Tema 2 Modelizacion Economica Ii - 2

MODELOS DE SERIES TEMPORALES EN FINANZAS
(I): MODELOS ARIMA

Modelizacin Econmica II
Referencias:
Mills y Markellos (2008) "The Econometric Modelling of Financial
Time Series", Cambridge University Press.
Aznar y Trvez (1993) "Mtodos de Prediccin en Economa II", Ariel.
Modelos ARIMA () Dr Javier Perote Pea perote@usal.es 1 / 37
1 Introduccin a las series temporales
Llamaremos serie temporal o proceso estocstico en tiempo discreto a una
sucesin de variables aleatiorias Y
t
para t = , ..., 2, 1, 0, 1, 2, ..., (t
recoge el tiempo y toma valores discretos).
Box & Jenkins (1976) modeliz las series temporales mediante los modelos
ARIMA. El trmino signica:
AR = Au torregresivos
I = Integrados
MA = Medias m oviles
La metodologa Box-Jenkins recoge una serie de etapas y procedimientos para la
identicacin, estimacin, contraste y prediccin de los modelos ARIMA con
datos de series temporales.
Una serie temporal Y
t
es estacionaria (en sentido dbil) si existen sus
momentos de primer y segundo orden y estos son constantes e
independientes de t, es decir,
a) E(Y
t
) = \ t,
b) Var (Y
t
) = E

(Y
t
)
2
=
2
\ t
c) Cov(Y
t
, Y
ts
) = E [(Y
t
)(Y
ts
)] = (s) \ t y \s ,= 0.
(s) es una funcin que depende de s pero no de t y se denomina funcin
de autocovarianza (FAC).
Ejemplo: Un ruido blanco (
t
) es un proceso estocstico estacionario dado
que si E(
t
) = 0 \ t, Var (
t
) =
2
\t y Cov(
t
,
ts
) = 0 \ t y \s ,= 0.
La propiedad de estacionariedad es muy importante porque si las series no
son estacionarias la estimacin MCO es sesgada, inconsistente y las
desviaciones tpicas de los estimadores no son vlidas.
Una serie temporal estacionaria Y
t
se puede caracterizar por su estructura
completa de covarianzas ((s)), correlaciones ((s)) o correlaciones
parciales ((s)).
Funcin de autocorrelacin simple (FAS): (s) =
(s)
(0)
\s = 1, 2, ...donde (0) = Var (Y
t
).
Funcin de autocorrelacin parcial (FAP):
(s) = Corr [Y
t
Y
ts
[ Y
t1
, Y
t2
, ..., Y
ts+1
] \s = 1, 2, ...
La representacin grca de la FAP y de la FAS se denominan
correlograma simple y parcial. Ambas son funciones simtricas y
comprendidas entre 1 y 1.
La etapa de identicacin de la metodologa Box-Jenkins trata de reconocer
el proceso ARIMA que genera una serie temporal concreta en funcin de los
correlogramas simple y parcial muestrales.
1
1 2 3 4 5
s
6
1
(s)
1
1
2
3
4
5
s
6
1
(s)
2 Modelos Autorregresivos
Modelo AR(1)
Un proceso autorregresivo de primer orden, AR(1), se dene como
Y
t
=
0
+
1
Y
t1
+
t
donde
t
es una variable aleatoria ruido blanco: E(
t
) = 0 \
t, Var (
t
) =
2
\t y Cov(
t
,
ts
) = 0 \t y \s ,= 0.
Si [
1
[ < 1 el proceso AR(1) es estacionario. En tal caso se puede
demostrar que:
a) E(Y
t
) =

