Seriespackdepacks Parciales

UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERIA ECONOMICA
SOLUCIONARIO EXAMEN PARCIAL DE SERIES

DE TIEMPO FINANCIERAS (2014-I)
Profesor: Rafael Caparo

SECCION L*
1. COINTEGRACION
1.1. El concepto de cointegracion desde un enfoque economico y econometri-
co
Enfoque Economico:
El concepto de cointegracion se basa en la existencia de una relacion de equilibrio entre variables
no estacionarias, por lo que los desequilibrios que se presentan son unicamente de corto plazo
o transitorios. El concepto permite discriminar las relaciones de largo plazo realmente existen-
tes de las espurias, con lo que se posibilita especificar relaciones de equilibrio entre variables
economicas junto con relaciones de corto plazo.
Si Xt y Zt cointegran, entonces existe una relacion de equilibrio de largo plazo entre las series y
por tanto la dinamica de corto plazo admite una representacion de mecanismo de correccion de
errores.
Enfoque Econometrico:
Se dice que dos series, Xt y Zt cointegran si existeuna combinacion lineal entre ellas que es
estacionaria, esto es si existe un vector = 1 2 tal que Xt 2 Zt es I(0)
1.2. Que son los procesos integrados? y por que son importantes al mo-
mento de hacer modelamiento por cointegracion?
Los procesos no estacionarios mas importantes son los procesos integrados, que tienen la
propiedad fundamental de que al diferenciarlos se obtienen procesos estacionarios. Una propie-
dad importante que diferencia a los procesos integrados de los estacionarios es la forma en que
desaparece la dependencia con el tiempo. - En los procesos estacionarios ARMA las autocorre-
laciones disminuyen geometricamente, y se hacen practicamente cero a los pocos retardos. - En
los procesos Integrados las autocorrelaciones disminuyen linealmente con el tiempo y es posible
encontrar coeficientes de autocorrelacion distintos de cero hasta retardos muy altos. Generali-
zando, diremos que un proceso es integrado de orden k(k 0), y lo representaremos por I(k),
*
El presente solucionario fue realizado en conjunto por los alumnos de esta seccion.
1
cuando al diferenciarlo k veces se obtiene un proceso estacionario. En la practica la mayora de
las series no estacionarias que son integradas tienen un orden k 3.
1.3. Considere el modelo

Yt = 0,1 + 0,7Xt + Ut
Ut i.i.d. (0, 0,9)
Estan Yt y Xt cointegradas? Justifique brevemente su respuesta. Si Yt y Xt estan cointegra-
das,Cual es el vector de cointegracion?
Si X y Y son variables no estacionarias para que sean cointegradas debe existir una combi-
nacion lineal de ellas que sea estacionaria.
Para que una variable sea estacionaria debe tener media cero y varianza constante vemos que
Ut tiene esas caracteristicas por lo tanto la combinacion lineal mostrada es estacionaria lo que
quiere decir
que Xt yYt son cointegradas y el vector de cointegracion son los coeficientes de la
ecuacion 0,1 0,7 1
2. EJERCICIOS PROCESOS ESTACIONARIOS ARMA, VAR

2.1. Ejercicio 1
Consideramos un proceso vectorial (Yt) de tamano n, que se supone es integrado de orden 1,
y admite una representacion VAR de la forma:
(L)Yt = + t
Donde st es innovacion de Y e (0) = Id
Ejercicio 1.1
1. Utilizando la descomposicion (X) = (1) + (I X)+ (X) demostramos que podemos

escribir el modelo en la forma equivalente
p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
Identificando los terminos de la descomposicion

(L) = I 1 L 2 L2 p Lp
+ (L) = 0 + 1 L + 1 L2 p1 Lp1
(1) = I 1 2 p
Entonces pasamos a determinar los coeficientes i , i = 1, 2, , p 1

(L) = I 1 2 p + (1 L)(0 + 1 L + 1 L2 p1 Lp1 )
(L) = (I 1 2 p ) + (0 + 1 L + 1 L2 p1 Lp1 )
(0 + 1 L + 1 L2 p1 Lp1 )
2
Agrupando:
(L) = (I 1 2 p + 0 ) + (1 0 )L + (2 1 )L2 + (3 2 )L3 +

+(p1 p2 )Lp1 p1 )Lp
Igualando los terminos de (L) con la expresion anterior:
I = I 1 2 p + 0
Obtenido 0 podemos ahora determinar el siguiente termino
1 (L) = (1 0 )L
1 = (1 1 2 3 p )
1 = (2 + 3 + + p )
Y as sucesivamente, podemos generalizar hacia el termino i donde:

p
X
j = i , i = 1, 2, , p 1
i=1+j
Volviendo al problema, utilizamos la descomposicion:
(1)Yt + + (L)(1 L)Yt = + t

(1)Yt + (0 + 1 L + 1 L2 p1 Lp1 )(1 L)Yt = + t
((1) + 0 (1 L))Yt + 1 (1 L))Yt1 + 2 (1 L))Yt2 + + tp+1 (1 L))Ytp+1 = + t
Se deduce que 0 = I 1 por lo tanto reduciendo la expresion:
[(1) + (1 L)]Yt = 1 (1 L)Yt1 2 (1 L)Yt2 tp+1 (1 L)Ytp+1 + + t
Agrupando y despejando los terminos:

p1
X
(1 L)Yt = (1)Yt1 i (1 L)Yti + + t
i=1
Para obtener la misma expresion del dato, realizamos un cambio de variable de i = i Por
lo tanto demostramos lo pedido:
p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
2. Mostrar que el rango de (1) es estrictamente menor que n.
De la equivalencia hallada anteriormente, observamos que el primer termino de la derecha

incluye una posible variable I(1). Dado que sabemos que Yt es I(1), entonces (1)Yt1 debe
contener las relaciones de cointegracion. Entonces el determinante de (1)Yt1 es cero.
3
Por propiedades de matrices se sabe que cualquier matriz, el cual su determinante sea cero,
tanto una de sus filas o columnas puede contener todos sus elementos cero, por lo que el rango
sera menor que el orden de dicha matriz(en este caso menor que n)
3. Supongamos que el rango de (1) es igual a r. Demostrar que existen 2 matrices

y de dimensiones (n,r) y rango r tal que (1)) = t
Sea (1) de rango r, expresarlo en funcion del producto de y , implica que el rango mnimo
de cada uno de las dos matrices debe ser r, pero dado que son de orden (nxr) el rango maximo
que pueden tener es r. Intersectando ambas soluciones se obtiene que tanto como deben
tener rango r
4. Mostrar que t yt es necesariamente estacionario (Las columnas de son enton-

ces llamadas vectores de cointegracion yt ).
t yt = t (I (1))Yt1 + t + t t
El primer termino es cointegrado de orden (1), mientras que t y t t son I(0) por lo tanto
la suma de estos terminos resulta que t yt es I(0)
4
3. VECTORES AUTOREGRESIVOS
Considere el siguiente VAR bivariado:
y1,t = 2, 03y1,t1 + 0, 04y2,t1 + 1,t

y2,t = 1, 02y1,t1 + 3, 05y2,t1 + 2,t
Parte a)
Determine si este sistema es estacionario en covarianzas
Solucion:
Para ver si el sistema es estacionario, se usara el siguiente metodo:
Resolvemos el determinante para hallar lambda,
Como los valores encontrados son menores a cero, concluimos que el sistema no estacionario en
covarianzas.
En ese sentido, la parte 3.2 y 3.3 ya no se resuelve.
5
4. MODELOS GARCH Y MV
Solucion 4.1
Sea yt un proceso estacionario AR(p), con un error ut , denotado por:
yt = c + 1 yt1 + 2 yt2 + ... + p ytp + ut
donde ut es ruido blanco:
E(ut ) = 0
2
para t =
E(ut u ) =
0 otro caso.
El proceso es estacionario en covarianza puesto que las races de
1 1 z + 2 z 2 + ... + p z p = 0
estan fuera del circulo unitario. La prediccion lineal optima del nivel del yt para un proceso
AR(p) es
E(yt |yt1 , yt2 , ...) = c + 1 yt1 + 2 yt2 + ... + p ytp
Dado que el proceso es estacionario en covarianza, la media no condicional de yt es constante:
E(yt ) = c/(1 1 2 ... p )
Algunas veces nosotros podramos estar interesados en predecir no solo el nivel de las series
de yt sino que tambien su varianza. Una varianza que cambia a traves del tiempo tambien
tiene implicancias para la validez y eficiencia de la inferencia estadstica sobre los parametros
(c, 1 , 2 , ..., p ) que describen la dinamica del nivel de yt .
Aunque por la condicion de la covarianza entre los errores u del proceso AR(p), eso implica
que la varianza no condicional de ut es la constante 2 , la varianza condicional de ut podra
cambiar a traves del tiempo. Una aproximacion es describir el cuadrado de ut por si mismo
siguiendo un proceso AR(m):
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + wt
donde wt es un nuevo proceso ruido blanco:
E(wt ) = 0
2
para t =
E(wt w ) =
0 otro caso.
Un proceso ruido blanco ut que satisface estas condiciones es descrito como un proceso
autoregresivo condicional heterocedastico de orden m, denotado ut ARCH(m). Esta clase de
procesos fue introducido por Engle(1982).
6
Solucion 4.2
Desde que ut es el error en la prediccion de yt , la expresion obtenida del proceso AR(m) para
el cuadrado de ut implica que la proyeccion lineal del cuadrado del error de una prediccion de
yt en los previos m errores cuadrados pronosticados esta dado por
E(u2t |u2t1 , u2t2 , ...) = + 1 u2t1 + 2 u2t2 + ... + m u2tm
Ya que ut es aleatorio y u2t no puede ser negativo, esta puede ser una representacion sensible
solo si dicha expresion es positiva y la del ejercicio anterior(del proceso AR(m) para el cuadrado
del error ut ) es no negativa para todas las realizaciones de {ut }. Esto puede ser asegurado si wt
es delimitado desde debajo por con > 0 y si j 0 para j = 1, 2, ..., m. Con el fin de que
u2t sea estacionario en covarianza, requerimos ademas que las races de
1 1 z 2 z 2 ... m z m = 0
esten fuera del crculo unitario. Si los j son todos no negativos, este es equivalente al requeri-
miento de que
1 + 2 + ... + m < 1
Cuando estas condiciones son satisfechas, la varianza no condicional de ut esta dado por
2 = E(u2t ) = /(1 1 2 ... m )
Solucion 4.3. Calcule el pronostico de s periodos hacia delante

Solucion:
Sea AR(m)
u2 t = + 1 u2 t1 + 2 u2 t2 + . . . + m u2 tm + wt . . . (1)
Con el fin de que ut 2 tenga covarianza estacionaria se requiere:
1 1 z 2 z 2 . . . m z m = 0
1 + 2 + . . . + m < 1
Cuando se satisfacen estas condiciones, la varianza no condicional de ut 2 esta dada por
7
2 = E(u2 t ) = + 1 E(u2 t1 ) + 2 E(u2 t2 ) + . . . + m E(u2 tm )
(1 1 2 . . . m )E(u2 t ) =

2 = E(u2 t ) = . . . (2)
(1 1 2 . . . m )
Adelantando s periodos hacia adelante, tenemos:
u2 t+s = + 1 u2 t+s1 + 2 u2 t+s2 + . . . + m u2 t+sm + wt+s
Y tomamos esperanza en ambos lados, donde u2t+s denota el pronostico lineal de s periodos
hacia adelante:
E(u2 t+s ) = + 1 E(u2 t+s1 ) + 2 E(u2 t+s2 ) + . . . + m E(u2 t+sm ) . . . (3)
De (2) obtenemos:
= 2 (1 1 2 . . . m ) . . . (4)
Reemplazando (4) en (3):
u2t+s = 2 (1 1 2 . . . m ) + 1 u2t+s1 + 2 u2t+s2 + . . . + m u2t+sm
(u2t+s 2 ) = 1 (u2t+s1 2 ) + 2 (u2t+s2 2 ) + . . . + m (u2t+sm 2 )
Solucion 4.4. Que pasa cuando s ?

El pronostico de s periodos hacia delante de u2t+s converge en la probabilidad de 2
8
Solucion 4.5
Consideremos el siguiente modelo:
yt = x0t + ut
Donde el error ut tiene un comportamiento heterocedastico, con media 0 y varianza ht . En

este problema xt denota un vector de variables explicativas predeterminas, lo cual puede incluir
valores retrasados de y. Luego el vector obtenido de variables observadas hasta el tiempo t sera:
= (yt , yt1 , . . . , y1 , y2 , . . . , ym+1 , x0t , x0t1 , . . . , x01 , x00 , . . . , x0m+1 )0

Ademas consideremos que ut sigue un proceso ARCH(m) y sigue lo siguiente: ut = ht .vt
Donde: vt es una serie i.i.d N(0,1) Luego ht seria:
ht = + 1 u2t1 + 2 u2t2 + . . . + m u2tm

Si vt es i.i.d N(0; 1) con vt independiente de xt e t , entonces la distribucion condicional de yt
es Gaussiano con media x0t y varianza ht :
1 (yt x0t )2
f (yt |xt , t1 ) = exp( )
2ht 2ht
Donde:
ht = + 1 (yt1 x0t1 )2 + 2 (yt2 x0t2 )2 + . . . + m (ytm x0tm )2 ht = [zt ()]0
Para:
= (, 1 , 2 , . . . , m )0
[zt ()] = [1, (yt1 x0t1 )2 , (yt2 x0t2 )2 , . . . , (ytm x0tm )2 ]
Luego los parametros a estimar los representamos en el vector (aX1) :
= ( 0 , 0 )0
Luego el logaritmo de la funcion de verosimilitud sera:

T
X
L() = log f (yt |xt , t1 ; )
t=1
T
X
L() = (T /2) log(2) (1/2) log(ht )
t=1
PT
L() = (1/2) t=1 (yt x0t )2 /ht .
9
Solucion 4.6
Ahora vamos a hallar los valores optimos a partir de la funcion loglikelihood de la siguiente
manera:
1 (yt x0t )2 (yt x0t )2 h

logf (yt |xt , Yt1 ; ) 1 loght 1
= .
2 2 ht h2t
Pero

(yt x0t )2 2xt ut
=
0
Y

+ m 2
P
ht u
j=1 j tj
=

m
X m
X
= / + (j /) u2tj + j (u2tj /)
j=1 j=1

0 0 0 2utj xtj

1

0
0
Xm
0

u2
0 0 0
= + + + +

t1
..
.. .. ..
.
. . j=1 .
0 0 u2tm 0
Pm
= j=1 2j utj xtj
zt ()
Sustituyendo los valores obtenemos lo pedido:

Pm
u2

logf (yt |xt , yt1 ; ) 1 j=1 2j utj xtj (xt ut )/ht
= t2 + ,
2ht 2ht zt () 0
10
5. EJERCICIOS ADICIONALES
Sea la series definida por:
Xn = Xn2 + Zn ,
Zn con n enteros, ademas Zn es un:
RB(0, 2 )
|| < 1
Xn es estacionario. Zn y Xm no estan correlacionados para m menor a n.
5.1. a)Calcule (x)
cov(Xn , Xnh ) h
x(h) = =
var(Xn ) 0
h = E[(Xn E(Xn ))(Xnh E(Xnh ))]
Pero de la Ecuacion (1) podemos sacar la esperanza y saber cual es el valor de E(Xn)
E(Xn ) = E(Xn2 + Zn )
E(Xn ) = E(Xn2 ) + E(Zn )
E(Xn ) = E(Xn ) + E(Zn )
E(Xn ) = E(Xn2 ) + 0
E(Xn ) = E(Xn2 )
E(Xn ) = E(Xnh ) = 0
Con lo anterior podemos seguir con el calculo de de la ecuacion (5)
h = E[(Xn 0)(Xnh 0)]
h = E[(Xn )(Xnh )]
* Para h=0
0 = E[(Xn )(Xn )]
11
Para resolver la ecuacion (14), tenemos que sacar la varianza de Xn
V ar(Xn ) = V ar(Xn2 + Zn )
Resolviendo y despejando, obtenemos:
2
V ar(Xn ) =
1 2
Usamos la ecuacion (16) en la (14) y obtenemos que:
2
0 =
1 2
* Para h=1
1 = E[(Xn )(Xn1 )]
1 = E[(Xn2 + Zn )(Xn1 )]
Resolviendo la ecuacion anterior, tomando en cuenta que no hay correlacion entre Xm,Zn.
1 = E[(Xn2 )(Xn1 )]
1 = 1
1 = 0
*Para h=2, seguimos los mismos calculos anteriores y obtenemos lo siguiente:
2
2 = E[(Xn )(Xn2 )] =
1 2
3 = E[(Xn )(Xn3 )] = 0
2 2
4 = E[(Xn )(Xn4 )] =
1 2
Podemos concluir que para h pares:
cov(Xn , Xnh ) h h/2 0

x(h) = = = = h/2
var(Xn ) 0 0
Para los h que toman valores impares sera 0.
12
b)Calcule la varianza de (X1 + X2 + X3 + X4 )/4..para.. =0,9..y.. 2 =1
var(X1 + X2 + X3 + X4 )
var[(X1 + X2 + X3 + X4 )/4] =
16
var(X1 ) + var(X2 ) + var(X3 ) + var(X4 ) + 2[cov(X1 , X2 ) + cov(X1 , X3 ) + cov(X1 , X4 )

=
16
cov(X2 , X3 ) + cov(X2 , X4 ) + cov(X3 , X4 )]

... +
16
Utilizando los datos de la primera parte del ejercicio, podemos obtener los valores para cada
termino, luego de reemplazar, nos queda:
2 2
12
+ 12
=
4
Operando, obtenemos
2 2
12
+ 12
= = 2, 5
4
c)repita el ejercicio para =-0,9
2 2
12
+ 12
= = 0, 131
4
5.2. Ejercicio 2
Sobre el conjunto de series definimos el operador de diferencias primeras:
como
(x)n = Xn Xn1
si
p
X
Xn = ck nk
k=0
Demostrar que la ecuacion (33) es un polinomio de grado p-1.
p
X p
X
k
(x)n = Xn Xn1 = ck n ck (n 1)k
k=0 k=0
13
= (C0 n0 + C1 n1 .. + ..Cp np ) [C0 (n 1)0 + C1 (n 1)1 + .. + ..Cp (n 1)p ]
= C1 + C2 (n2 (n 1)2 ) + C3 (n3 (n 1)3 ).. + ..Cp (np (n 1)p )
Podemos observar que en cada termino se va a eliminar el grado mas alto, por lo que en el
ultimo termino ya no tendra grado p, sino, grado (p-1)
Ademas nos piden demostrar:
(p+1 x)n = 0
Por induccion:
(1 x)n = Xn Xn1
(2 x)n = (Xn Xn1 ) = (Xn ) (Xn1 ) = Xn 2Xn1 + Xn2
(3 x)n = (Xn 2Xn1 + Xn2 ) = Xn 3(Xn1 Xn2 ) Xn3
generalizando:
(p+1 x)n = Xn (p + 1)[Xn1 Xn2 + Xn3 .. + ..(1)p+1 Xnp ] + (1)p+1 Xn(p+1)
p
X
(p+1 x)n = Xn (p + 1) 1(p+1) Xnp ) + (1)p+1 Xn(p+1)
p=1
Se deduce:
p
X
Xn (p + 1) 1(p+1) Xnp ) + (1)p+1 Xn(p+1)
p=1
(p+1 x)n = Xn Xn = 0
14
Escuela Profesional de Ingeniera Economica
Analisis Series de Tiempo Financieras
Rafael Caparo, rafael.caparo@unistra.fr
Jan Sandoval, jan.sandoval@rimac.com.pe
October 23, 2015
Examen Parcial
El desarrollo del examen dura 2 horas.Pregunta mal contestada tiene una pe-
nalizacion de -50% del puntaje.
1 Mecanismos de Ecuaciones en Diferencia

Demuestre que los coeficientes del multiplicador dinamico (FIR), ci responden
a la siguiente expresion, que involucra los valores propios. i :
ip1
ci = Qp
i=1,i6=k (i k )
Donde los valores propios provienen de la matriz F,

1 2 3 ... p
1 0 0 ... 0
F =
0

1 0 ... 0
0 0 1 ... 0
que representa una transformacion de la ecuacion en diferencia de orden p,
ED(p)
yt = 1 yt1 + 2 yt2 + 3 yt3 + ... + p ytp + t

Los coeficientes ci provienen de la matriz T, tal que
ci = [t1i ti1 ], y

t11 t12 t13 ... t1p
t21 t22 t23 ... t1p
T = .

.. ..
.. . ... .
tp1 tp2 tp3 ... tpp
1
2 Procesos estacionarios ARMA , VAR
2.1 Procesos estacionarios ARMA(p,q)
Sean los siguientes procesos estacionarios:
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1 yt1 + t + 1 t1
1. Calcular la media, varianza, autocovarianza.
2. Especificar la forma general de la Funcion de autocorrelacion simple (FAS)
y la Funcion de autocorrelacion parcial (FAP).
3. Especificar las condiciones de estacionariedad e invertibilidad segun cor-
responda a cada proceso.
2.2 Demostraciones
Consideramos un proceso vectorial (Yt ) de tamano n, que se supone es integrado
de orden 1, y admite una representacion VAR de la forma :
(L)Y = +
Donde es innovacion de Y e (0) = Id
1.1.1 (a) Utilizando la descomposicion (X) = (1) + (1 X)+ (X),

demostramos que podemos escribir el modelo en forma equivalente:
p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
(b) Mostrar que el rango de (1) es estrictamente menor que n.

(c) Supongamos que el rango de (1) es igual a r. Demostrar que existe
2 matrices y de dimensiones (n,r) y rango r tal que (1) = 0
(d) Mostrar que 0 yt es necesariamente estacionario (Las columnas de
son entonces llamadas vectores de cointegracion yt )
1.1.2 Suponemos que la representacion Wold del proceso Y es de la forma
(1 L)Y = m + C(L)
Con C(0) = Id
(a) Utilizando la descomposicion
C(L) = C(1) + (1 L)C + (L)
2
Mostrar, que hay un paseo aleatorio1 (multivariable) T y un proceso esta-
cionario S de tal manera que
Y =S+T
(b) Demostrar que necesariamente : 0 m = 0 y 0 C(1) = 0
1.1.3 Encontrar las FAS de los siguientes modelos MA y analizar su

funcion covarianza emprica
a) Xt = Zt + 0.3Zt1 0.4Zt2 con {Zt } RB(0, 1)
b) Yt = Wt 1.2Wt1 1.6Wt2 con {Wt } RB(0, 0.25)
2.3 Ejercicios
1.2.1 Considere un proceso escalar AR(p) (n = 1). Deducir de la ecuacion
0 1 p1

0
1 0 p2 1
vec .. = [Ir2 A] vec(Q).

.. ..
. . .
0 0
p1 p2 0
que el vector ( p 1) consta de la varianza y primera autocovarianza

(p-1).

0

1

2,

..

.

p1
se puede calcular la forma de los primeros elementos p en la primera

columna de la matriz (p2 p2 ) 2 [Ip2 (F F )]0 , para F la matriz
definida (p p) en la ecuacion:

1 2 p
1
0 0
0
1 0
.. .. .. ..
. . . .
0 1 0
3
3 Vectores Autoregresivos: Estimacion
3.1 Ejercicios de Estimacion
4.1.1. Verifique el resultado:
T
X 0 p
(1/T ) t t Q
t=1
4.1.2. Considere el siguiente VAR de tres variables:
y1t = y1,t1 + y2,t1 + 1t

y2t = y1,t1 + y1,t1 + 2t
y3t = y1,t1 + y2,t1 + y3,t1 + 3t .
a. Es y1t el bloque de variables exogenas, con respecto al vector (y2t , y3t ) ?
b. Es el vector (y1t , y2t ) un bloque de variables exogenas con respeccto a y3t ?
c. Es y3t el bloque de variables exogenas, con respecto al vector (y1t , y2t ) ?
4.1.3. Considere el siguiente VAR bivariado:
y1t = 1 y1,t1 + 2 y1,t2 + . . . + p y1,tp

+ 1 y2,t1 + 2 y2,t2 + . . . + p y2,tp + 1t
y2t = 1 y1,t1 + 2 y1,t2 + . . . + p y1,tp
+ 1 y2,t1 + 2 y2,t2 + . . . + p y2,tp + 2t .
" #
11
12
para t =
0
E(t ) = 21 2

0 de otra forma.

Use los resultados de la seccion Estimacion de maxima verosimilitud

de un vector autorregresivo restringido para escribir esto en la forma
siguiente:
y1t = 1 y1,t1 +2 y1,t2 + +p y1,tp +1 y2,t1 +2 y2,t2 + +p y2,tp +u1t

donde " #
2
1
0
para t =
0
E(ut u ) = 0 22

0 de otra forma.

4
Cual es la relacion entre los parametros de la primera representacion
(j , i , j , j , ij ) y los de la segunda representacion (j , j , j , i , i2 )?
Cual es la relacion entre t y ut ?
4.1.4. Escribe el resultado del ejercicio 11.3 como

1 (L) (L) y1t u
= 1t
0 (L) 1 (L) y2t u2t
o
A(L)yt = ut .
Pre multiplicar este sistema por la adjunta de A(L),

1 (L) (L)
A (L) = ,
0 + (L) 1 (L)
para deducir ambos, y1t y y2t , admiten una representacion ARM A(2p, p)
univariada. Muestre como el argumento se generaliza para establecer que
si el vector yt de dimension (n 1) sigue una autorregresion de orden p,
entonces cada elemento individual yit sigue un proceso ARM A[np, (n
1)p]. (Vease Zellner y Palm, 1974).
y1t = 0.3y1,t1 + 0.8y2,t1 + 1t

y2t = 0.9y1,t1 + 0.4y2,t1 + 2t
con E(1t 1 ) = 1 para t = y 0, en otro caso, E(2t 2 ) = 2 para t =

y 0, en otro caso, y E(1t 2 ) = 0 para todo t y .
a. El sistema es estacionario en covarianza?

b. Calcular s = yt+s /0 para s = 0, 1 y 2. Cual es el lmite conforme
s ?
c. Calcular la fraccion del ECM del error de prediccion 2 periodos hacia

adelante de la variable 1,
E[y1,t+2 E(y1,t+2 |yt , yt1 , . . .)]2 ,
que se explica por 1,t+1 y 1,t+2
4 Aplicaciones con procesos ARMA

4.1 Ejercicio 1: Procesos estacionarios ARMA(1,1)
Considere que existe un proceso estacionario X que tiene como PGD el siguiente
ARM A(1, 1):
(1 L)X = (1 L)t
5
Donde t es un RB de varianza 2t .
Nos interesa encontrar la prediccion lineal optima en t para un horizonte tem-
poral igual a t + 1 denotada por:
Xt+1|t = EL(Xt+1 |Xt , Xt1 , Xt2 , ...)
1. Muestre que existe una serie absolutamente convergente k ak tal que:
Xt+1|t = +
k=1 ak Xt+1k
y presente su expresion general.

2. Siendo imposible de encontrar la observacion para (Xt )t<0 , definimos la
prediccion lineal emprica:
Xt+1|t = t+1
k=1 ak Xt+1k
Expresar Xt+1|t en funcion de Xt y Xt|t1

3. Definamos el error relativo de la prediccion truncada como:
1
et = E((Xt Xt|t1 )2 )
2t
Expresar et+1 en funcion de et .
4. Calcular (0) del proceso X , luego e0 y finalmente deducir la expresion
de et
5. Que prodra decir sobre el error de la prediccion E((Xt Xt|t1 )2 ) si
t + ?
5 Vectores Autoregresivos y RU
Considere el siguiente VAR bivariado
y1t = 2.03y1,t1 + 0.04y2,t1 + 1t
y2t = 1.02y1,t1 + 3.05y2,t1 + 2t
Con E(1t 1 ) = 1 para t = y 0 en otros casos, E(2t 2 ) = 2 para t = y
0 en otros casos y E(1t 2 ) = 0 para todo t y .
1. Determine si este sistema es estacionario en covarianzas
2. Calcule s = Yt+s /0t para s = 0.1 y 0.2. Cual es el lmite cuando
s ?
3. Calcule la fraccion del MSE del error de prediccion dos periodos hacia
adelante para la variable 1:
E[y1,t+2 E(y1,t+2 /yt , yt1 . . . )]2
que es debido a 1,t+1 y 1,t+2 .
Ensena para que digan cuanto he aprendido y no para que digan cuanto
sabes!
6
Powered by TCPDF (www.tcpdf.org)
EXAMEN PARCIAL
ANALISIS DE SERIES DE TIEMPO FINANCIERAS - EC711L 2017-1
ESCUELA PROFESIONAL DE INGENIERIA ECONOMICA
RAFAEL CAPARO
RAFAEL.CAPARO@UNISTRA.FR
Indicaciones:
El examen tiene una duracion de 150 minutos, usted debera enviar todos los archivos utilizados
al correo del curso, zipeados con su nombre, apellido y seccion para completar la parte de labo-
ratorio. La prueba exige un nivel de rapidez - UNI, sea conciso en sus sustentaciones. Respecto a
los ejercicios se anula respuesta mal planteada, sea ordenado y claro con sus ecuaciones. Solo use
una cara de la hoja por respuesta. Todo supuesto que crea conveniente debe estar debidamente
sustentado, se evalua la calidad de la sustentacion.
1. Calculo estocastico y econometra aplicada a finanzas

1.1. La econometra financiera. La econometra financiera se ha complementado con los
nuevos conceptos para el pricing de activos financieros, como el Itos Lemma, los martingalas,
procesos wiener entre otros, los cuales enmarcan al calculo estocastico, as un aporte de este
curso va hacia la mejora del calculo de volatilidades( volatilidades implcitas de opciones por
ejemplo o estimaciones GARCH), para este ejercicio usted debera :
- Plantear un modelo para valorizar una opcion financiera tipo call, considerando el modelo
Black and Scholes (2pts) y la teora del calculo estocastico vista en clase(2pts)1, considere
todos los supuestos necesarios.
- Considerando la siguiente paridad call-put:
c + Kert = p + S
Calcule (2pts) el precio put(p) en base a los modelos planteados en la pregunta anterior.
1.2. Calculo estocastico y series de tiempo. Dentro de las sesiones presenciales se desar-
rollo los procesos de difusion para implementar modelos de ingeniera financiera comenzando
inicialmente con el pricing de derivados financieros, el pricing tambien conocido como val-
orizacion, se aplico para el calculo de la prima de una contrato a futuro de compra(call ) el cual
por la paridad call-put puede derivar hacia el precio de un contrato a futuro de venta(put):
p = c + Kert S, donde cada componente fue expuesta en clase, usted tiene la tarea como
futuro ingeniero desarrollar lo siguiente:
-Suponga que el precio del activo subyacente se distribuye como un MBG y calcule(1pts): El
valor esperado y la volatilidad () del precio del activo al final del contrato, (ST ).
-Realice la evaluacion (1pts) de la prima para cada contrato derivado call y cut en base
a los (ST ) y encuentre el valor promedio en T para cada prima cT o pT . Actualice el valor del
contrato de manera continua, a una tasa r y muestre el valor.
-Compare la metodologa empleada con la formula de Black and Scholes para el pricing de
derivados financieros tipo europeos(1pt).
Date: May 23, 2017.

1
Puede usar todos los conceptos revisados en clase: Lema de Ito, BMG, procesos Wiener, etc
1
2 RAFAEL CAPARO RAFAEL.CAPARO@UNISTRA.FR
-Defina procesos Wiener como un proceso de series de tiempo, determine (1pts) si este proceso
es estacionario en el sentido debil. Defina el elemento tendencial y estocastico dentro de un
MBG. Defina el lema de Ito y su relacion con el analisis de la series de tiempo financieras.
Defina la volatilidad implcita y relacionela con la formula de Black and Scholes.
1.3. Procesos estacionarios ARMA..
1.3.1. Estacionariedad en sentido debil (1 pto). Evaluar los procesos ARMA mostrados a con-
tinuacion e indicar cual o cuales de ellos son estacionarios en covarianzas. Nota: Tomar en
cuenta que t RB(0, 1).
ARM A(2, 1) : yt = 0.4yt1 + 0.5yt2 + t + t1
ARM A(2, 0) : yt = 0.5yt1 + 0.04yt2 + t
ARM A(2, 2) : yt = 1.4yt1 0.78yt2 + t + 1.3t1 + 1.4t2
ARM A(2, 0) : yt = 1.9yt1 + 0.1yt2 + t
1.3.2. Funcion de autocovarianzas y funciones de autocorrelacion (1 pto). De cada proceso esta-
cionario encontrado en el tem anterior, se pide:
(1) Hallar su forma M A() y mostrar los tres primeros coeficientes.
(2) Hallar la funcion de autocovarianza de orden j = 0, 1, 2, 3.
(3) Hallar la funcion de autocorrelacion simple para j = 0, 1, 2, 3.
(4) Expresar la funcion generatriz de autocovarianzas.
2. Laboratorio
La base de datos datosprediccion.xls contiene datos mensuales para los anos 2005 a 2016, se
le pide predecir usando las metodologas vistas en clase y considerando supuestos adicionales
extradas de los hechos estilizados de cada serie, la prediccion esta considerada para los datos
mensuales desde 2017 hasta 2026:
- Realice un diagnostico de las series(2pts). Encuentre modelos de prediccion de corto y largo
plazo ( referencias en la web: papers, estudios, revistas, etc) sobre como predecir las series
dentro de los datos, considere que quiere intentar predecir series de precios de energa, en
particular energa electrica, trate de considerar los documentos relevantes que apoyen a los
supuestos que va a considerar y a las variables Xs de un posible modelo ARIMAX, como PBI u
otros indicadores que mejoren la capacidad de prediccion. Ayuda: considere que las series son
precios de electricidad por KWs.
- Elija el mejor modelo ARIMAX para cada una de las series(2pts). Considere para las primeras
diferencias una variacion porcentual mes a mes.
- Realice la prediccion de largo plazo para cada serie en niveles(3pts). Considere que en el
largo plazo las predicciones tienden a la media mustral por lo que debe de ver tanto la serie
en diferencias (considere variaciones porcentuales) como la serie final en niveles, esto lleva a
tener escenarios muy optimistas que se presentan graficamente como tendencias positivas muy
empinadas, usted debe justificar como bajar esa tendencia considerando supuestos realistas. -
Jan Sandoval, jan.sandoval@rimac.com.pe
October 23, 2015
Examen Parcial
El desarrollo del examen dura 2 horas.Pregunta mal contestada tiene una pe-
nalizacion de -50% del puntaje.
1 Mecanismos de Ecuaciones en Diferencia

Demuestre que los coeficientes del multiplicador dinamico (FIR), ci responden
a la siguiente expresion, que involucra los valores propios. i :
ip1
ci = Qp
i=1,i6=k (i k )

1 2 3 ... p
1 0 0 ... 0
F =
0

1 0 ... 0
0 0 1 ... 0
que representa una transformacion de la ecuacion en diferencia de orden p,
ED(p)
yt = 1 yt1 + 2 yt2 + 3 yt3 + ... + p ytp + t

Los coeficientes ci provienen de la matriz T, tal que
ci = [t1i ti1 ], y

t11 t12 t13 ... t1p
t21 t22 t23 ... t1p
T = .

.. ..
.. . ... .
tp1 tp2 tp3 ... tpp
1
2 Procesos estacionarios ARMA , VAR
2.1 Procesos estacionarios ARMA(p,q)
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1 yt1 + t + 1 t1
1. Calcular la media, varianza, autocovarianza.
2. Especificar la forma general de la Funcion de autocorrelacion simple (FAS)
y la Funcion de autocorrelacion parcial (FAP).
3. Especificar las condiciones de estacionariedad e invertibilidad segun cor-
responda a cada proceso.
2.2 Demostraciones
Consideramos un proceso vectorial (Yt ) de tamano n, que se supone es integrado
de orden 1, y admite una representacion VAR de la forma :
(L)Y = +

p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
(b) Mostrar que el rango de (1) es estrictamente menor que n.

(c) Supongamos que el rango de (1) es igual a r. Demostrar que existe
2 matrices y de dimensiones (n,r) y rango r tal que (1) = 0
(d) Mostrar que 0 yt es necesariamente estacionario (Las columnas de
son entonces llamadas vectores de cointegracion yt )
1.1.2 Suponemos que la representacion Wold del proceso Y es de la forma
(1 L)Y = m + C(L)
Con C(0) = Id
(a) Utilizando la descomposicion
C(L) = C(1) + (1 L)C + (L)
2
Mostrar, que hay un paseo aleatorio1 (multivariable) T y un proceso esta-
cionario S de tal manera que
Y =S+T
(b) Demostrar que necesariamente : 0 m = 0 y 0 C(1) = 0
1.1.3 Encontrar las FAS de los siguientes modelos MA y analizar su

funcion covarianza emprica
a) Xt = Zt + 0.3Zt1 0.4Zt2 con {Zt } RB(0, 1)
b) Yt = Wt 1.2Wt1 1.6Wt2 con {Wt } RB(0, 0.25)
2.3 Ejercicios
1.2.1 Considere un proceso escalar AR(p) (n = 1). Deducir de la ecuacion
0 1 p1

0
1 0 p2 1

.. ..
. . .
0 0
p1 p2 0
que el vector ( p 1) consta de la varianza y primera autocovarianza

(p-1).

0

1

2,

..

