Modelo para serie de tiempo:

Tipo de cambio Peso/Dlar

Gonzlez Carmona, Bernardo

116330

c.u.

Gonzlez Mundo, Alejandra

102478

c.u.

Gorrez Meraz, Gina

49882

c.u.

Luna Mungua, Helga

c.u.

Introduccin
Adems de los usos, por dems conocidos, de la serie de tiempo que corresponde al nivel
de tipo de cambio peso-dlar como lo son precios, cotizaciones, forwards, commodities,
balanza de pagos, balanza comercial, etc., este trabajo se centrar en una necesidad muy
especfica del rea de negocio de una compaa aseguradora.
Cmo afectar el tipo de cambio en el corto plazo la cobertura en dlares de la compaa
aseguradora?; es decir, cmo se ven afectadas sus reservas constituidas en dlares?
En la cartera de productos que maneja la compaa de seguros existen las plizas que tienen
una cobertura en moneda extranjera, en este caso, dlares. Dado esto, es crucial que la
cobertura de dlares se encuentre dentro de los parmetros establecidos por la autoridad
regulatoria que se reportan de manera mensual. A la compaa le interesa el
comportamiento del tipo de cambio fix de manera diaria, especialmente a cierre de mes
para valuar la posicin en dlares que contiene su cartera y de esa manera verificar que la
cobertura los prximos meses. Por tal razn, es imperativo construir un modelo que permita
pronosticar el nivel de tipo de cambio al cierre de los prximos dos meses.

Objetivo
El presente trabajo pretende construir un modelo que describa el comportamiento del tipo
de cambio peso/dlar al cierre de mes y as poder pronosticar la fluctuacin de ste en el
corto plazo.

Construccin de Modelo
Para este anlisis se utilizaron los tipos de cambio al cierre de mes desde el 31 de enero de
2004 al 31 de mayo de 2011, estos datos se obtuvieron tomando como fuente Banco de
Mxico.

Se puede notar que la serie no es estacionaria, por lo que se buscar diferenciarla para
poder trabajar con ella.
El primer paso para la construccin del modelo, es estabilizar la varianza de la serie, para lo
cual se debe de encontrar la potencia () que minimice el coeficiente de variacin. Se
presentan siguientes resultados:

Se observa que el coeficiente de variacin disminuye conforme aumentamos el valor de

lambda, sin embargo, la diferencia es mnima y una transformacin con estos valores ser
muy difcil de interpretar. El valor =1 resulta tener un menor del coeficiente de variacin
(0.98), por lo que se decide tomar este valor de lambda para la transformacin, es decir, no
hay ajuste con el parmetro lambda.
Ahora se buscar estabilizar el nivel mediante la aplicacin del operador diferencia. Se
obtuvieron la desviacin estndar muestral de las series { {Zt}, {(1-B)(Zt)}, {(1-B)2(Zt)},
buscando que esta cantidad sea mnima.

{Zt}

{(1-B)( Zt)}

{(1-B)2Zt}

Con una diferencia, se obtienen los valores mnimos para la desviacin estndar muestral.
Para ver si las autocorrelaciones rk son significativamente distintas de cero utilizaremos:
2

1
[1 2(0.2137674) 2 ] 0.22273 (- 0.22273, 0.22273)
88

Donde se observa que ninguna de las autocorrelaciones se encuentra fuera de este intervalo.
Sin embargo, la primera autocorrelacin se encuentra muy cerca del lmite superior de este
intervalo.
A partir de la frmula de Quenouille (1949) se establece que las autocorrelaciones parciales
son distintas de cero si se encuentran fuera del intervalo establecido por:

2
2
=
=0.213201
Nd 88

Se observa que la FACP se encuentra dentro de este intervalo excepto por k=1 y 12. El que
e12

este fuera de intervalo podra deberse a variaciones muestrales, as que slo se

considera el valor

e1

como distinto de cero, por lo tanto el modelo que se propone para

iniciar es un ARI(1,1). Por otro lado, si se considera al primer valor de la FAC distinto de
cero (se encuentra muy cerca del lmite superior del intervalo para r k) se podra tomar en
cuenta tambin como una opcin razonable un ARIMA(1,1,1).
Los tres modelos propuestos en este trabajo sern: ARI(1,1), ARIMA(1,1,1) e IMA(1,1) y
se analizarn a continuacin.
1. Modelo ARI(1,1)
Las grficas de la serie observada, la serie estimada, los residuales estandarizados y la FAC
residual se presentan a continuacin.

FAC DE LOS RESIDUOS

Verificacin de supuestos: anlisis de resultados

1er Supuesto: {at} tiene media cero

Para corroborarlo se obtuvieron tanto la media residual (m() = 0.00524) como la

^
desviacin estndar muestral de los residuos (

= 0.339193), para construir el

cociente cuyo valor fue de 0.144117. Dado que el valor absoluto del cociente es menor que
dos, no hay evidencia de que la media de los errores aleatorios sea distinta de cero, y por lo
tanto no se rechaza el supuesto.

