Pronosticos Stata

Metodología de
Box-Jenkins
Índice
• Función de autocorrelación simple
• Procesos autorregresivos y función de

autocorrelación parcial
• Procesos de media móvil
• Procesos ARMA
• Procesos ARIMA
• Pasos de ajuste y validación de los modelos ARIMA
• Predicción con modelos ARIMA
Curso especialista en finanzas cuantitativas. VI. Series temporales - 2

Función de autocorrelación simple
• La función de autocorrelación simple mide la dependencia de
una variable con sus propios valores retardados en distintos
periodos de tiempo
• El análisis de autocorrelación es de gran utilidad en el análisis,

ajuste y validación de series temporales
• Su fórmula matemática puede deducirse fácilmente a partir de la

fórmula de la correlación cruzada entre dos variables Xt e Yt:
 Y  Y   X  X 
T
rYX  t 1 Media de la
 Y  Y    X  X 
T T
2 2 variable X(t)
t 1 t 1
• Así, el coeficiente de autocorrelación de orden 1 de la variable Yt

coincide con el coeficiente de correlación cruzada de la variable Yt
y Xt donde Xt se sustituye por la variable Yt-1, es decir, la variable
Y retrasada un periodo
Función de autocorrelación simple (II)
• La fórmula del coeficiente de autocorrelación de orden 1:
 Y   
T
t  Y  Yt 1  Y
r1  t 2
 Y 
T
2
t Y
t 1
• De forma análoga a este coeficiente de autocorrelación de

orden 1, se puede definir el coeficiente de autocorrelación
de orden h, considerando las variables Yt y Yt-h, es decir, la
variable Y retrasada h periodos:
 Y   
T
t  Y  Yt h  Y
rh  t  h 1
 Y 
T
2
t Y
t 1

Función de autocorrelación simple (III)
• Ejemplo de obtención de una variable desplazada un retardo:
Tiempo Yt Yt-1
t=1 5 -
t=2 8 5
t=3 10 8
t=4 11 10
t=5 13 11
t=6 15 13
t=7 18 15
t=8 19 18
t=9 22 19
t=10 19 22
… … …

Función de autocorrelación simple (IV)
• Cálculos para la obtención del coeficiente de autocorrelación de

orden 1:
Tiempo Yt Yt  Y Yt 1  Y Y t Y  Y  Y  Y
2
t t 1 Y 
t=1 5 -9 - 81 -
t=2 8 -6 -9 36 54
t=3 10 -4 -6 16 24
t=4 11 -3 -4 9 12
t=5 13 -1 -3 1 3
t=6 15 1 -1 1 -1
t=7 18 4 1 16 4
t=8 19 5 4 25 20
t=9 22 8 5 64 40
t=10 19 5 8 25 40
Suma: 140 0 -5 274 196
Función de autocorrelación simple (V)
• A partir de esos valores, se obtiene el coeficiente de

autocorrelación de orden 1:
 Y   
T
t  Y  Yt 1  Y
196
r1  t 2
  0,715
 Y 
T
2 274
t Y
t 1
• El rango de un coeficiente de autocorrelación de orden 1 es [-1,1],

donde:
– Si r1>0, la variable Y(t) depende de su retardo anterior de
forma proporcional
– Si r1<0, la variable Y(t) depende de su retardo anterior de
forma inversamente proporcional
– Si r1=0, la variable Y(t) no depende de su retardo anterior
Función de autocorrelación simple (VI)
• Cálculos para la obtención de los coeficientes de

autocorrelación de orden 2 y 3:
Tiempo
Yt 2 Yt 2  Y Y
t 
 Y  Yt 2  Y  Yt  3 Yt 3  Y Y  Y  Y
t t 3 Y 
t=1 - - - - - -
t=2 - - - - - -
t=3 5 -9 36 - - -
t=4 8 -6 18 5 -9 27
t=5 10 -4 4 8 -6 6
t=6 11 -3 -3 10 -4 -4
t=7 13 -1 -4 11 -3 12
t=8 15 1 5 13 -1 -5
t=9 18 4 32 15 1 8
t=10 19 5 25 18 4 20
Suma: 99 -13 113 80 66 40
Función de autocorrelación simple (VII)
• A partir de esos valores, se obtienen los coeficientes de

autocorrelación de orden 2 y 3:
 Y   
T
t  Y  Yt 2  Y
113
r2  t 3
  0,412
 Y 
T
2 274
t Y
t 1
 Y   
T
t  Y  Yt 3  Y
40
r3  t 4
  0,146
 Y 
T
2 274
t Y
t 1