.

p1
se puede calcular la forma de los primeros elementos p en la primera

columna de la matriz (p2 p2 ) 2 [Ip2 (F F )]0 , para F la matriz
definida (p p) en la ecuacion:

1 2 p
1
0 0
0
1 0
.. .. .. ..
. . . .
0 1 0
3
3 Vectores Autoregresivos: Estimacion
3.1 Ejercicios de Estimacion
4.1.1. Verifique el resultado:
T
X 0 p
(1/T ) t t Q
t=1
4.1.2. Considere el siguiente VAR de tres variables:
y1t = y1,t1 + y2,t1 + 1t

y2t = y1,t1 + y1,t1 + 2t
y3t = y1,t1 + y2,t1 + y3,t1 + 3t .
y1t = 1 y1,t1 + 2 y1,t2 + . . . + p y1,tp

+ 1 y2,t1 + 2 y2,t2 + . . . + p y2,tp + 1t
y2t = 1 y1,t1 + 2 y1,t2 + . . . + p y1,tp
+ 1 y2,t1 + 2 y2,t2 + . . . + p y2,tp + 2t .
" #
11
12
para t =
0
E(t ) = 21 2

0 de otra forma.


siguiente:

donde " #
2
1
0
para t =
0
E(ut u ) = 0 22

0 de otra forma.

4
4.1.4. Escribe el resultado del ejercicio 11.3 como

1 (L) (L) y1t u
= 1t
0 (L) 1 (L) y2t u2t
o
A(L)yt = ut .

1 (L) (L)
A (L) = ,
0 + (L) 1 (L)
y1t = 0.3y1,t1 + 0.8y2,t1 + 1t

y2t = 0.9y1,t1 + 0.4y2,t1 + 2t


s ?

E[y1,t+2 E(y1,t+2 |yt , yt1 , . . .)]2 ,
4 Aplicaciones con procesos ARMA

4.1 Ejercicio 1: Procesos estacionarios ARMA(1,1)
Considere que existe un proceso estacionario X que tiene como PGD el siguiente
ARM A(1, 1):
(1 L)X = (1 L)t
5
poral igual a t + 1 denotada por:
Xt+1|t = EL(Xt+1 |Xt , Xt1 , Xt2 , ...)
Xt+1|t = +
k=1 ak Xt+1k

Xt+1|t = t+1
k=1 ak Xt+1k
Expresar Xt+1|t en funcion de Xt y Xt|t1

1
et = E((Xt Xt|t1 )2 )
2t
4. Calcular (0) del proceso X , luego e0 y finalmente deducir la expresion
de et
5. Que prodra decir sobre el error de la prediccion E((Xt Xt|t1 )2 ) si
t + ?
5 Vectores Autoregresivos y RU
Considere el siguiente VAR bivariado
y1t = 2.03y1,t1 + 0.04y2,t1 + 1t
y2t = 1.02y1,t1 + 3.05y2,t1 + 2t
Con E(1t 1 ) = 1 para t = y 0 en otros casos, E(2t 2 ) = 2 para t = y
0 en otros casos y E(1t 2 ) = 0 para todo t y .
1. Determine si este sistema es estacionario en covarianzas
2. Calcule s = Yt+s /0t para s = 0.1 y 0.2. Cual es el lmite cuando
s ?
3. Calcule la fraccion del MSE del error de prediccion dos periodos hacia
E[y1,t+2 E(y1,t+2 /yt , yt1 . . . )]2
que es debido a 1,t+1 y 1,t+2 .
Ensena para que digan cuanto he aprendido y no para que digan cuanto
sabes!
6
Universidad Nacional de Ingeniera.
Facultad de Ingeniera Economica, Estadstica y CC.SS.
Analisis de Series de Tiempo.
Solucionario de la Primera Practica Calificada.
Alumnos:
Espinoza Aranda, Leyla.
Espinoza Huaman, Brallam.
Vizcarra Valcarcel, Peter.
Villafuerte Chavez, Daniel.
1. Ejercicios Aplicativos.
1.1. Ejercicio 1: Procesos Estacionarios ARMA.
1.1.1. Estacionariedad en sentido debil.
De los siguientes procesos ARMA mostrados uno (o mas) de ellos es estacionario en covarianza,
evaluar los 4 casos y ubicar el proceso ARMA en mencion.
ARM A(2, 1) : yt = 0,8yt1 + 0,4yt2 + t + 1,4t1

ARM A(2, 0) : yt = 0,5yt1 + 0,04yt2 + t
ARM A(2, 2) : yt = 2,4yt1 1,78yt2 + t + 1,6t1 + 1,2t2
ARM A(2, 0) : yt = 0,9yt1 + 0,1yt2 + t
Donde: t RB(0, 1)
SOLUCION 1.1.1.
Primer Proceso ARMA(2,1):
Para el primer proceso, tendremos:
ARM A(2, 1) : yt = 0,8yt1 + 0,4yt2 + t + 1,4t1

yt 0,8yt1 0,4yt2 = t + 1,4t1
(1 0,8L 0,4L2 )yt = (1 1,4L)t
1
Luego, del polinomio caracterstico de rezagos, tendremos:
p
0,8 0,82 4(0,4)(1)
1,2 =
2(0,4)
1 = 2,8708
2 = 0,8708
| 1 | = 2,8708 > 1
| 2 | = 0,8708 1
Por lo tanto, el primer proceso ARMA(2,1) es no-estacionario, pues | 1 |> 1 y | 2 | 1
Segundo Proceso ARMA(2,0):
Para el segundo proceso, tendremos:
ARM A(2, 0) : yt = 0,5yt1 + 0,04yt2 + t

yt 0,5yt1 0,04yt2 = t
(1 0,5L 0,04L2 )yt = t

p
0,5 0,52 4(0,04)(1)
1,2 =
2(0,04)
1 = 14,2539
2 = 1,7539
| 1 | = 14,2539 > 1
| 2 | = 1,7539 > 1
Por lo tanto, el segundo proceso ARMA(2,0) es estacionario, pues | 1 |> 1 y | 2 |> 1
Tercer Proceso ARMA(2,2):
Para el tercer proceso, tendremos:
ARM A(2, 2) : yt = 2,4yt1 1,78yt2 + t + 1,6t1 + 1,2t2

yt 2,4yt1 + 1,78yt2 = t + 1,6t1 + 1,2t2
(1 2,4L + 1,78L2 )yt = (1 + 1,6L + 1,2L2 )t

p
2,4 2,42 4(1,78)(1)
1,2 =
2(1,78)
1 = 0,6742 + 0,3276i
2 = 0,6742 0,3276i
p
| 1,2 | = 0,67422 + 0,32762 = 0,5618674 1
Por lo tanto, el tercer proceso ARMA(2,2) es no-estacionario, pues | 1 | 1 y | 2 | 1
2
Cuarto Proceso ARMA(2,0):
Para el cuarto proceso, tendremos:
ARM A(2, 0) : yt = 0,9yt1 + 0,1yt2 + t

yt 0,9yt1 0,1yt2 = t
(1 0,9L 0,1L2 )yt = t

p
0,9 0,92 4(0,1)(1)
1,2 =
2(0,1)
1 = 10
2 = 1
| 1 | = 10 > 1
| 2 | = 1 1
Por lo tanto, el cuarto proceso ARMA(2,0) es no-estacionario, pues | 1 |> 1 y | 2 | 1
1.1.2. Funcion de Autocovarianzas y Funciones de Autocorrelacion.
De cada uno de los procesos estacionarios encontrados en la seccion anterior, se pide:

i) Hallar su forma MA() y mostrar los 3 primeros coeficientes.
ii) Hallar la funcion de autocovarianzas para j=0,1,2,3.
iii) Hallar la funcion de autocorrelacion para j=0,1,2,3.
iv) Expresar la funcion generatriz de autocovarianzas.
SOLUCION 1.1.2.
Parte i:
(1 0,5L 0,04L2 )Yt = t

= (1 0,5L 0,04L2 )
Yt = 1 t
1 = (L) (L) = (0 + 1 L + 2 L2 )
1 = (L)(L)
1 = (1 0,5L 0,04L)(0 + 1 L + 2 L2 + ...)
1 = 0 + (1 0,540 )L + (2 0,541 )L2
0 = 1 1 0,540 = 0 2 0,541 = 0
1 = 0,54 2 = 0,2916
Yt = (1 + 0,54L + 0,2916L2 + ....)
3
Parte ii:
E(Yt )) = 0
j = E[(Yt E(Yt ))(Ytj E(Ytj ))] suponemos 2u = 1

j = E[Yt Ytj ]
j=0 E[Yt Yt ] = E[Yt (0,5Y t 1 + 0,04Yt2 + t )]
0 = 0,51 + 0,042 + 2u
j=1 E[Yt Yt1 ] = E[Yt1 (0,5Yt1 + 0,04Yt2 + t )]

1 = 0,50 + 0,041
j=2 E[Yt Yt2 ] = E[Yt2 (0,5Yt1 + 0,04Yt2 + t )]

2 = 0,51 + 0,040
j=3 E(Yt Yt3 ) = E(Yt3 (0,5Yt1 + 0,04Yt2 + t ))

3 = 0,52 + 0,041

1 0,5 0,04 0 0 1
0,5 0,6 0 0 1 0
=
0,04 0,5 1 0 2 0
0 0,04 0,5 1 3 0

0 1
1
= A1 0

2 0
3 0

1,77 1,53 0,07 0 1
1
1,47 2,94 0,06 0 0
A =
0,80 1,53 1,03 0 0
0,099 0,19 0,05 1 0

0 1,77
1 1,47
=
2 0,80
3 0,099
Parte iii:
j
j = 0 j = 0, 1, 2, 3
1 1 1,47 2 0,8 3
0 = =1 1 = = = 0,83 2 = = = 0,45 3 =
0 0 1,77 0 1,77 0
0,099
3 = = 0,056
1,77
4
Parte iv:
1.2. Ejercicio 2: Mecanismos de Ecuaciones en Diferencias.
1.2.1. FIR: Funcion Impulso-Respuesta.
Considerar la siguiente ecuacion en diferencias de tercer orden:
yt = 0,6yt1 0,11yt2 + 0,006yt3 + wt
Donde wt RB(0, u2 )
a) Hallar la Funcion de Impulso-Respuesta para j=0,1,2.

b) Determinar la Funcion de Impulso-Respuesta para los primeros 30 perodos. (Nota: Debera pre-
sentarse un script en MATLAB). (Laboratorio)
SOLUCION 1.2.1.
Parte a:
Tenemos:
yt = 0,6yt1 0,11yt2 + 0,006yt3 + wt (1)
Para j=0, tendremos:

yt
=1
wt
yt+1 =0,6yt 0,11yt1 + 0,006yt2 + wt+1

yt+1 =0,6(0,6yt1 0,11yt2 + 0,006yt3 + wt ) 0,11yt1 + 0,006yt2 + wt+1
yt+1 =0,25yt1 0,06yt2 + 0,0036yt3 + 0,6wt + wt+1
yt+1
=0,6
wt
yt+2 =0,6yt+1 0,11yt + 0,006yt1 + wt+2

yt+2 =0,6(0,25yt1 0,06yt2 + 0,0036yt3 + 0,6wt + wt+1 )
0,11(0,6yt1 0,11yt2 + 0,006yt3 + wt ) + 0,006yt1 + wt+2
yt+2 =0,9yt1 0,0239yt2 + 0,0015yt3 + 0,25wt + 0,6wt+1 + wt+2
yt+1
=0,25
wt
Parte b: SCRIPT DE MATLAB.
phi1 =0.6;
p h i 2 = 0.11;
phi3 =0.006;
F=[ p h i 1 p h i 2 p h i 3 ; 1 0 0 ; 0 1 0 ] ;
e i g e n v a l u e s=e i g (F)
vp1=e i g e n v a l u e s ( 1 , 1 )
vp2=e i g e n v a l u e s ( 2 , 1 )
5
vp3=e i g e n v a l u e s ( 3 , 1 )
c1=vp1 2 / ( ( vp1vp2 ) ( vp1vp3 ) )

c2=vp2 2 / ( ( vp2vp1 ) ( vp2vp3 ) )
c3=vp3 2 / ( ( vp3vp1 ) ( vp3vp2 ) )
f o r j =1:30
FIR ( j +1)=c1 vp1 ( j )+c2 vp2 ( j )+c3 vp3 ( j )
end
1.2.2. Multiplicadores Dinamicos.
SOLUCION 1.2.2.
Dado que :
F = T T 1
FT = T
Asignando matriz columna:
F ti = ti i ...() (2)
tomamos arbitrariamente ti :
p1
i
p2
ip3

i
ti =
.

.

.
1
Donde: 1 , 2 , ... p son distintos entre s

Entonces ti debe cumplir ...(*)
Comprobacion : F ti = ti i
p1

i 1 ip1 + 2 ip2 + 3 p3

1 2 ... p1 p p2 i + ... + p

1
0 ... 0 0 i
p3

p1
i

0 1 ... 0 0 i p2
i

. . ... . . .
=

(3)
.

. . ... . . .
.

. . ... . . .
.
0 0 ... 1 0 i

i
1
De la proposicion:
p i p1 i p2 i p3 ...p = 0 (4)
p = i p1 + i p2 + i p3 ...p (5)
6
Reemplazando en la matriz:
pi
p1
i
p1 p2
ip2 ip3

i i
F ti =
.
= .
i 11 (6)
. .

. .
i p1 1 p1
Entonces:
se cumple que : F ti = ti i (7)
Entonces dado que:
Ci = [t1i tit ]
21 22 23
C1 = C1 = (2 1 )(2 3 ) C1 = (3 1 )(3 2 )
(1 2 )(1 3 )
Generalizando:
ip1
Ci = Q (8)
k6=i (i k )
1.2.3. Experimentos con ED.
Realizar un script en MATLAB donde se encuentren graficados los multiplicadores dinamicos

para un ED(4), desde j=0 hasta 25 perodos adelante. Considere los siguientes valores propios: 0.4,
0.3, 0.05 y 0.01
SOLUCION 1.2.3.: SCRIPT DE MATLAB
p h i 1 =0.4
p h i 2 =0.3
p h i 3 =0.05
p h i 4 =0.01
F=[ p h i 1 p h i 2 p h i 3 p h i 4 ; 1 0 0 0 ; 0 1 0 0 ; 0 0 1 0 ]
vp1=e i g e n v a l u e s ( 1 , 1 )
vp2=e i g e n v a l u e s ( 2 , 1 )
vp3=e i g e n v a l u e s ( 3 , 1 )
vp4=e i g e n v a l u e s ( 4 , 1 )
c1=vp1 3 / ( ( vp1vp2 ) ( vp1vp3 ) ( vp1vp4 ) )
f o r j =1:30
FIR ( j +1)=c1 vp1 ( j )+c2 vp2 ( j )+c3 vp3 ( j )+c4 vp4 ( j )
end
7
1.3. Ejercicio 3: Procesos Estacionarios en Covarianza.
Es el siguiente proceso MA(2) estacionario en covarianza?
Yt = (1 + 0,8L + 0,4L2 )t
E(t , ) = 0, t 6=
Si lo es, calcule sus funciones de autocovarianzas del orden 0 al orden 4, as como sus funciones de
autocorrelacion simple.
SOLUCION 1.3.
Tenemos:
yt =0,8( t 1) + 0,4( t 2) + t
0 =E(yt E(yt ))2 = E(yt2 ) = E(0,8t1 + 0,4t2 + t )2
2 2
0 =0,64E(yt1 ) + 0,16E(yt2 ) + E(yt )2 ) + A
Donde, A representa los productos de las Experanzas matematicas de errores, de perodos diferen-
tes, por lo que para un t RB(0, 1) resultan ser CERO.
0 =2 (0,64 + 0,16 + 1)
=1,82
Luego, tendremos:
1 =E[(yt E(yt ))(yt1 E(yt1 ))]

=E(0,8t1 + 0,4t2 + t )(0,8t2 + 0,4t3 + t1 )
2 2
1 =0,8E(yt1 ) + (0,8)(0,4)E(yt2 )
1 =2 (0,8 + (0,8)(0,4)) = 1,122
2 =E[(yt E(yt ))(yt2 E(yt2 ))]

=E(0,8t1 + 0,4t2 + t )E(0,8t3 + 0,4t4 + t2 )
2 =0,4E(2t2 )
2 =0,42
3 =E[(yt E(yt ))(yt3 E(yt3 ))]

=E(0,8t1 + 0,4t2 + t )E(0,8t4 + 0,4t5 + t3 )
3 =0
4 =E[(yt E(yt ))(yt4 E(yt4 ))]

=E(0,8t1 + 0,4t2 + t )E(0,8t5 + 0,4t6 + t4 )
4 =0
0 1,62
0 = = =1
0 1,62
1 1,122
1 = = = 0,7
0 1,62
8
2 0,42
2 = = = 0,25
0 1,62
3 0
3 = = =0
0 1,62
4 0
4 = = =0
0 1,62
2. Ejercicios del Libro.
2.1. Demanda de dinero y efectos de largo plazo:
2.1.1. Demuestre:
SOLUCION 2.1.1.
Resolviendo la ecuacion diferenecial por sustituciones recursivas:
y0 = y1 + 0
y1 = y0 + 1
y2 = y1 + 2
yt = yt1 + t
Dado el valor de y0 y de para t = 1, podemos calcular el valor de y para t = 1:
y1 = y0 + 1 = (y1 + 0 ) + 1
o que es lo mismo:
y1 = 2 y1 + 0 + 1
y2 = y1 + 2 = (2 y1 + 0 + 1 ) + 2
o que es lo mismo:
y2 = 3 y1 + 2 0 + 1 + 2
Continuando recursivamente para hallar el valor de yt obtendriamos:
yt = t+1 y1 + t 0 + t1 1 + t2 2 + ... + t1 + t
Haciendo un cambio de variable de t pot j y corriendo t periodos hacia adelante:
yj+t = j+1 yt1 + j t + j1 t+1 + j2 t+2 + ... + t+j1 + t+j
Encontrando el multiplicador dinamico, nos damos cuenta que solo depende de j:

yt+j
= j
t
9
2.1.2. Encuentre:
SOLUCION 2.1.2.
Para p = 2 los valores propios son las soluciones de:

1 2 0

1 =0
0 0
operando:

(1 ) 2
= 2 1 2 = 0

1
Resolviendo la ecuacion de segundo grado obtendremos los dos valores propios de F:

p
1 + 21 + 42
1 =
2
p
1 21 + 42
2 =
2
2.1.3. Calcule:
SOLUCION 2.1.3.
Dado que mt = yt y que mt depende de It :
mt+2 mt+2 t t
= = 2
It t It It
Dado que t = 0,27 + 0,19It 0,045rbt 0,019rct tendriamos que:
t
= 0,19
It
Entonces el efecto del ingreso sobre la demanda de dinero dos periodos hacia delante es:
mt+2
= (0,72)2 (0,19) = 0,098.
It
2.1.4. Calcule:
SOLUCION 2.1.4.
3. Laboratorio
3.1. Experimentos con procesos ARMA
SOLUCION 3.1.
%E j e r c i c i o 3 : P r o c e s o s E s t a c i o n a r i o s
%Crear un AR( 8 )
%Con v a l o r e s para p h i 1 =0.1 p h i 2 =0.01 ,
10
%p h i 3 =0.3 p h i 4 =0.05 , p h i 5 =0.09
%Enc ontrar e l p o l i n o m i o c a r a c t e r i s t i c o y s u s r a i c e s y d e t e r m i n a r s i e s
%e s t a c i o n a r i o
phi1 =0.1;
phi2 =0.01;
phi3 =0.3;
phi4 =0.05;
p h i 5 =0.08
p h i 6 =0.1
p h i 7 =0.3
p h i 8 =0.4
y0=0; % v a l o r i n i c i a l
y1 =5;
y2 =8;
y3 =9;
y4=4
y5=3
y6=8
y7=2
y (1)= y0 ;
y (2)= y1 ;
y (3)= y2 ;
y (4)= y3 ;
y (5)= y4 ;
y (6)= y5 ;
y (7)= y6 ;
y (8)= y7 ;
sigma = 0 . 8 8 ;
f o r t =9:30
y1 ( t )= p h i 1 y ( t 1)+p h i 2 y ( t 2)+p h i 3 y ( t 3)+p h i 4 y ( t 4)+p h i 5 y ( t 5)+p h i 6 y ( t 6)+p h i 7
end
p l o t ( y1 )
phi11 =0.3;
phi21 =0.07;
p h i 3 1 = 0.3;
phi41 =0.1;
p h i 5 1 =0.09
p h i 6 1 =0.5
p h i 7 1 =0.003
p h i 8 1 =0.02
sigma = 0 . 9 9 ;
f o r t =9:30
y2 ( t )= p h i 1 1 y ( t 1)+p h i 2 1 y ( t 2)+p h i 3 1 y ( t 3)+p h i 4 1 y ( t 4)+p h i 5 1 y ( t 5)+p h i 6 1 y ( t 6
end
p l o t ( y2 )
p h i 1 2 = 0.1;
phi22 =0.08;
phi32 =0.7;
11
p h i 4 2 = 0.05;
p h i 5 2 =0.03
p h i 6 2 =0.11
p h i 7 2 =0.6
p h i 8 2 =0.04
sigma = 0 . 9 1 ;
f o r t =9:30
end
p l o t ( y3 )
phi13 =0.4;
phi23 =0.009;
phi33 =0.2;
phi43 =0.01;
p h i 5 3 =0.08
p h i 6 3 =0.5
p h i 7 3 =0.3
p h i 8 3 =0.3
sigma = 0 . 7 8 ;
f o r t =9:30
end
p l o t ( y4 )
subplot (2 ,2 ,1) , p l o t ( y1 )
subplot (2 ,2 ,2) , p l o t ( y2 )
subplot (2 ,2 ,3) , p l o t ( y3 )
subplot (2 ,2 ,4) , p l o t ( y4 )
3.2. Box-Jenkins a lo UNI-FIEECS
SOLUCION 3.2.
12
Universidad Nacional de Ingeniera.
Analisis de Series de Tiempo.
Solucionario de la Primera Practica Calificada.
Alumnos:
Espinoza Aranda, Leyla.
Espinoza Huaman, Brallam.
Vizcarra Valcarcel, Peter.
Villafuerte Chavez, Daniel.
1. Ejercicios Aplicativos.
1.1. Ejercicio 1: Procesos Estacionarios ARMA.
1.1.1. Estacionariedad en sentido debil.
De los siguientes procesos ARMA mostrados uno (o mas) de ellos es estacionario en covarianza,
evaluar los 4 casos y ubicar el proceso ARMA en mencion.
ARM A(2, 1) : yt = 0,8yt1 + 0,4yt2 + t + 1,4t1

ARM A(2, 0) : yt = 0,5yt1 + 0,04yt2 + t
ARM A(2, 2) : yt = 2,4yt1 1,78yt2 + t + 1,6t1 + 1,2t2
ARM A(2, 0) : yt = 0,9yt1 + 0,1yt2 + t
Donde: t RB(0, 1)
SOLUCION 1.1.1.
Primer Proceso ARMA(2,1):
Para el primer proceso, tendremos:
ARM A(2, 1) : yt = 0,8yt1 + 0,4yt2 + t + 1,4t1

yt 0,8yt1 0,4yt2 = t + 1,4t1
(1 0,8L 0,4L2 )yt = (1 1,4L)t
1
p
0,8 0,82 4(0,4)(1)
1,2 =
2(0,4)
1 = 2,8708
2 = 0,8708
| 1 | = 2,8708 > 1
| 2 | = 0,8708 1
Por lo tanto, el primer proceso ARMA(2,1) es no-estacionario, pues | 1 |> 1 y | 2 | 1
Segundo Proceso ARMA(2,0):
Para el segundo proceso, tendremos:
ARM A(2, 0) : yt = 0,5yt1 + 0,04yt2 + t

yt 0,5yt1 0,04yt2 = t
(1 0,5L 0,04L2 )yt = t

p
0,5 0,52 4(0,04)(1)
1,2 =
2(0,04)
1 = 14,2539
2 = 1,7539
| 1 | = 14,2539 > 1
| 2 | = 1,7539 > 1
Por lo tanto, el segundo proceso ARMA(2,0) es estacionario, pues | 1 |> 1 y | 2 |> 1
Tercer Proceso ARMA(2,2):
Para el tercer proceso, tendremos:
ARM A(2, 2) : yt = 2,4yt1 1,78yt2 + t + 1,6t1 + 1,2t2

yt 2,4yt1 + 1,78yt2 = t + 1,6t1 + 1,2t2
(1 2,4L + 1,78L2 )yt = (1 + 1,6L + 1,2L2 )t

p
2,4 2,42 4(1,78)(1)
1,2 =
2(1,78)
1 = 0,6742 + 0,3276i
2 = 0,6742 0,3276i
p
| 1,2 | = 0,67422 + 0,32762 = 0,5618674 1
Por lo tanto, el tercer proceso ARMA(2,2) es no-estacionario, pues | 1 | 1 y | 2 | 1
2
Cuarto Proceso ARMA(2,0):
Para el cuarto proceso, tendremos:
ARM A(2, 0) : yt = 0,9yt1 + 0,1yt2 + t

yt 0,9yt1 0,1yt2 = t
(1 0,9L 0,1L2 )yt = t

p
0,9 0,92 4(0,1)(1)
1,2 =
2(0,1)
1 = 10
2 = 1
| 1 | = 10 > 1
| 2 | = 1 1
Por lo tanto, el cuarto proceso ARMA(2,0) es no-estacionario, pues | 1 |> 1 y | 2 | 1
1.1.2. Funcion de Autocovarianzas y Funciones de Autocorrelacion.
De cada uno de los procesos estacionarios encontrados en la seccion anterior, se pide:

i) Hallar su forma MA() y mostrar los 3 primeros coeficientes.
ii) Hallar la funcion de autocovarianzas para j=0,1,2,3.
iii) Hallar la funcion de autocorrelacion para j=0,1,2,3.
iv) Expresar la funcion generatriz de autocovarianzas.
SOLUCION 1.1.2.
Parte i:
(1 0,5L 0,04L2 )Yt = t

= (1 0,5L 0,04L2 )
Yt = 1 t
1 = (L) (L) = (0 + 1 L + 2 L2 )
1 = (L)(L)
1 = (1 0,5L 0,04L)(0 + 1 L + 2 L2 + ...)
1 = 0 + (1 0,540 )L + (2 0,541 )L2
0 = 1 1 0,540 = 0 2 0,541 = 0
1 = 0,54 2 = 0,2916
Yt = (1 + 0,54L + 0,2916L2 + ....)
3
Parte ii:
E(Yt )) = 0
j = E[(Yt E(Yt ))(Ytj E(Ytj ))] suponemos 2u = 1

j = E[Yt Ytj ]
j=0 E[Yt Yt ] = E[Yt (0,5Y t 1 + 0,04Yt2 + t )]
0 = 0,51 + 0,042 + 2u
j=1 E[Yt Yt1 ] = E[Yt1 (0,5Yt1 + 0,04Yt2 + t )]

1 = 0,50 + 0,041
j=2 E[Yt Yt2 ] = E[Yt2 (0,5Yt1 + 0,04Yt2 + t )]

2 = 0,51 + 0,040
j=3 E(Yt Yt3 ) = E(Yt3 (0,5Yt1 + 0,04Yt2 + t ))

3 = 0,52 + 0,041

1 0,5 0,04 0 0 1
0,5 0,6 0 0 1 0
=
0,04 0,5 1 0 2 0
0 0,04 0,5 1 3 0

0 1
1
= A1 0

2 0
3 0

1,77 1,53 0,07 0 1
1
1,47 2,94 0,06 0 0
A =
0,80 1,53 1,03 0 0
0,099 0,19 0,05 1 0

0 1,77
1 1,47
=
2 0,80
3 0,099
Parte iii:
j
j = 0 j = 0, 1, 2, 3
1 1 1,47 2 0,8 3
0 = =1 1 = = = 0,83 2 = = = 0,45 3 =
0 0 1,77 0 1,77 0
0,099
3 = = 0,056
1,77
4
Parte iv:
1.2. Ejercicio 2: Mecanismos de Ecuaciones en Diferencias.
1.2.1. FIR: Funcion Impulso-Respuesta.
yt = 0,6yt1 0,11yt2 + 0,006yt3 + wt
Donde wt RB(0, u2 )
a) Hallar la Funcion de Impulso-Respuesta para j=0,1,2.

b) Determinar la Funcion de Impulso-Respuesta para los primeros 30 perodos. (Nota: Debera pre-
sentarse un script en MATLAB). (Laboratorio)
SOLUCION 1.2.1.
Parte a:
Tenemos:
yt = 0,6yt1 0,11yt2 + 0,006yt3 + wt (1)

yt
=1
wt
yt+1 =0,6yt 0,11yt1 + 0,006yt2 + wt+1

yt+1 =0,6(0,6yt1 0,11yt2 + 0,006yt3 + wt ) 0,11yt1 + 0,006yt2 + wt+1
yt+1 =0,25yt1 0,06yt2 + 0,0036yt3 + 0,6wt + wt+1
yt+1
=0,6
wt
yt+2 =0,6yt+1 0,11yt + 0,006yt1 + wt+2

yt+2 =0,6(0,25yt1 0,06yt2 + 0,0036yt3 + 0,6wt + wt+1 )
0,11(0,6yt1 0,11yt2 + 0,006yt3 + wt ) + 0,006yt1 + wt+2
yt+2 =0,9yt1 0,0239yt2 + 0,0015yt3 + 0,25wt + 0,6wt+1 + wt+2
yt+1
=0,25
wt
Parte b: SCRIPT DE MATLAB.
phi1 =0.6;
p h i 2 = 0.11;
phi3 =0.006;
F=[ p h i 1 p h i 2 p h i 3 ; 1 0 0 ; 0 1 0 ] ;
vp1=e i g e n v a l u e s ( 1 , 1 )
vp2=e i g e n v a l u e s ( 2 , 1 )
5
vp3=e i g e n v a l u e s ( 3 , 1 )
c1=vp1 2 / ( ( vp1vp2 ) ( vp1vp3 ) )

c2=vp2 2 / ( ( vp2vp1 ) ( vp2vp3 ) )
c3=vp3 2 / ( ( vp3vp1 ) ( vp3vp2 ) )
f o r j =1:30
FIR ( j +1)=c1 vp1 ( j )+c2 vp2 ( j )+c3 vp3 ( j )
end
1.2.2. Multiplicadores Dinamicos.
SOLUCION 1.2.2.
Dado que :
F = T T 1
FT = T
F ti = ti i ...() (2)
tomamos arbitrariamente ti :
p1
i
p2
ip3

i
ti =
.

.

.
1
Donde: 1 , 2 , ... p son distintos entre s

Entonces ti debe cumplir ...(*)
Comprobacion : F ti = ti i
p1

i 1 ip1 + 2 ip2 + 3 p3

1 2 ... p1 p p2 i + ... + p

1
0 ... 0 0 i
p3

p1
i

0 1 ... 0 0 i p2
i

. . ... . . .
=

(3)
.

. . ... . . .
.

. . ... . . .
.
0 0 ... 1 0 i

i
1
De la proposicion:
p i p1 i p2 i p3 ...p = 0 (4)
p = i p1 + i p2 + i p3 ...p (5)
6
Reemplazando en la matriz:
pi
p1
i
p1 p2
ip2 ip3

i i
F ti =
.
= .
i 11 (6)
. .

. .
i p1 1 p1
Entonces:
se cumple que : F ti = ti i (7)
Entonces dado que:
Ci = [t1i tit ]
21 22 23
C1 = C1 = (2 1 )(2 3 ) C1 = (3 1 )(3 2 )
(1 2 )(1 3 )
Generalizando:
ip1
Ci = Q (8)
k6=i (i k )
1.2.3. Experimentos con ED.
Realizar un script en MATLAB donde se encuentren graficados los multiplicadores dinamicos

para un ED(4), desde j=0 hasta 25 perodos adelante. Considere los siguientes valores propios: 0.4,
0.3, 0.05 y 0.01
SOLUCION 1.2.3.: SCRIPT DE MATLAB
p h i 1 =0.4
p h i 2 =0.3
p h i 3 =0.05
p h i 4 =0.01
F=[ p h i 1 p h i 2 p h i 3 p h i 4 ; 1 0 0 0 ; 0 1 0 0 ; 0 0 1 0 ]
vp1=e i g e n v a l u e s ( 1 , 1 )
vp2=e i g e n v a l u e s ( 2 , 1 )
vp3=e i g e n v a l u e s ( 3 , 1 )
vp4=e i g e n v a l u e s ( 4 , 1 )
f o r j =1:30
FIR ( j +1)=c1 vp1 ( j )+c2 vp2 ( j )+c3 vp3 ( j )+c4 vp4 ( j )
end
7
1.3. Ejercicio 3: Procesos Estacionarios en Covarianza.
Yt = (1 + 0,8L + 0,4L2 )t
E(t , ) = 0, t 6=
Si lo es, calcule sus funciones de autocovarianzas del orden 0 al orden 4, as como sus funciones de
autocorrelacion simple.
SOLUCION 1.3.
Tenemos:
yt =0,8( t 1) + 0,4( t 2) + t
0 =E(yt E(yt ))2 = E(yt2 ) = E(0,8t1 + 0,4t2 + t )2
2 2
0 =0,64E(yt1 ) + 0,16E(yt2 ) + E(yt )2 ) + A
Donde, A representa los productos de las Experanzas matematicas de errores, de perodos diferen-
tes, por lo que para un t RB(0, 1) resultan ser CERO.
0 =2 (0,64 + 0,16 + 1)
=1,82
Luego, tendremos:
1 =E[(yt E(yt ))(yt1 E(yt1 ))]

=E(0,8t1 + 0,4t2 + t )(0,8t2 + 0,4t3 + t1 )
2 2
1 =0,8E(yt1 ) + (0,8)(0,4)E(yt2 )
1 =2 (0,8 + (0,8)(0,4)) = 1,122
2 =E[(yt E(yt ))(yt2 E(yt2 ))]

=E(0,8t1 + 0,4t2 + t )E(0,8t3 + 0,4t4 + t2 )
2 =0,4E(2t2 )
2 =0,42
3 =E[(yt E(yt ))(yt3 E(yt3 ))]

=E(0,8t1 + 0,4t2 + t )E(0,8t4 + 0,4t5 + t3 )
3 =0
4 =E[(yt E(yt ))(yt4 E(yt4 ))]

=E(0,8t1 + 0,4t2 + t )E(0,8t5 + 0,4t6 + t4 )
4 =0
0 1,62
0 = = =1
0 1,62
1 1,122
1 = = = 0,7
0 1,62
8
2 0,42
2 = = = 0,25
0 1,62
3 0
3 = = =0
0 1,62
4 0
4 = = =0
0 1,62
2. Ejercicios del Libro.
2.1. Demanda de dinero y efectos de largo plazo:
2.1.1. Demuestre:
SOLUCION 2.1.1.
Resolviendo la ecuacion diferenecial por sustituciones recursivas:
y0 = y1 + 0
y1 = y0 + 1
y2 = y1 + 2
yt = yt1 + t
y1 = y0 + 1 = (y1 + 0 ) + 1
o que es lo mismo:
y1 = 2 y1 + 0 + 1
y2 = y1 + 2 = (2 y1 + 0 + 1 ) + 2
o que es lo mismo:
y2 = 3 y1 + 2 0 + 1 + 2
Continuando recursivamente para hallar el valor de yt obtendriamos:
yt = t+1 y1 + t 0 + t1 1 + t2 2 + ... + t1 + t
Haciendo un cambio de variable de t pot j y corriendo t periodos hacia adelante:
yj+t = j+1 yt1 + j t + j1 t+1 + j2 t+2 + ... + t+j1 + t+j
Encontrando el multiplicador dinamico, nos damos cuenta que solo depende de j:

yt+j
= j
t
9
2.1.2. Encuentre:
SOLUCION 2.1.2.
Para p = 2 los valores propios son las soluciones de:

1 2 0

1 =0
0 0
operando:

(1 ) 2
= 2 1 2 = 0

1
Resolviendo la ecuacion de segundo grado obtendremos los dos valores propios de F:

p
1 + 21 + 42
1 =
2
p
1 21 + 42
2 =
2
2.1.3. Calcule:
SOLUCION 2.1.3.
Dado que mt = yt y que mt depende de It :
mt+2 mt+2 t t
= = 2
It t It It
Dado que t = 0,27 + 0,19It 0,045rbt 0,019rct tendriamos que:
t
= 0,19
It
Entonces el efecto del ingreso sobre la demanda de dinero dos periodos hacia delante es:
mt+2
= (0,72)2 (0,19) = 0,098.
It
2.1.4. Calcule:
SOLUCION 2.1.4.
3. Laboratorio
3.1. Experimentos con procesos ARMA
SOLUCION 3.1.
%E j e r c i c i o 3 : P r o c e s o s E s t a c i o n a r i o s
%Crear un AR( 8 )
%Con v a l o r e s para p h i 1 =0.1 p h i 2 =0.01 ,
10
%p h i 3 =0.3 p h i 4 =0.05 , p h i 5 =0.09
%Enc ontrar e l p o l i n o m i o c a r a c t e r i s t i c o y s u s r a i c e s y d e t e r m i n a r s i e s
%e s t a c i o n a r i o
phi1 =0.1;
phi2 =0.01;
phi3 =0.3;
phi4 =0.05;
p h i 5 =0.08
p h i 6 =0.1
p h i 7 =0.3
p h i 8 =0.4
y0=0; % v a l o r i n i c i a l
y1 =5;
y2 =8;
y3 =9;
y4=4
y5=3
y6=8
y7=2
y (1)= y0 ;
y (2)= y1 ;
y (3)= y2 ;
y (4)= y3 ;
y (5)= y4 ;
y (6)= y5 ;
y (7)= y6 ;
y (8)= y7 ;
sigma = 0 . 8 8 ;
f o r t =9:30
y1 ( t )= p h i 1 y ( t 1)+p h i 2 y ( t 2)+p h i 3 y ( t 3)+p h i 4 y ( t 4)+p h i 5 y ( t 5)+p h i 6 y ( t 6)+p h i 7
end
p l o t ( y1 )
phi11 =0.3;
phi21 =0.07;
p h i 3 1 = 0.3;
phi41 =0.1;
p h i 5 1 =0.09
p h i 6 1 =0.5
p h i 7 1 =0.003
p h i 8 1 =0.02
sigma = 0 . 9 9 ;
f o r t =9:30
end
p l o t ( y2 )
p h i 1 2 = 0.1;
phi22 =0.08;
phi32 =0.7;
11
p h i 4 2 = 0.05;
p h i 5 2 =0.03
p h i 6 2 =0.11
p h i 7 2 =0.6
p h i 8 2 =0.04
sigma = 0 . 9 1 ;
f o r t =9:30
end
p l o t ( y3 )
phi13 =0.4;
phi23 =0.009;
phi33 =0.2;
phi43 =0.01;
p h i 5 3 =0.08
p h i 6 3 =0.5
p h i 7 3 =0.3
p h i 8 3 =0.3
sigma = 0 . 7 8 ;
f o r t =9:30
end
p l o t ( y4 )
subplot (2 ,2 ,1) , p l o t ( y1 )
subplot (2 ,2 ,2) , p l o t ( y2 )
subplot (2 ,2 ,3) , p l o t ( y3 )
subplot (2 ,2 ,4) , p l o t ( y4 )
3.2. Box-Jenkins a lo UNI-FIEECS
SOLUCION 3.2.
12
FACULTAD DE INGENIERIA ECONOMICA, ESTADISTICA Y CIENCIAS
SOCIALES
Universidad Nacional de Ingeniera - Peru
Profesor:
PhD. CAPARO CORONADO, Rafael Jimmy
Alumnos:
Christian Cauti Flores