2do. Supuesto: {at} tiene varianza constante.

El siguiente supuesto que debe verificarse es que {a t} tiene varianza constante. Para ello, se
analiz la grfica de los residuos.

Visualmente se puede afirmar que la varianza parece ser constante con excepcin de un
pico muy notorio en el mes de octubre de 2008 (crisis financiera).

3er Supuesto: Las variables {at} son mutuamente independientes

Este modelo cumple con el supuesto ms importante, el cual asume que las variables
aleatorias {at} son mutuamente independientes. Primero se realiz la prueba de
significacin conjunta (prueba portmanteau) de 24 autocorrelaciones simultneamente, con
el estadstico Q = 16.50026 y lo comparamos con los valores de tablas de ji-cuadrada con
23 grados de libertad.
2
0.05 ( 23 )=35.1795

2
0.10 ( 23 )=3 2.0069

Q no conduce al rechazo de la hiptesis de que los residuos son ruido blanco por ser
independientes e idnticamente distribuidos.
Tambin se prob que no hubiera valores individuales rk() fuera del intervalo
( 2 /

N d p ,2 /

N d p)

( 0.2132,0.2132)

, lo cual se cumple al observar las

autocorrelaciones de los residuos.

4to Supuesto: {at} tiene una distribucin normal.

El cuarto supuesto que el modelo cumpli fue que {a t} tiene una distribucin normal. Se
sabe que para una distribucin normal el 95% de las observaciones deben estar dentro del
intervalo (-2 ^

a,

2 ^

a)

= (-0.678386, 0.678386).

dicho intervalo, lo cual cumple que a lo ms un total de

Dos residuales salen de

( N d p)
4.35
20

observaciones

estn fuera del intervalo.

5to Supuesto: No existen observaciones aberrantes

Para verificar si existan observaciones aberrantes se utiliz el intervalo:

^
^
(-3 a, 3 a) = (-1.017579, 1.017579).

Un residual sale del intervalo, el correspondiente a febrero de 2009.

6to y 7mo Supuestos: Parsimonia y Admisibilidad del Modelo

Los supuestos de parsimonia y admisibilidad del modelo se verificaron a travs de la

construccin de un intervalo de confianza al 90% para a partir de los su estimacin
0.9543:

 1.645 Var () , (0.049843,0.378268)

, el cero y el uno no estn incluidos.
Por lo tanto se cumple que se encuentran dentro de la regin de admisibilidad para el
modelo puesto que su valor absoluto es menor a uno.

8vo Supuesto: El Modelo es estable en los parmetros

Finalmente se puede decir que nuestro modelo result ser estable, por slo existir un
parmetro (no hay correlacin que calcular con respecto a otro).
2. ARIMA(1,1,1)
Las grficas de la serie observada, la serie estimada, los residuales estandarizados y la FAC
residual se presentan a continuacin.

FAC DE LOS RESIDUOS

1er Supuesto: {at} tiene media cero

Para corroborarlo se obtuvieron tanto la media residual (m() = 0.004695) como la

^
desviacin estndar muestral de los residuos (

= 0.340861), para construir el cociente

cuyo valor fue de 0.128475. Dado que el valor absoluto del cociente es menor que dos, no
hay evidencia de que la media de los errores aleatorios sea distinta de cero, y por lo tanto
no se rechaza el supuesto.

2do. Supuesto: {at} tiene varianza constante.

El siguiente supuesto que debe verificarse es que {a t} tiene varianza constante. Para ello, se
analiz la grfica de los residuos.

Visualmente se puede afirmar que la varianza parece ser constante con excepcin de un
pico muy notorio en el mes de octubre de 2008 .

3er Supuesto: Las variables {at} son mutuamente independientes

Se realiz la prueba de significacin conjunta (prueba portmanteau) de 24

autocorrelaciones simultneamente, con el estadstico Q = 17.1177 y lo comparamos con
los valores de tablas de ji-cuadrada con 22 grados de libertad.
Q no conduce al rechazo de la hiptesis de que los residuos son ruido blanco por ser
independientes e idnticamente distribuidos.

4to Supuesto: {at} tiene una distribucin normal.

El cuarto supuesto que el modelo cumpli fue que {a t} tiene una distribucin normal. Se
sabe que para una distribucin normal el 95% de las observaciones deben estar dentro del
^
intervalo (-2

a,

^
2

a)

= (-0.681724, 0.681724). Cuatro residuales se salen de dicho

intervalo, lo cual cumple que a lo ms un total de

( N d p)
4.35
20

observaciones estn

fuera del intervalo.

5to Supuesto: No existen observaciones aberrantes

Para verificar si existan observaciones aberrantes se utiliz el intervalo:

^
(-3

a,

^
3

a)

= (-1.022585, 1. 022585).

