Dr. Carlos Minchón Medina
Dr. Carlos Minchón Medina
Dr. Carlos Minchón Medina
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Dr</strong>. <strong>Carlos</strong> <strong>Minchón</strong> <strong>Medina</strong>
• PROCESO ESTOCÁSTICO<br />
Colección de variables aleatorias ordenadas en el<br />
tiempo.<br />
• PROCESO ESTOCÁSTICO ESTACIONARIO<br />
Media y varianza constantes en el tiempo y si el valor<br />
de la covarianza entre dos periodos depende<br />
solamente de la distancia o rezago entre dos períodos y<br />
no del tiempo en el cual se ha calculado la covarianza.
• PROCESO PURAMENTE ESTACIONARIO<br />
Ruido blanco, si tiene su media igual a cero, una<br />
varianza constante σ 2 y no está serialmente<br />
correlacionada.<br />
• CAMINATA ALEATORIA<br />
Serie no estacionaria, en la cual:<br />
a) Sin variaciones: Sin término constante o intercepto.<br />
b) Con variaciones: Está presente el intercepto
Caminata aleatoria<br />
Sin variaciones<br />
Operador de primera diferencia<br />
Caminata aleatoria<br />
con variaciones
• PROCESO DE RAIZ UNITARIA<br />
Si =1, se convierte en una caminata aleatoria sin<br />
variaciones, por este hecho se le conoce como raíz<br />
unitaria.<br />
Los términos no estacionariedad, caminata<br />
aleatoria y raíz unitaria se consideran sinónimos.<br />
Si //1, la serie es estacionaria.
• Si la tendencia de una serie de tiempo es del todo<br />
predecible y no variable, se le llama tendencia<br />
determinista; en tanto si no es predecible, se le<br />
llama tendencia estocástica.<br />
• Sea la serie:<br />
• u t es un término de error con ruido blanco y donde t<br />
se mide cronológicamente.
• Proceso estacionario en diferencia (PED)<br />
Caminata aleatoria pura:<br />
No estacionaria<br />
Estacionaria<br />
Caminata aleatoria con variaciones: Tendencia<br />
estocástica<br />
No estacionaria<br />
Estacionaria
• Proceso estacionario de tendencia (PET)<br />
Tendencia determinista<br />
Media (Y t) =<br />
Varianza (Y t) = Constante<br />
La estacionariedad se logra restando la media a Y t )o,<br />
centrando).<br />
Caminata aleatoria con variaciones y tendencia<br />
determinista:
Tendencia determinista con componente estacionario<br />
AR(1):<br />
Es estacionaria alrededor de la tendencia determinista
• Integrado de orden 1: I(1)<br />
Estacionarios en primera diferencia.<br />
• Integrado de orden 2: I(2)<br />
Estacionarios en segunda diferencia (primera<br />
diferencia de la primera diferencia)<br />
• Integrados de orden d: I(d)<br />
Si la serie debe diferenciarse d veces para<br />
hacerla estacionaria.
• ¿Cómo se sabe que<br />
una serie de tiempo<br />
es estacionaria?<br />
• Si es no<br />
estacionaria, ¿hay<br />
alguna forma de que<br />
ésta se convierta en<br />
estacionaria?
Estacionariedad débil o de covarianza<br />
• Análisis gráfico: Serie a través del tiempo para<br />
analizar tendencia.<br />
• Función de autocorrelación (FAC) y<br />
correlograma<br />
• Prueba de la raíz unitaria
1. Identificación<br />
2. Estimación<br />
No<br />
3. Verificación<br />
4. Predicción<br />
Si
Prueba la no<br />
estacionariedad<br />
(estacionariedad )<br />
de la serie de<br />
tiempo
Sea del proceso estocástico de raíz unitaria AR(1):<br />
Si =1, el modelo es caminata aleatoria sin<br />
variaciones (estacionario).
HIPÓTESIS<br />
Proceso AR(1)<br />
Serie no estacionaria y su varianza se incrementa<br />
con el tiempo y tiende al infinito<br />
Serie estacionaria (de tendencia)
=1 =0<br />
Prueba de la raíz unitaria
No estacionaria Ho: =0 Ha:
• La prueba de DF supone que el término de error<br />
no estaba correlacionado.<br />
• La prueba DF aumentada (DFA) hace la prueba<br />
cuando el error está correlacionado (aumenta<br />
valores rezagados de la variable
PATRONES TEÓRICOS DE LAS FAC y FACP
Funciones de<br />
autocorrelación<br />
(FAC) y funciones<br />
de autocorrelación<br />
parcial (FACP)
Correlograma PBI - EEUU
Correlograma d(PBI) - EEUU
Caminata aleatoria con variaciones<br />
Ha:
Tendencia determinista
2
2
SARIMA (2,0,0)(4,0,0)<br />
SARIMA (0,0,1)(0,0,4)<br />
SARIMA (1,0,1)(4,0,4)
Modelos con heterocedasticidad autorregresiva
Los modelos ARCH están diseñados para<br />
modelar y predecir la media, pero también<br />
la varianza volatilidad, la cual se expresa a<br />
su vez en función de sus valores pasados.<br />
El análisis de la volatilidad puede ser<br />
requerida para:<br />
• Decidir mantener o no un activo o el valor<br />
de una opción.<br />
• Obtener estimadores más eficientes.<br />
• Producir estimaciones confidenciales más<br />
exactas.
GARCH (1,1)<br />
GARCH (q,p)
Modelos con heterocedasticidad autorregresiva generalizada
Los modelos GARCH constituyen una extensión<br />
de los modelos ARCH.
El modelo EGARCH fue propuesto por Nelson. En<br />
estos modelos la especificación de la varianza es:<br />
Tiene asimetría si =0. Actualmente se emplean<br />
más los modelos exponenciales que cuadráticos
PERÚ: INGRESO TRIMESTRAL DE DIVISAS GENERADO<br />
POR EL TURISMO RECEPTIVO, 2002-2011<br />
(Millones de US$)
Millones US$<br />
800<br />
700<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0
AEROPUERTO INTERNACIONAL JORGE CHAVEZ<br />
LIMA: LLEGADA MENSUAL DE VISITANTES EXTRANJEROS, ENERO 2002 - AGOSTO 2011
Visitantes<br />
140,000<br />
120,000<br />
100,000<br />
80,000<br />
60,000<br />
40,000<br />
20,000<br />
0<br />
ene-02<br />
Jul<br />
ene-03<br />
Jul<br />
ene-04<br />
Jul<br />
ene-05<br />
Jul<br />
ene-06<br />
Jul<br />
ene-07<br />
Jul<br />
ene-08<br />
Jul<br />
ene-09<br />
Jul<br />
ene-10<br />
Jul<br />
ene-11