Lorena Delgado Champonan
Eduardo Daz Leon
Khris Martinez Ore
Diana Respaldiza de la Torre
Marvin Serna Alejandro
SEPTIEMBRE 2015 - LIMA

Analisis de Series de Tiempo Solucionario Primera Practica Calificada
Indice
1. Preguntas del MIT 2
1.1. Bonus 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Preguntas del UW 4
2.1. Primer Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2. Segundo Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3. Laboratorio 5
3.1. Primer Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2. Segundo Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3. Tercer Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.4. Cuarto Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.5. Quinto Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.6. Sexto Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.7. Septimo Punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4. Control de Lectura 11
4.1. Indicador Treynor-Mazury . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2. Modelo EGARCH-M . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3. Timing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.4. Determinacion del Portafolio Optimo . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.5. Concavidad del Conjunto Eficiente . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.6. Modelo CAPM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5. Problemas de ciclos pasados 12

5.1. Mecanismo de Ecuaciones en Diferencia . . . . . . . . . . . . . . . . . . . . . . . 12
5.2. Captulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3. Captulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.4. Captulo 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.5. Bonus 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1
1. Preguntas del MIT

Solucion 1: supongamos que xt sigue a un proceso MA(1):
xt = + t + t1 (1.1)
0<<1
E(t )=0
E(2t )= 2
E(t tj )=0 , para j 6= 0
y entonces calculamos una nueva serie yt = (1 L)xt , para L el operador de rezago y algun
numero real.
a) Calcular la proyeccion de poblacion lineal de yt en (1,t1 ,t2 )
xt = + (1 + L)t
(1 - L)xt = (1 - L) + (1 - L)(1 + L)t
yt = (1 - ) + [1 + ( )L - L2 ]t
P(yt | 1, t1 , t2 ) = (1 - ) + ( )t1 t2
b) Solucion:
yt MA(2) que es estacionario para todo .
E(yt ) = (1 - )
2 (1+ei )(1ei )(1+ei )(1ei )

sY () = 2
c) Esta es proporcional al espectro en frecuencia 0, que de la parte (b) es cero.
d) Equivalentemente puede pensar en comenzar con (1 L)t y luego filtrar por (1 L).
La representacion (1L)t es no invertible , pero sus autocovarianzas 0 = (1+2 ) 2 y 1 = 2
son identicos a los de (1 1 L)vt con E(v2 ) = 2 .
Resolviendo la ecuacion para 1 tenemos 2 = 0,5 2 o 2 = 4 2 . La representacion inverti-

ble es as:
yt = (1 ) + (1 1 L)(1 + L)vt
= C + vt + ( 0,5)vt1 0,5vt2 .
2
1.1. Bonus 1
Transformar un AR(p) a un MA. Si un AR de orden p (L)yt = t es estacionario

con un MA representado yt = (L)t , demostrar que:
p
X
0= j kj = (L)Yt , k = p, p + 1, ...
j=0
Es decir demuestre que los coeficientes del MA satisfacen la ecuacion del AR:
Demostracion:
AR(p) : Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + 4 Yt4 + ... + p Ytp + t
Yt = 1 LYt + 2 L2 Yt + 3 L3 Yt + 4 L4 Yt + ... + p Lp Yt + t
Yt 1 LYt 2 L2 Yt 3 L3 Yt 4 L4 Yt + ... p Lp Yt = t
(1 1 L 2 L2 3 L3 4 L4 + ... p Lp )Yt = t
Yt = (L)1 t
(1 1 L 2 L2 3 L3 4 L4 + ... p Lp )(0 + 1 L + 2 L2 + 3 L3 + 4 L4 ... + p Lp ) =
0 + 1 L + 2 L2 + 3 L3 + 4 L4 ... + p Lp 1 0 L 1 1 L2 1 2 L3 1 3 L4 + ... 1 p Lp+1
2 0 L2 2 1 L3 2 2 L4 2 3 L5 + ... 2 p Lp+1
3 0 L3 3 1 L4 3 2 L5 3 3 L6 + ... 3 p Lp+1
... p 0 L3 p 1 L4 p 2 L5 p 3 L6 + ... p p Lp+1 = 1
Ahora calcularemos los coeficientes:

0 = 1
Hallando el primer coeficiente:
2 1 1 2 0 = 0; 2 = 21 + 2
3 1 2 2 1 3 0 = 0; 3 = 31 + 22 2 + 3
4 1 3 2 2 3 1 4 0 = 0
De esta ultima ecuacion notamos lo siguiente:
4 = 1 3 + 2 2 + 3 1 + 4 0
3
4 = 1 L4 + 2 L2 4 + 3 L3 4 + 4 L4 4
4 = (L)1
0 = (L)psi4
Generalizando se obtiene que:
p
X
0= j kj = (L)Yt , k = p, p + 1, ...
j=0
2. Preguntas del UW
2.1. Primer Punto
b) ct = ct ct1
ct = cpt + t cpt1 n1
ct = + t + t n1
c) ct describe un proceso ARMA(0,1)
(0) = cov(ct , ct ) = E[( + t + t n1 )( + t + t n1 )] = E(2 + t + t t1 +

t + t t + t t t t1 + t + t t + t t t t1 t t1 t t1 t + t1 t1 )
(0) = 2 + 2 + 2
(1) = 2 2
(2) = 2
..
.
(h) = 2
(h) 2
(h) = = 2
(0) + 2 + 2
2.2. Segundo Punto
Para h=2, j=1
t+2|t = t+2 + 1 t+1

t+1|t = t+1
Corr(t+2|t , t+1|t ) = E(t+2|t .t+1|t )
E(t+2|t .t+1|t ) = E[(t+2 + 1 t+1 )(t+1 )]
Corr(t+2|t , t+1|t ) = 1 2
4
Para h=3, j=1:
t+3|t = t+3 + 1 t+2 + 2 t+1

t+1|t = t+1
Corr(t+3|t , t+1|t ) = E(t+3|t .t+1|t )
E(t+3|t .t+1|t ) = E[(t+3 + 1 t+2 + 2 t+1 )(t+1 )]
Corr(t+2|t , t+1|t ) = 2 2
Para h=3, j=2:
t+3|t = t+3 + 1 t+2 + 2 t+1

t+2|t = t+2 + 1 t+1
Corr(t+3|t , t+2|t ) = E(t+3|t .t+2|t )
E(t+3|t .t+2|t ) = E[(t+3 + 1 t+2 + 2 t+1 )(t+2 + 1 t+1 )]
Corr(t+3|t , t+2|t ) = 1 2 + 1 2 2
3. Laboratorio
3.1. Primer Punto
Usando Eviews, se crea un nuevo archivo de trabajo(WF) con 250 observaciones sin fecha. A
continuacion, se crea una serie Y2 con valores simulados de la proceso AR(2).
yt = 1,2yt1 0,4yt2 + e
y1 = y2 = 0
Creamos una serie que tenga el comportamiento aleatorio, con el comando nrnd, luego creamos
la serie Y2, siguiendo el modelo AR(2).
3.2. Segundo Punto
Graficamos:
Figura 1: Grafica de la serie Y2
5
Se observa que la serie tiene comportamiento estacionario a los largo de su periodo. Ahora
analizaremos las autocorrelacion (ACP) y las ecuaciones de Yule-Walker (PACF).
Figura 2: Autocorrelacion de Y2
Observamos que la autocorrelacion decae a cero siguiendo un modelo AR(2). En la descripcion

grafica de la serie observamos que el Jarque-Bera es menor que 5.99 lo que nos da indicios de
que nuestra variable es normal.
Figura 3: Grafica estadstica de Y2
3.3. Tercer Punto
Usamos las 200 primeras observaciones de la serie y generamos un modelo AR(2), se observa
que el modelo esta bien especificado. Las races invertidas del polinomio caracterAstico z =
1 1,1986z + 0,3536z 2 = 0 son complejas y tienen un modulo dentro del calculo de la unidad
por lo tanto el modelo es estacionario.
6
Figura 4: Modelo AR(2)
Ahora analizaremos los residuos del modelo, se observa en la grafica que los datos simulados no
presentan correlacion.
Figura 5: Grafica de residuos
3.4. Cuarto Punto
Para un modelo MA(1): se observa que el modelo es estacionario, el estadstico Durbin Watson
nos da indicios de correlacion positiva. Por otro lado la grafica de los residuos nos indica que el
modelo no hace seguimiento de los datos simulados.
7
Figura 6: Modelo MA(1)
Figura 7: Grafica de residuos
3.5. Quinto Punto
Con los datos que tenemos realizaremos la prediccion estatica para un modelo AR(2) y para un
modelo MA(1).
8
Figura 8: Prediccion de AR(2)
Figura 9: Prediccion MA(1)
Para el AR(2) se observa que tiene menor suma de los errores al cuadrado (RMSE), por lo tanto
el modelo AR(2) se ajusta mas a los datos.
3.6. Sexto Punto
Nos piden calcular los errores de prediccion para luego calcular el estadstico de Diebold-Mariano.
En el grafico diferencial de la perdida al cuadrado (DSQ) con la perdida absoluta (DABS) nos
muestra que el modelo AR(2) presenta menor error de prediccion, por lo tanto podemos decir
que se ajusta mas al modelo.
9
Figura 10: Grafica diferencial
3.7. Septimo Punto
Por ultimo calculamos el estadstico de Diebold-Mariano mediante la regresion de cada diferencial

de perdida en una constante y calculamos el error estandar utilizando un HAC (tipo Newey-
West). Utilizando las funciones de perdida de valor al cuadrado y absolutos se rechaza la hipotesis
nula de que la AR(2) y MA(1) son iguales al momento de predecir. Por lo tanto concluimos que
el modelo AR(2) es mas preciso que el modelo MA(1).
10
4. Control de Lectura
4.1. Indicador Treynor-Mazury
Es un indicador que sirve para anticiparse a la evolucion del mercado. Este indicador supone
que si existe una estrategia de timing, el retorno del portafolio sera una funcion creciente y
convexa del retorno del mercado. Por ejemplo si un administrador de portafolio prevee un auge
o una cada este podra tomar la decision de componer su portafolio de valores sensibles o no al
mercado de capitales. Su formula es la siguiente:
rpt rf = + 1 (rmt rf t ) + 2 (rmt rf t )2 + t
4.2. Modelo EGARCH-M
Este modelo establece una relacion entre el diferencial de rentabilidad de un activo financiero o
un portafolio de inversiones (rp ) y un activo libre de riesgo (rf ), y la varianza condicional del
diferencial de estos rendimientos. Esto permite estimar la evolucion de la prima de riesgo en el
tiempo. La especificacion funcional de ambas variables es la siguiente:
rpt rf = + x0t + t2 + t
t1 t1
Log(t2 ) = w + Log(t1
2
) + | | + y( )
t1 t1
4.3. Timing
Habilidad para anticiparse a la evolucion del mercado.
4.4. Determinacion del Portafolio Optimo
Se determina cuando la recta del conjunto eficiente tiene la maxima pendiente.
11
4.5. Concavidad del Conjunto Eficiente
El portafolio que se escogera sera el que presente mayor retorno esperado en base a un riesgo
definido es decir si se presentan dos portafolios con un mismo riesgo se escogera el portafo-
lio con mayor retorno esperado de igual manera el caso en que ambos portafolios tengan un
mismo retorno el eficiente sera el que presente menor riesgo es decir graficamente tendera a la
concavidad.
4.6. Modelo CAPM
Este modelo muestra la relacion entre el retorno esperado y su nivel de riesgo (desviacion
estandar), es empleado cuando el mercado de capitales se encuentra en equilibrio. El mode-
lo tiene 10 supuestos:
1. Los portafolios se evaluan mediante su retorno esperado y riesgo en un determinado pe-

riodo.
2. Entre dos portafolios identicos se escogera el de menor riesgo.
3. Los inversionistas son adversos al riesgo.
4. Los valores son divisibles.
5. Existencia de una tasa libre de riesgo.
6. Los impuestos y costos de transaccion son irrelevantes.
7. Todos los inversionistas tienen el mismo horizonte.
8. La tasa libre de riesgo es la misma para todos los inversionistas.
9. Existencia de informacion perfecta.
10. Las expectativas son homogeneas entre los inversionistas.
5. Problemas de ciclos pasados

5.1. Mecanismo de Ecuaciones en Diferencia
Como se sabe:
F = T T 1
Donde:

1 0 ... 0

0 2 0 0
= .

.. .. .. ..
. . .
0 0 . . . p
12

1 2 . . . p 1

0 1 . . . 0 1
F = .

.. .. . . .. ..
. . . .
0 0 ... 1 0
Si obtenemos la matriz columna de la matriz T como:

p1
t1 1 i
p2
t2 1 i

t 1 p3
ti = 3 = i
. .
. .
. .
tp1 1
Ademas 1 ,2 ,. . . ,3 son distintos entre s. Y i es el i-esimo valor propio de la matriz F, por lo

que:
F.ti = i .ti . . . . . . (1)
ip1
p1
i 1 + p2

i 2 + . . . + p
1 2 . . . p 1 p2
p1

i i 1
0 1 ... 0 1 p3

p2
F.ti = .

.. . .
.. .. i = i 2

..

. . . . .. ..
. .

0 0 ... 1 0

1 i
p1 p
i i
p2 p1
i i

p3 p2
i .ti = i i = i
. .
. .
. .
1 i
Los valores propios de la matriz F () deben satisfacer:
p = p1 1 + 1 + p2
i 1 + . . . + p
Se cumplira que: F.ti = i .ti . Ahora se tiene T = [t1 t2 . . . tp ] y T T 1 = 1, entonces lo siguiente:

t11 t12 . . . t1p t11 t12 . . . t1p 1 0 ... 0

t21 t22 . . . t2p t21 t22 . . . t2p
0 1 . . . 0

=

. . . . . .. .. . . . .
. . . . . . .. . . . . . ..

.
. . . . . . .
tp1 tp2 . . . tpp tp1 tp2 . . . tpp 0 0 ... 1
13
sera equivalente a:

p1
i p1
i . . . p1
i t11 t12 . . . t1p 1 0 ... 0
p2
p2 . . . p2

t21 t22 . . . t2p
0 1 . . . 0

i i i
=

. .. ..
.. .. ... .. .. .
. .. ... ... . . . ...

. . . .
1 1 ... 1 tp1 tp2 . . . tpp 0 0 ... 1
Si p=2: ! ! !
1 2 t11 t12 1 0
=
1 1 t21 t22 0 1
1 t11 + 2 t21 = 1
t11 + t21 = 0
1 t11 + 2 t21 = 1
t21 (2 1 ) = 1
1 1
t21 = ; t11 =
2 1 1 2
se obtendra:
1 1
C1 = C11 t2 = 1 =
2 1 2 1
1 2
C2 = C21 C 21 = 2 =
2 1 2 1
Si p=3:

21 22 23 t11 t12 t13 1 0 0

1 2 3 t21 t22 t23 = 0 1 0

1 1 1 t31 t32 t33 0 0 1
21 t11 + 22 t21 + 23 t31 = 1 . . . . . . (1)
1 t11 + 2 t21 + 3 t31 = 0 . . . . . . (2)
t11 + t21 + t31 = 0 . . . . . . (3)
14
Si restamos (1) (2)3 :
(21 1 3 )t11 + (22 2 3 ) = 1
1 (1 3 )t11 + 2 (22 3 )t21 = 1 . . . . . . (4)
Si restamos (2) (3)3 :
(1 3 )t11 + (2 3 )t11 = 0 . . . . . . (5)
Luego, si se resta (4) (5) :
(1 3 )(1 2 )t11 = 1
1 1 1
t11 = ; t21 = ; t31 =
(1 3 )(1 2 ) (2 1 )(2 3 ) (3 1 )(3 2 )
21
C1 = t11 t11
(1 3 )(1 2 )
22
C2 = t12 t21
(2 1 )(2 3 )
23
C3 = t13 t31
(3 1 )(3 2 )
Entonces, se puede generalizar como:
p1
i
Ci = Q p
i=1 ( p k )
j6=k
Funcion Impulso Respuesta

Formamos una ecuacion de orden1:
At = F At1 + t1 . . . . . . (1)

yt 0,6 t 0,11 0,006 yt1 w
t
yt1 = 1 1 0 yt2 + 0

yt2 0 1 0 yt3 0
15
Iteramos la ecuacion 1 un periodo atras:
At1 = F At2 + t1 . . . . . . (2)
Reemplazamos (2) en (1):
At = F (F At2 + t1 ) + t1
At = F 2 At2 + F t1 + t1 . . . . . . (3)
Iteramos (2) dos periodos atras:
At2 = F At3 + t2 . . . . . . (4)
Reemplazamos (4) en (3):
At = F 3 At3 + F 2 t2 + F t1 + t
Si generalizamos:
At+j = F t+j+1 A1 + t + F t+j + F 2 t+j2 + . . . + F t1 j1 + F t1 j

yt+j w y1 wt+j1 wt+j2 wj1 w
t j
+F 2 t1 t

yt+j1 = F t+j+1 y2 + 0 +F 0 0 +. . .+F 0 +F 0

yt+j2 y3 0 0 0 0 0
Si tomamos a j=0:

yt1 1 wt
y wt1 wt2 wj1 w
2
t1
t
0
yt2 = F t+1 y2 + 0 +F 0 +F 0 +. . .+F 0 +F 0

yt3 y3 0 0 0 0 0
Resolviendo se obtiene:
t+1 t+1 t+1 1 2 1

yt = F11 y1 + F12 y2 + F13 y3 + wt + F11 yt1 + F11 yt2 + . . . + F11 w0 + . . . ()
t+1 t+1 t+1

C = F11 y1 + F12 y2 + F13 y3
16
j
Donde F11 es el elemento (1,1) de la matriz F elevada a la j-esima potencia. Nos piden hallar:
dyt+1
dwt
Como j=0 y de () se tiene:

dyt
=1
dwt

yt+1 y w
1 t+1 wt wt1 w
2
t
1
yt = F t+2 y2 + 0 + F 0 + F 0 + ... + F 0

yt1 y3 0 0 0 0
Si resolvemos, en la primera fila se tiene:
yt+1 = C + wt+1 + f11

1 2
wt + f11 t
wt1 + . . . + f11 wt
si j=1 tenemos:
dyt+1 1 dy
= f11 t+1 = 0,6
dwt dwt

yt+2 y 1 w t+2 wt+1 wt w
2
0 + F2 0 + ... + Ft 0

yt+1 = F t+3 y2 + 0 + F

yt y3 0 0 0 0
en la primera fila se tiene:
yt+1 = C + wt+2 + f11

1 2
wt+1 + f11 t
wt + . . . + f11 wt
si j=2 tenemos:
dyt+2 2 dy dy
= f11 t+2 = (0,6)2 0,11 t+2 = (0,6)
dwt dwt dwt
5.2. Captulo 1
Se propone que si los valores propios de F son menores que 1 en modulos, entonces la inversa
de (Ip F ) existe. Supongamos que la inversa de (Ip F ) no exista, entonces la determinante
|Ip F | debera ser cero. Pero
|Ip F | = | [F 1 Ip ]| = ()p |F 1 Ip |,
17
as que |F 1 Ip | debera ser cero siempre que la inversa de (Ip F ) fallara en existir. Pero
esto significara que 1 es un valor propio de F, el cual es regido por la asuncion que todos
los valores propios de F son estrictamente menores que 1 en modulos. Por lo tanto,la matriz
Ip F debe ser no singular.
Como [Ip F ]1 existe, eso satisface la ecuacion
[Ip F ]1 [Ip F ] = Ip
esta ecuacion se puede expresar como

x11 x12 x1p 1 1 1 2 p1 p 1 0 0

x21 x22

x2p 1 0 0 0 1 0

= . .

. .. .. . .. .. .. ..
.. .. . .

. .

. . . .
. .
xp1 xp2 xpp 0 0 1 0 0 1
Como nos piden el elemento (1,1) solo necesitamos encontrar el valor de x1 1, as que solo nos
interesa la primera fila de las matrices

1 1 1 2 p1 p

1 0 0
x11 x12 x1p = 1 0 0

.
.. .
.. .. ..

. .

0 0 1
Multiplicamos la p-esima columna de la matriz por y agregamos el resultado a la (p-1)-esima

columna:

1 1 1 2 p1 2 p p

1 0 0
x11 x12 x1p = 1 0 0

.. .. .. ..

. . . .

0 0 0 1
Luego multiplicamos la (p-1)-esima columna por y agregamos el reusltado a la (p-2)-esima

columna. Siguiendo esa tendencia llegaremos a

1 1 2 2 . . . p1 p1 p p 2 2 3 . . . p1 p p

1
x11 x12 x1p

.. ..

. .
0 0

= 1 0 0
entonces
18
x11 (1 1 2 2 . . . p1 p1 p p ) = 1
x11 = 1/(1 1 2 2 . . . p1 p1 p p )
5.3. Captulo 3
Denotamos un AR(2)
Yt = c + 1 Yt1 + 2 Yt2 + t
usamos la notacion de operador rezago,
(1 1 L 2 L2 )Yt = c + t ()
la ecuacion es estable siempre que la raz de
(1 1 z 2 z 2 ) = 0
este fuera del crculo unitario. Cuando esa condicion es cumplida, el proceso AR(2) resulta ser
de covarianza estacionaria, y la inversa del operador autorregresivo es dado por
(L) = (1 1 L 2 L2 ) 1 = 0 + 1 L + 2 L2 + 3 L3 + . . .
Multiplicando ambos lados de () por (L) obtenemos
Yt = (L)c + (L)t
Es demostrado que
(L)c = c/(1 1 2 )
5.4. Captulo 4
Considerando un proceso ARMA(p.q) estacionario e invertible:
(1 1 L 2 L2 . . . p Lp )(Yt ) = (1 + 1 L + 2 L2 + . . . + q Lq )t
(Ybt+1|t ) = 1 (Yt ) + 2 (Yt1 ) + . . . + p (Ytp+1 ) + 1 bt + 2 bt1 + . . . + q btq+1

con bt generado recursivamente desde
19
bt = Yt Ybt|t1
Las predicciones de los periodos en adelante seran
(Ybt+s|t ) = 1 (Ybt+s1|t ) + 2 (Ybt+s2|t ) + . . . + p (Ybt+sp|t ) + s bt + s+1 bt1 +

. . . + q bt+sq
para s = 1, 2, . . . , q
(Ybt+s|t ) = 1 (Ybt+s1|t ) + 2 (Ybt+s2|t ) + . . . + p (Ybt+sp|t )
para s = q + 1, q + 2, . . .
donde
Yb |t = Y para t
Por lo tanto para una prediccion cuyo horizonte s es mas grande que el orden q de la parte
de media movil del proceso, las predicciones seguiran una ecuacion en diferencia de orden p
gobernado solamente por los parametros autorregresivos.
5.5. Bonus 2
a) Xn = Xn2 + Zn
E(Xn ) = E(Xn2 + Zn )
= + 0
=0
Cov(Xn , Xn ) = E(Xn .Xn ) = E(2 Xn2

2
+ 2 Xn2 Zn + Zn2 ) = 0 + 0 + 2 = 2
Cov(Xn , Xnh ) = E(Xn .Xnh ) = E(Xn2 + Zn .Xnh ) = 0 + 0 = 0
x(h) = (h)/(0) = 0/ 2 = 0
b) V ar[(X1 + X2 + X3 + X4 )/4]
1
[V ar(X1 + X0 + X1 + X2 ) + V ar(Z1 + Z2 + Z3 + Z4 )]
16
1
[(0,9)2 (4 2 ) + 4 2 ] = 0,11 2 = 0,11
16
c) V ar[(X1 + X2 + X3 + X4 )/4]
1
[V ar(X1 + X0 + X1 + X2 ) + V ar(Z1 + Z2 + Z3 + Z4 )]
16
1
[(0,9)2 (4 2 ) + 4 2 ] = 0,11 2 = 0,11
16
20
FACULTAD DE INGENIERA ECONMICA, ESTADSTICA Y CC.SS
SOLUCIONARIO DE LA 1PC
SERIES DE TIEMPO
SECCIN L
ALUMNOS:
AGUILAR PUMA, JUAN LUIS

ARANGO ZIGA, ROCO
CARRASCO FLORES, CHRISTIAN
CHVEZ MENDOZA, NICK
CUENCA OSTOS, KAREL
DEUDOR CONDEZO, CRISTIAN
DIESTRA BULNES, CHRISTIAN
ESCOBAR LIVIAS, DANIEL
GARCA RIVERA, ARTURO
MORALES SUCLUPE, WENDY
OTAZU MITMA, NATHALY
PRADO BARZOLA, RAFAEL
ROJAS ESPINOZA, JOHAO
ROJAS POLO, LEO
SAIRE SAIRE, RAL
SIRHUAS VARGAS, MANUEL
TONCONI ALMENDRE, ALONSO
YAAC CARRASCO, EDUARDO
Curso:
Anlisis de Series de Tiempo -EC 711L
Profesor:
Ph.D CAPAR CORONADO, RAFAEL JIMMY
Jefe de Prctica:
VILLAFUERTE CHAVEZ, DANIEL A.
1
1. Preguntas Tericas y Demostraciones
1.1. Proceso Estacionario ARMA
1.1.1. Pregunta 1: Invertibilidad
En esta seccin, se pide a Ud. que demuestre la propiedad de invertibilidad genera-

lizada para un proceso AR(p) y MA(q).
SOLUCIN
Un modelo MA(q) se puede escribir como:
yt = o + 1 t1 + 2 t2 + ... + q tq + t
yt = o + 1 L1 t + 2 L2 t + ... + q Lq tq + t
yt = o + (1 + 1 L1 + 2 L2 + ... + q Lq )t
Si m(q) se puede escribir como un modelo AR()utilizando la inversa del (1+1 L1 +

2 L + ... + q Lq ), entonces se dice que MA(q) es invertible.
2
Condicin suficiente para la invertibilidad: Que todas las races del polinomio (1 +
1 L + 2 L2 + ... + q Lq )=0 estn fuera del rango de la unidad.
1
MA(q): yt o = (1 + 1 L1 + 2 L2 + ... + q Lq )t
Si todas las races estn fuera del circulo de la unidad tenemos que:
(1 + n1 L1 + n2 L2 + ... + nq Lq ) = (1 + 1 L1 + 2 L2 + ... + q Lq )1
Entonces:
(1 + n1 L1 + n2 L2 + ... + nq Lq )(yt o ) = t
Es un AR() representacin del modelo MA(q)
Para un modelo AR(p) el procedimiento es idntico al modelo anterior pero de mane-

ra inversa.
2
1.1.2. Pregunta 2: Estacionaridad en sentido Dbil y en sentido Estricto
En esta seccin, se pide a Ud. que defina la estacionaridad en sentido dbil y en

sentido estricto; mostrando las propiedades de cada una de estas.
SOLUCIN
a) Estacionaridad en sentido estricto.
Un proceso estocstico es estacionario en sentido estricto si cualquier conjunto de

n observaciones de la variable aleatoria yt mantiene la misma distribucin de probabili-
dad conjunta que otro conjunto de n observaciones medido en otro momento de tiempo
K periodos ms adelante o ms atrs yt+k .
F (yt , yt+1 , yt+2 , ....yt+m ) = F (yt+k , yt+k+1 , yt+k+2 , ....yt+k+m )
b) Estacionaridad en sentido dbil.

Una series ser dbilmente estacionaria o de covarianza estacionaria, si para cualquier
momento del tiempo sus primeros y segundos momentos son independientes del tiempo.
Estos tendrn media, varianza y covarianza constantes. Ejemplo para el caso de una
distribucin normal:
i) E(yt ) =
ii) V ar(yt ) = 2
iii) Cov(yt , ytk ) = k
3
1.2. Prediccin
Sea el proceso estacionario en covarianza yt un proceso ergdico, por ejemplo, un

proceso ARMA(p,q)con la representacin de Wold.

X
yt = + t tj , t RB(0, 2 )
j=0

Y sea It = yt , yt1 , ... el conjunto de informacin disponible al momento t.
1.2.1. Demostracin Prediccin 1
La prediccin del error cuadrtico medio mnimo (Minimum MSE) - la mejor pre-
diccin de yt+h basado en It es:
yt+h |t = E[yt+h | It ]
SOLUCIN
Si estamos interesados en predecir el valor de una variable Yt+h basados en un con-

junto de variables Yt observadas a la fecha t, es necesario minimizar la funcin de perdida.
Entonces:
ECM (Yt+h | t) = E(Yt+h Yt+h | t)
La prediccin con el menor error cuadrtico medio asociado resulta ser la esperanza
de Yt+h condicionada a It :
Yt+h = E(Yt+h | It )
4
Para verificar esta afirmacin, suponemos lo siguiente:
Yt+h | t = g(It )
Para esta funcin candidata, el ECM sera:
E[Yt+h g(It )]2 = E[Yt+h E(Yt+h | It ) + E(Yt+h | It ) g(It )]2

= E[Yt+h E(Yt+h | It )]2 +2E[Yt+h E(Yt+h | It )][E(Yt+h | It ) g(It )]
+ E[E(Yt+h | It ) gt ]2
El trmino medio se puede escribir como:
2E[nt+h ]
donde nt+h = [Yt+h E(Yt+h | It )][E(Yt+h | It ) g(It )]
Consideremos en primer lugar la esperanza de nt+h condicionada a It . Los trminos

E(Yt+h | It ) y gt , condicionados a It , son constantes conocidas, por ello pueden ser facto-
rizadas fuera de la esperanza matemtica:
E[nt+h ] = [Yt+h E(Yt+h | It )] [E(Yt+h | It ) g(It )]

= 0* [E(Yt+h | It ) g(It )] = 0
Reemplazando este resultado y teniendo en cuenta la ley de expectativas liberadas,

de la ecuacin se obtiene:
E[(Yt+h | It ) gt ]2 = E[Yt+h E(Yt+h | It )]2 + E(E[(Yt+h | It ) gt ]2 )
El segundo trmino del lado derecho de la ecuacin anterior no puede ser menor que
cero y el primero, no depende de g(It ). Por ello la funcin g(It ) que hace que el ECM sea
el menor posible, es la que se logra haciendo en segundo trmino igual a cero:
E(Yt+h | It ) g(It ) = 0
E(Yt+h | It ) = g(It )
As la prediccin g(It )que minimiza el error cuadrtico medio es la esperanza condi-

cional E(Yt+h | It ) tal como se haba afirmado.
5
1.2.2. Demostracin Prediccin 2
La prediccin lineal del mnimo error cuadrtico medio (el mejor predictor) de yt+h
basado en It es:
yt+h |t = + t t + h+1 t+1 + ...
SOLUCIN
Aplicando el teorema de la prediccin lineal del mnimo error cuadrtico medio, te-
nemos:
yt+h |t = E[Yt+h | It ]
= E[( + o t+h + 1 t+h1 + 2 t+h2 + ... + h t+ + h+1 t1 + h+2 t2 + ...) | It ]
= E( | It ) + E(o t+h | It ) + E(1 t+h1 | It ) + ... + E(h t | It ) + E(h+1 t1 |

It ) + E(h+2 t2 | It ) + ...
= + 0 + 0 + ... + h t + h+1 t1 + h+2 t2 ...
= + h t + h+1 t1 + h+2 t2 ...
6
2 Ejercicios aplicativos
2.1 Ecuaciones en Diferencia y FIR
2.1.1 FIR:Funcin Impulso respuesta
Considerar la siguiente ecuacin en diferencia de orden 4:
yt = 0,5yt1 0,8yt2 + 0,006yt3 + 0,016yt4 + wt
dnde wt RB(0, 2 ), se pide a usted:

(a) hallar la FIR para j=0.1.2.3
Para j=0
yt
=1
wt
Para j=1
yt+1 = 0,5yt 0,8yt1 + 0,006yt2 + 0,016yt3 + wt+1

yt+1 yt+0
= 0,5 = 0,5
wt wt
Para j=2
yt+2 = 0,5yt+1 0,8yt + 0,006yt1 + 0,016yt2 + wt+2

yt+2 yt+1 yt
= 0,5 0,8 = 0,55
wt wt wt
Para j=3
yt+3 = 0,5yt+2 0,8yt+1 + 0,006yt + 0,016yt1 + wt+3

yt+3 yt+2 yt+1 yt
= 0,5 0,8 + 0,006 = 0,669
wt wt wt wt
7
(b) Determinar FIR para 30 primeros periodos en MATLAB:
Este ejercicios consiste en hacer una simulacin de un AR(4) para los 30 primeros
periodos:
Cdigo en Matlab:
phi1 = 0.5
phi2 = -0.8
phi3 = 0.06
phi4 = 0.016
Luego se va crear la matriz F:

F = [phi1 phi2 phi3 phi4; 1000; 0100; 0001]
Con el comando iegenvalues va calcular los valores de los valores propios.
vp1=eigenvalues(1,1)
Luego, cada uno de los coeficientes:
c1 = vp13 /(vp1 vp2) (vp1 vp3) (vp1 vp4)

Por ultimo se procede a crear el bucle que me genera la FIR para los 30 primeros periodos:
f orj = 1 : 30
F IR(j) = c1 vp1j + c2 vp2j + c3 vp3j + c4 vp4j
end
8
2.2 Ejercicio 2: Procesos estacionarios ARMA
2.2.1 Estacionariedad en sentido dbil
supuestos:
E(yt ) = 0
E(yt , yt ) = 0
E(yt , ytj ) = j
ARMA(2,1): yt = 0,4yt1 + 0,5yt2 + t + t1
p
0,42 + 4 0,5
0,4 +
1 = = 0,9348
p 2
0,4 0,42 + 4 0,5
2 = = 0,5348
2
Como |1 | y |2 | son menores a 1, entonces el proceso es estacionario.
ARMA(2,0): yt = 0,5yt1 + 0,04yt2 + t
p
0,52 + 4 0,04
0,5 +
1 = = 0,5701
p 2
0,5 0,52 + 4 0,04
2 = = 0,0701
2
Como |1 | y |2 | son menores a 1, entonces el proceso es estacionario.
ARMA(2,2): yt = 1,4yt1 0,78yt2 + t + 1,3t1 + 1,4t2
p
1,4 +0,52 4 0,78
1 = = 0,7 + 0,538i
p 2
1,4 0,52 4 0,78
2 = = 0,7 0,538i
2
Como los valores propios son complejos entonces tomamos el mdulo.
p
R= 0,72 + 0,5382 = 0,8831
9
Como R es menor a 1 entonces el proceso es estacionario.
ARMA(2,0): yt = 1,9yt1 + 0,1yt2 + t
p
1,92 + 4 0,1
1,9 +
1 = = 1,9512
p 2
1,9 1,92 + 4 0,1
2 = = 0,0512
2
Como |1 | es mayor a 1 y |2 | es menor a 1, entonces el proceso no es estacionario.
10
2.2.2 Funcin de autocovarianzas y funciones de Autocorrelacin
a) ARMA (2,1): yt = 0,4yt1 + 0,5yt2 + t + t1
(a.i) Hallar su forma
MA()
y mostrar los tres primeros coeficientes:

Solucin:
yt = 0,4yt1 + 0,5yt2 + t + t1
(1 0,4L 0,5L2 )yt = t + t1
yt = (1 0,4L 0,5L2 )1 (t + t1 )
yt = (L)1 (t + t1 )
La inversa del operador autoregresivo est dado por:
(L) = (1 0,4L 0,5L2 )1 = 0 + 1 L + 2 L2 + 3 L3 + ...)
Entonces:
(1 0,4L 0,5L2 )(0 + 1 L + 2 L2 + 3 L3 + ...) = 1