Función de autocorrelación simple (VIII)
• La representación gráfica de los coeficientes de autocorrelación

para los distintos retardos de la variable recibe el nombre de
correlograma o función de autocorrelación simple (FAS)
• Una variable de ruido blanco se caracteriza por ser nulos todos

sus coeficientes de autocorrelación. Es decir, el correlograma
teórico de una variable de ruido blanco aparece en blanco
Función de autocorrelación simple (IX)
• En el correlograma se define un intervalo de confianza del 95% que

permite determinar si los coeficientes son o no significativamente
distintos de cero
Número de
I 0.95   1.96  1 , 1.96  1 
muestras de la
 N N  serie temporal
• Así, si el coeficiente se encuentra dentro de dicho intervalo, se

supone que es significativamente nulo
Función de autocorrelación simple (FAS)
Sólo los 8 primeros

coeficientes son
distintos de cero

Función de autocorrelación simple (X)
• El estudio de la estructura de correlación de una serie

temporal permite predecir la dinámica futura de la serie
temporal a partir de valores pasados observados
• De este modo, si la serie temporal tiene una estructura de

correlación, ésta permite descomponer la serie temporal en
una componente determinista y una componente
aleatoria
• La predicción de una serie temporal se basa en

modelar la componente determinista de la serie temporal
de modo que dicha componente se pueda predecir
• La componente aleatoria se asocia al error o incertidumbre

de la predicción

Índice

• Procesos ARMA
• Procesos ARIMA

Metodología ARIMA
• Metodología creada por Box y Jenkins, de la Universidad de

Wisconsin y ampliamente aplicada en los distintos sectores
empresariales e industriales
Procesos Procesos
Autorregresivos de Media Móvil
Procesos
ARMA
Procesos
ARIMA
Procesos autorregresivos
• El modelo más simple de dependencia entre dos variables aleatorias es el

modelo lineal de regresión simple que explica la evolución de una
variable y como función lineal de otra variable x, mediante la ecuación:
y (t )  a0  a1  x(t )   (t )
• Donde a0 y a1 son los parámetros constantes del modelo y ε(t) es una
variable aleatoria normal, con media nula y varianza constante
• Si aplicamos este modelo a las variables aleatorias y=z(t) y x=z(t-1) se

obtiene el proceso autorregresivo de primer orden
zˆ(t )  a0  a1  z (t  1)   (t )
• Por tanto, un proceso autorregresivo hace referencia al uso de la

misma serie temporal para predecirse a sí misma, es decir, por
ejemplo, usar precios históricos pasados del oro para predecir el precio
futuro del oro
Procesos autorregresivos (II)
Un proceso autorregresivo se caracteriza por una INERCIA, es

decir, el valor actual del proceso depende en gran medida de
valores anteriores

Procesos autorregresivos (III)
• En la ecuación de un proceso autorregresivo de orden 1:
zˆ(t )  a0  a1  z (t  1)   (t )
la constante a1 debe estar comprendida en el rango [-1,1],

indicando:
– Si a1>0, la variable z(t) depende de su retardo anterior de forma
proporcional
– Si a1<0, la variable z(t) depende de su retardo anterior de forma
inversamente proporcional
– Si a1=0, la variable z(t) no depende de su retardo anterior

Procesos autorregresivos (IV)
• Para distinguir si un proceso es autorregresivo o no así como su

orden, se recurre a las funciones de autocorrelación simple y
parcial
• En el caso de un proceso autorregresivo de orden 1, la función

de autocorrelación simple (FAS) cumple la siguiente ecuación
matemática:
k  a k
1
• Es decir, cuando k=1, el coeficiente de autocorrelación coincide

con el coeficiente a1 del proceso autoregresivo, mientras que
conforme aumenta k, su coeficiente de autocorrelación disminuye
hasta ser cercano a 0

Procesos autorregresivos (V)
• Ejemplos de funciones de autocorrelación simple (FAS) de dos

procesos AR(1)
Coeficiente Coeficiente
a1 = 0.8 a1 = - 0.8

Procesos autorregresivos (VI)
• La dependencia observada en un proceso autorregresivo de

orden 1 puede generalizarse para permitir la relación entre el
valor actual de la serie z(t), con otros retardos z(t-2), z(t-3), …,
z(t-p), con lo que se obtiene un proceso autorregresivo de
orden p
• La ecuación matemática de un proceso autorregresivo de

orden p es:
zˆ (t )  a 0  a1  z (t  1)  a 2  z (t  2)    a p  z (t  p)   (t )