0
1
1
\t,
b) Var (Y
t
) = (0) =

2
1
2
1
\t
c) Cov(Y
t
, Y
ts
) = (s) =
s
1

2
1
2
1
=
s
1
(0) \ t y \s ,= 0.
Por tanto [
1
[ < 1 todas las autocorrelaciones simples son disntintas de cero
si bien decaen rpidamente hacia cero.
(s) =
s
1
\s = 1, 2, ...
Modelo AR(1)
Si [
1
[ < 1 slo la primera autocorrelacin parcial es distinta de cero.
(s) =
8
<
:

1
si s = 1
0 \s > 1
1
1 2 3 4 5
s
6
1
(s)
1
1
(s)
1 2 3 4 5
s
6
Modelo AR(1)
Si [
1
[ _ 1 el AR(1) tiene varianza "explosiva" (no estacionario en
varianza).
Por ejemplo, si
1
= 1 el proceso resultante se denomina paseo aleatorio
(con deriva
0
): Y
t
=
0
+Y
t1
+
t
. ste es un proceso integrado de
orden 1 o I(1) dado que su primera diferencia es estacionaria:
Y
t
= Y
t
Y
t1
=
0
+
t
.
Estadsticamente este proceso es indistinguible de un AR(1) con
1
= 0.99,
proceso muy prximo a la no estacionariedad que se caracteriza por la alta
persistencia de las correlaciones (lento decaimiento hacia cero de la FAS).
Modelo AR(1)
Correlograma de un proceso AR(1) prximo a la no estacionariedad.
1
1 2 3 4 5 6
1
(s)
7 9 8 10 11 12
s
15 14 16 17 18 13
Generacin de una serie de un proceso AR(1) estacionario con Eviews
Abrir EViews and crear un nuevo chero con "File/New Workle". En el rango de
la serie "workle range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Y
t
con el valor 0 para la observacin 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]
3. smpl 2 500
genr yt=0.5+0.4*yt(-1)+ut [genera Y
t
: proceso AR(1) con
1
= 0.4]
Generacin de una serie de un proceso AR(1) estacionario con Eviews
Notar que la media (
0.5
10.4
= 0.83) y la varianza (
1
10.4
2
= 1.19) son constantes
en el tiempo.
-3
-2
-1
0
1
2
3
4
5
100 200 300 400 500
YT
Generacin de una serie de un proceso AR(1) no estacionario con Eviews
Abrir EViews and crear un nuevo chero con "File/New Workle". En el rango de
la serie "workle range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Y
t
con el valor 0 para la observacin 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]
3. smpl 2 500
genr yt=0.5+1.4*yt(-1)+ut [genera Y
t
: proceso AR(1) con
1
= 1.4]
Generacin de una serie de un proceso AR(1) no estacionario con Eviews
-2.0E+71
0.0E+00
2.0E+71
4.0E+71
6.0E+71
8.0E+71
1.0E+72
1.2E+72
1.4E+72
100 200 300 400 500
YT
El modelo AR(2)
Un proceso autorregresivo de segundo orden, AR(2), se dene como
Y
t
=
0
+
1
Y
t1
+
2
Y
t2
+
t
donde
t
es una variable aleatoria ruido blanco.
Un AR(2) se puede reescribir en funcin del operador de retardos, L (que
satisface L
s
Y
t
= Y
ts
) y el correspondiente polinomio de retardos, (L):
Y
t

1
Y
t1

2
Y
t2
=
0
+
t
(1
1
L
2
L
2
)Y
t
=
0
+
t
(L)Y
t
=
0
+
t
El modelo AR(2)
Un AR(2) es estacionario si las races del polinomio de retardos caen
fuera del crculo unidad, es decir si [L
i
[ > 1 \ i = 1, 2 donde L
i
son las
races que satisfacen 1
1
L
2
L
2
= 0.
Por ejemplo, para el caso del AR(1)
1
1
L = 0 = L
+
=