0 + 1 L + 2 L2 + 3 L3 + ... 0,40 L 0,41 L2 0,42 L3 ... 0,50 L2 0,51 L3
0,52 L4 ... = 1
Calculando los tres primeros coeficientes:
11
0 = 1
Entonces hallamos el primer coeficiente:
1 0,40 = 0
1 = 0,4
Hallamos el segundo coeficiente:
2 0,41 0,50 = 0
2 = 0,41 + 0,50
2 = 0,4(0,4) + 0,5(1)
2 = 0,66
Hallamos el tercer coeficiente:
3 0,42 0,51 = 0
3 = 0,42 + 0,51
3 = 0,4(0,66) + 0,5(0,4)
3 = 0,464
(a.ii) Hallar la funcin de autocovarianza de orden j=0,1,2,3
E(yt , ytk ) = E((0,4yt1 + 0,5yt2 + t + t1 )(ytk ))

E(yt , ytk ) = 0,4E(yt1 , ytk ) + 0,5E(yt2 , ytk ) + E(t , ytk ) + E(t1 , ytk )
Si k=0
12
E(yt , yt ) = 0,4E(yt1 , yt ) + 0,5E(yt2 , yt ) + E(t , yt ) + E(t1 , yt )
(0) = 0,4(1) + 0,5(2)
Si k=1
E(yt , yt1 ) = 0,4E(yt1 , yt1 ) + 0,5E(yt2 , yt1 ) + E(t , yt1 ) + E(t1 , yt1 )
(1) = 0,4(0) + 0,5(1)
(1 0,5)(1) = 0,4(0)
(1) = 0,2(0)
Si k=2
(2) = 0,4(1) + 0,5(0)
(2) = 0,4(0,2(0)) + 0,5(0)
(2) = 0,58(0)
Si k=3
(3) = 0,4(2) + 0,5(1)
(3) = 0,4(0,58(0)) + 0,5(0,2(0))
(3) = 0,332(0)
13
(a.iii) Hallar la funcin de autocorrelacin simple para j=0,1,2,3
0
0 = 0
=1
1 0,20
1 = 0
= 0
= 0,2
2 0,580
2 = 0
= 0
= 0,58
3 0,3320
3 = 0
= 0
= 0,332
(a.iv) Expresar la funcin generatriz de autocovarianzas

X X
2
G(z) = ( h
h Z )( j Z j )
h=0 j=0
14
b) ARMA (2,0): yt = 0,5yt1 + 0,04yt2 + t
(b.i) Hallar su forma
MA()

Solucin:
yt = 0,5yt1 + 0,04yt2 + t
(1 0,5L 0,04L2 )yt = t
yt = (1 0,5L 0,04L2 )1 (t )
yt = (L)1 (t )
(L) = (1 0,5L 0,04L2 )1 = 0 + 1 L + 2 L2 + 3 L3 + ...)
Entonces:
(1 0,5L 0,04L2 )(0 + 1 L + 2 L2 + 3 L3 + ...) = 1

0 + 1 L + 2 L2 + 3 L3 + ... 0,50 L 0,51 L2 0,52 L3 ... 0,040 L2
0,041 L3 0,042 L4 ... = 1
15
0 = 1
1 0,50 = 0
1 = 0,5
2 0,51 0,040 = 0
2 = 0,51 + 0,040
2 = 0,5(0,5) + 0,04(1)
2 = 0,29
3 0,52 0,041 = 0
3 = 0,52 + 0,041
3 = 0,4(0,29) + 0,02(0,5)
3 = 0,165
(b.ii) Hallar la funcin de autocovarianza de orden j=0,1,2,3
E(yt , ytk ) = E((0,5yt1 + 0,04yt2 + t )(ytk ))

E(yt , ytk ) = 0,5E(yt1 , ytk ) + 0,04E(yt2 , ytk ) + E(t , ytk )
Si k=0
16
E(yt , yt ) = 0,5E(yt1 , yt ) + 0,04E(yt2 , yt ) + E(t , yt )
(0) = 0,5(1) + 0,04(2)
Si k=1
E(yt , yt1 ) = 0,5E(yt1 , yt1 ) + 0,04E(yt2 , yt1 ) + E(t , yt1 )

(1) = 0,5(0) + 0,04(1)
(1 0,04)(1) = 0,5(0)
(1) = 0,52(0)
Si k=2

(2) = 0,5(1) + 0,04(0)
(2) = 0,52 (0)) + 0,04(0)
(2) = 0,31(0)
Si k=3

(3) = 0,5(2) + 0,04(1)
(3) = 0,5(0,31(0)) + 0,04(0,52(0))
(3) = 0,176(0)
17
(b.iii) Hallar la funcin de autocorrelacin simple para j=0,1,2,3
0
0 = 0
=1
1 0,520
1 = 0
= 0
= 0,52
2 0,310
2 = 0
= 0
= 0,31
3 0,1760
3 = 0
= 0
= 0,176
(b.iv) Expresar la funcin generatriz de autocovarianzas

X X
2
G(z) = ( h
h Z )( j Z j )
h=0 j=0
18
c) ARMA (2,2): yt = 1,4yt1 0,78yt2 + t + 1,3t1 + 1,4t2
(c.i) Hallar su forma
MA()

Solucin:
yt = 1,4yt1 0,78yt2 + t + 1,3t1 + 1,4t2

(1 1,4L + 0,78L2 )yt = t + 1,3t1 + 1,4t2
yt = (1 1,4L + 0,78L2 )1 (t + 1,3t1 + 1,4t2 )
yt = (L)1 (t + 1,3t1 + 1,4t2 )
(L) = (1 1,4L + 0,78L2 )1 = 0 + 1 L + 2 L2 + 3 L3 + ...)
Entonces:
(1 1,4L + 0,78L2 )(0 + 1 L + 2 L2 + 3 L3 + ...) = 1

0 + 1 L + 2 L2 + 3 L3 + ... 1,40 L 1,41 L2 1,42 L3 ... + 0,780 L2 +
0,781 L3 + 0,782 L4 ... = 1
19
0 = 1
1 1,40 = 0
1 = 1,4
2 1,41 + 0,780 = 0
2 = 1,41 0,780
2 = 1,4(1,4) 0,78(1)
2 = 1,18
3 1,42 + 0,781 = 0
3 = 1,42 0,781
3 = 1,4(1,18) 0,78(1,4)
3 = 0,56
(c.ii) Hallar la funcin de autocovarianza de orden j=0,1,2,3
E(yt , ytk ) = E((1,4yt1 0,78yt2 + t + 1,3t1 + 1,4t1 )(ytk ))

E(yt , ytk ) =
1,4E(yt1 , ytk ) 0,78E(yt2 , ytk ) + E(t , ytk ) + 1,3E(t1 , ytk ) + 1,4E(t2 , ytk )
20
Si k=0
E(yt , yt ) = 1,4E(yt1 , yt ) 0,78E(yt2 , yt ) + E(t , yt ) + 1,3E(t1 , yt ) + 1,4E(t2 , yt )

(0) = 1,4(1) 0,78(2)
Si k=1
E(yt , yt1 ) =
1,4E(yt1 , yt1 ) 0,78E(yt2 , yt1 ) + E(t , yt1 ) + 1,3E(t1 , yt1 ) + 1,4E(t2 , yt1 )
(1) = 1,4(0) 0,78(1)
(1 + 0,78)(1) = 1,4(0)
(1) = 0,7865(0)
Si k=2
E(yt , yt2 ) =
(2) = 1,4(1) 0,78(0)
(2) = 1,4(0,7865(0)) + 0,5(0)
(2) = 1,6011(0)
Si k=3
E(yt , yt3 ) =
(3) = 1,4(2) 0,78(1)
21
(3) = 1,4(1,6011(0)) + 0,5(0,7865(0))
(3) = 2,6347(0)
(c.iii) Hallar la funcin de autocorrelacin simple para j=0,1,2,3
0
0 = 0
=1
1 0,78650
1 = 0
= 0
= 0,7865
2 1,60110
2 = 0
= 0
= 1,6011
3 2,63470
3 = 0
= 0
= 2,6247
(c.iv) Expresar la funcin generatriz de autocovarianzas

X X
2
G(z) = ( h
h Z )( j Z j )
h=0 j=0
22
2.3 Ejercicio 3: Aplicaciones prcticas.
2.3.1 Demanda de dinero y efectos de largo plazo(2 puntos).
Sea la ecuacin de la demanda de dinero de Godfeds(193):
mt = 0,27 + 0,72mt1 + 0,19It 0,045rbt 0,019rct
Y su ecuacin en diferencias :
yt = yt1 + wt
Teniendo en cuenta que :yt = mt y adems = 0,72.Se pide a Ud:
(i)Demuestre que el multiplicador dinmico depende slo de los periodos j.
Solucin:
su ecuacin en diferencias :
yt = yt1 + wt
Para:
t=0
23
y0 = y1 + w0
t=1
y1 = y0 + w1 = (y1 + w0 ) + w1
y1 = 2 y1 + w0 + w1
t=2
y2 = y1 + w2 = (2 y1 + w0 + w1 ) + w2
y2 = 3 y1 + 2 w0 + w1 + w2
..
.
t=j
yj = yj1 + wj
yj = j+1 yj1 + j w0 + j1 w1 + j2 w2 + ... + wj
Generalizando
24
yt+ j+1 yt1 + j wt + j1 yt+1 + ... + wt+j1 + wt+j
Hallando el multiplicador dinmico:
yt+j
= j
wt
ii)Encuentre los autovalores(eigenvalues) de la siguiente expresion matricial:
t = F t1 + vt
Equivalente a:

y p1 p y w
t 1 2 3 t t

yt1 1 0 0
0 0 yt1 0

t2 = 0 1 0 yt2 + 0
y 0 0
.. .. .. .. .. .. .. .. ..

. . . . . . . . .

ytp+1 0 0 0 1 0 ytp 0
Considere p=2 y obtenga lo demandado siguiendo:
det(F Ip ) = 0
Para p=2 tenemos:

1 2
P =
1 0
25
Tenemos:

1 2 1 0
det( ) = 0
1 0 0 1

1 2
det( )
1 1
(1 ) 2 = 0
2 + 1 2 = 0
2 1 + 2 = 0
obteniendo las raices:
p
1 21 42
1 =
2
p
1 + 21 42
2 =
2
26
3 Lectura: Evaluacin de Portafolio de inversionistas ins-
titucionales: fondos mutuos y fondos de pensiones
3.1 Treynor Mazuy
Esta medida se emplea para evaluar la existencia de timing, o habilidad para antici-
parse a la evolucin del mercado. Para ello se estima la ecuacin de Treynor-Mazuy ,
que es semejante a la ecuacin de Jensen , pero se le aade un trmino cuadrtico:
pt f t = + 1 (mt f t ) + 2 (mt f t )2 + t (1)
En la ecuacin(1) pt , f t y mt son las rentabilidades del portafolio, del activo libre

de riesgo y mercado respectivamente. Para Detectar la existencia de timing es suficiente
evaluar si es que el parmetro 2 es estadsticamente distinto de cero.
3.2 Modelo EGARCH-M
Este modelo 1 establece una relacin funcional entre el diferencial de rentabilidad de

un activo financiero o un portafolio de inversiones (P ) y un activo libre de riesgo (f ),
y la varianza condicional del diferencial de estos rendimientos. De esta forma, el modelo
posibilita estimar la evolucin de la prima por riesgo en el tiempo. A travs del mtodo de
mxima verosimilitud, se estima simultneamente la varianza condicional de los retornos,
y el rendimiento del activo o portafolio. La especificacin funcional de ambas variables es
1
/ El modelo EGARCH-M constituye una adaptacin del modelo EGARCH propuesto por Nelson en
1991 en el articulo Conditional Heteroskedasticity in Asset Returns: A New Approach (Economtrica).
En el modelo EGARCH-M se estima simultneamente la relacin existente entre la volatilidad y la media
de una variable, mientras que en modelo EGARCH-M se estima simultneamente la media y la varianza,
no obstante no se plantea ninguna relacin funcional entre amos elementos.
27
la siguiente:
pt f t = + Xt + .t2 + t (2)
2
log(t2 ) = + log((t1 ) + [t1 /t1 ] + y(t1 /t1 ) (3)
En la ecuacin (2) el exceso de retorno (pt f t ) dependen de una constante (), un

conjunto de variables exgenas dadas por el vector Xt , y la varianza o desviacin estndar
condicional de los rendimientos (t ). A su vez, en la ecuacin (3), la varianza condicional
depende de tres variables: una constante (), la prediccin de la varianza del perodo
2
anterior (t1 ), y la informacin pasada sobre la volatilidad del activo, que est dado por
el residuo de la ecuacin de la media, t1 . La ecuacin tiene una especificacin logartmica
con el fin de asegurar la no negatividad de la varianza condicional para cualquier valor
real de la variables dependientes.
3.3 Timing
Indica la capacidad de los administradores de portafolio de anticiparse adecuadamen-

te a la evolucin del mercado. Si es que efectivamente el administrador pudiera predecir
correctamente el comportamiento futuro del mercado de valores, se observarla que el ren-
dimiento del fondo y el rendimiento de la bolsa de valores se ajustaran a una funcin
cuadrtica, conocida como el modelo Treynor-Mazury. Tambin este modelo solo es
aplicable a los fondos mutuos de renta variable.
3.4 Determinacin de Portafolio ptimo
La determinacin de un portafolio ptimo (T) es hallada a travs de un problema de

optimizacin.
28
Para desarrollar la optimizacin primero es necesario determinar la forma funcional
funcin objetivo. Si tenemos en cuenta que el set es una funcin lineal, sta puede obtenerse
a partir de dos puntos : T (Rt , t ) y Rf (Rt , 0). De esta forma, la recta del conjunto de
portafolios sera:
Rp = Rf + [(Rt Rf )/t ] p (4)
Donde la pendiente de la recta serial igual a:
= [(Rif Rt )/t ] (5)
La ecuacin (5) constituye la funcin objetivo del problema de optimizacon. La

maximizacon esta sujeta a una restriccin. La suma de todas las ponderaciones (Xi ) de
los ttulos debe ser igual a uno:
X
Xi = 1 (6)
Con la finalidad de simplificar el problema, introduciremos la restriccin en la funcin

objetivo:
X X
(RT Rf ) = R(RT Rf ) = ( Xi )(RT Rf ) = [Xi (RT Rf )] (7)
29
Si reemplazamos la ecuacin (7), en la ecuacin (5) y expandimos la expresin de la
2
varianza t , linealmente obtendremos la siguiente funcin de :
X X X
=[ Xi (RT Rf )/( Xi2 i2 + Xi Xk ik )1/2 ]
Adems el planteamiento general del problema empleando las condiciones de Kuhn-

Tucker exige las siguientes restricciones:
/Xi 0
/Xi + Ui = 0
Xi + U i = 0
Xi 0
Ui 0
Si un conjunto de valores para las variables Xi y Ui satisfacen las condiciones ante-

riores, entonces los valores darn como solucin el portafolio ptimo.
3.5 Concavidad del Conjunto Eficiente y modelo CAPM
Concavidad del Conjunto Eficiente: Una propiedad que siempre debe cumplirse
en el set eficiente es la concavidad. Esto puede demostrarse mediante un anlisis partiendo
de una premisa falsa. Supongamos por un momento que el set factible posee tramos
2
/ Una forma de definir la varianza es mediante la siguiente formula especificada en Sharpe(1995):
X X
T2 = Xi2 i2 + Xj Xk jk (j 6= k) (8)
Donde i es la varianza de los rendimientos del instrumento i, y jk es la covarianza entre los rendimientos
del instrumento j y el instrumento k.
30
convexos, tal como el segmento PQ del grfico 2. A partir de los portafolios establecidos
en cada uno de estos dos puntos, podra generarse un tercer portafolio, Z, que sera una
combinacin lineal de P y Q. No obstante, se puede observar que el portafolio Z es superior
al W, ubicado dentro del conjunto eficiente. Para una rentabilidad dada, el portafolio
Z tiene una menor desviacin estndar que W. De esta forma, el conjunto propuesto
inicialmente no puede ser eficiente, en la medida que a partir delset pueden obtenerse
portafolios superiores.
31
Figura 1: CONCAVIDAD DEL CONJUNTO EFICIENTE
MODELO C.A.P.M (Capital Asset Pricing Model) 3 : Es un modelo de equi-

librio general que se emplea para determinar la relacin existente entre la rentabilidad
y el riesgo de un portafolio o un ttulo cuando el mercado de capitales se encuentra en
equilibrio. El modelo asume, entre otras cosas, que todos los inversionistas en el mercado
determinan el portafolio ptimo empleando el enfoque de Markowitz. El modelo C.A.P.M.
tiene un planteamiento simple, y se sustenta en una serie de supuestos sobre el mercado
de capitales. A pesar de que los supuestos del modelo no necesariamente se cumplen en
la vida real, la capacidad predictiva del modelo ha demostrado ser efectiva.
3
/ El modelo C.A.P.M fue desarrollado por William Sharpe (1964), John Limber (1965) y Jan Mossin
(1966).
32
4 Comparando Modelos de Prediccin:
Creamos un Workfile con 250 datos sin estructura y simulamos la serie (Ver anexo1):
yt = 1,2yt1 0,4yt2 + t con t N (0 : (0,5)2 )
y1 = y2 = 0
Mostrando la simulacin realizada con la semilla (rndseed 123):
Figura 2:
33
Mostramos la FAS y FAP, segn la grfica podemos entender una que la variable
dependiente podra estar afectada por sus dos rezagos y podra, tambin, estar
afectada por rezagos del error.
Figura 3:
Principales estadsticos de la serie Y2:
Figura 4:
34
Considerando solo las 200 primeras observaciones se estima un modelo AR (2) re-
portando la ecuacin estimada:
Figura 5:
Valor actual de la variable Y2, Y2 estimado, y el residuo estimado.
Figura 6:
35
Mostrando los valores de los residuos del modelo:
Figura 7:
36
Del men View mostramos la estructura del ARMA:
Figura 8:
Funcin impulso respuesta del AR (2):
Figura 9:
37
FAS y FAP de los residuos:
Figura 10:
38
Considerando solo las 200 primeras observaciones se estima un modelo MA (1):
Figura 11:
Valor actual de la variable Y2, Y2 estimado, y el residuo estimado.
Figura 12:
39
Mostrando los valores de los residuos del modelo:
Figura 13:
Del men View mostramos la estructura del ARMA:
Figura 14:
40
Funcin impulso respuesta del MA (1):
Figura 15:
41
FAS y FAP de los residuos:
Figura 16:
42
CONCLUSIN:
Al comparar ambos modelos notaremos que el modelo AR2FIT tiene un menor es-
tadstico Schwarz por lo cual podemos decir o concluir que es el mejor modelo entro los
2. Adicionalmente, debemos ver los correlogramas de los residuos del AR(2) y MA(1), en
el primero el residuo no tiene un comportamiento dependiente de sus rezagos a compara-
cin del modelo MA (1) podramos decir que el residuo se comportara como un AR (2),
esto es otro factor que influye en la eleccin del modelo AR (1) ya que por el mtodo de
estimacin por mnimos cuadrados no debera presentarse.
43
ANEXO 1:
Simulacin:
rndseed 123
create u 1 250
Creando el error con media cero y varianza 0,25
series error = nrnd 0,5
smpl @f irst @f irst
series y2 = 0
smpl @f irst + 1 @f irst + 1
series y2 = 0
smpl @f irst + 2 @last
series y2 = 1,2 y2(1) 0,4 y2(2) + error
smpl @all
Modelos:
considerando solo la muestra de 200 observaciones
smpl @f irst @f irst + 199
44
estimando el modelo AR(2)
equation AR2F IT.LS y2 AR(1) AR(2)
estimando el modelo MA(1)
equation M A1F IT.LS y2 M A(1)
El comando rndseed 123, fija una semilla aleatoria para que cada vez que ejecutamos
el programa la serie aleatoria sea la misma.
El comando smpl permite elegir una muestra, por ejemplo (smpl @first @first) elige
una muestra que va del primer elemento al primer elemento.
45
Rafael Caparo
rafael.caparo@unistra.fr
15 de mayo de 2015
Practica calificada 2
Solo es un ejemplo de lo que se quiere implementar
El desarrollo de la practica dura 3 horas, la primera parte de la practica esta
especialmente desarrollada como introduccion a la ingeniera financiera. En la
ultima hora se debe desarrollar los programas en MATLAB o EViews vistos en
los laboratorios. Pregunta mal contestada se penaliza con un -50 % del puntaje,
una pregunta mal contestada puede tener un procedimiento demasiado largo,
por lo que se recomienda no redundar y ser conciso.
1. Introduccion a la ingeniera financiera

1.1. Forward (2 pts)
1.2. Mercado de Futuros (2 pts)
Usted es un administrador de un portafolio con una cartera en crecimiento
de $20 millones con un beta de 1.4, relativos a S&P 500. Los futuros de S&P 500
se cotizan a 1.150 y el multiplicador es de 250. Deseara cubrir su exposicion al
riesgo de mercado en los proximos meses. Por tanto, determinar si es apropiado
una cobertura larga o corta y determinar el numero de contratos de S&P 500
que necesita implementar la cobertura.
Solucion:
Usted esta largo en S&P500 por lo que debe construir una cobertura corta y vender el contrato
de futuros. El numero de contratos a vender es igual a:

$20, 000, 000
1,4 97 contratos
1, 150 250
1.3. Swaps (2 pts)

1.4. Estrategias con opciones (1 pts)
1. Un inversionista posee una opcion call .at the moneysobre una accion con precio de ejercicio
de 50 (Xt = 50). Si el precio de la accion se eleva a 60, Cual sera la rentabilidad del propietario
1
y vendedor de la opcion call?
1.5. Estrategias con opciones (2 pts)

2. Consider an option strategy where an investor buys one call option with an exrcise price of
$55 for $7, sells two call options with an exercise price of $60 for $4, and buys one call option with
an exercise price of $62 for $2. Si el precio de las acciones disminuye a $ 25, cual sera la ganancia
o perdida en la estrategia?
1 $3
2 -$1
3$1
4$2
1.6. Propiedades de opciones con acciones (2 pts)

1.7. Commodity Forward and Futures (2 pts)
1. Asumir que el oro tiene un precio de $900/onza, que el precio de los futuros a 1 ano es
$950/onza, y que un inversor puede pedir prestado o prestar fondos al 7 %. No considere los costos
de transaccion ni almacenamiento.Calcule los beneficios del arbitraje.
Solucion: 15:
El precio futuro, de acuerdo al principio de no arbitraje sera: F0,T = $900e0,07 = $965. En su lugar,
se cotiza a $950. Eso significa que el contrato futuro esta subvaluado, por lo tanto deberamos llevar
a cabo un arbitraje reverse cash-and-carry estando en una posicion larga en el contrato futuro, un
short en el oro y la inversion procede la venta a corto:
1.8. Interes Rate Futures (2 pts)

1.9. Ejercicios
1.9.1. Estratetias de cobertura
Un Portafolio equity tiene un valor de 100 millones como punto de referencia del Dow Jones
Industrial Average. El Dow JOnes se encuentra actualmente en 10,000, y la beta del Portafolio
correspondiente es 1.2. El multiplicador de los futuros del Dow Jones es 10.
1. Cual de los siguientes es el mas cercano al numero de contratos necesarios para duplicar el beta
del portafolio?
A 1,100
B 1,168
C 1,188
[D] 1,200
2. Para disminuir el beta a la mitad, debe: Vender o comprar contratos? y Cuantos debe
vender o comparar?:
A 600 contratos largos.
[B] 600 contratos cortos.
C 1200 contratos largos.
D 1200 contratos cortos.
2
2. Laboratorio
2.1. Modelos GARCH Asimetricos (2pts)
Las preguntas de laboatorio deberan ser presentadas de manera ordenada en un formato word,
el orden tiene mucha importancia.
Descarge el tipo de cambio y determine:
1. Muestre cuatro propiedades de la serie financiera para considerarla como asimetrica.

2. Muestre si la serie tiene heterocedasticidad (cluster), en caso de tenerla determine el mejor modelo
GARCH (considere en su analisis los modelos asimetricos vistos en clase).
2.2. Black and Scholes(2pts)

Desarrolle una calculadora para encontrar el valor de una opcion call y una put considerando
el metodo del Black and Scholes visto en clase.
2.3. Arboles binomiales(2pts)

Desarrolle una calculadora para encontrar el valor de una opcion call y una put considerando
el metodo del arbol binomial.
2.4. Componentes de una serie(2pts)

1. Extraer la estacionalidad y la tendencia de una serie y encontrar el ciclo, considere los filtros
vistos en clase.
2. Compare las propiedades del ciclo encontrado en la parte anterior con la serie en primeras dife-
rencias.
2.5. Black and Scholes(2pts)

Borrar
Ensena para que digan cuanto he aprendido y no ensenes

para que digan cuanto sabes!
3
Jan Sandoval, jan.sandoval@uni.edu.pe
October 13, 2015
Segunda practica calificada
El desarrollo de la practica dura 3 horas, las primeras dos horas estan destinadas
a resolver el conjunto de problemas. En la ultima hora se debe desarrollar los
programas en MATLAB o EViews vistos en los laboratorios. Sea conciso con sus
respuestas, cada item correctamente desarrollado vale 1 punto, mal desarrollado
-1 punto.
1 Modelos GARCH y MV
Los cambios en la varianza son muy importantes para la comprension de los
mercados financieros, ya que los inversores exigen rendimientos previstos mas
altos como compensacion por la tenencia de activos riesgosos. Para mejorar el
analisis de la dinamica de la varianza, considere los modelos GARCH vistos en
clase y el Metodo de Maxima Verosimilitud, se le pide responder a las siguientes
preguntas:
Sea yt un proceso estacionario AR(p), con un error ut , no necesariamente

RB.
1. Suponga que el cuadrado del error en yt sigue un proceso AR(m) con un

error RB.
Muestre la representacion ARCH(m) del residuo del modelo AR(p) como
una proyeccion lineal de los errores cuadraticos del pronostico de yt en los
m errores cuadraticos pronosticados.
2. Suponiendo que las condiciones relacionadas a la estacionariedad en co-
varianza se cumplen en la siguiente expresion:
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 1 u2t1 + ... + m u2tm
calcule la varianza no condicional 2 , de ut .

3. Calcule el pronostico s periodos hacia delante
4. Que pasa cuando s ?
1
5. Considere el siguiente modelo yt = x0t +ut donde el error ut tiene un com-
portamiento heterocedastico, con media cero y varianza ht . Encuentre
el logaritmo de la funcion likelihood basica para estimar los parametros
, tome en cuenta que x0t considera las variables predeterminadas las que
pueden corresponder a cualquier rezago de yt . Considere los supuestos
necesarios, por ejemplo puede suponer una distribucion gaussiana para yt .
6. Derive los resultados de la pregunta anterior y encuentre los optimos.
2 Estacionariedad en VAR: Ejercicios del captulo

10
10.1. Considere un proceso escalar AR(p) (n = 1). Deducir de la ecuacion
0 1 p1

0
1 0 p2 1

.. ..
. . .
0 0
p1 p2 0
que el vector ( p 1) consta de la varianza y primera autocovarianza (p-1).

0
1

2
,
..
.
p1
se puede calcular la forma de los primeros elementos p en la primera columna
de la matriz (p2 p2 ) 2 [Ip2 (F F )]0 , para F la matriz definida (p p) en
la ecuacion:

1 2 p
1
0 0
0
1 0
.. .. .. ..
. . . .
0 1 0
10.2. Sea yt = (Xt , Yt )0 dada por
Xt = t + t1
Yt = h1 Xt1 + t
donde (t , t ) es un vector de ruido con la matriz de covarianzas contem-
poranea dada por
2
E(2t ) E(t t )

0
= .
E(t t ) E(2t ) 0 2
2

(a) Calcular la matriz de autocovarianza k k= para este proceso
(b) Usar la ecuacion:

X
SY () = (2)1 GY (ei ) = (2)1 k eik .
k=
para calcular el espectro de poblacion. Encuentre el cospectrum entre X e Y y

el espectro de cuadratura de X a Y.
(c) Compruebe que la respuesta a la parte (b) , de manera equivalente podra
calcularse a partir de la expresion
1 h(ei )

1 0 sXX () 0
SY () =
h(ei ) 1 0 sU U () 0 1
sXX h(ei )

sXX ()
= i i
h(e )sXX () h(e )sXX ()h(ei ) + sU U ()
en donde
k=
X
h(ei = hk eik

3 Taller de Finanzas Cuantitativas: Aplicaciones

del PCA
Para la gestion financiera disminuir la dimensionalidad de un conjunto de datos
es una aporte importante puesto que trabajamos con innumerables variables fi-
nancieras, indicadores de rentabilidad y factores de riesgo, es por ello que dom-
inar el PCA es importante para los fututos ingenieros FIEECS, en tal sentido
usted debera desarrollar lo siguiente:
3.1 Que es PCA? Que problema nos ayuda a resolver?

Cuando es apropiado usar esta tecnica?
3.2 Como se aplica la tecnica de PCA?
3.2.1 Explique intuitivamente que buscamos al desarrollar esta metodologa
(dos objetivos mencionados en clase)
3.2.2 Teniendo en mente los dos objetivos del punto anterior:
Muestre el desarrollo matematico de la metodologa de PCA (Como llegamos
de la matriz X de retornos de activos financieros a la matriz Y (la que
contiene a los componentes principales) a traves de la matriz de transformacion
P (mostrando ademas como es que encontramos la forma apropiada de esta
matriz), en linea con lo mencionado en clase.
3
3.2.3 Con el punto 1.2.2 Indique la expresion que muestre la can-
tidad de varianza explicada de los n primeros componentes
principales que seleccione.
3.3 Implemente la metodologa del PCA

Implemente la metodologa del PCA a la gestion del riesgo o la rentabilidad,
debera construir un modelo y describir sus conclusiones, presente un documento
tipo monografa (wp), siguiendo los lineamientos propuestos por la FIEECS para
obtener el titulo de ingeniero mediante tesis. Puede demandar los codigos latex
para agilizar su investigacion, mas de 5 faltas invalidan y dan nota cero al
trabajo, se recomienda comenzar toda redaccion siempre en Word.
4 VAR: Ejercicios del captulo 11

11.1. Verifique el resultado:
T
X 0 p
(1/T ) t t Q
t=1
11.2. Considere el siguiente VAR de tres variables:
y1t = y1,t1 + y2,t1 + 1t

y2t = y1,t1 + y1,t1 + 2t
y3t = y1,t1 + y2,t1 + y3,t1 + 3t .
11.3. Considere el siguiente VAR bivariado:
y1t = 1 y1,t1 + 2 y1,t2 + . . . + p y1,tp

+ 1 y2,t1 + 2 y2,t2 + . . . + p y2,tp + 1t
y2t = 1 y1,t1 + 2 y1,t2 + . . . + p y1,tp
+ 1 y2,t1 + 2 y2,t2 + . . . + p y2,tp + 2t .
" #
11
12
para t =
0
E(t ) = 21 2

0 de otra forma.

4
siguiente:

donde " #
2
1
0
para t =
0
E(ut u ) = 0 22

0 de otra forma.


11.4. Escribe el resultado del ejercicio 11.3 como

1 (L) (L) y1t u
= 1t
0 (L) 1 (L) y2t u2t
o
A(L)yt = ut .

1 (L) (L)
A (L) = ,
0 + (L) 1 (L)
11.5. Considere el siguiente VAR bivariado:
y1t = 0.3y1,t1 + 0.8y2,t1 + 1t
y2t = 0.9y1,t1 + 0.4y2,t1 + 2t
s ?
E[y1,t+2 E(y1,t+2 |yt , yt1 , . . .)]2 ,
5
5 Control de lectura: Gestion de riesgos financieros
La gestion integral de riesgos financieros a nivel mundial exige dominar los con-
ceptos econometricos, matematicos y estadsticos necesarios para gestionar de
manera cuantitativa los riesgos financieros, ante ello y apoyandose en solo lo
ledo en la lectura sobre medicion del riesgo de portafolios de inversion com-
puestos por activos financieros tipo: Opciones, callable bonos, stocks,etc, de-
berpa responder de manera concisa los siguientes tems:
5.1 Cambio en el valor de la cartera debido a los cambios

en los precios de los activos:
Suponga que tiene tres activos financieros A y B C dentro de un portafolio y
decide valorizar el portafolio considerando los cambios de valor de los activos
financieros en el mercado, exponga una expresion para considerar el cambio de
valor de su portafolio ( considere que el valor del portafolio es U), expreselo en
sensibilidades ponderadas y determine los ponderadores.
5.2 Interprete la siguiente expresion:

Debera definir cada componente los mas rigurosamente posible (matematica y
estadsticamente) e interpretarlos financieramente, debera definir su implicancia
con las perdidas financieras, y reforzar con un ejemplo.
5.3 Cinco temas claves para considerar en la gestion cuan-

titativa:
Debera responder de manera clara cual es la relacion de la correlacion, el termino
de estructura, la no linealidad, la regla de la raz de T y la discontinuidad dentro
del analisis de la gestion de riesgos financieros, justifique cada comentario con
alguna cita.
5.4 Muestre los Factores primitos de riesgo de los portafo-

lios siguientes:
Un portafolio compuesto solo por un bono.
Un portafolio compuesto solo bonos.
Un portfolio compuesto por opciones.
Un portafolio compuesto por bonos, efectivo y acciones.

Un portafolio compuesto por opciones.
6
5.5 Miscelanea de temas:
5.5.1 Enumere los supuestos sobre la funcion de distribucion de
perdidas.
5.5.2 Comente la relacion de los movimientos brownianos, el pro-
ceso Winer y el calculo estocastico en la gestion del riesgo
financiero a traves de la prediccion de valores financieros fu-
turos.
5.5.3 Explique la importancia del Backtesting
5.5.4 Explique la implementacion de la gestion cuantitativa de los
riesgos financieros en el mercado de las opciones financieras
segun la lectura.
6 Laboratorio
6.1 Gestionando la rentabilidad del portafolio:
Descargue 10 activos financieros de renta variable y construya un portafolio eq-
uity (considere el mismo peso para cada activo), calcule la rentabilidad historica
del portafolio a traves de un analisis aritmetico y geometrico, compare sus re-
sultados, escoja una de esta serie de retornos historicos y encuentre el mejor
modelo ARIMA(p,d,q).
6.2 Gestionando el riesgo del portafolio

Construya la matriz de covarianzas del portafolio anterior y determine el riesgo
del portafolio medido como la desviacion estandar del portafolio. Construya el
riesgo del portafolio historico. Con el modelo ARIMA estimado en pregunta
anterior realice un analisis de presencia de heterocedasticidad, comente sus test
y resultados y de encontrar heterocedasticidad modelarla con un GARCH(p,q).
6.3 Markowitz
Con el modelo ARIMA(p,d,q) y el GARCH(p,q) realice simulaciones de Mon-
tecarlo para los retornos y el riesgo, grafquelos en un scatter y explique sus
resultados de acuerdo a la teora de portafolio propuesta por Markowitz.
Considere ahora que usted desea encontrar los pesos que maximizan el ratio
Sharpe para formar un mejor portafolio que el equity y poder comparar la
rentabilidad de ambos portafolios. Compare el performance del portafolio equity
y del portafolio compuesto por pesos provenientes de la maximizacion del ratio
Sharpe.
6.4 VAR: Aplicaciones a economas emergentes

Desarrolle un modelo VAR para determinar la relacion entre la produccion, la
tasa de interes y la inflacion, debera considerar algun working paper gua que
justifique la eleccion de cada variable, recuerde que la tasa de interes puede ser
la nominal, real o la de referencia del BCRP, si bien esta parte se asemeja a la
7
construccion de una IS-LM dinamica usted debera justificar cada paso realizado
con alguna citacion de una parte del documento de referencia.
6.5 Replique el working paper de Bernanke y Mihov(1995)

visto en clase
6.6 Replique el working paper de Blanchard y Quah(1989)
visto en clase
Ensena para que digan cuanto he aprendido y no para que digan cuanto sabes!
8
TEMA 1
MODELOS GARCH Y MV
Sea yt un proceso estacionario AR(p) con un error yt , no necesariamente RB.

error RB. Muestre la representacion ARCH(m) del residuo del modelo
AR(p) como una proyeccion lineal de los errores cuadraticos del pronosti-
co de yt en los m errores cuadraticos pronosticados.
Solucion:
Se tiene que el cuadrado del error en yt que sigue un proceso AR(m) con un error
RB tiene la siguiente forma:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t
tal que E(t ) = 0, E(t )=2 para = t y 0 en otro caso
As, la proyeccion lineal de los errores cuadraticos del pronostico de yt en los m

errores cuadraticos pronosticados como la representacion ARCH del residuo del mo-
delo AR(m) presenta la siguiente forma:
b 2 |u2 , u2 , ...) = + 1 u2 + 2 u2 + ... + m u2

E(ut t1 t2 t1 t2 tm
2. Calcule la varianza no condicional de la expresion que representa las con-

diciones relacionadas a la estacionariedad en covarianza.
Solucion:
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 2 u2t2 + .... + m u2tm
Pero ut es un ruido blanco, por lo que E(ut ) = 0 y 2 = E(u2t ). Tomando esperanzas

y reemplazando se tiene:
E(u2t ) = + 1 E(u2t1 ) + 2 E(u2t2 ) + ... + m E(u2tm

2 = + 1 2 + 2 2 + ... + m 2
Finalmente:

2 =
(1 1 2 ... m )
3. Calcule el pronotico s periodos hacia adelante.
Solucion:
Dado que:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t
con es ruido blanco
Del anterior item, tenemos que:
b 2 |u2 , u2 ) = + 1 u2 + 2 u2 + ... + m u2
E(u t t1 t2 t1 t2 tm
Ahora:
Supongamos que u
b t+s|t denota el pronostico lineal de s periodos hacia adelante
b2t+s|t = E(u
u b 2 |u2 , u2 , ...)
t+s|t t t1
Ello podra ser calculando iterando:

u2t+j|t 2 ) = 1 (b
(b u2t+j1|t 2 ) + 2 (b
u2t+j2|t 2 ) + ... + m (b
u2t+jm|t 2 )
Para j=1,2,...,s donde

b2T |t = u2T T t
u
Solucion:
Cuando s , el pronostico de s perodos hacia adelante de bh2t+s|t converge en

probabilidad de 2 , asumiendo que t tiene varianza finita.
0
5. Considere el siguiente modelo yt = xt + uy donde uy tiene un compor-
tamiento heterocedastico, con media cero y varianza ht . Encuentre el
logaritmo de la funcion likelihood basica para estimar los parametros ,
0
tome en cuenta que xt considera las variables predeterminadas, las que
pueden corresponder a cualquier rezago yt . Considere los supuestos ne-
cesarios, por ejemplo puede suponer una distribucion gaussiana para yy .
Solucion:
Sea el modelo:
yt = x0t + ut
Tomamos como supuesto:

ut N (0; ht )
Se planteara un Modelo GARCH para la Varianza del error (ht ) :
ht = 0 + qi=1 i 2ti + pi=1 i hti
Como x0t es el vector de variabes explicativas observadas en el tiempo t.