Función de autocorrelación parcial
• Si se representan las funciones de autocorrelación simple (FAS) de

un proceso autorregresivo de orden 1 y otro de orden 2
• Se observa que es difícil determinar el orden de un proceso

autorregresivo a partir de su FAS
• Éste es el principal motivo de emplear adicionalmente la función de
autocorrelación parcial (FAP) para determinar el orden de un
proceso autorregresivo
Función de autocorrelación parcial (II)
• Como se ha visto anteriormente, el coeficiente de

autocorrelación simple de orden k se define como el coeficiente
de correlación entre observaciones separadas k periodos
• Análogamente, el coeficiente de autocorrelación parcial de

orden k se define como el coeficiente de correlación entre
observaciones separadas k periodos cuando se elimina la
dependencia producida por los valores intermedios
• Así, por ejemplo, el coeficiente de autocorrelación parcial de orden

k=2 de una serie temporal z(t) mide la correlación entre las
observaciones z(t) y z(t-2), sin tener en cuenta el efecto de z(t-1)
• La función de autorrelación parcial (FAP) es la representación

de los coeficientes de autocorrelación parcial de una serie
temporal, en función del retardo

Función de autocorrelación parcial (III)
• El método de cálculo del coeficiente de autocorrelación

parcial de orden k de una serie temporal z(t) es el siguiente:
1. Se elimina de z(t) el efecto de z(t-1), …,z(t-k+1), mediante la
regresión:
z(t )  b1  z(t  1)  bk 1  z(t  k )  u(t )
2. Se elimina de z(t-k) el efecto de z(t-1),…,z(t-k+1), mediante la

regresión:
z(t  k )  c1  z(t  1)   ck 1  z(t  k )  v(t )
Las variables u(t) y v(t) recogen la parte de z(t) y z(t-k) que no

es común con los retardos intermedios
3. El coeficiente de correlación parcial de orden k de z(t) se calcula el

coeficiente de correlación simple entre u(t) y v(t)
Función de autocorrelación parcial (IV)
• Si se representan la FAS y FAP de los anteriores procesos

autorregresivos AR(1) y AR(2)
• Se observa que mientras que AR(1) sólo tiene un coeficiente

de autocorrelación parcial (FAP) distinto de cero, el proceso
AR(2) tiene los dos primeros FAP distintos de cero

Función de autocorrelación parcial (V)
• Un proceso AR(p) se caracteriza por:

– Muchos coeficientes de autocorrelación simple no nulos que
decrecen con el retardo como mezcla de exponenciales y
senoidales
– Los p primeros coeficientes de autocorrelación parcial son
distintos de cero
• REGLA DE IDENTIFICACIÓN DEL ORDEN DE UN

PROCESO AUTORREGRESIVO:
El número de coeficientes de la FAP distintos de cero

indica el orden del proceso AR

Ejemplos de procesos autorregresivos AR(1)
AR(1) con correlación positiva de AR(1) con correlación negativa de

la variable con su valor retardado la variable con su valor retardado

Índice

• Procesos ARMA
• Procesos ARIMA

Procesos de media móvil
• Un proceso de media móvil (MA) se caracteriza por un reajuste

de la estimación, en cada instante de tiempo, a partir de los
errores pasados de estimación
• Se define un proceso de media móvil de orden 1 MA(1) al

generado por una combinación lineal del error de estimación e(t-
1) y una observación de la variable de ruido blanco ε(t)
zˆ(t )  b0  b1  e(t  1)   (t )
• Donde:
– El error de estimación en el instante de tiempo t-1, es decir, e(t-1)
es la diferencia entre el valor real y el estimado por el modelo para el
instante t-1, es decir:
e(t-1) = zreal(t-1) - zestimado(t-1)
– Se cumple que el coeficiente b1 debe estar comprendido entre [-1,1]
Procesos de media móvil (II)
• La función de autocorrelación simple FAS de un proceso

MA(1) tiene propiedades similares a la función de
autocorrelación parcial FAP de un proceso AR(1), es decir, sólo
existe un coeficiente distinto de cero
• Esta dualidad entre el AR(1) y MA(1) se presenta también

en la función de autocorrelación parcial FAP
• Por tanto, un proceso MA(1) se caracteriza por:

– El primer coeficiente de autocorrelación simple es distinto de
cero
– Muchos coeficientes de autocorrelación parcial no nulos que
decrecen con el retardo como mezcla de exponenciales y
senoidales

Procesos de media móvil (III)
• Ejemplos de dos procesos de media móvil MA(1):
MA(1) con coeficiente positivo MA(1) con coeficiente negativo