> 1 = [
1
[ < 1.
Si el proceso AR(2) es estacionario E(Y
t
) =

0
1
1
2
\t y la estructura de
autocovarianzas se obtienen de la resolucin del sistema de ecuaciones de
Yule-Walker.
El modelo AR(2)
El sistema de Yule-Walker es recursivo: con las tres primeras ecuaciones
se obtienen (0), (1) y (2).
(0) =
1
(1) +
2
(2) +
2
(1) =
1
(0) +
2
(1)
(2) =
1
(1) +
2
(0)
El resto autocovarianzas se obtienen recursivamente de
(s) =
1
(s 1) +
2
(s 2)\s > 2.
Todas las autocorrelaciones simples son distintas de cero pero slo las dos
primeras autocorrelaciones parciales son distintas de cero.
Correlograma simple y parcial de un AR(2)
1
1 2 3 4 5
s
6
1
(s)
1
1 2
s
1
(s)
El modelo AR(p)
El proceso autorregresivo de orden p o AR(p) se dene como:
Y
t
=
0
+
1
Y
t1
+
2
Y
t2
+ ... +
p
Y
tp
+
t
donde
t
es una variable aleatoria ruido blanco.
Un AR(p) se puede reescribir en funcin del operador de retardos (L) y el
correspondiente polinomio de retardos, (L):
Y
t

1
Y
t1

2
Y
t2
...
p
Y
tp
=
0
+
t
(1
1
L
2
L
2
...
p
L
p
)Y
t
=
0
+
t
(L)Y
t
=
0
+
t
El modelo AR(p)
Un AR(p) es estacionario si las races del polinomio de retardos caen
i
[ > 1 \ i = 1, 2 donde L
i
son las
races de 1
1
L
2
L
2
...
p
L
p
= 0.
Si el proceso AR(p) es estacionario E(Y
t
) =

0
1
1
2
...
p
\t y las
autocovarianzas se obtienen del sistema de ecuaciones de Yule-Walker
(con las p primeras ecuaciones se obtienen la varianza y las p primeras
covarianzas).
(0) =
1
(1) +
2
(2) + +
p
(p) +
2
(s) =
1
(s 1) +
2
(s 2) +
p
(s p) \s > 0.
Todas las autocorrelaciones simples son distintas de cero pero slo las p
primeras autocorrelaciones parciales son distintas de cero.
3 Modelos de medias mviles
El modelo MA(1)
El modelo de medias mviles de orden 1 o MA(1) se expresa en funcin de
ruidos blancos (
t
) como
Y
t
=
0
+
t

1
t1
.
Un MA(1) es siempre estacionario (combinacin lineal de procesos
estacionarios). En particular,
a) E(Y
t
) =
0
\t,
b) Var (Y
t
) = (0) =
2
(1 +
2
1
) \t
c) Cov(Y
t
, Y
ts
) = (s) =

1
si s = 1
0 \s > 1
\ t.
El modelo MA(1)
En un MA(1) slo la primera autocorrelacion simple es distinta de cero pero
la FAP nunca se anula.
1
1
s
1
(s)
1
1 2 3 4 5
s
6
1
(s)
Invertibilidad de un MA(1)
Una serie temporal Y
t
es invertible si puede representarse como un proceso
AR estacionario (de orden innito). Esta propiedad se requiere para la
identicacin de los procesos ARIMA segn su FAS y FAP y para la
prediccin de los procesos MA(q).
Si [
1
[ < 1 el proceso MA(1) es invertible.
Y
t
=
t
+
0
1
(Y
t1
0
+
1
t2
) =
t
+
0
(1 +
1
)
1
Y
t1
2
1
t2
y sustituyendo recursivamente
ti
por el correspondiente proceso MA(1) se
obtiene
Y
t
=
0
i =0
i
1

i =0
i
1
Y
ti
+
t
=
0
+

i =0
i
Y
ti
+
t
.
El modelo MA(2)
El modelo de medias mviles de orden 2 o MA(2) se expresa como (
t
ruido
blanco)
Y
t
=
0
+
t