Notamos que:
E[yt ] = x0t
V ar[yt ] = V ar[x0t + ut ]; x0t

Es un vector de valores conocidos en el periodo t, por ende actuan como constantes.
V ar[yt ] = ht
Por lo tanto: yt N (x0t ; ht ) , ya que yt es funcion del error.
Para la tesima observacion, se tiene que:

1 yt ut 2
( )
1
f (yt | t1 ) = e 2 ht
2 ht
Debido a que las observaciones son independientes y identicamente distribuidas y
ademas aplicando el Teorema de Bayes,llegamos a:
1 y1 u1 2 1 y 2 u2 2
( ) ( )
1 1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( e 2 h1 )( e 2 h2 )...
2 h1 2 h2
1 yT uT 2
( )
1 2 h
...( e T )
2 hT
Entonces:
1 2k
1 T 1 T
k=1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( ) q e 2 hk
2 T
j=1 hj
Aplicando logaritmo llegamos a la funcion de log verosimilitud
1 1 2
L() = Tj=1 loghi Tk=1 k
2 2 hk
Solucion:
Para encontrar los optimos, tomamos el logaritmo de la funcion likelhood basica

anteriormente calculada:
T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
Es importante recordar que ht se modela en funcion de sus errores al cuadrado, as
ht = 0 + 1 (yt1 x0t1 )2 + 2 (yt2 x0t2 )2 , ..., q (ytq x0tq )2

Matricialmente tenemos

0

1

2

0 2 0 2 0 2
ht = 1, (yt1 xt1 ) , (yt2 xt2 ) , ... , (ytq xtq ) .

.

.
q
ht = Zt ()
Luego de saber que ht depende tanto de como de , que son los parametros de
los cuales necesitamos calcular sus optimos, derivamos Ln(L()) respecto de y .
/
T T
Ln(L()) 1 X h0 1 X 2x0t ht 2 h0
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X 2xt 1 X 2x0t ht + 22 xt
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) X xt t X 2xt (2 ht )
=
t=1
ht t=1
2h2t
T T
Ln(L()) X xt t (2 ht ) X
= 2xt
t=1
ht 2h2t t=1
/
T T
Ln(L()) 1 X Zt () 1 X 2t Zt ()
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X Zt ()ht 1 X 2t Zt ()
= +
2 t=1 h2t 2 t=1 h2t
Ln(L()) 1 (2 ht )
= Zt ()
2 h2t
Ln(L()) (2 ht )
= t 2 Zt ()
2ht
3 Taller de Finanzas Cuantitativas: Aplicaciones
del PCA
Para la gestion financiera disminuir la dimensionalidad de un conjunto de datos
es una aporte importante puesto que trabajamos con innumerables variables fi-
nancieras, indicadores de rentabilidad y factores de riesgo, es por ello que dom-
inar el PCA es importante para los fututos ingenieros FIEECS, en tal sentido
usted debera desarrollar lo siguiente:
3.1 Que es PCA? Que problema nos ayuda a resolver?

Cuando es apropiado usar esta tecnica?
El Analisis de componentes principales o PCA (por sus siglas en ingles) es una
metodologa que nos permite analizar datos de una manera mas eficiente. Es
decir nos permite utilizar principios matematicos para transformar un numero
considerable de datos correlacionados en numero menor de variables que reciben
el nombre de Componentes principales.
En terminos generales su utilizacion nos permite, al utilizar un espacio vecto-
rial transformado, reducir la dimensionalidad de un gran conjunto de datos. Y
de esta forma poder interpretar (detectar patrones, tendencias o anomalas) un
gran conjunto de datos analizando solo pocas variables.
Esta tecnica es muy usada cuando necesitamos obtener informacion precisa ac-
erca de un gran conjunto de datos (muchas veces multidimensional), teniendo en
cuenta que analizar toda esta informacion implicara mucho tiempo; se recurre
a analizar solo los componentes principales que nos brindaran entendimientos
acerca del fenomeno en cuestion.
3.2 Como se aplica la tecnica de PCA?

La tecnica PCA se aplica a un gran conjunto de datos en el cual se identifica
una nueva base optima en la cual se vuelven a expresar los datos originales. Es
decir se busca una base que sea una combinacion lineal de la base original y que
re exprese los datos de una forma optima.
3.2.1 Explique intuitivamente que buscamos al desarrollar esta metodologa

(dos objetivos mencionados en clase)
Como se ha mencionado el objetivo principal de la metodologa de Analisis
de Componentes principales es poder encontrar aquellos componentes que de-
scriban de una manera optima el conjunto total de informacion. Con esa finali-
dad podemos buscar cumplir con dos objetivos:
Buscamos que nuestros componentes principales recojan la mayor canti-
dad de informacion, para ello es necesario que estos contengan la mayor
varianza del conjunto total.
En segundo lugar buscamos que los componentes principales no esten cor-
relacionados unos con otros, es decir que su correlacion sea nula.
1
3.2.2 Teniendo en mente los dos objetivos del punto anterior:
Muestre el desarrollo matematico de la metodologa de PCA (Como llegamos
de la matriz X de retornos de activos financieros a la matriz Y (la que
contiene a los componentes principales) a traves de la matriz de transformacion
P (mostrando ademas como es que encontramos la forma apropiada de esta
matriz), en linea con lo mencionado en clase.
Solucion
Siguiendo la metodologa de PCA, nombraremos una serie X que agrupe

m series, tal que:
X = [X1| X2| X3| ...| Xm]
Con el objetivo de tener mayor informacion realizaremos una transformacion

lineal P, de tal modo que Y representara el conjunto de datos X pero re-
expresados:
XP = Y. . . . . . . . . . . . . . . . . . (1)
De la ecuacion (1) se desprende:
Y = [XP 1| XP 2| XP 3| ...| XP m]
O lo que es equivalente:
Y = [Y 1| Y 2| Y 3| ...| Y m]
Este ordenamiento de la matriz de izquierda a derecha debe ir de acorde al

objetivo de obtener mayor informacion, es decir, de modo que la varianza este
ordenada de forma decreciente:
2 2 2 2
y1 > y2 > y3 > ...ym
Para continuar el desarrollo, deben de realizarse los siguientes supuestos:
1. E(Yi ) = E(XPi ) = E(X)Pi = 0 ; i

2. V (Yi ) = E(Yi0 Yi )
= E((XPi )0 (XPi ))
= Pi0 E(X 0 X)Pi
= Pi0 Cx Pi
Veamos el caso para i=1
V (Y1 ) = P10 Cx P1
Nosotros buscamos maximizar la varianza, y nos percatamos que ello podramos

lograrlo incrementando los valores del P1 , pero esto no vendra a ser una solucion
2
eficiente, por ello incluiremos una condicion para hallar una maximizacion gen-
eral:
P10 P1 = C
Maximizando la varianza:
M axL = P10 Cx P1 (P10 P1 C)
L
= 2Cx P1 21 P1 = 0
P1
(Cx 1 I)P1 = 0
Cx P1 = 1 P1
Con ello encontramos que el primer valor para P, es decir P1 , son los eigenvalores.
Cuando i = 2:
VY2 = P20 CxP2

s.a.
P20 P2 = c
P20 P1 = 0
La correlacion entre Y1 y Y2 se puede escribir : E(Y10 Y2 )
E((XP1 )0 (XP2 )) = 0 = E(Y20 Y1 )

E(P10 (X 0 X)P2 ) = 0 = E(P20 (X 0 X)P1 )
P10 CxP2 = 0 = P20 CxP1
Nota: cuando i = 1 obtuvimos: CxP1 = P1
P10 CxP2 = 0 = P20 P1

P10 CxP2 = 0 = P20 P1
Ademas se sabe: P20 P1 son ortogonales
P20 P1 = 0
M axL = P20 CxP2 (P20 P2 c) (P20 P1 )
L
P2 = 2CxP2 2P2 P1 = 0
Multiplicando por P10
2P10 CxP2 2P10 P2 P10 P1 = 0

Sabemos: P10 CxP2 = 0, entonces P10 P2 = 0. Concluimos con que: = 0
CxP2 = P2
No olvidemos que inicialmente se asumio: P2x2
3

P11 P12 0 P11 P21 P11 P12
P P =
P21 P22 P12 P22 P21 P22

P11 P11 + P21 P21 |....
=
P12 P 11 + P22 P21 |....
0
P1 P1 P 0 1 P2

=
P20 P 1 P 0 2 P2
Como: P10 P2 = 0
Entonces si: C = 1
P 0P = I
P 1 = P
P 1 P = I
Ahora:

x x P11 P12 1 0
A=P =
x x P21 P22 0 2

1 0
Donde: varcov() =
0 2

P11 1 0
0 P22 2
Donde:
P11 1
( ) = 1 P1
0
0
( ) = 2 P2
P22 2
A = [CP1 |CP2 ] = CP
V (Yi ) = Pi0 CxPi = i P 0 i Pi

Con Pi0 Pi = I entonces i I
CxP = P Cx = P P 1 = P P 0 E(Y 0 Y ) =
3.2.3 Con el punto 1.2.2 Indique la expresion que muestre la can-

tidad de varianza explicada de los n primeros componentes
principales que seleccione.
Teniendo en mente los calculos del punto anterior y dada la incorrelacion entre
los eigen-valores, el porcentaje de varianza explicada se calcula de la siguiente
manera:
Pn
i=1 i
Porcentaje de varianza explicada = Pm
i=1 i
4
5.1 Cambios en el Valor de la Cartera debido a los cambios en los
precios de los Activos.
Tenemos los siguientes activos: A, B y C

Cuyos precios son: SA, SB y SC
Supongamos que debido al movimiento del mercado, los valores de los
activos cambian en las cantidades: SA, SB y SC.
Entonces el cambio en el valor del Portafolio debido a los cambios en los
precios expresado mediante Sensibilidades Ponderadas es:
U U U
U = SA + SB + SC
SA SB SC
Adems el vector de Ponderadores es igual a:
U U U
W = [ , , ]
SA SB SC
5.3 Cinco temas claves para considerar la gestin cuantitativa:

En esencia, VaR es una medida estadstica de posibles prdidas en la cartera, que se resumen
en un solo nmero, teniendo en cuenta una distribucin asumida, sin embargo existen 5 temas
que se le relacionan pero que no se han especificado por lo es necesario incorporar ciertos
remedios y especificaciones al respecto. De esta forma, en cuanto a la no linealidad se debe
descomponer los activos en factores primitivos de modo que los factores de riesgo que influyen
en el comportamiento de los precios de los activos puedan ser considerados "tomos"
primordiales de forma que se cumpla que la combinacin lineal es posible, que la
descomposicin tiene sentido matemticamente y que se tenga una interpretacin
significativa de mercado de modo que se remedie el problema de la no linealidad que puede
presentarse en los callable bonds y en relacin a la estructura temporal debemos incorporar
cubos de madurez en los activos subyacentes adems de conservar los derivados de mayor
orden en el cambio en el valor de la cartera de forma que se logra solucionar estos dos puntos
de los 5 temas pendientes .
Las correlaciones en las expresiones de covarianza son estimables y estables a travs del tiempo,
por lo que tendran sentido, as tendramos por ejemplo que los cambios actuales en los factores
de riesgo relacionados con los cambios de ayer para la mayora de productos financieros, lo que
implica que los rendimientos de los activos no son serialmente independientes. En
consecuencia, las series de tiempo de los cambios de precios se correlacionan de un da al
siguiente. Esta persistencia de auto correlacin se produce porque los parmetros de la
distribucin no son constantes sino que son dependientes del tiempo o variable en el tiempo.
Pueden variar a travs del tiempo de una manera que no es capturado fcilmente a travs de
clculos estadsticos simples. Esto significa que los sesgos sistmicos dependientes del tiempo
variarn con el perodo de tenencia y sern condicionados a la hora de la prediccin del riesgo
de mercado de las prdidas segn los clculos de VaR.
Esta visin nos oblig a principios de incorporar estructura temporal o cubos de tiempo en
nuestra formulacin de varianza-covarianza, con la esperanza de que mediante la incorporacin
de dependencias de tiempo de ambas volatilidades y correlaciones, los cambios en los
regmenes de mercado tambin seran capturados como consecuencia. De este modo adquiere
importancia la regla T ya que surge la necesidad de conocer si a partir de los datos histricos
se puede predecir el futuro. La raz cuadrada del tiempo (T) implica que la exposicin al riesgo
de la cartera durante un perodo de T das sucesivos en el futuro puede ser determinada
histricamente por la posicin de riesgo de hoy dado por las ganancias diarias en situacin de
riesgo valor, DEaR. Un supuesto requerido para usar la regla T es la independencia de serie o
la ausencia de auto correlacin.
Citas importantes:
-Las preguntas (2) y (3) se pueden responder fcilmente mediante la incorporacin de las
siguientes soluciones-remedios a nuestro VaR formulado anteriormente:
a) Romper posiciones en componentes "primitivos", los llamados factores de riesgo.
b) Incorporar la estructura temporal; es decir, cubos de madurez (maturity buckets), en los
activos subyacentes.
c) Conservar los derivados de mayor orden en el cambio en el valor de la cartera.
-En tercer lugar, Son los cambios actuales en los factores de riesgo relacionados con los
cambios de ayer? Para la mayora de productos financieros, la respuesta es ms probable que
sea en sentido afirmativo.Esta persistencia de auto correlacin se produce porque los
parmetros de la distribucin no son constantes sino que son dependientes del tiempo o variable
en el tiempo. La siguiente seccin aborda esta cuestin
-Rendimientos de los activos son temporalmente dependientes. Ms especficamente,

volatilidades y correlaciones de los precios de activos no son constantes en el tiempo y tienden a
bifurcarse o hacer saltos rpidos a diferentes niveles segn lo dictado por los diferentes
regmenes en las condiciones del mercado. Pueden variar a travs del tiempo de una manera que
no es capturado fcilmente a travs de clculos estadsticos simples.Estimaciones puntuales y
determinados con precisin de ambas volatilidades y correlaciones son especialmente
importantes despus de un cambio en el rgimen de mercado, pero esto requiere una vigilancia
y un cierto nivel de subjetividad sobre exactamente cmo van a calcular. Esto nos lleva al punto
de partida a la pregunta sin respuesta que pedimos antes: datos histricos pueden realmente
predecir el futuro?
5.5 Miscelnea de Temas.
5.5.1 Enumere los supuestos sobre la funcin de distribucin de prdidas:

En relacin a las suposiciones estadsticas necesarias para asegurar que el VaR tenga una
interpretacin probabilstica, debemos resaltar que la distribucin de probabilidad del valor
instantneo futuro de la cartera depende principalmente de:
1. La representacin lineal de los factores primitivos de riesgo: Esto es un hecho debido a
la declaracin de equivalencia entre el VaR y la formulacin de varianza-covarianza. Un
supuesto necesario e importante en relacin con la distribucin conjunta de los factores de
riesgo primitivos, es que se asume una distribucin conjunta normal con varianzas y
covarianzas del retorno determinable y es posible, dada esta imposicin sobre la
distribucin normal en el nmero dado por el VaR, interpretar este nmero VaR como una
desviacin estndar de la media sobre un pequeo intervalo de tiempo, sea o no que el acto
de interpretacin tenga realmente sentido. Tambin, con la suposicin de normalidad, la
tarea de estimar el percentil de una distribucin de probabilidad se hace fcil.
Si una distribucin es normal, entonces todos los percentiles son simplemente mltiplos de
la desviacin estndar de la distribucin.
2. La distribucin conjunta de los cambios instantneos en estos factores de riesgo:
Adems, la dependencia de algn tipo de distribucin conjunta es un requisito ya que estos
factores de riesgo, por ejemplo, las tasas y volatilidades cero, no evolucionan en el tiempo
independiente el uno del otro. Para una gran medida, y con muy pocas excepciones, estn
relacionados.
5.5.2 Comente la relacin de los movimientos brownianos, el proceso Wiener y

el clculo estocstico en la gestin del riesgo financiero a travs de la prediccin
de valores financieros futuros.
Solo cuando asumimos un verdadero paseo aleatorio (mediante el movimiento Browniano)
la serie de tiempo de los cambios de los precios de los activos estar totalmente no
correlacionada, lo que indica la regla T. La independencia de serie o la ausencia de auto
correlacin son, por lo tanto un supuesto requerido para usar la regla T.
Un proceso estocstico muy conocido es el proceso de Wiener (Proceso limitante de un
proceso compacto normal con incrementos modelados y estocstico infinitamente divisible,
es decir que cada incremento de tiempo t puede ser reducido en piezas ms pequeas lo
cual tiende hacia el infinito) que se utiliza para modelar el movimiento browniano del precio
de un subyacente por ejemplo, en donde dicho modelo contiene una parte llamada
denotada por : O(t), ledo como orden de t, la cual es una notacin reducida del
movimiento browniano en los cuales los disturbios o ruidos ms grandes que pequeos
incrementos proporcional a raz cuadrada de t no contribuyen a el sendero tomado por el
precio F del bien. De esta manera se hallar posteriormente la varianza de la variacin del
precio de F para luego hallar la volatilidad de modo que se obtendr la T Regla en donde
se requerir que el intervalo de tiempo t considerado sea pequeo.
5.5.3 Explique la Importancia del BackTesting.

En la prctica, muchas instituciones con modelos de medicin de riesgos
internos comparan sistemticamente sus beneficios y prdidas con medidas de
riesgo generadas por modelos para medir la calidad y la precisin de sus
sistemas de medicin de riesgos diarios.
Retrica aparte, dadas las limitaciones conocidas de los modelos de medicin
del riesgo, el BackTesting histrico puede ser el medio ms sencillo y viable para
la validacin del modelo.
BackTesting tiene diferentes significados para diferentes personas. Las
directrices regulatorias sugieren que el BackTesting es como "una comparacin
ex post de la medida de riesgo generada por el modelo contra los cambios reales
diarios en valor de la cartera durante perodos ms largos de tiempo, as como
los cambios hipotticos sobre la base de posiciones estticas.
La esencia de todos los esfuerzos de BackTesting es, por lo tanto, para
garantizar una comparacin entre los resultados comerciales reales y medidas
de riesgo generadas por modelos.
5.5.4 Explique la implementacin de la Gestin cuantitativa de los riesgos
financieros en el mercado de las opciones financieras segn la
lectura.
A diferencia de los instrumentos "lineales", tales como acciones, futuros, bonos
y contratos a plazo, las opciones son instrumentos derivados con pagos que
dependen de los senderos futuros tomados por los instrumentos lineales
mencionados. Por ejemplo, una opcin de compra, en una accin S, cuyo precio
es K, tiene una pago terminal en el momento de vencimiento T de mx [0, ST -
K]. Esta contingencia de ganancia no negativa en la madurez hace que el valor
de la opcin de compra sea no lineal para todos los tiempos anteriores al
vencimiento- la no linealidad ms aguda o convexidad que ocurre alrededor del
precio de ejercicio. Es por esta razn que se consideran a las opciones como
instrumentos " no lineales. En el contexto de la Gestin del riesgo, surgen
algunas preguntas inmediatas como:
1. Puede una opcin ser descompuesta como una combinacin lineal de
los factores primitivos de riesgo?
2. La descomposicin tiene sentido?
3. Los trminos de orden superior en la descomposicin tienen alguna
interpretacin en el mercado?
Aunque estas preguntas fueron formuladas anteriormente para instrumentos

lineales, necesitamos ahora preguntar de nuevo pero ahora para el contexto de
los instrumentos no lineales. Para responder a estas preguntas, necesitamos ser
conscientes de los siguientes puntos:
Si ingenuamente incorporamos derivadas parciales de orden mayor, esto

puede tener efectos engaosos y desastrosos.
Como no todos los crditos contingentes son creados iguales, el grado de
no linealidad tiene que ser tenido en cuenta adecuadamente.
La Interpretacin de derivadas parciales no observables en el mercado
deben ser interpretadas cuidadosamente.
Las discontinuidades en los pagos de la opcin deben ser considerados
a la luz de los derivados parciales ilimitados.
La incorporacin de diferentes tipos de " griegos " no es un asunto trivial.
El siguiente ejemplo simple ilustra la significancia de estas preguntas y

observaciones.
Ejemplo
Supongamos que el nico parmetro importante es el precio subyacente.

Entonces, el cambio en el valor V de una opcin, con respecto a un cambio en
el precio subyacente, est dada por:
La primera y segunda derivadas parciales tienen interpretaciones de mercado de
"delta" y "gamma ", respectivamente, por eso lo reescribimos como:
Las otras derivadas parciales de mayor orden, no tienen interpretaciones de

mercado. Para una cartera cubierta, si la magnitud de los cambios en el precio
subyacente y la volatilidad del precio del activo subyacente son los
suficientemente pequeos, la aproximacin de U hasta el trmino de segundo
orden es suficiente para capturar el cambio en el valor de la cartera.
INCORPORANDO OTROS RIESGOS.
Para incorporar el riesgo de volatilidad, uno normalmente incluye una correccin

de la siguiente forma:
En la prctica, una correccin de segundo orden a vega no es necesaria, ya que

en la mayora de las opciones, la relacin tiende a ser de naturaleza casi lineal y
el orden de magnitud es insignificante
Los pagos de las opciones son de naturaleza curvilnea y por lo tanto no son
simtricos sobre el precio subyacente actual u. Para tener en cuenta la variacin
del precio debido a un aumento de precios o una disminucin de los precios, las
derivadas - como una aproximacin por diferencia finita - necesitan ser tomadas
a lo largo de ambos lados del precio del subyacente actual.
En general, para hacer una aproximacin del cambio en el valor del portafolio
ms robusta, se debe considerar una series de expansin de Taylor multivariado
del valor de la opcin V (u, r , , t) como una funcin del precio subyacente u, la
tasa de inters r , la volatilidad , y el tiempo t, entre otras cosas, es decir :
EFECTOS DE LA ESTRUCTURA TEMPORAL: ESCALERAS GRIEGAS
Los efectos de la estructura temporal son muy importantes y no deben ser descuidados.
Una expansin similar a nuestro ejemplo anterior en un portafolio de dos activos con
dos periodos de tiempo, se debe realizar cuando la cartera contiene opciones. En efecto,
cada expresin " griega " de arriba tiene que ser reemplazada por su correspondiente
"escalera " - los peldaos de las escaleras aumenta con el tiempo hasta alcanzar su
vencimiento.
Por ejemplo, considere la posicin de una opcin con vencimiento en t5 y utiliza slo 5
periodos de tiempo distintos, es decir: t1, t2, t3, t4, t5. Estos 5 periodos de tiempo son
utilizados como puntos claves distintos para la gestin del riesgo de la situacin
planteada, el delta asociado a la posicin de la opcin requiere de 5 peldaos en la
escalera de su delta, es decir:
Los mismos efectos de la estructura temporal deben aplicarse al resto de los " griegos.
Captulo 1
MODELOS GARCH Y MV

Solucion:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t

b 2 |u2 , u2 , ...) = + 1 u2 + 2 u2 + ... + m u2

E(ut t1 t2 t1 t2 tm

Solucion:
2

E(u2t ) = + 1 E(u2t1 ) + 2 E(u2t2 ) + ... + m E(u2tm

2 = + 1 2 + 2 2 + ... + m 2
Finalmente:

2 =
(1 1 2 ... m )
Solucion:
Dado que:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t
con es ruido blanco
b 2 |u2 , u2 ) = + 1 u2 + 2 u2 + ... + m u2
E(ut t1 t2 t1 t2 tm
Ahora:
Supongamos que u
b2t+s|t = E(u
u b 2 |u2 , u2 , ...)
t+s|t t t1

u2t+j|t 2 ) = 1 (b
(b u2t+j1|t 2 ) + 2 (b
u2t+j2|t 2 ) + ... + m (b
u2t+jm|t 2 )

b2T |t = u2T T t
u
3
Solucion:

0
0
Solucion:
Sea el modelo:
yt = x0t + ut

ut N (0; ht )

Notamos que:
E[yt ] = x0t

V ar[yt ] = ht
4
1 yt ut 2
( )
1
f (yt | t1 ) = e 2 ht
2 ht
1 y1 u1 2 1 y 2 u2 2
( ) ( )
1 1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( e 2 h1 )( e 2 h2 )...
2 h1 2 h2
1 yT uT 2
( )
1 2 h
...( e T )
2 hT
Entonces:
1 2k
1 T 1 T
k=1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( ) q e 2 hk
2 T
j=1 hj
1 1 2
2 2 hk
Solucion:

T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5

0

1

2

0 2 0 2 0 2

.

.
q
ht = Zt ()
/
T T
Ln(L()) 1 X h0 1 X 2x0t ht 2 h0
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X 2xt 1 X 2x0t ht + 22 xt
=
2 t=1 ht 2 t=1 h2t
T T
=
t=1
ht t=1
2h2t
T T
= 2xt
t=1
ht 2h2t t=1
6
/
T T
Ln(L()) 1 X Zt () 1 X 2t Zt ()
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X Zt ()ht 1 X 2t Zt ()
= +
2 t=1 h2t 2 t=1 h2t
Ln(L()) 1 (2 ht )
= Zt ()
2 h2t
Ln(L()) (2 ht )
= t 2 Zt ()
2ht
7
Captulo 4
COINTEGRACION
1) Defina el concepto de cointegracion desde un enfoque economi-

co y econometrico
Solucion:
Desde el punto de vista economico, se dice que dos o mas series estan
cointegradas si las mismas se mueven conjuntamente a lo largo del tiem-
po y las diferencias entre ellas son estables (es decir estacionarias), aun
cuando cada serie en particular contenga una tendencia estocastica y sea
por lo tanto no estacionaria. De aqu que la cointegracion refleja la pre-
sencia de un equilibrio a largo plazo hacia el cual converge el sistema
ecoomico a lo largo del tiempo. Las diferencias (o termino error) en la
ecuacion de cointegracion se interpretan como el error de desequilibrio
para cada punto particular de tiempo.
Desde el punto de vista econometrico, dos o mas series de tiempo que son
no estacionarias de orden I(1) estan cointegradas si existe una combina-
cion lineal de esas series que sea estacionaria o de orden I(0). El vector
de coeficientes que crea estas series estacionarias es el vector cointegrante.
2) Que son los procesos integrados? y por que son importantes

al momento de hacer modelamiento por cointegracion? Utilice
la especificacion matematica para definirlos.
Solucion:
Los procesos integrados son procesos no estacionarios que tienen la pro-

piedad de que al ser diferenciados se convierten en procesos estacionarios.
Estos procesos son importantes para hacer el modelamiento por cointe-
25
gracion debido a que permiten convertir a los procesos no estacionarios
en estacionarios o tambien llamados integrados, los cuales pueden gene-
rar una combinacion lineal que sea estacionaria. Esto permitira encontrar
una relacion de equilibrio de largo plazo entre dichos procesos.
Sean por ejemplo yt y xt dos series economicas no estacionarias, pero

integradas de orden k. As: yt I(k) y xt I(k)
De este modo se dira que las series cointegran, si conforman una combi-
nacion lineal de la siguiente forma: yt + xx = t , tal que t I(0)
3) Considere el modelo:
yt = 0,1 + 0,7xt + ut , donde ut IID(0, 0,9) Estan yt y xt coin-
tegradas? Justifique brevemente su respuesta. Si yt y xt estan
cointegradas, Cual es el vector de cointegracion?
Solucion:
Las series yt y xt estan cointegradas (asumiendo que ambas son integra-

das de un mismo orden), ya que sucombinacion lineal genera un proceso
estacionario (ut ), tal que su media y varianza permanecen constantes a
lo largo del tiempo (son constantes que nodependen del tiempo).
1
El vector de cointegracion es =
0,7
26
11.2. PRUEBAS DE CAUSALIDAD BIVARIADA DE GRANGER 21
Rechazaramos la hiptesis nula de que y no causa en el sentido de Granger a x si S2 es mayor

que el valor crtico de 5 % para una variable 2p .
Un enfoque alternativo es basar la prueba de la forma de Sims [11.2.5] en lugar de la forma

Granger [11.2.2]. Un problema con la forma Sims es que el trmino del error t est generalmente
autocorrelacionado. Por lo tanto, una prueba F estndar cuya hiptesis es dj = 0 para todo j
en [11.2.5] no da la respuesta correcta. Una opcin es usar errores estndar autocorrelacionados
consistentemente para las estimaciones MCO como se describe en la seccin 10.5. Una segunda
opcin es utilizar una transformacin de mnimos cuadrados generalizados. Una tercera opcin,
sugerida por Geweke, Meese, y Dent (1983), es como sigue. Supongamos que el trmino de error
t en [11.2.5] tiene representacin de Wold = 22 P si( L)2t . Multiplicando ambos lados de
[11.2.5] por h(L) [22 (L)]1 se tiene

bj xtj dj xt+j + 2t .
X X X
yt = c2 hj tj + + (11.2.11)
j=1 j=1 j=1
El trmino de error en [refeq:11.2.11] es un ruido blanco y no est correlacionado con ninguna de

las variables explicativas. Adems, dj = 0 para todos j si y solo si dj = 0 para todo j.Por lo tan-
to, truncando las sumas infinitas en [11.2.11] en algn valor finito, podemos probar la hiptesis
nula de que y no causa en el sentido de Granger a x con una prueba F de d1 = d2 = = dp = 0.
Se ha propuesto una variedad de otras pruebas de causalidad de Granger; ver Pierce y

Haugh (1997) y Geweke, Meese y Dent (1983) para las encuestas selectivas. Bouissou, Laffont y
Vuong (1986) discuten pruebas usando datos de panel discretamente valorados. Las simulaciones
de Monte Carlo de Geweke, Meese y Dent sugieren que la prueba ms simple y ms directa - en
base a [11.2.10] - podra ser el mejor.
Los resultados de cualquier prueba emprica de causalidad en el sentido de Granger pueden
ser sorprendentemente sensibles a la eleccin de la longitud del rezago (p) o los mtodos utilizados
para hacer frente a potenciales no estacionariedades de la serie. Para las demostraciones de la
relevancia prctica de estas cuestiones, consulte Feige y Pearce (1979), Christiano y Ljungqvist
(1988), y Stock y Watson (1989).
Interpretacin de las pruebas de causalidad de Granger
Cmo es la causalidad en el sentido de Granger en relacin con el significado estndar de

causalidad? Exploramos esta cuestin con varios ejemplos.
Ejemplo 11.1 - Pruebas de causalidad de Granger y comportamiento a futuro

(forward-looking)
El primer ejemplo utiliza una modificacin del modelo de precios de las acciones descritas en el
Captulo 2. Si un inversor compra una parte de una accin por el precio de Pt en la fecha t, en
t + 1 el inversor recibir Dt+1 en dividendos y ser capaz de vender las acciones por Pt+1 . La
tasa a posteriori de retorno de las acciones (denotado por rt+1 ) se define por
22 CAPTULO 11. VECTORES AUTORREGRESIVOS
(1 + rt+1 )Pt Pt+1 + Dt+1 . (11.2.12)
Un modelo simple de precios de las acciones sostiene que la tasa de retorno esperada para la
poblacin es una constante r en todas las fechas: 5
(1 + r)Pt = Et [Pt+1 + Dt+1 ] . (11.2.13)
Aqu Et denota la esperanza condicional de toda la informacin disponible de los participan-

tes del mercado de valores a la fecha t. La lgica detrs de [11.2.13] es que si los inversores
tienen informacin en el periodo t pueden anticipar un retorno de las acciones ms alto de lo
normal, queriendo comprar ms acciones a la fecha de t. Estas compras conllevaran a Pt hasta
que [11.2.13] sea satisfecha. Este punto de vista es a veces llamado la hiptesis de los mercados
eficientes.
Como se seal en la discusin de la ecuacin [2.5.15] en el captulo 2, la ecuacin [11.2.13] junto

con una condicin acotada implica
j
X 1
Pt = Et Dt+j . (11.2.14)
j=1
1+r
Por lo tanto, de acuerdo a la teora, el precio de las acciones incorpora un mejor prediccin
del valor presente de los dividendos futuros del mercado. Si esta prediccin se basa en ms
informacin que solo dividendos pasados, entonces, los precios de las acciones causarn en el
sentido de Granger a los dividendos ya que los inversores tratan de anticipar los movimientos
de los dividendos.
Para una simple ilustracin de este punto, supongamos que
Dt = d + ut + ut1 + t , (11.2.15)
donde ut y t son series de ruido blanco con independencia gaussiana y d es el dividendo medio.
Supongamos que los inversores en el periodo t conocen los valores de {ut , ut1 , . . .} y {t , t1 , ...}.
La prediccin de Dt+j basada en esta informacin est dada por

d + ut

paraj = 1
Et (Dt+j ) = (11.2.16)
d

paraj = 2, 3, . . .
5
Un modelo relacionado fue propuesto por Lucas(1978)
U 0 (Ct )Pt = Et U 0 (Ct+1 )(Pt+1 + Dt+1 ) .

con U 0 (Ct ) la utilidad marginal del consumo en el periodo t. Si definimos Pt como la utilidad marginal ponderada
por el precio de la accin Pt = U 0 (Ct )Pt y Dt la utilidad marginal ponderada por los dividendos, entonces se tiene

1 Pt = Et Pt+1 + Dt+1 ,
la cual es la misma forma bsica que en [11.2.13]. Con el riesgo neutral de los inversores, U 0 (Ct ) es una constante
y las dos formulaciones son idnticas. La versin del rieso neutral gan tempranamente soporte de la evidencia
emprica en Fama (1965).
11.2. PRUEBAS DE CAUSALIDAD BIVARIADA DE GRANGER 23
Sustituyendo [11.2.16] en [11.2.14], el precio de las acciones podra estar dado por
Pt = d/r + ut /(1 + r). (11.2.17)
En consecuencia, para este ejemplo, el precio de las acciones es un ruido blanco y no podra ser
predicho sobre la base de los rezagos de los precios o dividendos en acciones rezagadas. Ninguna
serie debera influir en sentido de Granger en los precios de las acciones.6 Ninguna serie debera
causar en el sentido de Granger al precio de las acciones.
Por otra parte, notemos de [11.2.17] que el valor de ut1 puede ser hallado desde del precio de
las acciones rezagado:
ut1 = (1 + r)Pt1 (1 + r)d/r.
Recuerde de la seccin 4.7 que ut1 incluye informacin adicional sobre Dt ms all de la que
est contenida en {Dt1 , Dt2 , . . .}. Por lo tanto, los precios causan en el sentido de Granger a
los dividendos, aunque los dividendos no causen en el sentido de Granger a los precios de las
acciones. El VAR bivariado toma la siguiente forma:

Pt d/r 0 0 Pt1 ut /(1 + r)
= + + .
Dt d/r 1+r 0 Dt1 ut + t
Por lo tanto, en este modelo, la causalidad de Granger va en la direccin opuesta de la verdadera
relacin de causalidad. Los dividendos no causan en el sentido Granger a los precios, a pesar
de que la percepcin de los inversores de dividendos son el nico determinante del precio de las
acciones. Por otro lado, los precios causan en sentido de Granger a los dividendos, a pesar de
que la evaluacin que hace el mercado a las acciones en realidad no tiene ningn efecto sobre el
proceso de pago de dividendos.
En general, las series de tiempo que reflejan el comportamiento forward-looking, tales como los
precios de las acciones y los tipos de inters, son frecuentemente propicias para ser excelentes
predictoras de muchas series de tiempo econmicas claves. Esto claramente no significa que estas
series causan al PBI o la inflacin movindola hacia arriba o abajo. En lugar de ello, los valores
de estas series reflejan la mejor informacin de los mercados acerca de hacia dnde podran estar
dirigidas el PNB o la inflacin. La prueba de causalidad de Granger para dichas series puede
ser til para la evaluacin de los mercados eficientes o para investigar si los mercados estn
interesados o son capaces de pronosticar el PNB o la inflacin, pero no deben utilizarse para
inferir la direccin de la causalidad.
No obstante, hay circunstancias en las que la causalidad de Granger puede ofrecer pruebas tiles
6
Este resultado se debe a la especificacin particular de las propiedades de las series de tiempo asumidas
para los dividendos. Un resultado completamente general es que la serie de exceso de los retornos, definida por
Pt+1 +Dt+1 (1+r)Pt (lo cual para este ejemplo sera igual a ut+1 /(1+r)+ut+1 +t+1 ), debera ser impredecible.
El ejemplo en el texto provee una simple ilustracin de las cuestiones generales.
24 CAPTULO 11. VECTORES AUTORREGRESIVOS
sobre la direccin de la verdadera causalidad. Como ilustracin de este tema, considere tratar
de medir los efectos de los aumentos del precio del petrleo sobre la economa.
Ejemplo 11.2- Testeando la exogeneidad economtrica estricta 7
Todas menos una de las recesiones econmicas en los Estados Unidos, desde que la Segunda
Guerra Mundial, han sido precedidas por un fuerte aumento en el precio del petrleo crudo.
Significa esto que los choques del petrleo son una causa de la recesiones?
Una posibilidad es que la correlacin es un golpe de suerte, que sucedi por casualidad que la
crisis del petrleo y las recesiones aparecieron en momentos similares, a pesar de que los procesos
reales que generaron las dos series no estn relacionados. Podemos investigar esta posibilidad
probando la hiptesis nula de que los precios del petrleo no predicen el valor del PBI, y su
contribucin a la prediccin es estadsticamente significativa. Esto se opone a la visin de la
correlacin como una simple coincidencia.
Para poder hacer una interpretacin causal de esta correlacin, se debe establecer que los au-
mentos de los precios del petrleo no reflejaban alguna otra influencia macroeconmica que era
la verdadera causa de las recesiones. Los mayores aumentos de los precios del petrleo se han
asociado con acontecimientos histricos claros, como la crisis de Suez de 1956-1957, la guerra
rabe-israel de 1973 a 1974, la revolucin iran de 1978 a 1979, el inicio de la guerra entre
Irn e Irak en 1980, y la invasin de Irak a Kuwait en 1990. Uno podra considerar que estos
eventos fueron causados por fuerzas totalmente ajenas a la economa de Estados Unidos y eran
esencialmente impredecibles. Si esta visin es correcta, entonces la correlacin histrica entre el
precio del petrleo y el PNB podra proveer una interpretacin causal. Esto tiene una implica-
cin refutable de que ninguna serie debera causar en el sentido de Granger a los precios del
petrleo. Empricamente, se encuentra de hecho muy pocas series macroeconmicas que ayudan
a predecir el tiempo de estos choques petroleros.
El tema de estos dos ejemplos es que las pruebas de causalidad de Granger pueden ser una
herramienta til para probar hiptesis que se puede enmarcar como declaraciones sobre la pre-
visibilidad de una serie particular. Por otra parte, uno puede ser escptico acerca de su utilidad
como un diagnstico general para establecer la direccin de la causalidad entre dos series ar-
bitrarias. Por esta razn, parece ser mejor para describir esto como pruebas de si y ayuda a
predecir a x, en lugar de, pruebas de si y provoca x. Las pruebas pueden tener implicaciones
para la ltima pregunta, pero solo en relacin con otros supuestos.
Hasta este punto se ha discutido sobre dos variables, x e y, al margen de cualquier otra. Supon-
gamos que hay otras variables que interactan con x o y tambin. Cmo afecta a la relacin
predicha entre de x e y?
7
Esta discusin est basada en Hamilton (1983,1985)
SOLUCIONARIO DEL EXAMEN
PARCIAL ANALISIS DE SERIES DE
TIEMPO-SECCION K
Universidad Nacional de Ingeniera

Junio del 2014

Indice general
1. MODELOS GARCH Y MV 2
2. APLICACIONES CON PROCESOS ARMA 8

2.1. Ejercicio 1: Procesos estacionarios ARMA (1,1) . . . . . . . . . . . . . . . 8
2.2. Ejercicio 2: Procesos estacionarios ARMA(p,q) . . . . . . . . . . . . . . . . 14
3. VECTORES AUTORREGRESIVOS 21
4. COINTEGRACION 25
1
Captulo 1
MODELOS GARCH Y MV

Solucion:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t

b 2 |u2 , u2 , ...) = + 1 u2 + 2 u2 + ... + m u2

E(ut t1 t2 t1 t2 tm

Solucion:
2

E(u2t ) = + 1 E(u2t1 ) + 2 E(u2t2 ) + ... + m E(u2tm

2 = + 1 2 + 2 2 + ... + m 2
Finalmente:

2 =
(1 1 2 ... m )
Solucion:
Dado que:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t
con es ruido blanco
b 2 |u2 , u2 ) = + 1 u2 + 2 u2 + ... + m u2
E(ut t1 t2 t1 t2 tm
Ahora:
Supongamos que u
b2t+s|t = E(u
u b 2 |u2 , u2 , ...)
t+s|t t t1

u2t+j|t 2 ) = 1 (b
(b u2t+j1|t 2 ) + 2 (b
u2t+j2|t 2 ) + ... + m (b
u2t+jm|t 2 )

b2T |t = u2T T t
u
3
Solucion:

0
0
Solucion:
Sea el modelo:
yt = x0t + ut

ut N (0; ht )

Notamos que:
E[yt ] = x0t

V ar[yt ] = ht
4
1 yt ut 2
( )
1
f (yt | t1 ) = e 2 ht
2 ht
1 y1 u1 2 1 y 2 u2 2
( ) ( )
1 1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( e 2 h1 )( e 2 h2 )...
2 h1 2 h2
1 yT uT 2
( )
1 2 h
...( e T )
2 hT
Entonces:
1 2k
1 T 1 T
k=1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( ) q e 2 hk
2 T
j=1 hj
1 1 2
2 2 hk
Solucion:

T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5

0

1

2

0 2 0 2 0 2

.

