Econometría financiera

.
Series de tiempo
 Series de tiempo

Muchas de la series de tiempo se comportan en función del tiempo. La

econometría ha desarrollado métodos para el tratamiento de este tipo de datos.
Estos métodos consisten en descomponer la parte determinística y separarla del
componente aleatorio.
• Determinístico: supone que no existe aleatoriedad en la información de la variables,
por lo tanto, cuando se realiza un modelo, se tiene con “certeza toda la información”.
• Estocástico: no existe toda la información disponible, por lo tanto, existe
incertidumbre.
 Componentes de una serie de tiempo
•  

Es importante reconocer e identificar los patrones de

comportamiento que presenta la serie de tiempo a través de
los periodos, t. Este procedimiento de identificación se llama
descomposición. Una serie de tiempo presenta cuatro
componentes principales; la tendencia, el ciclo, la
estacionalidad y el componente irregular de la serie.
 Descomposición: Tendencia
•  

Tendencia, : son movimientos a lo largo de una serie de tiempo,

estos movimientos son de largo plazo. La tendencia es el
componente que representa el crecimiento (o la declinación)
subyacente en una serie de tiempo, durante un periodo extenso.
Para una serie de tiempo con tendencia, el nivel de la serie no es
contante, en otras palabras, es una serie no estacionaria
 Descomposición: Ciclo

•  
Ciclo, : son fluctuaciones en forma de onda alrededor de la tendencia y corresponde a un
componente de largo plazo, por tanto, tienen una duración de más de un año. Las fluctuaciones
indican aumentos y caídas que no tienen un periodo fijo; los ciclos se identifican por lo general
en cinco fases, para el ciclo de los negocio: auge, crisis, recesión, depresión y recuperación; y
para el ciclo de vida de un producto: introducción, crecimiento, madurez, saturación y declive.
Los patrones cíclicos son difíciles de modelar porque sus patrones generalmente son
inestables, al ser difíciles de identificar y complejos de separar de la serie tendencial, con
frecuencia el ciclo de la serie de tiempo se le atribuye como parte de la tendencia, para formar
así un componente , que contiene el componente tendencia-ciclo
 Descomposición: Estacionalidad
•  

Estacionalidad, : es una serie de tiempo con un patrón de cambio que se

repite a si mismo año tras año. Es un cambio más o menos estable que
aparece regularmente a lo largo del tiempo. En otras palabras es un
componente de corto plazo que se repite periódicamente en periodos
inferiores a un año (casa “S” periodos). Para datos anuales, la estacionalidad
no tendría sentido estimarla porque no existe la posibilidad de modelar un
patrón con datos que se recopilan una vez por año.
 Descomposición: Irregular
•  

Irregular, : es un componente de corto plazo que captura las

fluctuaciones impredecibles o aleatorias que se presentan por
sucesos inusuales y no corresponden a los tres componentes
antes mencionados, por lo tanto, su comportamiento es un efecto
residual de la serie de tiempo.
 Modelos de predicción determinista

Promedio móvil simple: se utiliza para suavizar una series, es decir, elimina
los picos de una serie, en otras palabras elimina los componentes de corto
plazo para visualizar mejor los de largo plazo (tendencia y ciclo). También se
utiliza para pronosticar. El promedio móvil es un modelo de pronóstico cuyo
nuevo valor incorpora la información mas reciente y elimina la observación
mas antigua.  
𝑌 𝑡 +𝑌 𝑡 −1+ … 𝑌 𝑡 − 𝑘+1
^
𝑀 𝑡 = 𝑃𝑚𝑡 ( 𝐾 )=𝑌 𝑡+1 =
𝐾
 Modelos de predicción determinista
•  
Promedio móvil doble: una manera de pronosticar los datos de las series de tiempo que
tienen una tendencia lineal es usar promedios móviles dobles.

, es un factor de ajuste adicional, es similar a la medida de cambio a lo largo de la serie.

 Modelos de predicción determinista
•  
Modelo de suavizamiento exponencial: es un modelo de pronóstico cuyo nuevo valor es un promedio

ponderado de los valores actuales y pasados. A diferencia del promedio móvil, el suavizamiento incluye toda

la información disponible y pondera mas las observaciones recientes.

 
ŷ 𝑡+1 =𝛼 𝑌 𝑡 +(1 −𝛼 ) ŷ 𝑡

La expresión anterior representa la fórmula del suavizamiento exponencial donde α corresponde a la

constante de suavizamiento o factor de ponderación, es decir, determina el grado de influencia sobre el

pronóstico de la observación mas reciente ; representa el valor de la serie en el periodo t. es el valor

pronosticado de la serie en el periodo t y es el valor a predecir de la serie en el periodo siguiente

 Modelos de predicción determinista
•  

Método de Holt: modelos de dos parámetros, este método

suaviza la estimación de la tendencia de la serie de tiempo.
 Modelos de predicción determinista
•  
Método de Holt-Winter: el método de suavización exponencial lineal y estacional de tres parámetros de Winters, es

una extensión del método de Holt que podría representar mejor los datos y reducir el error del pronóstico cuando

existe un patrón de estacionalidad. En el método de Winters se emplea una ecuación adicional para estimar la

estacionalidad
Resumen: Métodos de predicción determinista

NO ESTACIONALIDAD CON ESTACIONALIDAD

• PROMEDIO MÓVIL • ADITIVO ESTACIONAL.

SIMPLE.
• MULTIPLICATIVO
SIN TENDENCIA • SUAVIZAMIENTO EXPONENCIAL.
EXPONENCIAL SIMPLE

• PROMEDIO MÓVIL DOBLE. • ADITIVO HOLT-WINTERS.

• SUAVIZAMIENTO • MULTIPLICATIVO HOLT-

CON TENDENCIA EXPONENCIAL DOBLE. WINTERS.
 ¿Qué modelo evaluar?

• MAD “Desviación media absoluta”: Mide la exactitud

  1 ^𝑡 |
𝑀𝐴𝐷= ∑ |𝑌 𝑡 − 𝑌
del pronóstico , promediando la magnitud de los 𝑛
errores.

• MSE “Error cuadrático medio”: Sanciona errores 𝑀𝑆𝐸= 1 ∑ ( 𝑌 𝑡 − 𝑌^𝑡 )2

 

𝑛
grandes en la elaboración de pronósticos.
 
• RMSE “Raiz cuadrada MSE”
 ¿Qué modelo evaluar?
 
1 |𝑌 𝑡 − 𝑌^𝑡|
• MAPE “Error porcentual absoluto medio” 𝑀𝐴𝑃𝐸= ∑
𝑛 |𝑌 𝑡|
 
1 ( 𝑌 𝑡 − 𝑌^𝑡 )
• MPE “Error porcentual medio”: Mide el sesgo 𝑀𝑃𝐸= ∑
del pronóstico. 𝑛 𝑌𝑡

• Coeficiente de desigualdad de Theil: Permite  

analizar la bondad de ajuste del modelo. un
coeficiente cercano a cero, indica igualdad
entre el valor observado y el valor estimado.
 Miguel Angel Bello
Economista, MBA, CRM.
miguel.bello@software-shop.com