Procesos de media móvil (IV)
• Ejemplo de proceso de media móvil: serie temporal del

calentamiento de la tierra
• Los datos corresponden al periodo 1881-2002 y se calculan como las

variaciones de temperatura media en la tierra entre un mes y el
siguiente

Procesos de media móvil (V)
• Ejemplo de proceso de media móvil: serie temporal del
calentamiento de la tierra (II)
• Las funciones de autocorrelación simple y parcial sugieren que la

serie de calentamiento de la tierra sigue un proceso de media móvil
de orden 1

Procesos de media móvil (VI)
• Generalizando la idea de un proceso de media móvil de orden 1, un

proceso MA de orden q tiene la representación general:
zˆ (t )  b0  b1  e(t  1)  b2  e(t  2)    bq  e(t  q)   (t )
• Respecto a las funciones de autocorrelación, un proceso MA(q) se

caracteriza por:
– Los q primeros coeficientes de autocorrelación simple son distintos de
cero
– Muchos coeficientes de autocorrelación parcial no nulos que decrecen
con el retardo como mezcla de exponenciales y senoidales
• REGLA DE IDENTIFICACIÓN DEL ORDEN DE UN PROCESO DE

MEDIA MÓVIL:
El número de coeficientes de la FAS distintos de cero

indica el orden del proceso MA
Índice

• Procesos ARMA
• Procesos ARIMA

Procesos ARMA
• Matemáticamente, los procesos ARMA resultan de añadir

estructura de media móvil (MA) a un proceso autorregresivo (AR)
• Así, un proceso ARMA se caracteriza por contener las dos
siguientes etapas:
– Un análisis de regresión
– Un posterior reajuste a partir de los residuos o errores de
estimación hasta que se obtiene un conjunto óptimo de los
coeficientes
• La parte autorregresiva hace referencia al uso de valores

pasados de la serie temporal para predecirse a sí misma
• Debido a la parte MA, en cada instante de tiempo se reajusta la
estimación a partir de los errores pasados de estimación por lo
que se trata de un proceso adaptativo

Procesos ARMA (II)
• Se define un proceso ARMA(p,q) como el resultante de añadir

una estructura MA de orden q a un proceso AR de orden p
• El proceso más simple es el ARMA(1,1), cuya ecuación es:
zˆ(t )  a0  a1  z (t  1)  b1  e(t  1)   (t )
AR(1) MA(1)
• Donde tanto el coeficiente autorregresivo a1 como el de media

móvil b1 deben cumplir que se encuentran en el rango [-1,1]

Procesos ARMA (III)
• Generalizando la idea de un proceso ARMA(1,1), un proceso

ARMA(p,q), es decir, con orden autorregresivo p y orden
de media móvil q tiene la representación general:
zˆ (t )  a0  a1  z (t  1)  0  a p  z (t  p)  b1  e(t  1)    bq  e(t  q)   (t )
AR(p) MA(q)
• Respecto a las funciones de autocorrelación, un proceso

ARMA(p,q) se caracteriza por:
– La FAS y la FAP tienen una estructura similar, es decir, un
decrecimiento geométrico
– La tasa de decrecimiento de la FAS depende del primer coeficiente
autorregresivo a1 mientras que la tasa de decrecimiento de la FAP
depende del primer coeficiente de media móvil b1

Índice

• Procesos ARMA
• Procesos ARIMA

Proceso ARIMA
• Un proceso ARIMA(p,d,q) parte de un proceso ARMA(p,q)

donde previamente se ha diferenciado la serie
¿Por qué debe considerarse la diferenciación

de una serie?
• La metodología ARIMA impone dos condiciones a las

series temporales que se desea modelar:
– Media constante
– Varianza constante
• Por tanto, si una serie temporal posee tendencia, ésta debe

eliminarse previamente. Una alternativa para eliminar esta
tendencia es diferenciar la serie temporal
Proceso ARIMA (II)
• La diferenciación de una serie temporal consiste en crear una

nueva serie temporal, restando a cada valor actual de la serie el
valor previo, es decir:
S1 (t )  S (t )  S (t  1)

Proceso ARIMA (III)
• Ejemplo de diferenciación de una serie temporal:
Tiempo S(t) S(t-1) Serie diferenciada

S(t)-S(t-1)
t=1 5 - -
t=2 8 5 3
t=3 10 8 2
t=4 11 10 1
t=5 13 11 2
t=6 15 13 2
t=7 18 15 3
t=8 19 18 1
t=9 22 19 3
t=10 19 22 -3
… … … …
Proceso ARIMA (III)
• La diferenciación se puede aplicar de forma sucesiva