.
q
ht = Zt ()
/
T T
Ln(L()) 1 X h0 1 X 2x0t ht 2 h0
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X 2xt 1 X 2x0t ht + 22 xt
=
2 t=1 ht 2 t=1 h2t
T T
=
t=1
ht t=1
2h2t
T T
= 2xt
t=1
ht 2h2t t=1
6
/
T T
Ln(L()) 1 X Zt () 1 X 2t Zt ()
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X Zt ()ht 1 X 2t Zt ()
= +
2 t=1 h2t 2 t=1 h2t
Ln(L()) 1 (2 ht )
= Zt ()
2 h2t
Ln(L()) (2 ht )
= t 2 Zt ()
2ht
7
Captulo 2
APLICACIONES CON PROCESOS

ARMA
2.1. Ejercicio 1: Procesos estacionarios ARMA (1,1)

Considere que existe un proceso proceso estacionario X que tiene como
PGD el siguiente ARMA(1,1):
(1-L)X = (1 L)t
Donde t es un RB de varianza t2 .
poral igual a t+1 denotada por: Xt+1|t = EL(Xt+1 |Xt , Xt1 , Xt2 , ...)
P
+
X
Xt+1/t = ak Xt+1k
k=1
Solucion:
Sea: (1 L)Xt = (1 L)t
Asegurando que la condicion de convertibilidad se cumple ( < 1) podemos ex-

presar la serie estacionaria como:

(1 L)
Xt = t
(1 L)
8
1
teniendo en cuenta que: 1x
= 1 + x + x2 + x3 + . . .
Asumimos que:
1 L
= a(L)
(1 L)
donde a(L) = 1 a1 L a2 L2 a3 L3 + . . .
Entonces:
(1 L)(1 + L + 2 L2 + 3 L3 + . . . ) = a(L)
(1 + L + 2 L2 + 3 L3 + . . . ) + (L L2 2 L3 . . . ) = a(L)
[1 ( )L ( )L2 2 ( )L3 . . . ] = 1 a1 L a2 L2 a3 L3 + . . .
De lo que:
ai = i1 ( )
Entonces el PGD de Xt se puede expresar como:

(1 L)
Xt = a(L)Xt = t
(1 L)
(1 a1 L a2 L2 a3 L3 + . . . )Xt = t
Xt a1 Xt1 a2 Xt2 a3 Xt3 = t
Xt = a1 Xt1 + a2 Xt2 + a3 Xt3 + + t
+
X
Xt = ak Xtk + t
k=1
Asumiendo que el error es Gaussiano, la mejor prediccion lineal condicionada a la

informacion en el tiempo tpara Xt+1 es:
E(Xt+1 /Xt , Xt1 , Xt2 , . . . ) = E(Xt+1 )
Pero Xt+1 debe estar expresado en su forma AR().

" + #
X
E(Xt+1 /Xt , Xt1 , Xt2 , . . . ) = E ak Xt+1k + t+1
k=1
+
X
Xt+1t = ak Xt+1k
k=1
9
Donde su forma general es:
+
X
Xt+1/t = ( ) k1 Xt+1k
k=1

prediccion lineal emprica: Xt+1|t = t+1
P
k=1 ak Xt+1k . Expresar Xt+1/t en fun-
b
cion de Xt y X bt|t1 .
Solucion:
bt+1/t =( )Xt +( )Xt1 +2 ( )Xt2 +...+t1 ( )X1 +t ( )X0 ...(a)

X
bt/t1 =()Xt1 +()Xt2 +2 ()Xt3 +...+t2 ()X1 +t1 ()X0 ...(b)

X
Ahora reemplazamos (b) en (a):
bt+1/t =( )Xt +[( )Xt1 +( )Xt2 +...+t2 ( )X1 +t1 ( )X0 ]

X
bt+1/t =( )Xt +X
X bt/t1

1 bt|t1 )2 )
et = Et ((Xt X
2t
Solucion:
Iterando un periodo adelante t obtenemos:
1 bt+1|t )2 )
et+1 = Et+1 ((Xt+1 X
2t+1
Multiplicando y dividiendo por el factor 2t y sumando y restando el factor Et ((Xt

bt|t1 )2 ) obtenemos:
X
10
2
et+1 =
1 bt+1|t )2 ) + Et ((Xt X
[Et+1 ((Xt+1 X bt|t1 )2 )] t
bt|t1 )2 ) Et ((Xt X
2
t+1 2t
Para luego ponerlo de la siguiente manera:
1 2 2t 1 bt+1|t )2 )Et ((Xt X

bt|t1 )2 )]
et+1 = 2 [Et ((Xt Xt|t1 ) )] 2 + 2 [Et+1 ((Xt+1 X
b
t t+1 t+1
Pero observamos que el 1er termino es et , por lo que la expresion quedara como:
2t 1 bt+1|t )2 ) Et ((Xt X
bt|t1 )2 )]
et+1 = et 2
+ 2 [Et+1 ((Xt+1 X
t+1 t+1
4. Calcular (0) del proceso X, luego e0 y finalmente deducir la expresion

del et
Solucion:
En primer lugar tenemos que: E[Xt ] = 0.
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t t1 )Xt ] = 1 + 2 (2 2 )
1 = E[Xt Xt1 ] = E[Xt1 + t t1 )Xt1 ] = 0 2
2 = 1
3 = 2
. .
. .
. .
k = k1
Resolviendo para 0 obtenemos:
11
(2) 2
0 = 1
t
Sabemos que:
1 b0/1 )2 ]
e0 = 20
E[(X0 X
Dado que por dato es imposible encontrar la observacion para (Xt )t<0 , entonces:
X
b0/1 = 0. Por lo tanto:
1
e0 = 20
E[(X0 )2 ]
0 (0)
e0 = 20
Reemplazando 0 (0), obtenemos:
(2) 2
1
0 (2)
e0 = 20
= 1
(2) 2
Dado que: 0 (t) = 1
t
0 (t) (2)
et = 2t
= 1
bt|t1 )2 ) si
5. Que podra decir sobre el error de la prediccion E((Xt X
t ?
Solucion:
Dado el proceso estacionario ARMA(1,1), se tiene:
(1 L)Xt = (1 L)et
Se puede expresar como un MA():
Xt = et + ( )et1 + (2 )et2 + (3 2 )et3 + ...
O puede ser expresado como:
Xt = et + 1 et1 + 2 et2 + 3 et3 + ...
12
Cambio de variable de t > t + s para trabajar:
Xt+s = et+s +1 et+s1 +2 et+s2 +3 et+s3 +...+s1 et1 +s2 et2 +s3 et3 +...
Media respecto al pasado:
Et1 (Xt+s ) = Et1 (et+s +1 et+s1 +2 et+s2 +3 et+s3 +...+s1 et1 +s2 et2 +s3 et3 +...)
Et1 (Xt+s ) = Et1 (et+s )+Et1 (1 et+s1 )+Et1 (2 et+s2 )+...+Et1 (s1 et1 )+Et1 (s2 et2 )+...
No se conoce a futuro el error por ello Et1 (et+si ) = 0 i = 0, s 1
De aqu quedara descrito como:
Et1 (Xt+s ) = Et1 (s1 et1 ) + Et1 (s2 et2 ) + ...

Despejando sabiendo que Eti (eti ) = eti i = 1, n, entonces:
Et1 (Xt+s ) = s1 et1 + s2 et2 + ...
Definimos el error de prediccion como:
(Error) = (xt+s Et1 xt+s )
El problema nos pide analizar : E[(xt+s Et1 xt+s )2 ]
E[(t+s + 1 t+s1 + 2 t+s2 + ... + s t )2 ]
Dado que el valor esperado de la multiplicacion de los errores es igual a cero

(E(t t+j ) = 0 j). Al resolver la potencia al cuadrado la expresion quedara:
E(2t+s + 12 2t+s1 + 22 2t+s2 + ... + s2 2t ) (2.2)
Pero E(2t ) = 2 t. Entonces (1):
= 2 + 12 2 + 22 2 + ... + s2 2
= 2 (1 + 12 + 22 + ... + s2 )
Ahora evaluamos el lmite de esta expresion para s , dado || < 1

lms E[(xt+s Et1 xt+s )2 ] = lmt E[(xt+s Et1 xt+s )2 ] = 2
13
2.2. Ejercicio 2: Procesos estacionarios ARMA(p,q)
Sean los siguientes procesos estacionarios
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1 yt1 + t + 1 t1
1. Calcular la media, la varianza y autocovarianza.
Solucion:
Para los procesos estacionarios, tendremos en cuenta que:
E(yt ) = cte =
V ar(yt ) = cte
t R.B.
Primer proceso: yt = + 1 yt1 + 2 yt2 + t
Media:
E(yt ) = E() + 1 E(yt1 ) + 2 E(yt2 ) + E(t )

E(yt ) 1 E(yt1 ) 2 E(yt2 ) =

E(yt ) = =
1 1 2
Varianza:
V ar(yt ) = V ar() + V ar(1 yt1 ) + V ar(2 yt2 ) + V ar(t )

V ar(yt ) = 21 V ar(yt1 ) + 22 V ar(yt2 ) + 2
2
V ar(yt ) =
1 21 22
Autocovarianza:
j = Cov(yt ; ytj ) = E[(yt E(yt ))(ytj E(ytj ))]

j = E[yt ytj ]
0 = Cov(yt ; yt ) = E[(yt E(yt ))(yt E(yt ))] = E[yt yt ]

0 = E[(1 yt1 + 2 yt2 + t )(yt )]
0 = 1 E[yt1 yt ] + 2 E[yt2 yt ] + E[yt t ]
0 = 1 1 + 2 2 + 2
14
1 = Cov(yt ; yt1 ) = E[yt yt1 ]
1 = E[(1 yt1 + 2 yt2 + t )(yt1 )]
2
1 = 1 E[yt1 ] + 2 E[yt2 yt1 ]
1 = 1 0 + 2 1
2 = Cov(yt ; yt2 ) = E[yt yt2 ]

2 = E[(1 yt1 + 2 yt2 + t )(yt2 )]
2
2 = 1 E[yt1 yt2 ] + 2 E[yt2 ]
2 = 1 1 + 2 0
Generalizando :
j = 1 j1 + 2 j2
Segundo proceso: yt = + t + 1 t1 + 2 t2
Media:
E(yt ) = E() + E(t ) + 1 E(t1 ) + 2 E(t2 )
E(yt ) =
E(yt ) = =
Varianza:
V ar(yt ) = V ar() + V ar(t ) + V ar(1 t1 ) + V ar(2 t2 )
V ar(yt ) = V ar(t ) + 12 V ar(t1 ) + 22 V ar(t2 )
V ar(yt ) = 2 (1 + 12 + 22 )
Autocovarianza:
= E[(yt )(ytj )]
0 = Cov(yt ; yt ) = E[(yt ))(yt ))]

0 = E[(t + 1 t1 + 2 t2 )(t + 1 t1 + 2 t2 )]
0 = E(2t ) + 1 E(2t1 ) + 2 E(2t2 )
0 = 2 (1 + 12 + 22 )
1 = Cov(yt ; yt1 ) = E[(yt ))(yt1 ))]

1 = E[(t + 1 t1 + 2 t2 )(t1 + 1 t2 + 2 t3 )]
1 = 1 E(2t1 ) + 2 1 E(2t2 )
1 = 2 (1 + 2 1 )
15
2 = Cov(yt ; yt2 ) = E[(yt ))(yt2 ))]
2 = E[(t + 1 t1 + 2 t2 )(t2 + 1 t3 + 2 t4 )]
2 = 2 E(2t2 )
2 = 2 2
P ara : j > 2
j = 0
Tercer proceso: yt = + 1 yt1 + t + 1 t1
Media:
E(yt ) = E() + E(1 yt1 ) + E(t ) + E(1 t1 )

E(yt ) 1 E(yt1 ) = + E(t ) + 1 E(t1 )

E(yt ) = =
1 1
Varianza:
V ar(yt ) = V ar() + V ar(1 yt1 ) + V ar(t ) + V ar(1 t1 )

V ar(yt ) = 21 V ar(yt1 ) + V ar(t ) + 12 V ar(t1 )
2 (1 + 12 )
V ar(yt ) =
1 21
Autocovarianza:

j = E[yt ytj ]

0 = E[(1 yt1 + t + 1 t1 )(yt )]
0 = 1 E[yt1 yt ] + E[yt t ] + 1 E[yt t1 ]
0 = 1 1 + 2 + 12 2
1 = Cov(yt ; yt1 ) = E[yt yt1 ]

1 = E[(1 yt1 + t + 1 t1 )(yt1 )]
2
1 = 1 E[yt1 ] + E[yt1 t ] + 1 E[yt1 t1 ]
1 = 1 0 + 1 2
16
2. Especificar la forma general de la Funcion de autocorrelacion simple (FAS) y
la Funcion de autocorrelacion parcial (FAP).
Solucion:
i) Sea yt = + 1 yt1 + 2 yt2 + t
Obteniendo el FAS
j=0
0
r0 = 0
=1
j=1
1 1 0 +2 1 1
r1 = 0
= 0
= 1 + 2 r1 r1 = 12
j=2
2 1 1 +2 0
r2 = 0
= 0
= 1 r1 + 2
j=3
3 1 2 +2 1
r3 = 0
= 0
= 1 r2 + 2 r1
En general: rj = 1 rj1 + 2 rj2 j > 0
Obteniendo el FAP:
Regresion yt = 10 + 11 yt1 + t
Modelo AR(2) yt = + 1 yt1 + 2 yt2 + t
El primer valor de la FAP siempre coincide con el primero de la FAS, por tanto 11 =
1
r1 = 1 2
. El segundo valor se determina a partir de la regresion:
Regresion yt = 20 + 21 yt1 + 22 yt2 + t

El segundo valor de la FAP coincide con el segundo parametro autorregresivo, es de-

cir 22 = 2 y los valores sucesivos de la PACF seran nulos.
En general jj = 0 j > 2
ii) Sea yt = + t + 1 t1 + 2 t2
Obteniendo el FAS:
17
0
0 =
0
= 1
1
1 =
0
1 + 1 2
=
1 + 12 + 22
2
2 =
0
2
=
1 + 12 + 22
3 = 0
En general j = 0 j > 2
Obteniendo el FAP:
El primer coeficiente del FAP coincide con el valor del primer coeficiente del FAS:
1 + 1 2
11 = 1 =
1 + 12 + 22
El segundo coeficiente del FAP se obtiene a partir de:
2 21
22 =
1 21
El tercer coeficiente del FAP se obtiene a partir de:
3 + 31 + 1 22 21 2 21 3
33 =
1 + 221 2 221 22
El coeficiente K del FAP es:
1 1 2 ... k2 1
1 1 1 ... k3 2
. . . . .
k2 k3 ... 1 k
kk = k1
1 1 2 ... k2 k1
1 1 1 ... k3 k2
. . . . .
k1 k2 k3 ... 1 1
18
iii) Sea yt = + 1 yt1 + t + 1 t1
Obteniendo el FAS:
j=0
0
r0 = 0
=1
j=1
1 1 0 1 2 1 2
r1 = 0
= 0
= 1 0
j=2
2 1 1
r2 = 0
= 0
= 1 r1
j=3
3 1 2
r3 = 0
= 0
= 1 r2
En general: rj = 1 rj1 j 2
Obteniendo el FAP:
Representamos el ARM A(1, 1) en un AR():

yt = + (1 1 )yt1 + 1 (1 1 )yt2 + 12 (1 1 ) + ... + t
1 1
11 ' 1 1
22 ' 1 (1 1 )
33 ' 12 (1 1 )
En general jj ' 1j1 (1 1 ) j 1
3. Especificar las condiciones de estacionariedad e invertibilidad segun corres-

ponda a cada proceso.
Solucion:
*ARMA ( 2,0)
yt = + 1 yt1 + 2 yt2 + t
yt = + 1 Lyt + 2 L2 yt + t
yt (1 1 L 2 L2 ) = + t
t
yt = (11 L 2 + (1 L L2 )
2L ) 1 2
19
Recordando
si: x 1
1
1x
= 1 + x + x2 + x3 + ... (Condicion de estcionariedad )
Luego

yt = (11 L 2 + t + Q1 t1 + Q2 t2 + Q3 t3 + ...(M A )
2L )
Por tanto:
Condicion de estacionariedad :
|1 | < 1;
2 + 1 < 1;
2 1 < 1
*ARMA ( 0, 2 )
yt = + t + 1 t1 + 2 t2
yt = + (1 + 1 L + 2 L2 )t
yt
(1+1 L+2 L2 )
= (1+1 L+ 2 + t
2L )

yt + P1 yt1 + P2 yt2 + P3 yt3 + ....(AR ) = (1+1 L+2 L2 )
+ t
Por tanto:
|1 | < 1;
(2 + 1 ) < 1;
1 2 < 1
*ARMA (1,1)
yt = + 1 yt1 + t + 1 t1
yt = + 1 Lyt + (1 + 1 L)t
yt (1 1 L) = + (1 + 1 L)t
yt (11 L)
(1+1 L)
= (1+ 1 L) + t
Condicion
de estacionariedad:
1
1 > 1 |1 | < 1
Condicion de Invertibilidad:
|1 | < 1
20
Captulo 3
VECTORES
AUTORREGRESIVOS
a) Considere el VAR bivariado:
y1t = 0,2y1,t1 + 0,04y2,t1 ) +1t

y2t = 0,1y1,t1 + 0,3y2,t1 ) +2t
Con E(1t 1 ) = 1 para t = y 0 en otros casos. E(2t 2 ) = 2 para

t = y 0 en otros casos. E(1t 2 ) = 0 para todos los casos.
Solucion:
Determine si el sistema es estacionario en covarianzas:

El sistema se puede reescribir como:

y1t 0,2 0,04 y1,t1
= + 1t
y2t 0,1 0,3 y2,t1 2t
Para
que el sistema
sea estacionario se tiene que cumplir que los valores propios
0,2 0,04
de sean menores que 1.
0,1 0,3
Los valores propios se hallan resolviendo la siguiente ecuacion:
2 (0,2 + 0,3) + (0,2 0,03 0,04 0,1) = 0

2 (0,5) + 0,002 = 0
Al resolver la ecuacion se obtienen las soluciones 1 = 0,1694 y 2 = 0,3306

por lo que el sistema es estacionario en covarianza.
21
0
b) Calcule t = yt+s /t para s=1 y 2. Ademas indicar el lmite cuando
s
Solucion:
y1t = 0,2y1,t1 + 0,04y2,t1 + 1t

Sea:
y2t = 0,1y1,t1 + 0,3y2,t1 + 2t
Sea:
y1t y1t1
Yt = Yt1 =
y2t y2t1
0,2 0,04
A=
0,1 0,3

t
Et =
t1
Entonces:
Yt = A Yt1 + Et
(I AL)Yt = Et
Yt = (I AL)1 Et
Yt = (I + AL + A2 L2 + A3 L3 + ....)Et
Yt = Et + AEt1 + A2 Et2 + ...
Para speriodos adelante:

Yt+s = Et+s + AEt+s1 + A2 Et+s2 + ...
*Si s = 1
Yt+1 = Et+1 + AEt + A2 Et1 + ...
Entonces :
1 = Yt+1 /Et0
1 = A

0,2 0,04
1 =
0,1 0,3
*Si s = 2
Yt+2 = Et+2 + AEt+1 + A2 Et + ...
22
Entonces :
2 = Yt+2 /Et0
2 = A2

0,2 0,04 2
2 =
0,1 0,3
0,044 0,02
2 =
0,05 0,094
Ademas: lms s = lms (Yt+s /0t )
lms s = 0
c) Calcule la fraccion del MSE del error de prediccion dos periodos

hacia adelante para la variable 1 E[y1,t+2 E(y1,t+2 /yt , yt1 , ...)]2 que es
debido a 1,t+1 y 1,t+2
Solucion:
yt = yt1 + t
(1 L)yt = t
yt = t + t1 + 2 t2 + 3 t3 + ... + s ts + ...
*s periodos hacia adelante:
yt+s = t+s + 1 t+s1 + ... + s1 t+1 + s t + ...
*s periodos hacia adelante condicionado:
E(yt+s /yt , yt1 , ...) = yt+s/t = s t + s+1 t1 + s+2 t2 + ...
*Restando ambos:
(yt+s E(yt+s /yt , yt1 , ...)) = t+s + t+s1 + 2 t+s2 + ... + s1 t+1
*Para s = 2:
(yt+2 E(yt+2 /yt , yt1 , ...)) = t+2 + t+1
23
*Para la variable 1:
(y1,t+2 E(y1,t+2 /yt , yt1 , ...)) = 1,t+2 + 0,21,t+1 + 0,042,t+1

E[(y1,t+2 E(y1,t+2 /yt , yt1 , ...))2 ] = E[(1,t+2 + 0,21,t+1 + 0,042,t+1 )(1,t+2 + 0,21,t+1 +
0,042,t+1 )]
= E(21,t+2 ) + 0,22 E(21,t+1 ) + 0,042 E(22,t+1 )
= 1 + 0,22 (1) + 0,042 (2)
= 1,4032
24
Captulo 4
COINTEGRACION

co y econometrico
Solucion:

Solucion:

25

Solucion:

1
0,7
26
TIEMPO-SECCION K

Junio del 2014

Indice general

4. COINTEGRACION 25
1
Captulo 1
MODELOS GARCH Y MV

Solucion:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t

b 2 |u2 , u2 , ...) = + 1 u2 + 2 u2 + ... + m u2

E(ut t1 t2 t1 t2 tm

Solucion:
2

E(u2t ) = + 1 E(u2t1 ) + 2 E(u2t2 ) + ... + m E(u2tm

2 = + 1 2 + 2 2 + ... + m 2
Finalmente:

2 =
(1 1 2 ... m )
Solucion:
Dado que:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t
con es ruido blanco
b 2 |u2 , u2 ) = + 1 u2 + 2 u2 + ... + m u2
E(ut t1 t2 t1 t2 tm
Ahora:
Supongamos que u
b2t+s|t = E(u
u b 2 |u2 , u2 , ...)
t+s|t t t1

u2t+j|t 2 ) = 1 (b
(b u2t+j1|t 2 ) + 2 (b
u2t+j2|t 2 ) + ... + m (b
u2t+jm|t 2 )

b2T |t = u2T T t
u
3
Solucion:

0
0
Solucion:
Sea el modelo:
yt = x0t + ut

ut N (0; ht )

Notamos que:
E[yt ] = x0t

V ar[yt ] = ht
4
1 yt ut 2
( )
1
f (yt | t1 ) = e 2 ht
2 ht
1 y1 u1 2 1 y 2 u2 2
( ) ( )
1 1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( e 2 h1 )( e 2 h2 )...
2 h1 2 h2
1 yT uT 2
( )
1 2 h
...( e T )
2 hT
Entonces:
1 2k
1 T 1 T
k=1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( ) q e 2 hk
2 T
j=1 hj
1 1 2
2 2 hk
Solucion:

T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5

0

1

2

0 2 0 2 0 2

.

.
q
ht = Zt ()
/
T T
Ln(L()) 1 X h0 1 X 2x0t ht 2 h0
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X 2xt 1 X 2x0t ht + 22 xt
=
2 t=1 ht 2 t=1 h2t
T T
=
t=1
ht t=1
2h2t
T T
= 2xt
t=1
ht 2h2t t=1
6
/
T T
Ln(L()) 1 X Zt () 1 X 2t Zt ()
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X Zt ()ht 1 X 2t Zt ()
= +
2 t=1 h2t 2 t=1 h2t
Ln(L()) 1 (2 ht )
= Zt ()
2 h2t
Ln(L()) (2 ht )
= t 2 Zt ()
2ht
7
Captulo 2

ARMA

(1-L)X = (1 L)t
P
+
X
Xt+1/t = ak Xt+1k
k=1
Solucion:
Sea: (1 L)Xt = (1 L)t


(1 L)
Xt = t
(1 L)
8
1
= 1 + x + x2 + x3 + . . .
Asumimos que:
1 L
= a(L)
(1 L)
donde a(L) = 1 a1 L a2 L2 a3 L3 + . . .
Entonces:
(1 L)(1 + L + 2 L2 + 3 L3 + . . . ) = a(L)
(1 + L + 2 L2 + 3 L3 + . . . ) + (L L2 2 L3 . . . ) = a(L)
[1 ( )L ( )L2 2 ( )L3 . . . ] = 1 a1 L a2 L2 a3 L3 + . . .
De lo que:
ai = i1 ( )

(1 L)
Xt = a(L)Xt = t
(1 L)
(1 a1 L a2 L2 a3 L3 + . . . )Xt = t
Xt = a1 Xt1 + a2 Xt2 + a3 Xt3 + + t
+
X
Xt = ak Xtk + t
k=1

E(Xt+1 /Xt , Xt1 , Xt2 , . . . ) = E(Xt+1 )

" + #
X
k=1
+
X
Xt+1t = ak Xt+1k
k=1
9
+
X
Xt+1/t = ( ) k1 Xt+1k
k=1

P
b
Solucion:
bt+1/t =( )Xt +( )Xt1 +2 ( )Xt2 +...+t1 ( )X1 +t ( )X0 ...(a)

X
bt/t1 =()Xt1 +()Xt2 +2 ()Xt3 +...+t2 ()X1 +t1 ()X0 ...(b)

X
bt+1/t =( )Xt +[( )Xt1 +( )Xt2 +...+t2 ( )X1 +t1 ( )X0 ]

X
bt+1/t =( )Xt +X
X bt/t1

1 bt|t1 )2 )
et = Et ((Xt X
2t
Solucion:
1 bt+1|t )2 )
et+1 = Et+1 ((Xt+1 X
2t+1

X
10
2
et+1 =
1 bt+1|t )2 ) + Et ((Xt X
[Et+1 ((Xt+1 X bt|t1 )2 )] t
2
t+1 2t
1 2 2t 1 bt+1|t )2 )Et ((Xt X

bt|t1 )2 )]
et+1 = 2 [Et ((Xt Xt|t1 ) )] 2 + 2 [Et+1 ((Xt+1 X
b
t t+1 t+1
2t 1 bt+1|t )2 ) Et ((Xt X
bt|t1 )2 )]
et+1 = et 2
+ 2 [Et+1 ((Xt+1 X
t+1 t+1

del et
Solucion:
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t t1 )Xt ] = 1 + 2 (2 2 )
1 = E[Xt Xt1 ] = E[Xt1 + t t1 )Xt1 ] = 0 2
2 = 1
3 = 2
. .
. .
. .
k = k1
11
(2) 2
0 = 1
t
Sabemos que:
1 b0/1 )2 ]
e0 = 20
E[(X0 X
X
1
e0 = 20
E[(X0 )2 ]
0 (0)
e0 = 20
(2) 2
1
0 (2)
e0 = 20
= 1
(2) 2
Dado que: 0 (t) = 1
t
0 (t) (2)
et = 2t
= 1
bt|t1 )2 ) si
t ?
Solucion:
(1 L)Xt = (1 L)et
Xt = et + ( )et1 + (2 )et2 + (3 2 )et3 + ...
Xt = et + 1 et1 + 2 et2 + 3 et3 + ...
12

Et1 (Xt+s ) = s1 et1 + s2 et2 + ...
E[(t+s + 1 t+s1 + 2 t+s2 + ... + s t )2 ]

E(2t+s + 12 2t+s1 + 22 2t+s2 + ... + s2 2t ) (2.2)
= 2 + 12 2 + 22 2 + ... + s2 2
= 2 (1 + 12 + 22 + ... + s2 )

13
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1 yt1 + t + 1 t1
Solucion:
E(yt ) = cte =
V ar(yt ) = cte
t R.B.
Media:
E(yt ) = E() + 1 E(yt1 ) + 2 E(yt2 ) + E(t )

E(yt ) 1 E(yt1 ) 2 E(yt2 ) =

E(yt ) = =
1 1 2
Varianza:

2
V ar(yt ) =
1 21 22
Autocovarianza:

j = E[yt ytj ]

0 = E[(1 yt1 + 2 yt2 + t )(yt )]
0 = 1 E[yt1 yt ] + 2 E[yt2 yt ] + E[yt t ]
0 = 1 1 + 2 2 + 2
14
1 = Cov(yt ; yt1 ) = E[yt yt1 ]
1 = E[(1 yt1 + 2 yt2 + t )(yt1 )]
2
1 = 1 E[yt1 ] + 2 E[yt2 yt1 ]
1 = 1 0 + 2 1
2 = Cov(yt ; yt2 ) = E[yt yt2 ]

2 = E[(1 yt1 + 2 yt2 + t )(yt2 )]
2
2 = 1 E[yt1 yt2 ] + 2 E[yt2 ]
2 = 1 1 + 2 0
Generalizando :
j = 1 j1 + 2 j2
Media:
E(yt ) = E() + E(t ) + 1 E(t1 ) + 2 E(t2 )
E(yt ) =
E(yt ) = =
Varianza:
V ar(yt ) = 2 (1 + 12 + 22 )
Autocovarianza:
= E[(yt )(ytj )]
0 = Cov(yt ; yt ) = E[(yt ))(yt ))]

0 = E[(t + 1 t1 + 2 t2 )(t + 1 t1 + 2 t2 )]
0 = E(2t ) + 1 E(2t1 ) + 2 E(2t2 )
0 = 2 (1 + 12 + 22 )
1 = Cov(yt ; yt1 ) = E[(yt ))(yt1 ))]

1 = E[(t + 1 t1 + 2 t2 )(t1 + 1 t2 + 2 t3 )]
1 = 1 E(2t1 ) + 2 1 E(2t2 )
1 = 2 (1 + 2 1 )
15
2 = Cov(yt ; yt2 ) = E[(yt ))(yt2 ))]
2 = E[(t + 1 t1 + 2 t2 )(t2 + 1 t3 + 2 t4 )]
2 = 2 E(2t2 )
2 = 2 2
P ara : j > 2
j = 0
Media:
E(yt ) = E() + E(1 yt1 ) + E(t ) + E(1 t1 )

E(yt ) 1 E(yt1 ) = + E(t ) + 1 E(t1 )

E(yt ) = =
1 1
Varianza:

2 (1 + 12 )
V ar(yt ) =
1 21
Autocovarianza:

j = E[yt ytj ]

0 = E[(1 yt1 + t + 1 t1 )(yt )]
0 = 1 E[yt1 yt ] + E[yt t ] + 1 E[yt t1 ]
0 = 1 1 + 2 + 12 2
1 = Cov(yt ; yt1 ) = E[yt yt1 ]

1 = E[(1 yt1 + t + 1 t1 )(yt1 )]
2
1 = 1 E[yt1 ] + E[yt1 t ] + 1 E[yt1 t1 ]
1 = 1 0 + 1 2
16
Solucion:
i) Sea yt = + 1 yt1 + 2 yt2 + t
Obteniendo el FAS
j=0
0
r0 = 0
=1
j=1
1 1 0 +2 1 1
r1 = 0
= 0
= 1 + 2 r1 r1 = 12
j=2
2 1 1 +2 0
r2 = 0
= 0
= 1 r1 + 2
j=3
3 1 2 +2 1
r3 = 0
= 0
= 1 r2 + 2 r1
Obteniendo el FAP:
1
r1 = 1 2


ii) Sea yt = + t + 1 t1 + 2 t2
Obteniendo el FAS:
17
0
0 =
0
= 1
1
1 =
0
1 + 1 2
=
1 + 12 + 22
2
2 =
0
2
=
1 + 12 + 22
3 = 0
Obteniendo el FAP:
1 + 1 2
11 = 1 =
1 + 12 + 22
2 21
22 =
1 21
3 + 31 + 1 22 21 2 21 3
33 =
1 + 221 2 221 22
1 1 2 ... k2 1
1 1 1 ... k3 2
. . . . .
k2 k3 ... 1 k
kk = k1
1 1 2 ... k2 k1
1 1 1 ... k3 k2
. . . . .
k1 k2 k3 ... 1 1
18
iii) Sea yt = + 1 yt1 + t + 1 t1
Obteniendo el FAS:
j=0
0
r0 = 0
=1
j=1
1 1 0 1 2 1 2
r1 = 0
= 0
= 1 0
j=2
2 1 1
r2 = 0
= 0
= 1 r1
j=3
3 1 2
r3 = 0
= 0
= 1 r2
Obteniendo el FAP:

yt = + (1 1 )yt1 + 1 (1 1 )yt2 + 12 (1 1 ) + ... + t
1 1
11 ' 1 1
22 ' 1 (1 1 )
33 ' 12 (1 1 )

Solucion:
*ARMA ( 2,0)
yt = + 1 yt1 + 2 yt2 + t
yt = + 1 Lyt + 2 L2 yt + t
yt (1 1 L 2 L2 ) = + t
t
yt = (11 L 2 + (1 L L2 )
2L ) 1 2
19
Recordando
si: x 1
1
1x
Luego

yt = (11 L 2 + t + Q1 t1 + Q2 t2 + Q3 t3 + ...(M A )
2L )
Por tanto:
|1 | < 1;
2 + 1 < 1;
2 1 < 1
*ARMA ( 0, 2 )
yt = + t + 1 t1 + 2 t2
yt = + (1 + 1 L + 2 L2 )t
yt
(1+1 L+2 L2 )
= (1+1 L+ 2 + t
2L )

+ t
Por tanto:
|1 | < 1;
(2 + 1 ) < 1;
1 2 < 1
*ARMA (1,1)
yt = + 1 yt1 + t + 1 t1
yt = + 1 Lyt + (1 + 1 L)t
yt (1 1 L) = + (1 + 1 L)t
yt (11 L)
(1+1 L)
= (1+ 1 L) + t
Condicion
de estacionariedad:
1
1 > 1 |1 | < 1
|1 | < 1
20
Captulo 3
VECTORES
AUTORREGRESIVOS
y1t = 0,2y1,t1 + 0,04y2,t1 ) +1t

y2t = 0,1y1,t1 + 0,3y2,t1 ) +2t

Solucion:


y1t 0,2 0,04 y1,t1
= + 1t
y2t 0,1 0,3 y2,t1 2t
Para
que el sistema
0,2 0,04
0,1 0,3
2 (0,2 + 0,3) + (0,2 0,03 0,04 0,1) = 0

2 (0,5) + 0,002 = 0

21
0
s
Solucion:
y1t = 0,2y1,t1 + 0,04y2,t1 + 1t

Sea:
y2t = 0,1y1,t1 + 0,3y2,t1 + 2t
Sea:
y1t y1t1
Yt = Yt1 =
y2t y2t1
0,2 0,04
A=
0,1 0,3

t
Et =
t1
Entonces:
Yt = A Yt1 + Et
(I AL)Yt = Et
Yt = (I AL)1 Et
Yt = (I + AL + A2 L2 + A3 L3 + ....)Et
Yt = Et + AEt1 + A2 Et2 + ...