6to y 7mo Supuestos: Parsimonia y Admisibilidad del Modelo

Los supuestos de parsimonia (al ser un modelo con un slo parmetro puede considerarse
parsimonioso) y admisibilidad del modelo se verificaron a travs de la construccin de un
intervalo de confianza al 90% para a partir de los su estimacin

= 0.9543:

1.645 Var () , (0.318306,0.553936)

para el AR. El cero y el uno no estn incluidos.

1.645 Var () , (0.49302,0.023045)

para el MA. El cero y el uno no estn incluidos.
Por lo tanto se cumple que se encuentran dentro de la regin de admisibilidad para el
modelo puesto que su valor absoluto es menor a uno.

8vo Supuesto: El Modelo es estable en los parmetros

10

^ ^
^ ^
Se tiene r( , )=Corr( , )=0.79338, como el parmentro es cercano a cero existe

un parmetro extra.
Tambin se prob que no hubiera valores individuales rk() fuera del intervalo
( 2 /

N d p ,2 /

N d p)

( 0.214420.214423)

, lo cual se cumple al observar

las autocorrelaciones de los residuos.

3. IMA(1,1)
Las grficas de la serie observada, la serie estimada, los residuales estandarizados y la FAC
residual se presentan a continuacin.

FAC DE LOS RESIDUOS

Verificacin de supuestos:

1er Supuesto: {at} tiene media cero

11

Para corroborarlo se obtuvieron tanto la media residual (m() = 0.005410) como la

^
desviacin estndar muestral de los residuos (

= 0.339639), para construir el cociente

cuyo valor fue de 0.149427. Dado que el valor absoluto del cociente es menor que dos, no
hay evidencia de que la media de los errores aleatorios sea distinta de cero, y por lo tanto
no se rechaza el supuesto.

2do. Supuesto: {at} tiene varianza constante.

Para ello verificar este supuesto se analiz la grfica de los residuos.

Visualmente se puede afirmar que la varianza parece ser constante con excepcin de un
pico muy notorio en el mes de octubre de 2008.

3er Supuesto: Las variables {at} son mutuamente independientes

Este modelo cumple con el supuesto ms importante, el cual asume que las variables
aleatorias

{at} son mutuamente independientes. Primero se realiz la prueba de

significacin conjunta (prueba portmanteau) de 24 autocorrelaciones simultneamente, con

el estadstico Q = 16.3397 y lo comparamos con los valores de tablas de ji-cuadrada con
23 grados de libertad.
Q no conduce al rechazo de la hiptesis de que los residuos son ruido blanco por ser
independientes e idnticamente distribuidos.
Tambin se prob que no hubiera valores individuales rk() fuera del intervalo

12

( 2 /

N d p ,2 /

N d p ) ( 0.2227,0.2227)

, lo cual se cumple al observar las

autocorrelaciones de los residuos:

4to Supuesto: {at} tiene una distribucin normal.

El cuarto supuesto que el modelo cumpli fue que {a t} tiene una distribucin normal. Se
sabe que para una distribucin normal el 95% de las observaciones deben estar dentro del
intervalo (-2 ^

a,

2 ^

a)

= (-0.679279, 0.679279). Cuatro residuales se salen de dicho

intervalo, lo cual cumple que a lo ms un total de

( N d p)
4.4
20

observaciones estn

fuera del intervalo.

5to Supuesto: No existen observaciones aberrantes

Para verificar si existan observaciones aberrantes se utiliz el intervalo:

^
(-3

a,

^
3

a)

= (-1.018918, 1.018918).

Un residual sale del intervalo, el correspondiente a octubre de 2008.

6to y 7mo Supuestos: Parsimonia y Admisibilidad del Modelo

Los supuestos de parsimonia (al ser un modelo con un slo parmetro puede considerarse
parsimonioso) y admisibilidad del modelo se verificaron a travs de la construccin de un
intervalo de confianza al 90% para a partir de los su estimacin

13

= 0.9543:

 1.645 Var () , (0.040348,0.372055)

, el cero y el uno no estn incluidos.
Por lo tanto se cumple que se encuentran dentro de la regin de admisibilidad para el
modelo puesto que su valor absoluto es menor a uno.

8vo Supuesto: El Modelo es estable en los parmetros

Finalmente se puede decir que nuestro modelo result ser estable puesto que al existir
nicamente un parmetro, no hay redundancia (no hay correlacin que calcular con
respecto a otro).

Pronsticos

Conclusin
Se concluye que el mejor modelo para la serie de tipo de cambio fix es el IMA(1,1), debido
a que cumple con todos los supuestos, minimiza la varianza y proporciona un pronstico

Referencias
Libro:

Guerrero Guzmn, Vctor Manuel (2003) Anlisis estadstico de series de tiempo

econmicas, 2da. Edicin. Thomson Editores.

Internet:

www.banxico.org.mx, 04 de junio de 2011 19:49 hrs.

14

15