1
t1

1
t2
.
Un MA(2) es siempre estacionario y sus autocovarianzas:
a) E(Y
t
) =
0
\t,
b) Var (Y
t
) = (0) =
2
(1 +
2
1
+
2
2
) \t
c) Cov(Y
t
, Y
ts
) = (s) =
8
<
:
(
1
+
1
2
)
2
si s = 1
si s = 2
0 \s > 2
\ t.
El modelo MA(2)
En un MA(2) las dos primeras autocorrelaciones simples son distintas de
cero pero la FAP nunca se anula.
1
1
s
1
(s)
1
1 2 3 4 5
s
6
1
(s)
2
El modelo MA(2)
Un modelo MA(2) se puede representar en funcin del operador de retardos,
L, y del polinomio de retardos, (L):
Y
t
=
0
+ (1
1
L
2
L
2
)
t
=
0
+(L)
t
Un MA(2) es invertible si las races del polinomio de retardos caen
i
[ > 1 \ i = 1, 2 donde L
i
son las
races que satisfacen 1
1
L
2
L
2
= 0.
Por ejemplo, para el caso del MA(1)
1
1
L = 0 = L
+
=

> 1 = [
1
[ < 1.
El modelo MA(q)
El modelo de medias mviles de orden q, MA(q), se representa como (
t
ruido blanco)
Y
t
=
0
+
t

1
t1

2
t2
...
q
tq
.
Alternativamente usando el operador de retardos se puede expresar como
Y
t
=
0
+ (1
1
L
2
L
2
...
q
L
q
)
t
=
0
+(L)
t
.
El modelo MA(q) es siempre estacionario e invertible si las races de
(L) = 0 caen fuera del crculo unidad.
La FAS de un MA(q) se anula a partir del orden del proceso (q), pero la
FAP nunca se anula.
4 Modelos ARMA
El modelo ARMA(1,1)
Un proceso ARMA(1,1) es un proceso mixto entre un AR(1) y un MA(1)
que se representa como (
t
ruido blanco)
Y
t
=
0
+
1
Y
t1
+u
t

1
u
t1
.
Este proceso es estacionario si [
1
[ < 1 e invertible [
1
[ < 1.
Si el proceso es estacionario satisface:
a) E(Y
t
) =

0
1
1
\t,
b) Var (Y
t
) = (0) =
2
(1+
2
1
2
1
1
)
1
2
1
\t
c) Cov(Y
t
, Y
ts
) = (s) =
8
<
:

2
(1
1
1
)(
1
1
)
1
2
1
si s = 1
1
(s 1) \s > 1
\ t.
4 Modelos ARMA
El modelo ARMA(1,1)
Por tanto la FAS y la FAP de un ARMA(1,1) tienen todas las
autocorrelaciones simples y parciales distintas de cero, si bien stas decaen
exponencialmente hacia cero.
La primera autocorrelacin simple depende tanto de la parte AR(1) como
MA(1), pero a partir de sta el resto se comportan como las de un AR(1).
En cuanto a la FAP, la primera autocorrelacin parcial depende de la
estructura AR(1) y MA(1) pero a partir de sta el resto se comportan como
en un MA(1).
Los procesos AR(1) y MA(1) son casos particulares del ARMA(1,1) para
1
= 0 y
1
= 0, respectivamente.
4 Modelos ARMA
El modelo ARMA(p,q)
La forma general de un proceso ARMA(p,q) es la siguiente (
t
ruido blanco):
Y
t
=
0
+
1
Y
t1
+ ... +
p
Y
tp
+
t