Yt+s = Et+s + AEt+s1 + A2 Et+s2 + ...
*Si s = 1
Yt+1 = Et+1 + AEt + A2 Et1 + ...
Entonces :
1 = Yt+1 /Et0
1 = A

0,2 0,04
1 =
0,1 0,3
*Si s = 2
Yt+2 = Et+2 + AEt+1 + A2 Et + ...
22
Entonces :
2 = Yt+2 /Et0
2 = A2

0,2 0,04 2
2 =
0,1 0,3
0,044 0,02
2 =
0,05 0,094
lms s = 0

Solucion:
yt = yt1 + t
(1 L)yt = t
yt = t + t1 + 2 t2 + 3 t3 + ... + s ts + ...
yt+s = t+s + 1 t+s1 + ... + s1 t+1 + s t + ...
*Restando ambos:
*Para s = 2:
(yt+2 E(yt+2 /yt , yt1 , ...)) = t+2 + t+1
23
(y1,t+2 E(y1,t+2 /yt , yt1 , ...)) = 1,t+2 + 0,21,t+1 + 0,042,t+1

0,042,t+1 )]
= E(21,t+2 ) + 0,22 E(21,t+1 ) + 0,042 E(22,t+1 )
= 1 + 0,22 (1) + 0,042 (2)
= 1,4032
24
Captulo 4
COINTEGRACION

co y econometrico
Solucion:

Solucion:

25

Solucion:

1
0,7
26
TIEMPO-SECCION K

Junio del 2014

Indice general

4. COINTEGRACION 25
1
Captulo 1
MODELOS GARCH Y MV

Solucion:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t

b 2 |u2 , u2 , ...) = + 1 u2 + 2 u2 + ... + m u2

E(ut t1 t2 t1 t2 tm

Solucion:
2

E(u2t ) = + 1 E(u2t1 ) + 2 E(u2t2 ) + ... + m E(u2tm

2 = + 1 2 + 2 2 + ... + m 2
Finalmente:

2 =
(1 1 2 ... m )
Solucion:
Dado que:
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + t
con es ruido blanco
b 2 |u2 , u2 ) = + 1 u2 + 2 u2 + ... + m u2
E(ut t1 t2 t1 t2 tm
Ahora:
Supongamos que u
b2t+s|t = E(u
u b 2 |u2 , u2 , ...)
t+s|t t t1

u2t+j|t 2 ) = 1 (b
(b u2t+j1|t 2 ) + 2 (b
u2t+j2|t 2 ) + ... + m (b
u2t+jm|t 2 )

b2T |t = u2T T t
u
3
Solucion:

0
0
Solucion:
Sea el modelo:
yt = x0t + ut

ut N (0; ht )

Notamos que:
E[yt ] = x0t

V ar[yt ] = ht
4
1 yt ut 2
( )
1
f (yt | t1 ) = e 2 ht
2 ht
1 y1 u1 2 1 y 2 u2 2
( ) ( )
1 1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( e 2 h1 )( e 2 h2 )...
2 h1 2 h2
1 yT uT 2
( )
1 2 h
...( e T )
2 hT
Entonces:
1 2k
1 T 1 T
k=1
f (yt , yt1 , yt2 , .., y1 | t1 ) = ( ) q e 2 hk
2 T
j=1 hj
1 1 2
2 2 hk
Solucion:

T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5

0

1

2

0 2 0 2 0 2

.

.
q
ht = Zt ()
/
T T
Ln(L()) 1 X h0 1 X 2x0t ht 2 h0
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X 2xt 1 X 2x0t ht + 22 xt
=
2 t=1 ht 2 t=1 h2t
T T
=
t=1
ht t=1
2h2t
T T
= 2xt
t=1
ht 2h2t t=1
6
/
T T
Ln(L()) 1 X Zt () 1 X 2t Zt ()
=
2 t=1 ht 2 t=1 h2t
T T
Ln(L()) 1 X Zt ()ht 1 X 2t Zt ()
= +
2 t=1 h2t 2 t=1 h2t
Ln(L()) 1 (2 ht )
= Zt ()
2 h2t
Ln(L()) (2 ht )
= t 2 Zt ()
2ht
7
Captulo 2

ARMA

(1-L)X = (1 L)t
P
+
X
Xt+1/t = ak Xt+1k
k=1
Solucion:
Sea: (1 L)Xt = (1 L)t


(1 L)
Xt = t
(1 L)
8
1
= 1 + x + x2 + x3 + . . .
Asumimos que:
1 L
= a(L)
(1 L)
donde a(L) = 1 a1 L a2 L2 a3 L3 + . . .
Entonces:
(1 L)(1 + L + 2 L2 + 3 L3 + . . . ) = a(L)
(1 + L + 2 L2 + 3 L3 + . . . ) + (L L2 2 L3 . . . ) = a(L)
[1 ( )L ( )L2 2 ( )L3 . . . ] = 1 a1 L a2 L2 a3 L3 + . . .
De lo que:
ai = i1 ( )

(1 L)
Xt = a(L)Xt = t
(1 L)
(1 a1 L a2 L2 a3 L3 + . . . )Xt = t
Xt = a1 Xt1 + a2 Xt2 + a3 Xt3 + + t
+
X
Xt = ak Xtk + t
k=1

E(Xt+1 /Xt , Xt1 , Xt2 , . . . ) = E(Xt+1 )

" + #
X
k=1
+
X
Xt+1t = ak Xt+1k
k=1
9
+
X
Xt+1/t = ( ) k1 Xt+1k
k=1

P
b
Solucion:
bt+1/t =( )Xt +( )Xt1 +2 ( )Xt2 +...+t1 ( )X1 +t ( )X0 ...(a)

X
bt/t1 =()Xt1 +()Xt2 +2 ()Xt3 +...+t2 ()X1 +t1 ()X0 ...(b)

X
bt+1/t =( )Xt +[( )Xt1 +( )Xt2 +...+t2 ( )X1 +t1 ( )X0 ]

X
bt+1/t =( )Xt +X
X bt/t1

1 bt|t1 )2 )
et = Et ((Xt X
2t
Solucion:
1 bt+1|t )2 )
et+1 = Et+1 ((Xt+1 X
2t+1

X
10
2
et+1 =
1 bt+1|t )2 ) + Et ((Xt X
[Et+1 ((Xt+1 X bt|t1 )2 )] t
2
t+1 2t
1 2 2t 1 bt+1|t )2 )Et ((Xt X

bt|t1 )2 )]
et+1 = 2 [Et ((Xt Xt|t1 ) )] 2 + 2 [Et+1 ((Xt+1 X
b
t t+1 t+1
2t 1 bt+1|t )2 ) Et ((Xt X
bt|t1 )2 )]
et+1 = et 2
+ 2 [Et+1 ((Xt+1 X
t+1 t+1

del et
Solucion:
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t t1 )Xt ] = 1 + 2 (2 2 )
1 = E[Xt Xt1 ] = E[Xt1 + t t1 )Xt1 ] = 0 2
2 = 1
3 = 2
. .
. .
. .
k = k1
11
(2) 2
0 = 1
t
Sabemos que:
1 b0/1 )2 ]
e0 = 20
E[(X0 X
X
1
e0 = 20
E[(X0 )2 ]
0 (0)
e0 = 20
(2) 2
1
0 (2)
e0 = 20
= 1
(2) 2
Dado que: 0 (t) = 1
t
0 (t) (2)
et = 2t
= 1
bt|t1 )2 ) si
t ?
Solucion:
(1 L)Xt = (1 L)et
Xt = et + ( )et1 + (2 )et2 + (3 2 )et3 + ...
Xt = et + 1 et1 + 2 et2 + 3 et3 + ...
12

Et1 (Xt+s ) = s1 et1 + s2 et2 + ...
E[(t+s + 1 t+s1 + 2 t+s2 + ... + s t )2 ]

E(2t+s + 12 2t+s1 + 22 2t+s2 + ... + s2 2t ) (2.2)
= 2 + 12 2 + 22 2 + ... + s2 2
= 2 (1 + 12 + 22 + ... + s2 )

13
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1 yt1 + t + 1 t1
Solucion:
E(yt ) = cte =
V ar(yt ) = cte
t R.B.
Media:
E(yt ) = E() + 1 E(yt1 ) + 2 E(yt2 ) + E(t )

E(yt ) 1 E(yt1 ) 2 E(yt2 ) =

E(yt ) = =
1 1 2
Varianza:

2
V ar(yt ) =
1 21 22
Autocovarianza:

j = E[yt ytj ]

0 = E[(1 yt1 + 2 yt2 + t )(yt )]
0 = 1 E[yt1 yt ] + 2 E[yt2 yt ] + E[yt t ]
0 = 1 1 + 2 2 + 2
14
1 = Cov(yt ; yt1 ) = E[yt yt1 ]
1 = E[(1 yt1 + 2 yt2 + t )(yt1 )]
2
1 = 1 E[yt1 ] + 2 E[yt2 yt1 ]
1 = 1 0 + 2 1
2 = Cov(yt ; yt2 ) = E[yt yt2 ]

2 = E[(1 yt1 + 2 yt2 + t )(yt2 )]
2
2 = 1 E[yt1 yt2 ] + 2 E[yt2 ]
2 = 1 1 + 2 0
Generalizando :
j = 1 j1 + 2 j2
Media:
E(yt ) = E() + E(t ) + 1 E(t1 ) + 2 E(t2 )
E(yt ) =
E(yt ) = =
Varianza:
V ar(yt ) = 2 (1 + 12 + 22 )
Autocovarianza:
= E[(yt )(ytj )]
0 = Cov(yt ; yt ) = E[(yt ))(yt ))]

0 = E[(t + 1 t1 + 2 t2 )(t + 1 t1 + 2 t2 )]
0 = E(2t ) + 1 E(2t1 ) + 2 E(2t2 )
0 = 2 (1 + 12 + 22 )
1 = Cov(yt ; yt1 ) = E[(yt ))(yt1 ))]

1 = E[(t + 1 t1 + 2 t2 )(t1 + 1 t2 + 2 t3 )]
1 = 1 E(2t1 ) + 2 1 E(2t2 )
1 = 2 (1 + 2 1 )
15
2 = Cov(yt ; yt2 ) = E[(yt ))(yt2 ))]
2 = E[(t + 1 t1 + 2 t2 )(t2 + 1 t3 + 2 t4 )]
2 = 2 E(2t2 )
2 = 2 2
P ara : j > 2
j = 0
Media:
E(yt ) = E() + E(1 yt1 ) + E(t ) + E(1 t1 )

E(yt ) 1 E(yt1 ) = + E(t ) + 1 E(t1 )

E(yt ) = =
1 1
Varianza:

2 (1 + 12 )
V ar(yt ) =
1 21
Autocovarianza:

j = E[yt ytj ]

0 = E[(1 yt1 + t + 1 t1 )(yt )]
0 = 1 E[yt1 yt ] + E[yt t ] + 1 E[yt t1 ]
0 = 1 1 + 2 + 12 2
1 = Cov(yt ; yt1 ) = E[yt yt1 ]

1 = E[(1 yt1 + t + 1 t1 )(yt1 )]
2
1 = 1 E[yt1 ] + E[yt1 t ] + 1 E[yt1 t1 ]
1 = 1 0 + 1 2
16
Solucion:
i) Sea yt = + 1 yt1 + 2 yt2 + t
Obteniendo el FAS
j=0
0
r0 = 0
=1
j=1
1 1 0 +2 1 1
r1 = 0
= 0
= 1 + 2 r1 r1 = 12
j=2
2 1 1 +2 0
r2 = 0
= 0
= 1 r1 + 2
j=3
3 1 2 +2 1
r3 = 0
= 0
= 1 r2 + 2 r1
Obteniendo el FAP:
1
r1 = 1 2


ii) Sea yt = + t + 1 t1 + 2 t2
Obteniendo el FAS:
17
0
0 =
0
= 1
1
1 =
0
1 + 1 2
=
1 + 12 + 22
2
2 =
0
2
=
1 + 12 + 22
3 = 0
Obteniendo el FAP:
1 + 1 2
11 = 1 =
1 + 12 + 22
2 21
22 =
1 21
3 + 31 + 1 22 21 2 21 3
33 =
1 + 221 2 221 22
1 1 2 ... k2 1
1 1 1 ... k3 2
. . . . .
k2 k3 ... 1 k
kk = k1
1 1 2 ... k2 k1
1 1 1 ... k3 k2
. . . . .
k1 k2 k3 ... 1 1
18
iii) Sea yt = + 1 yt1 + t + 1 t1
Obteniendo el FAS:
j=0
0
r0 = 0
=1
j=1
1 1 0 1 2 1 2
r1 = 0
= 0
= 1 0
j=2
2 1 1
r2 = 0
= 0
= 1 r1
j=3
3 1 2
r3 = 0
= 0
= 1 r2
Obteniendo el FAP:

yt = + (1 1 )yt1 + 1 (1 1 )yt2 + 12 (1 1 ) + ... + t
1 1
11 ' 1 1
22 ' 1 (1 1 )
33 ' 12 (1 1 )

Solucion:
*ARMA ( 2,0)
yt = + 1 yt1 + 2 yt2 + t
yt = + 1 Lyt + 2 L2 yt + t
yt (1 1 L 2 L2 ) = + t
t
yt = (11 L 2 + (1 L L2 )
2L ) 1 2
19
Recordando
si: x 1
1
1x
Luego

yt = (11 L 2 + t + Q1 t1 + Q2 t2 + Q3 t3 + ...(M A )
2L )
Por tanto:
|1 | < 1;
2 + 1 < 1;
2 1 < 1
*ARMA ( 0, 2 )
yt = + t + 1 t1 + 2 t2
yt = + (1 + 1 L + 2 L2 )t
yt
(1+1 L+2 L2 )
= (1+1 L+ 2 + t
2L )

+ t
Por tanto:
|1 | < 1;
(2 + 1 ) < 1;
1 2 < 1
*ARMA (1,1)
yt = + 1 yt1 + t + 1 t1
yt = + 1 Lyt + (1 + 1 L)t
yt (1 1 L) = + (1 + 1 L)t
yt (11 L)
(1+1 L)
= (1+ 1 L) + t
Condicion
de estacionariedad:
1
1 > 1 |1 | < 1
|1 | < 1
20
Captulo 3
VECTORES
AUTORREGRESIVOS
y1t = 0,2y1,t1 + 0,04y2,t1 ) +1t

y2t = 0,1y1,t1 + 0,3y2,t1 ) +2t

Solucion:


y1t 0,2 0,04 y1,t1
= + 1t
y2t 0,1 0,3 y2,t1 2t
Para
que el sistema
0,2 0,04
0,1 0,3
2 (0,2 + 0,3) + (0,2 0,03 0,04 0,1) = 0

2 (0,5) + 0,002 = 0

21
0
s
Solucion:
y1t = 0,2y1,t1 + 0,04y2,t1 + 1t

Sea:
y2t = 0,1y1,t1 + 0,3y2,t1 + 2t
Sea:
y1t y1t1
Yt = Yt1 =
y2t y2t1
0,2 0,04
A=
0,1 0,3

t
Et =
t1
Entonces:
Yt = A Yt1 + Et
(I AL)Yt = Et
Yt = (I AL)1 Et
Yt = (I + AL + A2 L2 + A3 L3 + ....)Et
Yt = Et + AEt1 + A2 Et2 + ...

Yt+s = Et+s + AEt+s1 + A2 Et+s2 + ...
*Si s = 1
Yt+1 = Et+1 + AEt + A2 Et1 + ...
Entonces :
1 = Yt+1 /Et0
1 = A

0,2 0,04
1 =
0,1 0,3
*Si s = 2
Yt+2 = Et+2 + AEt+1 + A2 Et + ...
22
Entonces :
2 = Yt+2 /Et0
2 = A2

0,2 0,04 2
2 =
0,1 0,3
0,044 0,02
2 =
0,05 0,094
lms s = 0

Solucion:
yt = yt1 + t
(1 L)yt = t
yt = t + t1 + 2 t2 + 3 t3 + ... + s ts + ...
yt+s = t+s + 1 t+s1 + ... + s1 t+1 + s t + ...
*Restando ambos:
*Para s = 2:
(yt+2 E(yt+2 /yt , yt1 , ...)) = t+2 + t+1
23
(y1,t+2 E(y1,t+2 /yt , yt1 , ...)) = 1,t+2 + 0,21,t+1 + 0,042,t+1

0,042,t+1 )]
= E(21,t+2 ) + 0,22 E(21,t+1 ) + 0,042 E(22,t+1 )
= 1 + 0,22 (1) + 0,042 (2)
= 1,4032
24
Captulo 4
COINTEGRACION

co y econometrico
Solucion:

Solucion:

25

Solucion:

1
0,7
26
FACULTAD DE INGENIERIA ECONOMICA
SOLUCIONARIO EXAMEN PARCIAL DE SERIES

DE TIEMPO FINANCIERAS (2014-I)
Profesor: Rafael Caparo

SECCION L*
1. COINTEGRACION
1.1. El concepto de cointegracion desde un enfoque economico y econometri-
co
Enfoque Economico:
El concepto de cointegracion se basa en la existencia de una relacion de equilibrio entre variables
no estacionarias, por lo que los desequilibrios que se presentan son unicamente de corto plazo
o transitorios. El concepto permite discriminar las relaciones de largo plazo realmente existen-
tes de las espurias, con lo que se posibilita especificar relaciones de equilibrio entre variables
economicas junto con relaciones de corto plazo.
Si Xt y Zt cointegran, entonces existe una relacion de equilibrio de largo plazo entre las series y
por tanto la dinamica de corto plazo admite una representacion de mecanismo de correccion de
errores.
Enfoque Econometrico:
Se dice que dos series, Xt y Zt cointegran si existeuna combinacion lineal entre ellas que es
estacionaria, esto es si existe un vector = 1 2 tal que Xt 2 Zt es I(0)
1.2. Que son los procesos integrados? y por que son importantes al mo-
mento de hacer modelamiento por cointegracion?
Los procesos no estacionarios mas importantes son los procesos integrados, que tienen la
propiedad fundamental de que al diferenciarlos se obtienen procesos estacionarios. Una propie-
dad importante que diferencia a los procesos integrados de los estacionarios es la forma en que
desaparece la dependencia con el tiempo. - En los procesos estacionarios ARMA las autocorre-
laciones disminuyen geometricamente, y se hacen practicamente cero a los pocos retardos. - En
los procesos Integrados las autocorrelaciones disminuyen linealmente con el tiempo y es posible
encontrar coeficientes de autocorrelacion distintos de cero hasta retardos muy altos. Generali-
zando, diremos que un proceso es integrado de orden k(k 0), y lo representaremos por I(k),
*
El presente solucionario fue realizado en conjunto por los alumnos de esta seccion.
1
cuando al diferenciarlo k veces se obtiene un proceso estacionario. En la practica la mayora de
las series no estacionarias que son integradas tienen un orden k 3.
1.3. Considere el modelo

Yt = 0,1 + 0,7Xt + Ut
Ut i.i.d. (0, 0,9)
Estan Yt y Xt cointegradas? Justifique brevemente su respuesta. Si Yt y Xt estan cointegra-
das,Cual es el vector de cointegracion?
Si X y Y son variables no estacionarias para que sean cointegradas debe existir una combi-
nacion lineal de ellas que sea estacionaria.
Para que una variable sea estacionaria debe tener media cero y varianza constante vemos que
Ut tiene esas caracteristicas por lo tanto la combinacion lineal mostrada es estacionaria lo que
quiere decir
que Xt yYt son cointegradas y el vector de cointegracion son los coeficientes de la
ecuacion 0,1 0,7 1
2. EJERCICIOS PROCESOS ESTACIONARIOS ARMA, VAR

2.1. Ejercicio 1
Consideramos un proceso vectorial (Yt) de tamano n, que se supone es integrado de orden 1,
y admite una representacion VAR de la forma:
(L)Yt = + t
Donde st es innovacion de Y e (0) = Id
Ejercicio 1.1
1. Utilizando la descomposicion (X) = (1) + (I X)+ (X) demostramos que podemos

escribir el modelo en la forma equivalente
p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1

(L) = I 1 L 2 L2 p Lp
+ (L) = 0 + 1 L + 1 L2 p1 Lp1
(1) = I 1 2 p
Entonces pasamos a determinar los coeficientes i , i = 1, 2, , p 1

(L) = I 1 2 p + (1 L)(0 + 1 L + 1 L2 p1 Lp1 )
(L) = (I 1 2 p ) + (0 + 1 L + 1 L2 p1 Lp1 )
(0 + 1 L + 1 L2 p1 Lp1 )
2
Agrupando:
(L) = (I 1 2 p + 0 ) + (1 0 )L + (2 1 )L2 + (3 2 )L3 +

+(p1 p2 )Lp1 p1 )Lp
I = I 1 2 p + 0
1 (L) = (1 0 )L
1 = (1 1 2 3 p )
1 = (2 + 3 + + p )
Y as sucesivamente, podemos generalizar hacia el termino i donde:

p
X
j = i , i = 1, 2, , p 1
i=1+j
Volviendo al problema, utilizamos la descomposicion:
(1)Yt + + (L)(1 L)Yt = + t

(1)Yt + (0 + 1 L + 1 L2 p1 Lp1 )(1 L)Yt = + t
((1) + 0 (1 L))Yt + 1 (1 L))Yt1 + 2 (1 L))Yt2 + + tp+1 (1 L))Ytp+1 = + t
[(1) + (1 L)]Yt = 1 (1 L)Yt1 2 (1 L)Yt2 tp+1 (1 L)Ytp+1 + + t

p1
X
(1 L)Yt = (1)Yt1 i (1 L)Yti + + t
i=1
Para obtener la misma expresion del dato, realizamos un cambio de variable de i = i Por
lo tanto demostramos lo pedido:
p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
2. Mostrar que el rango de (1) es estrictamente menor que n.
De la equivalencia hallada anteriormente, observamos que el primer termino de la derecha

incluye una posible variable I(1). Dado que sabemos que Yt es I(1), entonces (1)Yt1 debe
contener las relaciones de cointegracion. Entonces el determinante de (1)Yt1 es cero.
3
Por propiedades de matrices se sabe que cualquier matriz, el cual su determinante sea cero,
tanto una de sus filas o columnas puede contener todos sus elementos cero, por lo que el rango
sera menor que el orden de dicha matriz(en este caso menor que n)
3. Supongamos que el rango de (1) es igual a r. Demostrar que existen 2 matrices

y de dimensiones (n,r) y rango r tal que (1)) = t
Sea (1) de rango r, expresarlo en funcion del producto de y , implica que el rango mnimo
de cada uno de las dos matrices debe ser r, pero dado que son de orden (nxr) el rango maximo
que pueden tener es r. Intersectando ambas soluciones se obtiene que tanto como deben
tener rango r
4. Mostrar que t yt es necesariamente estacionario (Las columnas de son enton-

ces llamadas vectores de cointegracion yt ).
t yt = t (I (1))Yt1 + t + t t
El primer termino es cointegrado de orden (1), mientras que t y t t son I(0) por lo tanto
la suma de estos terminos resulta que t yt es I(0)
4
3. VECTORES AUTOREGRESIVOS
y1,t = 2, 03y1,t1 + 0, 04y2,t1 + 1,t

y2,t = 1, 02y1,t1 + 3, 05y2,t1 + 2,t
Parte a)
Determine si este sistema es estacionario en covarianzas
Solucion:
Como los valores encontrados son menores a cero, concluimos que el sistema no estacionario en
covarianzas.
En ese sentido, la parte 3.2 y 3.3 ya no se resuelve.
5
4. MODELOS GARCH Y MV
Solucion 4.1
Sea yt un proceso estacionario AR(p), con un error ut , denotado por:
yt = c + 1 yt1 + 2 yt2 + ... + p ytp + ut
donde ut es ruido blanco:
E(ut ) = 0
2
para t =
E(ut u ) =
0 otro caso.
El proceso es estacionario en covarianza puesto que las races de
1 1 z + 2 z 2 + ... + p z p = 0
estan fuera del circulo unitario. La prediccion lineal optima del nivel del yt para un proceso
AR(p) es
E(yt |yt1 , yt2 , ...) = c + 1 yt1 + 2 yt2 + ... + p ytp
Dado que el proceso es estacionario en covarianza, la media no condicional de yt es constante:
E(yt ) = c/(1 1 2 ... p )
Algunas veces nosotros podramos estar interesados en predecir no solo el nivel de las series
de yt sino que tambien su varianza. Una varianza que cambia a traves del tiempo tambien
tiene implicancias para la validez y eficiencia de la inferencia estadstica sobre los parametros
(c, 1 , 2 , ..., p ) que describen la dinamica del nivel de yt .
Aunque por la condicion de la covarianza entre los errores u del proceso AR(p), eso implica
que la varianza no condicional de ut es la constante 2 , la varianza condicional de ut podra
cambiar a traves del tiempo. Una aproximacion es describir el cuadrado de ut por si mismo
siguiendo un proceso AR(m):
u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + wt
donde wt es un nuevo proceso ruido blanco:
E(wt ) = 0
2
para t =
E(wt w ) =
0 otro caso.
Un proceso ruido blanco ut que satisface estas condiciones es descrito como un proceso
autoregresivo condicional heterocedastico de orden m, denotado ut ARCH(m). Esta clase de
procesos fue introducido por Engle(1982).
6
Solucion 4.2
Desde que ut es el error en la prediccion de yt , la expresion obtenida del proceso AR(m) para
el cuadrado de ut implica que la proyeccion lineal del cuadrado del error de una prediccion de
yt en los previos m errores cuadrados pronosticados esta dado por
E(u2t |u2t1 , u2t2 , ...) = + 1 u2t1 + 2 u2t2 + ... + m u2tm
Ya que ut es aleatorio y u2t no puede ser negativo, esta puede ser una representacion sensible
solo si dicha expresion es positiva y la del ejercicio anterior(del proceso AR(m) para el cuadrado
del error ut ) es no negativa para todas las realizaciones de {ut }. Esto puede ser asegurado si wt
es delimitado desde debajo por con > 0 y si j 0 para j = 1, 2, ..., m. Con el fin de que
u2t sea estacionario en covarianza, requerimos ademas que las races de
1 1 z 2 z 2 ... m z m = 0
esten fuera del crculo unitario. Si los j son todos no negativos, este es equivalente al requeri-
miento de que
1 + 2 + ... + m < 1
Cuando estas condiciones son satisfechas, la varianza no condicional de ut esta dado por
2 = E(u2t ) = /(1 1 2 ... m )
Solucion 4.3. Calcule el pronostico de s periodos hacia delante

Solucion:
Sea AR(m)
u2 t = + 1 u2 t1 + 2 u2 t2 + . . . + m u2 tm + wt . . . (1)
Con el fin de que ut 2 tenga covarianza estacionaria se requiere:
1 1 z 2 z 2 . . . m z m = 0
1 + 2 + . . . + m < 1
Cuando se satisfacen estas condiciones, la varianza no condicional de ut 2 esta dada por
7
2 = E(u2 t ) = + 1 E(u2 t1 ) + 2 E(u2 t2 ) + . . . + m E(u2 tm )
(1 1 2 . . . m )E(u2 t ) =

2 = E(u2 t ) = . . . (2)
(1 1 2 . . . m )
Adelantando s periodos hacia adelante, tenemos:
u2 t+s = + 1 u2 t+s1 + 2 u2 t+s2 + . . . + m u2 t+sm + wt+s
Y tomamos esperanza en ambos lados, donde u2t+s denota el pronostico lineal de s periodos
hacia adelante:
E(u2 t+s ) = + 1 E(u2 t+s1 ) + 2 E(u2 t+s2 ) + . . . + m E(u2 t+sm ) . . . (3)
De (2) obtenemos:
= 2 (1 1 2 . . . m ) . . . (4)
u2t+s = 2 (1 1 2 . . . m ) + 1 u2t+s1 + 2 u2t+s2 + . . . + m u2t+sm
(u2t+s 2 ) = 1 (u2t+s1 2 ) + 2 (u2t+s2 2 ) + . . . + m (u2t+sm 2 )
Solucion 4.4. Que pasa cuando s ?

El pronostico de s periodos hacia delante de u2t+s converge en la probabilidad de 2
8
Solucion 4.5
Consideremos el siguiente modelo:
yt = x0t + ut
Donde el error ut tiene un comportamiento heterocedastico, con media 0 y varianza ht . En

este problema xt denota un vector de variables explicativas predeterminas, lo cual puede incluir
valores retrasados de y. Luego el vector obtenido de variables observadas hasta el tiempo t sera:
= (yt , yt1 , . . . , y1 , y2 , . . . , ym+1 , x0t , x0t1 , . . . , x01 , x00 , . . . , x0m+1 )0

Ademas consideremos que ut sigue un proceso ARCH(m) y sigue lo siguiente: ut = ht .vt
Donde: vt es una serie i.i.d N(0,1) Luego ht seria:
ht = + 1 u2t1 + 2 u2t2 + . . . + m u2tm

Si vt es i.i.d N(0; 1) con vt independiente de xt e t , entonces la distribucion condicional de yt
es Gaussiano con media x0t y varianza ht :
1 (yt x0t )2
f (yt |xt , t1 ) = exp( )
2ht 2ht
Donde:
ht = + 1 (yt1 x0t1 )2 + 2 (yt2 x0t2 )2 + . . . + m (ytm x0tm )2 ht = [zt ()]0
Para:
= (, 1 , 2 , . . . , m )0
[zt ()] = [1, (yt1 x0t1 )2 , (yt2 x0t2 )2 , . . . , (ytm x0tm )2 ]
Luego los parametros a estimar los representamos en el vector (aX1) :
= ( 0 , 0 )0
Luego el logaritmo de la funcion de verosimilitud sera:

T
X
L() = log f (yt |xt , t1 ; )
t=1
T
X
L() = (T /2) log(2) (1/2) log(ht )
t=1
PT
L() = (1/2) t=1 (yt x0t )2 /ht .
9
Solucion 4.6
Ahora vamos a hallar los valores optimos a partir de la funcion loglikelihood de la siguiente
manera:
1 (yt x0t )2 (yt x0t )2 h

logf (yt |xt , Yt1 ; ) 1 loght 1
= .
2 2 ht h2t
Pero

(yt x0t )2 2xt ut
=
0
Y

+ m 2
P
ht u
j=1 j tj
=

m
X m
X
= / + (j /) u2tj + j (u2tj /)
j=1 j=1

0 0 0 2utj xtj

1

0
0
Xm
0

u2
0 0 0
= + + + +

t1
..
.. .. ..
.
. . j=1 .
0 0 u2tm 0
Pm
= j=1 2j utj xtj
zt ()
Sustituyendo los valores obtenemos lo pedido:

Pm
u2

logf (yt |xt , yt1 ; ) 1 j=1 2j utj xtj (xt ut )/ht
= t2 + ,
2ht 2ht zt () 0
10
5. EJERCICIOS ADICIONALES
Sea la series definida por:
Xn = Xn2 + Zn ,
Zn con n enteros, ademas Zn es un:
RB(0, 2 )
|| < 1
Xn es estacionario. Zn y Xm no estan correlacionados para m menor a n.
5.1. a)Calcule (x)
cov(Xn , Xnh ) h
x(h) = =
var(Xn ) 0
h = E[(Xn E(Xn ))(Xnh E(Xnh ))]
Pero de la Ecuacion (1) podemos sacar la esperanza y saber cual es el valor de E(Xn)
E(Xn ) = E(Xn2 + Zn )
E(Xn ) = E(Xn2 ) + E(Zn )
E(Xn ) = E(Xn ) + E(Zn )
E(Xn ) = E(Xn2 ) + 0
E(Xn ) = E(Xn2 )
E(Xn ) = E(Xnh ) = 0
Con lo anterior podemos seguir con el calculo de de la ecuacion (5)
h = E[(Xn 0)(Xnh 0)]
h = E[(Xn )(Xnh )]
* Para h=0
0 = E[(Xn )(Xn )]
11
Para resolver la ecuacion (14), tenemos que sacar la varianza de Xn
V ar(Xn ) = V ar(Xn2 + Zn )
Resolviendo y despejando, obtenemos:
2
V ar(Xn ) =
1 2
Usamos la ecuacion (16) en la (14) y obtenemos que:
2
0 =
1 2
* Para h=1
1 = E[(Xn )(Xn1 )]
1 = E[(Xn2 + Zn )(Xn1 )]
Resolviendo la ecuacion anterior, tomando en cuenta que no hay correlacion entre Xm,Zn.
1 = E[(Xn2 )(Xn1 )]
1 = 1
1 = 0
2
2 = E[(Xn )(Xn2 )] =
1 2
3 = E[(Xn )(Xn3 )] = 0
2 2
4 = E[(Xn )(Xn4 )] =
1 2
Podemos concluir que para h pares:
cov(Xn , Xnh ) h h/2 0

x(h) = = = = h/2
var(Xn ) 0 0
Para los h que toman valores impares sera 0.
12
b)Calcule la varianza de (X1 + X2 + X3 + X4 )/4..para.. =0,9..y.. 2 =1
var(X1 + X2 + X3 + X4 )
var[(X1 + X2 + X3 + X4 )/4] =
16
var(X1 ) + var(X2 ) + var(X3 ) + var(X4 ) + 2[cov(X1 , X2 ) + cov(X1 , X3 ) + cov(X1 , X4 )

=
16
cov(X2 , X3 ) + cov(X2 , X4 ) + cov(X3 , X4 )]

... +
16
Utilizando los datos de la primera parte del ejercicio, podemos obtener los valores para cada
termino, luego de reemplazar, nos queda:
2 2
12
+ 12
=
4
Operando, obtenemos
2 2
12
+ 12
= = 2, 5
4
c)repita el ejercicio para =-0,9
2 2
12
+ 12
= = 0, 131
4
5.2. Ejercicio 2
Sobre el conjunto de series definimos el operador de diferencias primeras:
como
(x)n = Xn Xn1
si
p
X
Xn = ck nk
k=0
Demostrar que la ecuacion (33) es un polinomio de grado p-1.
p
X p
X
k
(x)n = Xn Xn1 = ck n ck (n 1)k
k=0 k=0
13
= (C0 n0 + C1 n1 .. + ..Cp np ) [C0 (n 1)0 + C1 (n 1)1 + .. + ..Cp (n 1)p ]
= C1 + C2 (n2 (n 1)2 ) + C3 (n3 (n 1)3 ).. + ..Cp (np (n 1)p )
Podemos observar que en cada termino se va a eliminar el grado mas alto, por lo que en el
ultimo termino ya no tendra grado p, sino, grado (p-1)
Ademas nos piden demostrar:
(p+1 x)n = 0
Por induccion:
(1 x)n = Xn Xn1
(2 x)n = (Xn Xn1 ) = (Xn ) (Xn1 ) = Xn 2Xn1 + Xn2
(3 x)n = (Xn 2Xn1 + Xn2 ) = Xn 3(Xn1 Xn2 ) Xn3
generalizando:
(p+1 x)n = Xn (p + 1)[Xn1 Xn2 + Xn3 .. + ..(1)p+1 Xnp ] + (1)p+1 Xn(p+1)
p
X
(p+1 x)n = Xn (p + 1) 1(p+1) Xnp ) + (1)p+1 Xn(p+1)
p=1
Se deduce:
p
X
Xn (p + 1) 1(p+1) Xnp ) + (1)p+1 Xn(p+1)
p=1
(p+1 x)n = Xn Xn = 0
14
Solucionario de la primera practica
calificada
Analisis de series de tiempo financieras
Cachuan Paucar Eduardo