• Así, la diferenciación anterior se denomina diferenciación de
orden 1:
S1 (t )  S (t )  S (t  1)
• Análogamente, la diferenciación de orden 2 es la resultante de
aplicar dos diferenciaciones a la serie temporal, es decir:
S1 (t )  S (t )  S (t  1)
S2 (t )  S1 (t )  S1 (t  1)
En la mayoría de las series temporales basta con aplicar

una diferenciación de orden 1 para eliminar la tendencia

Proceso ARIMA (IV)
• Por tanto, un proceso ARIMA(p,d,q) consiste en:

– Una diferenciación de orden d
– Un término autorregresivo de orden p
– Un término de media móvil de orden q
¿Cómo se distingue la necesidad de

diferenciar una serie temporal?
1– Observando si la serie temporal posee una tendencia:

• Tendencia lineal: diferenciación de orden 1
• Tendencia cuadrática: diferenciación de orden 2
2– A partir de las funciones de autocorrelación simple y parcial

Proceso ARIMA (V)
• Así, volviendo al ejemplo del tipo de cambio del eurodólar:
Proceso
autorregresivo AR(1)
con coeficiente igual
a1
• Es necesario diferenciar una serie temporal cuando su

FAS/FAP revela un término autorregresivo de orden 1, donde
a1=1:
z(t )  a1  z(t  1)   (t )  z(t  1)   (t )

Índice
• Procesos autorregresivos y función de autocorrelación

parcial
• Procesos ARMA
• Procesos ARIMA
• Pasos de ajuste y validación de modelos ARIMA

Ajuste y validación de los modelos ARIMA
• El ajuste y validación de un modelo ARIMA consta de los pasos:

1– Comprobación de que la serie temporal tiene varianza constante.
En caso contrario, se transforma la serie temporal para que su varianza
sea constante
2– Obtención del orden d del modelo ARIMA para que la serie temporal
tenga media constante
3– Obtención de los órdenes p y q del modelo ARIMA
4– Obtención de los coeficientes del modelo ARIMA
5– Validación del modelo ARIMA
NO ¿Es válido
el modelo?
SI
FIN
Ajuste y validación de los modelos ARIMA (II)
• Los pasos 1 y 2 se corresponden con la condiciones que imponen

la metodología ARIMA de media y varianza constante
Media y
varianza
constante
Media
decreciente
y varianza
constante
Media y
varianza
creciente

Ajuste y validación de los modelos ARIMA (III)
PASO 1. Comprobación de que la serie temporal tiene

varianza constante
• En muchas series de precios, la volatilidad (varianza) aumenta con
el nivel del precio (así, en los stocks, una hipótesis común es que
esta relación es log-normal)
• Para obtener una varianza constante, se suele recurrir a la
transformación logarítmica
Transformación
logarítmica

Ajuste y validación de los modelos ARIMA (IV)
PASO 2. Obtención del orden d de diferenciación del

modelo ARIMA
• Si la serie temporal tiene tendencia, se prueba con el orden 1 de

diferenciación
• Si la serie temporal diferenciada sigue teniendo tendencia, se
prueba con un orden 2 de diferenciación y así sucesivamente
• Normalmente basta con una diferenciación de orden 1 o 2

Ajuste y validación de los modelos ARIMA (V)
Ejemplo de obtención del orden d de diferenciación
• En primer lugar, se prueba con el orden 1 de diferenciación
• Se observa que la serie temporal diferenciada posee aún una

tendencia no constante

Ajuste y validación de los modelos ARIMA (VI)
• Como el orden 1 no elimina totalmente la tendencia de la serie

temporal, se prueba con el orden 2 de diferenciación
• La serie temporal diferenciada (orden 2) posee una tendencia

constante por lo que el orden de diferenciación es 2

Ajuste y validación de los modelos ARIMA (VII)
PASO 3. Obtención de los ordenes p y q del modelo ARIMA
• Las funciones de autocorrelación simple y parcial permiten

determinar de forma aproximada el orden p autorregresivo y el
orden q de la media móvil
Parámetros FAS FAP

AR(p) Decrecimiento rápido de tipo Los p primeros coeficientes
exponencial, sinusoidal o son distintos de cero
mezcla de ambos tipos
MA(q) Los q primeros coeficientes Decrecimiento rápido de tipo
son distintos de cero exponencial, sinusoidal
ARMA(p,q) Decrecimiento lento Decrecimiento lento
• Una regla importante es empezar con modelos simples (con pocos

términos) e ir añadiendo complejidad mediante el estudio de los
residuos (Principio de Parsimonia)
Ajuste y validación de los modelos ARIMA (VIII)
PASO 5. Validación del modelo ARIMA
• Las características del modelo ARIMA ideal son:

– Los residuos o errores de estimación siguen un proceso de
ruido blanco
– Los coeficientes son estadísticamente significativos
– La bondad de ajuste de este modelo es mejor que el
comparado con otros modelos
• MSE menor
• MAPE menor
• Coeficiente de determinación más cercano a 1

Ajuste y validación de los modelos ARIMA (IX)
PASO 5. Validación del modelo ARIMA (II)

Por tanto, la validación del modelo ARIMA consiste en estudiar si el
modelo obtenido se aproxima al ideal, es decir, se estudia:
– Los residuos siguen un proceso de ruido blanco, es decir:
1• Distribución normal con media aproximadamente nula
2• Coeficientes FAS/FAP nulos
3– Los coeficientes del modelo son estadísticamente

significativos
4– La bondad de ajuste de este modelo es mejor que el de otros
modelos
• MSE menor
• MAPE menor
• Coeficiente de determinación más cercano a 1
Ajuste y validación de los modelos ARIMA (X)
• Ejemplo de un proceso ARIMA(1,0,1) con coeficientes AR=0.8 y

coeficiente MA=0.5. El ruido sigue una normal N(0,0.5)

Ajuste y validación de los modelos ARIMA (XI)
PASO 1. Comprobación de que la serie tiene varianza constante
– La serie temporal tiene varianza constante
PASO 2. Obtención del orden “d” del modelo ARIMA

– Como la media de la serie temporal es constante se determina que el
orden d es igual a cero

• Se estudia las funciones FAS y FAP de la serie temporal
Existe una mezcla de

términos autorregresivos y
de media móvil pero no están
claros los ordenes
• Según la regla anterior (principio de parsimonia), se comienza con un

modelo simple: ARIMA(1,0,0)
Ajuste y validación de los modelos ARIMA (XII)
PASO 5. Validación del modelo ARIMA(1,0,0)
Aún existe un coeficiente no nulo en

ambas funciones FAS y FAP
• Se prueba añadiendo un término autorregresivo al modelo

anterior, es decir: ARIMA(2,0,0)
Ajuste y validación de los modelos ARIMA (XIII)
Continuación PASO 5. Validación del modelo ARIMA(2,0,0)
Todos los coeficientes son

prácticamente nulos
• Se prueba cambiando un término autorregresivo del modelo

anterior por un término de media móvil, es decir: ARIMA(1,0,1)
Ajuste y validación de los modelos ARIMA (XIV)
Todos los coeficientes

son nulos
Una vez que ya no queda información en los residuos, se estudia el resto

de condiciones de validación de ambos modelos candidatos:
ARIMA(1,0,1) y ARIMA(2,0,0)
Ajuste y validación de los modelos ARIMA (XV)
Continuación PASO 5. Validación de los modelos ARIMA(1,0,1) y

ARIMA(2,0,0)
ARIMA(1,0,1) ARIMA(2,0,0)
Ambas distribuciones son normales de media nula y desviación

típica similar a la del ruido blanco introducido al proceso (0.5)
Sin embargo, la desviación típica del modelo ARIMA(1,0,1) es menor
que la del modelo ARIMA(2,0,0)
Ajuste y validación de los modelos ARIMA (XVI)
Continuación PASO 5. Validación de los modelos ARIMA(1,0,1) y

ARIMA(2,0,0)
Bondad ARIMA(2,0,0) ARIMA(1,0,1)

modelo
R2 0.5933 0.8086
MSE 0.4729 0.2226
MAPE 240.51 142.73
Las mejores medidas de

bondad corresponden al
modelo ARIMA(1,0,1)

Ajuste y validación de los modelos ARIMA (XVII)
Parámetros Valor Error Estadístico T

estándar
C 0.02548 0.02282 1.116
AR(1) 0.77991 0.02242 34.777
MA(1) 0.51218 0.03102 16.511
Los coeficientes son

Los coeficientes estimados estadísticamente
son similares a los del significativos (los
proceso, es decir, AR1=0.8, y estadísticos T son
MA1=0.5 mayores que 2)

Ajuste y validación de los modelos ARIMA (XVIII)
• Ejemplo de un proceso ARIMA(2,2,1) con coeficientes AR1=0.9 y

AR2=-0.6 y coeficiente MA=0.8. El ruido sigue una normal N(0,0.2)

Ajuste y validación de los modelos ARIMA (XIX)
PASO 1. Comprobación de que la serie tiene varianza constante

– La serie temporal parece tener varianza constante
PASO 2. Obtención del orden d del modelo ARIMA

