petrleo en
Chile, Santiago, PUC 1986.

- Lpez Villa, Macarena S., Modelo de Pronstico de Demanda para una empresa
distribuidora de Gas Licuado, Via del Mar, UAI 2002

- Aravena, Francisco. Modelos para la estimacin de la demanda de energa elctrica,
Santiago, PUC 1984.

- Fuenzalida, Darcy. Demanda de electricidad en Chile, Santiago, PUC,1983.