1
t1
...
q
tq
(L)Y
t
=
0
+(L)
t
Un ARMA(p,q) es estacionario e invertible cuando las races de
(L) = 1
1
L
2
L
2
...
p
L
p
= 0 y
(L) = 1
1
L
2
L
2
...
q
L
q
= 0 caen fuera del cculo unidad.
La FAS y la FAP de un proceso ARMA(p,q) estacionario son todas distintas
de cero dado que a partir del orden q la FAS se comporta como en un AR(p)
y a partir del orden p la FAP se comporta como en un MA(q).
Casos particulares: ARMA(p,0)=AR(p) y ARMA(0,q)=MA(q).
5 Modelos ARIMA(p,d,q)
La mayor parte de las series econmicas no son estacionarias dado que
suelen presentar tendencias y/o clusters de volatilidad.
Las series no estacionarias en media se convierten en estacionarias
diferencindolas. Si Y
t
no es estacionaria pero la serie diferenciada d veces
s lo es, entonces Y
t
sigue un proceso integrado de orden d o I(d). En
particular las series estacionarias son I(0).
Normalmente basta con aplicar una diferencia (Z
t
= Y
t
= Y
t
Y
t1
), o
como mucho dos (
2
Y
t
= Z
t
= Z
t
Z
t1
), para transformar las series
econmicas en estacionarias.
Si las series no son estacionarias en varianza normalmente se les suele
aplicar logartimos antes de diferenciarlas. Diferencias de logaritmos son
tasas de variacin: ln(Y
t
) ln(Y
t1
)
Y
t
Y
t1
Y
t1
.
Ejemplos de series temporales no estacionarias
Los grcos de las series ofrecen una primera idea de la no estacionariedad. Por
ejemplo las guras del ndice S&P500 o del tipo de cambio /$ son claramente
no estacionarias en varianza (transformacin logaritmica) y en media (primeras
diferencias).
200
400
600
800
1,000
1,200
1,400
1,600
92 94 96 98 00 02 04
SP500 (daily data) 26/4/1991 - 26/4/2006. 0bs 3913
.45
.50
.55
.60
.65
.70
.75
86 88 90 92 94 96 98 00 02 04 06
Exchange rate /$. Daily data. Obs 5441
5 Modelos ARIMA(p,d,q)
Si Y
t
es I(d) entonces Z
t
=
d
Y
t
= (1 L)
d
Y
t
es I(0), siendo L el
operador de retardos. Si adems Z
t
se comporta como un ARMA(p,q)
entonces Y
t
se denomina ARIMA(p,d,q). Dicho proceso se puede
representar como:
Z
t
=
0
+
1
Z
t1
+ ... +
p
Z
tp
+
t