– Como la media de la serie temporal no es constante se prueba
con una diferenciación de orden 1

Ajuste y validación de los modelos ARIMA (XX)
Continuación PASO 2. Obtención del orden d del modelo ARIMA

– Como la media de la serie diferenciada no es constante se
prueba con una diferenciación de orden 2
Esta serie tiene media constante

por lo que se determina un orden
de diferenciación d=2
Además, se comprueba que la
varianza es constante
Ajuste y validación de los modelos ARIMA (XXI)

• Se estudia las funciones FAS y FAP de la serie diferenciada
Parece que existe una mezcla de

términos autorregresivos y de
media móvil pero no están claros
los ordenes
• Según la regla anterior (principio de parsimonia), se

comienza con un modelo simple: ARIMA(1,2,0)
Ajuste y validación de los modelos ARIMA (XXII)
PASO 5. Validación del modelo ARIMA(1,2,0)
Aún existen coeficientes no nulos en

ambas funciones FAS y FAP
• Se prueba añadiendo un término autorregresivo al modelo

anterior, es decir: ARIMA(2,2,0)
Ajuste y validación de los modelos ARIMA (XXIII)
Algunos coeficientes no nulos pero

muy pequeños
• Se añade un término de media móvil al modelo anterior, es decir:

ARIMA(2,2,1)
Ajuste y validación de los modelos ARIMA (XXIV)
Todos los coeficientes

son nulos
• Una vez que ya no queda información en los residuos, se estudia el resto

de condiciones de validación del modelo ARIMA(2,2,1)

Ajuste y validación de los modelos ARIMA (XXV)
Distribución normal de media 0 y desviación típica igual a la del

ruido blanco introducido al proceso (es decir, 0.2)

Ajuste y validación de los modelos ARIMA (XXVI)
Parámetros Valor Error Estadístico T

estándar
C 0.006981 0.0079745 0.8754
AR(1) 0.91317 0.018485 49.4019
AR(2) -0.59966 0.019157 -31.3021
MA(1) 0.79339 0.015196 52.2095
Los coeficientes estimados Los coeficientes son

son similares a los del estadísticamente
proceso, es decir, AR1=0.9, significativos
AR2=-0.6, MA1=0.8

Ajuste y validación de los modelos ARIMA (XXVII)

• Si se comparan las medidas de bondad de los tres modelos
estudiados:
Bondad ARIMA(1,2,0) ARIMA(2,2,0) ARIMA(2,2,1)

modelo
R2 -0.21 0.5172 0.8282
MSE 0.2794 0.1113 0.0396
MAPE 509.52 451.33 542.51
Las mejores medidas de

bondad corresponden al
modelo ARIMA(2,2,1)
Índice

• Procesos ARMA
• Procesos ARIMA

Predicción con modelos ARIMA
• Una vez ajustado y validado un modelo ARIMA, puede

emplearse para predecir series temporales
• Así, por ejemplo, la ecuación matemática resultante del modelo
anterior, ARIMA(2,2,1), sin considerar la diferenciación, es:
zˆ (t )  0.006981  0.91317  z (t  1)  0.59966  z (t  2)  0.79339  e(t  1)
C AR(1) AR(2) MA(1)
• Mediante esta ecuación, puede obtenerse las predicciones de la

serie temporal

Predicción con modelos ARIMA (II)
• Ejemplo de predicción de la serie temporal con modelo ARIMA(2,2,1):
Tiempo z(t) z(t-1) z(t-2) Estimación z(t) e(t)

t=1 -0.3815 - - -0.3815 0.0
t=2 0.0881 -0.0073 - 0.0881 0.0
t=3 0.4231 0.2820 -0.0073 -0.1194 0.5425
t=4 0.3174 0.8396 0.2820 -0.4073 0.7248
t=5 0.2811 1.2436 0.8396 -0.3035 0.5847
t=6 0.0697 1.4464 1.2436 -0.1284 0.1982
t=7 -0.5030 1.1921 1.4464 -0.1784 -0.3245
t=8 -0.7494 0.2971 1.1921 -0.2840 -0.4653
t=9 -0.2849 -1.1409 0.2971 -0.2613 -0.0236
t=10 0.2122 -0.0073 -1.1409 -0.1980 0.4102

Predicción con modelos ARIMA (III)
• El intervalo de confianza de la predicción se calcula a partir

del error de estimación o residuo, es decir:
I 0.95   yˆ (t )  2   residuo , yˆ (t )  2   residuo 
Desviación típica del error

estimación o residuo

Referencias
• Estadística, modelos y métodos. II. Modelos lineales y

series temporales, Daniel Peña, Editorial Alianza
• Forecasting Methods and Applications, Spyros Makridakis,