1
t1
...
q
tq
.
(L)Z
t
=
0
+(L)
t
=(L)(1 L)
d
Y
t
=
0
+(L)
t
Casos particulares: ARIMA(p,0,q)=ARMA(p,q), ARIMA(p,1,0)=ARI(p),
ARIMA(0,1,q)=IMA(q), ARIMA(p,0,0)=AR(p), ARIMA(0,0,q)=MA(q),
ARIMA(0,d,0)=I(d), ARIMA(0,1,0)="paseo aleatorio",
ARIMA(0,0,0)="ruido blanco"...
Algunas extensiones: modelos ARIMA estacionales multiplicativos (con parte
regular y estacional), modelos ARFIMA (de integracin fraccional) y
Vectores Autorregresivos multivariantes (VAR).
6 Metodologa Box-Jenkins
Box y Jenkins (1976) denieron una metodologa de cuatro etapas para
seleccionar el proceso ARIMA subyacente a una serie temporal concreta con
el propsito de estimar, contraster y predecir series temporales. Las cuatro
etapas son las siguientes:
1) Identicacin,
2) Estimacin
3) Contraste
4) Prediccin
La metodologa se puede aplicar solamente a procesos ARMA estacionarios
(ARIMA antes de las correspondientes transformaciones para garantizar
estacionariedad).
6 Box & Jenkins Methodology
1) Representar la serie y calcular la FAS y FAP muestrales y comprobar si las
series son estacionarias. Si lo son (correlaciones decrecen rpidamente) pasar
al paso 3, si no lo son (lento decrecimiento) continuar con el paso 2.
2) Tomar logaritmos de la serie si parece que no es estacionaria en varianza
(varianza no constante en el tiempo) y/o primeras diferencias si parece que
no es estacionaria en media (tiene tendencia o medias distintas por tramos).
3) Examinar la FAS y la FAP muestrales de la nueva serie transformada (si
siguiera sin ser estacionaria volver al paso 2 y aplicar una nueva diferencia) e
intentar identicar el proceso ARMA teniendo en cuenta las correlaciones
simples y parciales signicativas (bandas de uctuacin).
4) Estimar el proceso que se ha especicado (mxima verosimilitud).
6 Metodologa Box-Jenkins
5) Contrastes de hiptesis:
Contraste de signicatividad individual (o conjunta) de los parmetros
del modelo.
Contrastes sobre los residuos del modelo: comprobar que la FAS y la
FAP tienen un comportamiento de ruido blanco (ninguna correlacion
signicativa), contraste de normalidad (test de Jarque-Bera)...
Usar el criterios de informacin de Akaike y Schwarz (AIC, BIC)
adems del R
2
ajustado para decidir sobre la bondad de los ajustes de
posibles especicaciones alternativas (normalmente de la inspeccin de
la FAS y FAC se pueden identicar distintos modelos).
6) Si se deciden cambios en el modelo original volver estimar los nuevos
modelos en la etapa 4.
7 Prediccin bajo normalidad y varianza constante
Una vez que el modelo est correctamente especicado puede usarse para la
prediccin.
Consideremos el caso ms simple: Y
t
sigue un proceso AR(1),
Y
t
=
0
+
1
Y
t1
+
t
por tanto el horizonte de prediccin para Y
t
ser un periodo extramuestral
hacia adelante (T + 1) y el mejor predictor puntual
b
Y
T+1
=
b
E(Y
T+1
) =
b
0
+
b
1
Y
T
(suponiendo que el modelo sigue siendo vlido en T + 1, es decir,
Y
T+1
=
0
+
1
Y
T
+u
T+1
, y E(u
T+1
) = 0).
Al nivel de conanza del 95% (y asumiendo normalidad) un intervalo de
conanza para Y
t+1
ser
b
Y
T+1
z
2
+ b
Y
donde z
2
= 1.96 y b
Y
es la desviacin tpica muestral de Y.
En consecuencia Y se encontrar en dicho intervalo en T + 1 con una
probabilidad del 95%.
8 Evaluacin de las predicciones
Es nuestro modelo adecuado para predecir la variable objeto de estudio?
Para evaluar la capacidad predictiva del modelo se puede proceder de la siguiente
forma:
1 Separar la muestra en dos partes: (i) Periodo muestral (tamao T) y (ii)
Periodo extramuestral (tamao n), que usaremos para comparar nuestras
predicciones con los datos reales.
2 Repetir la estimacin n veces usando una "ventana rodante" de tamao jo.
3 Medir el error de prediccin en el periodo extramuestral usando alguna
medida como el "error cuadrtico medio" (ECM).
ECM =

n
i =1
e
2
i
n
donde e
i
=
b
Y
T+i
Y
T+i
es el error de prediccin en el period T +i ,
\i = 1, ..., n. Notemos que Y
t+1
, Y
t+2
, ..., Y
t+n
son los valores reales de la
serie en el periodo extramuestral (que son conocidos).
4 Repetimos los pasos 1 a 3 para cada modelo cuya capacidad predictiva
queramos comparar. El modelo con mejor capacidad predictiva ser aquel
que presente un ECM menor.

Tema 2 Modelizacion Economica Ii - 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tema 2 Modelizacion Economica Ii - 2

Transféré par

Droits d'auteur :

Formats disponibles

MODELOS DE SERIES TEMPORALES EN FINANZAS

(I): MODELOS ARIMA

Vous aimerez peut-être aussi