Editorial John Wiley & Sons, 1998
• Análisis de datos. Series temporales y Análisis

multivariante, Ezequiel Uriel, Editorial AC
• Curso de doctorado: Aplicación de redes neuronales a la

predicción de series temporales. Antonio Muñoz San Roque,
Universidad Pontificia Comillas, Madrid, 2003
• Trading Systems and Methods, Perry J. Kaufman, Editorial

John Wiley & Sons, 1998

Pronosticos Stata

Transféré par

Informations du document

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

Pronosticos Stata

Transféré par

Droits d'auteur :

Formats disponibles

Metodología de

• Función de autocorrelación simple

• Procesos autorregresivos y función de

• Procesos de media móvil

• Pasos de ajuste y validación de los modelos ARIMA

• Predicción con modelos ARIMA

Curso especialista en finanzas cuantitativas. VI. Series temporales - 2

• El análisis de autocorrelación es de gran utilidad en el análisis,

• Su fórmula matemática puede deducirse fácilmente a partir de la

• Así, el coeficiente de autocorrelación de orden 1 de la variable Yt

• La fórmula del coeficiente de autocorrelación de orden 1:

• De forma análoga a este coeficiente de autocorrelación de

Curso especialista en finanzas cuantitativas. VI. Series temporales - 4

• Ejemplo de obtención de una variable desplazada un retardo:

Curso especialista en finanzas cuantitativas. VI. Series temporales - 5

• Cálculos para la obtención del coeficiente de autocorrelación de

• A partir de esos valores, se obtiene el coeficiente de

• El rango de un coeficiente de autocorrelación de orden 1 es [-1,1],

• Cálculos para la obtención de los coeficientes de

• A partir de esos valores, se obtienen los coeficientes de

Curso especialista en finanzas cuantitativas. VI. Series temporales - 9

• La representación gráfica de los coeficientes de autocorrelación

• Una variable de ruido blanco se caracteriza por ser nulos todos

• En el correlograma se define un intervalo de confianza del 95% que

• Así, si el coeficiente se encuentra dentro de dicho intervalo, se

Sólo los 8 primeros

Curso especialista en finanzas cuantitativas. VI. Series temporales - 11

• El estudio de la estructura de correlación de una serie

• De este modo, si la serie temporal tiene una estructura de

• La predicción de una serie temporal se basa en

• La componente aleatoria se asocia al error o incertidumbre

Curso especialista en finanzas cuantitativas. VI. Series temporales - 12

• Función de autocorrelación simple

• Procesos autorregresivos y función de

• Procesos de media móvil

• Pasos de ajuste y validación de los modelos ARIMA

• Predicción con modelos ARIMA

Curso especialista en finanzas cuantitativas. VI. Series temporales - 13

• Metodología creada por Box y Jenkins, de la Universidad de

• El modelo más simple de dependencia entre dos variables aleatorias es el

• Si aplicamos este modelo a las variables aleatorias y=z(t) y x=z(t-1) se

• Por tanto, un proceso autorregresivo hace referencia al uso de la

Un proceso autorregresivo se caracteriza por una INERCIA, es

Curso especialista en finanzas cuantitativas. VI. Series temporales - 16

• En la ecuación de un proceso autorregresivo de orden 1:

la constante a1 debe estar comprendida en el rango [-1,1],

Curso especialista en finanzas cuantitativas. VI. Series temporales - 17

• Para distinguir si un proceso es autorregresivo o no así como su

• En el caso de un proceso autorregresivo de orden 1, la función

• Es decir, cuando k=1, el coeficiente de autocorrelación coincide

Curso especialista en finanzas cuantitativas. VI. Series temporales - 18

• Ejemplos de funciones de autocorrelación simple (FAS) de dos

Curso especialista en finanzas cuantitativas. VI. Series temporales - 19

• La dependencia observada en un proceso autorregresivo de

• La ecuación matemática de un proceso autorregresivo de

Curso especialista en finanzas cuantitativas. VI. Series temporales - 20

• Si se representan las funciones de autocorrelación simple (FAS) de

• Se observa que es difícil determinar el orden de un proceso

• Como se ha visto anteriormente, el coeficiente de

• Análogamente, el coeficiente de autocorrelación parcial de

• Así, por ejemplo, el coeficiente de autocorrelación parcial de orden

• La función de autorrelación parcial (FAP) es la representación

Curso especialista en finanzas cuantitativas. VI. Series temporales - 22

• El método de cálculo del coeficiente de autocorrelación