Chumpitaz Quispe Silvia
Huancaya Idone Dante
Zelada Maguina Fernando
Abril del 2014

Contents
1 Ejercicios Aplicativos 2
1.1 Ejercicio 1: Procesos estacionarios ARMA . . . . . . . . . . . 2
1.1.1 Estacionariedad en el sentido debil . . . . . . . . . . . 2
1.1.2 Funcion de autocovarianzas y Funciones de Autocor-
relacion . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Ejercicio 2: Mecanismos de Ecuaciones en Diferencia . . . . . 7
1.2.1 Multiplicadores Dinamicos . . . . . . . . . . . . . . . . 7
1.2.2 FIR: Funcion Impulso Respuesta . . . . . . . . . . . . 12
1.3 Ejercicio 3: Procesos estacionarios en covarianza . . . . . . . 15
2 Ejercicios del libro 18

2.1 Demanda de dinero y efectos de largo plazo . . . . . . . . . . 18
2.1.1 Demuestracion del multiplicador dinamico . . . . . . . 18
2.1.2 Los autovalores (eigenvalues) . . . . . . . . . . . . . . 19
2.1.3 Calculo de efecto ingreso . . . . . . . . . . . . . . . . . 20
2.1.4 Calculo de elasticidad ingreso de largo plazo de la de-
manda de dinero . . . . . . . . . . . . . . . . . . . . . 20
3 Laboratorio 22
3.1 Ejercicio 1: Procesos estacionarios ARMA . . . . . . . . . . . 22
3.1.1 Mecanismos de Ecuaciones en Diferencia . . . . . . . . 22
3.1.2 Experimentos con procesos ARMA . . . . . . . . . . . 24
3.1.3 Box-Jenkins a lo UNI-FIEECS . . . . . . . . . . . . . 28
1
Chapter 1
Ejercicios Aplicativos

1.1.1 Estacionariedad en el sentido debil
Supuestos:
E(yt ) = 0
V ar(yt ) = 2
Cov(yt , ytk ) = k
ARM A(2, 1) : yt = 0, 8yt1 + 0, 4yt2 + t + 1, 4t1
p
0, 8 0, 82 4 (0, 4)
1,2 =
2
p
0, 8 0, 64 + 4 (0, 4)
1,2 =
2
0, 8 1, 5
1,2 =
2
1,2 = 0, 4 0, 75
1 = 1, 15
2
2 = 0, 35
Por tanto el proceso no es estacionario
ARM A(2, 0) : yt = 0, 5yt1 + 0, 04yt2 + t
p
0, 5 0, 52 4 (0, 04)
1,2 =
2
p
0, 5 0, 25 + 4 (0, 16)
1,2 =
2
0, 5 0, 64
1,2 =
2
1,2 = 0, 25 0, 32
1 = 0, 57
2 = 0, 07
Por tanto el proceso es estacionario
ARM A(2, 2) : yt = 2, 4yt1 1, 78yt2 + t + 1, 6t1 + 1, 2t2
p
2, 4 2, 42 4 (1, 78)
1,2 =
2

2, 4 1, 36i
1,2 =
2
1,2 = 1, 2 0, 58i
Hallando el modulo del vector

q
R= (1, 2)2 + (0, 58)2
p
R= 1, 44 + 0, 336
3
R = 1, 32
El proceso no es estacionario
ARM A(2, 0) : yt = 0, 9yt1 + 0, 1yt2 + t
p
0, 9 0, 92 4 (0, 1)
1,2 =
2

0, 9 0, 81 + 0, 4
1,2 =
2
0, 9 1, 1
1,2 =
2
1,2 = 0, 45 0, 55
1 = 1
2 = 0, 1
El proceso no es estacionario.
1.1.2 Funcion de autocovarianzas y Funciones de Autocor-

relacion
i) Hallar su forma
M A()
y mostrar los 3 primeros coeficientes :
ARM A(2, 0) : yt = 0, 5yt1 + 0, 04yt2 + t
M A()
4
(1 0, 5L 0, 04L2 )yt = t
yt = (1 0, 5L 0, 04L2 )1 t
yt = (L)1 t
(1 0, 5L 0, 04L2 )(0 + 1 L + 2 L2 + 3 L3 + ... + 0 + 1 L + 2 L2 + 3 L3 + ...
0, 50 L 0, 51 L2 0, 52 L3 0, 53 L4 + ... 0, 040 L2 0, 041 L3 0, 042 L4
0, 040 L2 = 1
Calculando los 3 primeros coeficientes
o = 1
Hallando el primer coeficiente:
1 0, 50 = 0
o = 0, 5
1 = 0, 5
Hallando el segundo coeficiente:
2 0, 51 0, 04o = 0
2 = 0, 51 + 0, 04o
2 = 0, 5(0, 5) + 0, 04
2 = 0, 29
Hallando el tercer coeficiente:
3 0, 52 0, 041 = 0
3 = 0, 52 + 0, 041 = 0, 5(0, 29) + 0, 02(0, 5)
5
3 = 0, 165
ii) Hallar la funcion de Autocovarianza para j=0,1,2,3
E(yt , ytk ) = E[(0, 5yt1 + 0, 04yt2 + t )ytk ]
E(yt , ytk ) = 0, 5E[yt1 .ytk ] + 0, 04E[yt2 .ytk ] + E[t .ytk ]
Si k = 0
E(yt , yt ) = 0, 5E[yt1 .yt ] + 0, 04E[yt2 .yt ] + E[t .yt ]
(0) = 0, 5(1) + 0, 04(2) + 2
Si k = 1
E(yt , yt1 ) = 0, 5E[yt1 .yt1 ] + 0, 04E[yt2 .yt1 ]
(1) = 0, 5(0) + 0, 04(1)
(1 0, 04)(1) = 0, 5(0)
(1) = 0, 52(0)
Si k = 2
(2) = 0, 5(1) + 0, 04(0)
(2) = 0, 52 (0) + 0, 04(0)
(2) = 0, 31(0)
Si k = 3
(3) = 0, 5(2) + 0, 04(1)
6
(3) = 0, 5(0, 31)(2) + 0, 04(0, 52)(1)
(3) = 0, 176(0)
iii) Hallar la funcion de Autocorrelacion simple para j=0,1,2,3
(0)
0 = =1
(0)
(1) 0, 52(0)
1 = = = 0, 52
(0) (0)
(2) 0, 31(0)
2 = = = 0, 31
(0) (0)
(3) 0, 176(0)
3 = = = 0, 176
(0) (0)
iv) Expresar la funcion generatriz de autocovarianzas

j Z j )
X X
G(z) = 2 ( h Z h )(
h=0 j=0
1.2 Ejercicio 2: Mecanismos de Ecuaciones en Difer-

encia
1.2.1 Multiplicadores Dinamicos
Dado que:
F = T T 1 F T = T
Donde:

1 0 0

0 2 0

= .. .. . . .

. . . ..

0 0 p
y
7

1 2 p 1

0 1 0 1
F = .. .. . . .. ..

. . . . .
0 0 1 0
Supongamos por el momento que una matriz columna de la matriz T tiene

la siguiente forma:

t11

t21

t31

ti =

..
.

tp1
p1

i

p2
i

p3

= i

..

.
1
donde : 1 , 2 , ..., p
son distintos entre si. Sea ademas:
es el i-esimo valor propio de la matriz F.

Entonces se tiene que:
F.ti = i .ti .....................(1)
Donde:
p1

i

1 2 p 1
p2
i

0 1 0 1
p3

F ti = .. .. . . . . i

. . . .. ..

..

0 0 1 0
.
1
8
p1 1 + p2

i i 2 + + p
ip1

F ti = .
p2 ..

i

i
Ademas:
ip1

pi

ip2
p1
i

ip3

i .ti = i = .
.

.. .

.
i
1
Como los valores propios de la matriz
F ()
deben satisfacer la siguiente ecuacion:
p = p1 1 + 1 + p2
i 1 + ... + p = 0
Entonces observamos que se cumple que
F.ti = i .ti
Ahora, tenemos que
T = [t1 t2 ....tp ]
Ademas
T T 1 = 1
Entonces tendremos lo siguiente:

t11 t12 t1p t11 t12 t1p 1 0 0

t21 t22 t2p
t21 t22 t2p
0 1 0
.. .. . . . .. .. . . . = .. .. . . ..

. . . ..
. . . ..
. . . .

tp1 tp2 tpp tp1 tp2 tpp 0 0 1
9
Equivalente a :
p1 p1 p1 t11 t12 t1p

1 2 p 1 0 0
p2 p2
1 2 p2
p

t21 t22 t2p
0 1 0
.. .. . . . = .. .. . . ..
.. .. .. ..

. . . .

. . . ..
. . . .

1 1 1 tp1 tp2 tpp 0 0 1
Si p=2:
! ! !
1 2 t11 t12 1 0
=
1 1 t21 t22 0 1
1 t11 + 2 t21 = 1
t11 + t21 = 0
1 t21 + 2 t21 = 1
t21 (2 1 ) = 1
1 1
t21 = ; t11 =
2 1 1 2
Entonces:
1 1
C1 = C11 t2 = 1 =
2 1 1 2
1 2
C2 = C21 C 21 = 2 =
2 1 2 1
Si p=3

21 22 23 t11 t12 t13 1 0 0
21 22 23
1 2 3 t t t = 0 1 0

1 1 1 t31 t32 t33 0 0 1
21 t11 + 22 t21 + 2 t21 + 23 t31 = 1............(1)
10
1 t11 + 2 t21 + 3 t31 = 0........(2)
t11 + t21 + t31 = 0........(3)
Luego
(1) (2)3 :
21 t11 + 22 t21 + 23 t31 = 1
1 3 t11 + 2 3 t21 + 3 t31 = 0
De la diferencia:
(21 1 3 )t11 + (22 2 3 ) = 1
(21 1 3 )t11 + (22 2 3 ) = 1
1 (1 3 )t11 + 2 (22 3 )t21 = 1......(4)
Luego
(2) (3)3 :
1 t11 + 2 t21 + 3 t31 = 0....()
3 t11 + 3 t21 + 3 t31 = 0........()
De la diferencia de * - ** tenemos:
(1 3 )t11 + (2 3 )t21 = 0......(5)
De la diferencia de (4)y (5) tenemos:
(1 3 )(1 2 )t11 = 1
1 1 1
t11 = ; t21 = ; t31 =
(1 3 )((1 2 ) (2 1 )((2 3 ) (3 1 )((3 2 )
Como:
11
21
C1 = t11 t11
(1 3 )(1 2 )
22
C2 = t12 t21
(2 1 )(2 3 )
23
C3 = t13 t31
(3 1 )(3 32 )
Generalizando:
p1
i
Ci =
pi=1,j6=k (p k )
1.2.2 FIR: Funcion Impulso Respuesta

Formando la ecuacion de orden 1:
At = F At1 + t ............(1)

yt 0, 6 0, 11 0, 006 yt1 wt
yt1 = 1 0 0 yt2 + 0

yt2 0 1 0 yt3 0
Iterando (1) un periodo hacia atras :
At1 = F At2 + t1 ............(2)
Reemplazando (2) en 1:
At = F (F At2 + t1 ) + t1
At = F 2 (At2 + F t1 ) + t ............(3)
Iterando (2) 2 periodos hacia atras:
At2 = F At3 + t2 ............(4)
12
At = F 3 At3 + F 2 t2 + F 2 t2 + F t1 + t
De forma general:
At+j = F t+j+1 A1 + t+j + F t+j1 + F 2 t+j2 + .... + F t1 j1 + F t j
As:

yt+j y1 wt+j wt+j1
yt+j1 = F t+j+1 y2 + 0 + F 0

yt+j2 y3 0 0

wt+j2 wj1 wj
2 t1 t
+F 0 + ...... + F 0 +F 0

0 0 0
Cuando j= 0:

yt1 y1 wt wt1
yt2 = F t+1 y2 + 0 + F 0

yt3 y3 0 0

wt2 wj1 w0
+F 2 0 + ...... + F t1 0 + F t 0

0 0 0
Resolviendo en la primera fila se tiene:
t+1 t+1 t+1 1 2 t

yt = F11 y1 + F12 y2 + F13 y3 + wt + F11 yt1 + F11 y2 + ... + F11 w0 .....()
t+1 t+1 t+1

C = F11 y1 + F12 y2 + F13 y3
Donde
j
F11
es el elemento (1,1) de la matriz F elevada a la j-esima potencia. Como

piden hallar
yt+1
wt
13
y j= 0 , entonces buscamos:
yt
wt
De(), tenemos :
yt
=1
wt

yt+1 y1 wt+1 wt wt1 w1
2 t
yt = F t+2 y2 + 0 + F 0 + F 0 + ...... + F 0

yt1 y3 0 0 0 0
1 2 t
yt+1 = C + wt+1 + f11 wt + f11 wt1 + .... + f11 wt
como j=1, entonces buscamos

yt+1
wt
entonces se tiene que:
yt+1 1 yt+1
= f11 = 0, 6
wt wt

yt+2 y1 wt+2 wt+1 wt w2
2 t
yt+1 = F t+3 y2 + 0 + F 0 + F 0 + ...... + F 0

yt y3 0 0 0 0
1 2 t
yt+1 = C + wt+2 + f11 wt+1 + f11 wt + .... + f11 w2
como j=2, entonces buscamos

yt+2
wt
entonces se tiene que:
yt+2 2 yt+2 yt+2
= f11 = (0, 6)2 0, 11 = 0, 6
wt wt wt
14
1.3 Ejercicio 3: Procesos estacionarios en covari-
anza
yt = (1 + 0.8L + 0.4L2 )
E(t T ) = 0, t 6= T
Si lo es, calcule sus funciones de autocovarianzas del orden 0 al orden 4, as

como sus funciones de autocorrelacion simple.
Hallando la media:
E(Yt ) = E(t + 0.8t1 + t2 )
como:
t RB
E(yt ) = E(t ) + E(0.8t1 ) + (0.4t2 )
como los esperados de los errores son iguales a cero nos queda:
E(yt ) = 0
Hallando las covarianzas:

.covarianza de orden 0:
.0 = cov(yt , ty ) = E[(yt E(yt ))(yt E(yt ))] = E(yt2 )

0 = E[(t + 0.8t1 + 0.4t2 )(t + 0.8t1 + 0.4t2 )]
0 = E[2t + 0.8t t1 + 0.4t t2 + 0.8t t1 + 0.82 2t1
+0.8 0.4t1 t2 + 0.4t t2 + 0.4 0.8t1 t2 + 0.42 2t2 ]
Como
E(t T ) = 0; t 6= T
0 = E[2t ] + 0.82 E[2t1 ] + 0.42 E[2t2 ]0 = 2 + 0.642 + 0.162 = 1.82
15
.Covarianza de orden 1:
1 = cov(yt ; yt1 ) = E[(yt E(yt ))(yt1 E(yt1 ))] = E[yt yt1 ]

1 = E[(t + 0.8t1 + 0.4t2 )(t1 + 0.8t2 + 0.4t3 )]
Al igual que para el caso anterior consideraremos:
E(t T ) = 0; t 6= T
Nos quedara:
1 = E[0.82t1 + 0.4 0.82t2 ]

1 = 0.8E(2t1 ) + 0.32E(2t2 )
1 = 0.82 + 0.322 = 1.122
2 = cov(yt ; yt2 ) = E[(yt E(yt ))(yt2 E(yt2 ))] = E[yt yt2 ]

2 = E[(t + 0.8t1 + 0.4t2 )(t2 + 0.8t3 + 0.4t4 )]
por la condicion:
E(t T ) = 0; t 6= T
2 = 0.4E(2t2 )
2 = 0.42
.Covarianza de orden 3:
3 = cov(yt yt3 ) = E[(yt E(yt ))(yt3 E(yt3 ))]

3 = [yt yt3 ]
3 = 0
.Ya que por la condicion dada los
E(t T ) = 0t 6= T
4 = cov(yt yt4 ) = E[(yt E(yt ))(yt4 E(yt4 ))]

4 = [yt yt4 ]4 = 0; yaqueporlacondicindadalos
E(t T ) = 0t 6= T
16
Hallando las funciones de autocorrelacion simple (FAS):
. FAS de orden 0:
(0) (0)
0 = = =1
(0) (0)
. FAS de orden 1:
(1) 1.122
1 = = = 0.62
(0) 1.82
. FAS de orden 2:
(2) 0.42
2 = = = 0.2
(0) 1.82
. FAS de orden 3:
(3) 02
3 = = =0
(0) 1.82
. FAS de orden 4:
(4) 02
4 = = =0
(0) 1.82
17
Chapter 2
Ejercicios del libro
2.1 Demanda de dinero y efectos de largo plazo

Sea la ecuacion de la demanda de dinero Goldfelds (1973)
mt = 0.27 + 0.72mt1 + 0.19It 0.045rbt 0.019rct
Y su ecuacion en diferencia:
yt = yt1 + wt
Donde:
yt = mt
t = 0.72
2.1.1 Demuestracion del multiplicador dinamico

Que el multiplicador dinamico depende solo de los periodos j.
yt = yt1 + wt
Para:
.t=0
y0 = y1 + w0
.t=1
y1 = y0 + w1 = (y1 + w0 ) + w1
= 2 y1 + w0 + w1
18
.t=2
y2 = y1 + w2 = (2 y1 + w0 + w1 ) + w2
= 3 y1 + 2 w0 + w1 + w2
.
.
.
.t=j
yj = yj1 + wj
= j+1 yj1 + j w0 + j1 w1 + j2 w2 + ... + wj
Generalizando:
yt+j = j+1 yt1 + j wt + j1 yt+1 + ... + wt+j1 + wt+j
Hallando el multiplicador dinamico:

yt+j
= j
wt
2.1.2 Los autovalores (eigenvalues)

Los autovalores (eigenvalues) de la siguiente expresion matricial:
t = F t1 + t
Equivalente a:

yt 1 2 3 . . . p1 p yt1 wt
yt1 1 0 0 . . . 0 0 yt2 0

yt2 0 1 0 . . . 0 0 yt3 0

. =
. . . . . .

.
+
.

.
. . . . . .
.

.

. . . . . . . . .

ytp+1 0 0 0 . . . 1 0 ytp 0
Considere p=2 y obtenga lo demandado siguiendo:
det(F Ip ) = 0
.Para p=2 tenemos:

!
1 2
P =
1 0
19
Tenemos:
! !
1 2 1 0
det( )=0
1 0 0 1
!
1 2
det =0
1 1
(1 ) 2 = 0
2 + 1 2 = 0
2 1 + 2 = 0
Obteniendo las races:

q
1 21 42
1 =
q2
1 + 21 42
2 =
2
2.1.3 Calculo de efecto ingreso

El efecto del ingreso sobre la demanda de dinero dos periodos hacia adelante.
.Calculando el efecto elasticidad.
mt+2 mt+2 wt wt
= = 2 + = 0.722 0.19 = 0.098
It wt It It
2.1.4 Calculo de elasticidad ingreso de largo plazo de la de-

manda de dinero
mt+2
= 0.722 0.19
It
mt+3
= 0.723 0.19
It
mt+4
= 0.724 0.19
It
As sucesivamente hasta j:
mt+j
= 0.72j 0.19
It
20
mt mt+1 mt+2 mt+j
lim ( + + + ... + )=A
j It It It It
A = 0.19 + 0.19 0.72 + 0.19 0.722 + 0.19 0.723 + ... + 0.19 0.72j
A = 0.19(1 + 0.72 + 0.722 + 0.723 + ... + 0.72j )
0.19
A= = 0.68
1 0.72
21
Chapter 3
Laboratorio

3.1.1 Mecanismos de Ecuaciones en Diferencia
FIR: Funcion impulso-respuesta
Considerando la siguiente ecuacion en diferencia de tercer orden
yt = 0.6yt1 0.11yt2 + 0.06yt3 + wt
Presentar un sript en Matlab que permita determinar la funcion impulso

respuesta para los primeros 30 periodos.
Solucion:
F=[0.6 -0.11 0.006 ; 1 0 0; 0 1 0]

%Hallamos los valores propios de la matriz F:
vp=eig(F)
vp1=vp(1)
vp2=vp(2)
vp3=vp(3)
%Hallamos los coeficientes ci:
c1=(vp12)/[(vp1 vp2) (vp1 vp3)]
c2=(vp22)/[(vp2 vp1) (vp2 vp3)]
c3=(vp32)/[(vp3 vp1) (vp3 vp2)]
%Hallamos la FIR o MD:
FIR=zeros(30,1)
for j=0:30
fir(j+1,1)=c1vp1 (j) + c2 vp2 (j) + c3 vp3 (j)
end
%Grafico de la FIR:
bar(FIR)
22
Figure 3.1: Funcion impulso respuesta (FIR)
De esta forma, obtendremos este grafico de la funcin impulso respuesta para

los 30 primeros periodos.
Experimentos con ED
Realizar un script en Matlab donde se encuentren graficados los multipli-
cadores dinamicos para una ED(4), desde j=0 hasta 25 periodos adelante.
Considere los siguientes valores propios: 0.4, 0.3, 0.05 y 0.01.
Solucion:
%Se tienen los valores propios:

vp11=0.4 vp12=0.3 vp13=0.05 vp14=0.01
%Hallamos los coeficientes ci:
c11=(vp113)/[(vp11 vp12) (vp11 vp13) (vp11 vp14)]
%Hallamos la FIR o MD:
fir1=zeros(25,1)
for j=0:25
fir1(j+1,1)=c11*vp11( j) + c12 vp12( j) + c13 vp13( j) + c14 vp14 (j)
end
%Grafico de los multiplicadores dinamicos: bar(fir1)
23
Figure 3.2: Multiplicadores dinamicos para una ED(4)
De esta forma, obtenemos el grafico de la funcion impulso respuesta para

los 25 primeros periodos.
3.1.2 Experimentos con procesos ARMA

1. Genere una funcion que permita al usuario ingresar los coeficientes de
un AR(8) al igual que la desviacion estandar del error. La funcion
debe presentar la grafica del proceso AR(8). Asimismo, genere una
funcion que determine la FAS y la FAP del proceso AR(8).
Solucion:
%Script para plotear un AR8

phi=input(ingrese el vector de coeficientes:);
s=input(ingrese la desviacion estandar del error:)
n=input(ingrese el tamao de la serie:)
y=zeros(1,n);
w=s*randn(1,n);
for i=1:8
y(i)=w(i);
end
for i=9:n
y(i)=phi(1)*y(i-1)+phi(2)*y(i-2)+phi(3)*y(i-3)+phi(4)*y(i-
4)+phi(5)*y(i-5)+phi(6)*y(i-6)+phi(7)*y(i-7)+phi(8)*y(i-8)+w(i);
24
end
%Script para FAS
A=[0 phi(1) phi(2) phi(3) phi(4) phi(5) phi(6) phi(7)
phi(8);
phi(1) phi(2) phi(3) phi(4) phi(5) phi(6) phi(7) phi(8) 0;
phi(2) phi(1)+phi(3) phi(4) phi(5) phi(6) phi(7) phi(8) 0 0;
phi(3) phi(2)+phi(4) phi(1)+phi(5) phi(6) phi(7) phi(8) 0
0 0;
phi(4) phi(3)+phi(5) phi(2)+phi(6) phi(1)+phi(7) phi(8) 0
0 0 0;
phi(5) phi(4)+phi(6) phi(3)+phi(7) phi(2)+phi(8) phi(1) 0
0 0 0;
phi(6) phi(5)+phi(7) phi(4)+phi(8) phi(3) phi(2) phi(1) 0
0 0;
phi(7) phi(6)+phi(8) phi(5) phi(4) phi(3) phi(2) phi(1) 0 0;
phi(8) phi(7) phi(6) phi(5) phi(4) phi(3) phi(2) phi(1) 0];
syms gam0 gam1 gam2 gam3 gam4 gam5 gam6 gam7
gam8;
x=[gam0 gam1 gam2 gam3 gam4 gam5 gam6 gam7 gam8];
b=[s 2 0 0 0 0 0 0 0 0];
D=eye(9)-A; x=D\b;
%Funcion de Covarianzas
cov=zeros(1,100);
for i=1:8
cov(i)=x(i+1);
end
for i=9:100
cov(i)=phi(1)*cov(i-1)+phi(2)*cov(i-2)+phi(3)*cov(i-
3)+phi(4)*cov(i-4)+phi(5)*cov(i-5)+phi(6)*cov(i-
6)+phi(7)*cov(i-7)+phi(8)*cov(i-8);
end
%Funcion de autocorrelacion simple (FAS)
r=zeros(1,50);
for i=1:50
r(i)=cov(i)/x(1);
end
%Creando la matriz que contiene los valores de la FAS
FAS=r;
% Calculo de la funcion de autocorrelacion parcial (FAP)
FAP = zeros(50,1); FAP(1) = FAS(1);
for j=2:8
rhoj = FAS(1:j); M = ones(j-1,j-1);
for i=1:j-2
25
M(i,i+1:end) = rhoj(1:j-(i+1)); M(i+1,1:i) = rhoj(i:-1:1);
end
num = [[M; rhoj(j-1:-1:1)] rhoj(1:j)];
den = [M rhoj(j-1:-1:1); rhoj(j-1:-1:1) 1];
FAP(j) = det(num)/det(den); end
%Graficando las funciones FAS y FAP
subplot(2,2,[1 2]),plot(y),title([Serie
AR(8)]),subplot(2,2,3),bar(FAS),title([FAS]),
subplot(2,2,4),bar(FAP),title([FAP])
2. Realice cuatro experimentos variando los coeficientes y presentelos en

graficos subplot comparativos.
Solucion:
Figure 3.3: Coeficientes phi: 0.01, 0.56, 0.023, 0.07, 0.034, 0.067 0.11 y
0.0045
26
Figure 3.4: Coeficientes phi: -0.01, 0.56, -0.023, 0.07, -0.034, 0.067 -0.11 y
0.0045
Figure 3.5: Coeficientes phi: 0.1, 0.56, 0.26, 0.7, 0.34, 0.67 0.11 y 0.45
27
Figure 3.6: Coeficientes phi: 0.1, -0.2, 0.3, -0.41, 0.034, 0.72 0.011 y 0.33
3.1.3 Box-Jenkins a lo UNI-FIEECS

1. Generar un programa para encontrar los parametros p y q (ARMA(p,q))
de cualquier serie de tiempo. Se debera especificar el criterio de
eleccion del modelo. Ademas, presentar una tabla con los criterios
de informacion y una tabla con los valores de la funcion de maximo
verosimilitud (logaritmo). De igual forma, realizar un analisis a pro-
fundidad de la calidad del residuo encontrado en cada proceso.
Solucion:
Primero tener que recordar que la Metodologa Box-Jenkins consta

de 4 pasos: Identificacion, Estimacion, Validacion y Prediccion. En
este program realizaremos los tres primeros.
IDENTIFICACION
Observamos la serie que hemos importado, y nos aseguramos de que
sea una serie estacionaria
tc.line
series dtc=d(tc)
dtc.line
dtc.correl(30)
ESTIMACION En base a lo encontrado en el correlograma,
generamos todos los ARMAs posibles
scalar maxp=9
scalar maxq=10
Vamos generando las matrices donde capturaremos los criterios de
informacion
Matrix (maxp+1,maxq+1) AIC
Matrix (maxp+1,maxq+1) SC
28
Matrix (maxp+1,maxq+1) HQ
Matrix (maxp+1,maxq+1) L
Matrix (maxp+1,maxq+1) DW
Construimos terminos MA
for !q=0 to maxq
Pretendemos formar grupos de MAs (rezagos del termino de error)
desde MA(1) hasta el MA(q). Sin embargo no lo haremos como
grupos de variables(series)sino como strings:
if !q=0 then
%1 = %1 +
else
%1 = %1 + ma( + @str(!q) + )
endif
Construimos terminos AR
for !p=0 to maxp
group dtc g 1 dtc(-1)
Tambien pretendemos trabajar los terminos AR(rezagos de la serie
con la que trabajamos) esta vez si como variables(series) y los
agrupamos desde el AR(1) hasta el AR(P)
Para el caso donde p=0 ya no nos interesa formas grupos de AR por
lo mismo que p es 0. Solo nos queda regresionar en esta parte los
MODELOS ARMA(0,q) o MA(q) simplemente:
if !p=0 then
equation eq !p !q.ls dtc c %1
Cuando p1 estimamos los modelos ARMA(p,q) propiamente dichos
else
!a=!p+1
group dtc g !a dtc g !p dtc(-!a)
equation eq !p !q.ls dtc c %1 dtc g !p
endif
Despues de cada regresion capturamos los criterios de informacion
en sus repectivas matrices
AIC(!p+1,!q+1)=@aic
SC(!p+1,!q+1)=@sc
HQ(!p+1,!q+1)=@hq
L(!p+1,!q+1)=@logl
DW(!p+1,!q+1)=@dw
next
next
VALIDACION
Luego de estimar determinamos que nos indica cada criterio
scalar min sc= SC(1,1)
scalar orden ar sc=0
scalar orden ma sc=0
29
scalar min hq= HQ(1,1)
scalar orden ar hq=0
scalar orden ma hq=0
scalar min aic= AIC(1,1)
scalar orden ar aic=0
scalar orden ma aic=0
for !m=0 to maxp
for !n=0 to maxq
if AIC(!m+1,!n+1)min aic then
min aic= AIC(!m+1,!n+1)
orden ar aic=!m
orden ma aic=!n
endif
if SC(!m+1,!n+1)min sc then
min sc= SC(!m+1,!n+1)
orden ar sc=!m
orden ma sc=!n
endif
if HQ(!m+1,!n+1)min hq then
min hq= HQ(!m+1,!n+1)
orden ar hq=!m
orden ma hq=!n
endif
next
next
MEJOR MODELO
table(10,10) MODELO ELEGIDO
mytab(1,2) = Valor del criterio
mytab(1,3) = Orden AR
mytab(1,4) = Orden MA
mytab(1,5) = Log Likehood
mytab(1,6) = Durbin Watson
mytab(2,1) = Segun criterio:
mytab(3,1) = Akaike
mytab(3,2) = min aic
mytab(3,3) = orden ar aic
mytab(3,4) = orden ma aic
mytab(3,5) = L(orden ar aic+1,orden ma aic+1)
mytab(3,6) = DW(orden ar aic+1,orden ma aic+1)
mytab(4,1) = Schwarts
mytab(4,2) = min sc
mytab(4,3) = orden ar sc
mytab(4,4) = orden ma sc
mytab(4,5) = L(orden ar sc+1,orden ma sc+1)
30
mytab(4,6) = DW(orden ar sc+1,orden ma sc+1)
mytab(5,1) = Hannan-Quinn
mytab(5,2) = min hq
mytab(5,3) = orden ar hc
mytab(5,4) = orden ma hc
mytab(5,5) = L(orden ar hq+1,orden ma hq+1)
mytab(5,6) = DW(orden ar hq+1,orden ma hq+1)
31
SOLUCIONARIO DEL EXAMEN PARCIAL
Jorge Vera Cabellos
20031189B
E3310
10 de febrero de 2016
1. Preguntas y Definiciones
Para responder en no mas de 50 palabras,se penaliza palabra extra, sea con-
ciso:
cap1:Que es un proceso estocastico?
-Un proceso estocastico es un conjunto de variables sometidas a efectos alea-

torios en el tiempo.
cap2:En que se diferencia el operador de rezagos (backward looking) con el

operador fordwar looking?
-La diferencia entre estos 2 operadores es la forma de como se resuelve la

ecuacion ya que el operador backward se resuelve usando el polinomio utilizado
hasta ese momento mientras que el operador forwards resuelve la ecuacion hacia
adelante conocido como el operador de adelantos.
cap3:Que diferencia existe entre estacionariedad debil, estacionariedad fuer-

te y ergodicidad?
- En un proceso estocastico la diferencia entre estacionariedad debil, esta-

cionariedad fuerte se debe a que en el sentido estricto si cualquier conjunto
de n observaciones de la variable aleatoria Yt mantiene la misma distribucion
de probabilidad conjunta que otro conjunto de n observaciones medido en otro
momento de tiempo k periodos mas adelante o mas atras y en el sentido debil
una serie sera si para cualquier momento del tiempo sus primeros y segundos
momentos son independientes del tiempo. Estos tendran media, varianza y co-
varianza constantes.
Se dice que existe estacionariedad en sentido debil si para cualquier momem-
to del tiempo su primer y segundo momento son independientes del tiempo, es
decir se cumple lo siguiente:
E(yt = )
V ar(Yt ) = 2
1
Cov(Yt , Ytk ) = k
A diferencia de la estacionariedad en sentido fuerte, si cualquier conjunto de

n.observaciones de las variables aleatorias Yt mantiene la misma distribucion
de probabilidad conjunta con otro conjunto de m.observaciones.
cap4:Explique la proyeccion lineal y explique su relacion con la prediccion

en serie de tiempo.
-Introduce la idea de una proyeccion lineal, que es un pronostico formado a

partir de una funcion lineal de las observaciones del pasado.
cap5:Explique la importancia de la maxima verosimilitud en series de tiempo.
-Una vez que se ha identificado un modelo tentativo, el siguiente paso es

estimar los parametros que estan involucrados en la descripcion matematica del
proceso usando los valores observados de la serie de tiempo Y1 , Y2 , ..., Yn . Para
realizar la estimacion de los parametros, se necesita que la serie sea estacionaria,
por lo que si no lo es, se tiene que trabajar con la nueva serie que resulta de las
respectivas transformaciones de diferencia que generan procesos estacionarios.
Existen diferentes procedimientos de estimacion, pero solo se estudiaran los que
resultan de emplean la metodologa de maxima verosimilitud, pues sus estima-
dores poseen buenas propiedades de muestras grandes.
cap6:Defina el espectro de una poblacion y su aplicacion en economa y fi-

nanzas.
-El analisis espectral descompone un conjunto de datos en terminos de sus

componentes cclicos o repetitivos. Originalmente, fue aplicado a la ingeniera,
donde los metodos de transformaciones de Fourier en que se basa el analisis
espectral, han sido aceptados; pero ahora tambien es ampliamente utilizado en
los analisis estadsticos estandares. En economa, el principal uso del analisis es-
pectral es encontrar y descomponer una serie de tiempo en componentes cclicos.
Puede ser utilizado, ya sea para encontrar patrones de comportamiento en una
misma serie o entre dos series. Como por ejemplo, se ha utilizado para encontrar
evidencia de ciclos en los gastos de turistas extranjeros, realizar analisis de los
componentes del gasto de un gobierno, buscar con movimientos entre mercados
accionarios y patrones de transacciones en un mercado particular.
cap7:Defina la aplicacion de teora asintotica en series de tiempo.
-Se introduce el estudio de los procesos estocasticos. En primera instancia la

teora asintotica es aplicada para luego abordar el modelado de series de tiempo
estacionarias y no estacionarias, univariadas y multivariadas. Se aborda el estu-
dio de aplicaciones de modelado de series de tiempo observadas en el campo de
la Economa, de la Climatologa, la Biologa, las Ciencias Agropecuarias y las
Ciencias Sociales.
cap8:Cuando un estimador es BLUE?
2
-Se puede probar que bajo ciertos supuestos el estimador de MCO es el mejor
estimador lineal insesgado (BLUE por sus siglas en ingles). Los supuestos nece-
sarios para que el estimador ser insesgado y de varianza mnima son (teorema
de GaussMarkov):
1. El modelo es lineal en los parametros
2. E[ui |xi ]=0 para todo i
3. V ar(ui |xi ) = 2 para todo i
4. Cov(ui , uj ) = 0 para todo i 6= j
El supuesto de normalidad no es necesario para que el estimador de MCO sea
BLUE.
cap9:Explique el sesgo de ecuaciones simultaneas.
-El metodo de mnimos cuadrados no puede aplicarse para estimar una ecua-
cion pertinente al sistema de ecuaciones simultaneas si una o mas variables ex-
plicativas estan correlacionadas con el termino de perturbacion en esa ecuacion.
cap10:Defina vector estacionario en covarianzas.
-Un proceso de vector yt se dice estacionario en covarianza si sus primeros y

0
segundos momentos E(yt )y E(yt ytj ), respectivamente] son invariantes (inde-
pendientes del tiempo t).
cap11:Explique las FIRs y la DV.
cap12:Explique la generalizacion del teorema de Bayes y su implicancia en

los BVAR.
2. Ejercicio Multiplicador Dinamico

2.1. PARTE 1
Sea el modelo de demanda de dinero:
mt = 0,27 + 0,72 mt1 + 0,19 It + 0,045 rbt

, demuestre la obtencion del multiplicador matematico
Solucion:
Teniendo la ecuacion anterior expresada como un
yt = yt1 + wt
donde yt = mt y = 0,72
Considerando inicialmente el comportamiento de la variable y para todos los

periodos t
3
Date Equation
0 y0 = y1 + w0
1 y1 = y0 + w1
2 y2 = y1 + w2
. .
. .
. .
t y2 = yt1 + wt
Si conocemos el valor inicial de y para el periodo (t=1),y el valor de w

para los periodos (t=0,1,2,..),luego es posible simular el sistema dinamico para
encontrar el valor de y para cualquier periodo. Podemos calcular el valor de y
para t=1 desde:
y1 = y0 + w1 = (y1 + w0 ) + w1 ,
o
y1 = 2 y1 + w0 + w1
Dado este valor de y1 y el valor de w para t=2, podemos calcular el valor de y

para t=2 desde:
y2 = y1 + w2 = (y1 = 2 y1 + w0 + w1 ) + w2 ,
o
y2 = y1 + w2 = 3 y1 + 2 w0 + w1 + w2
Continuando recursivamente en este accionar, el valor que toma en el periodo t

puede ser descrito como una funcio de su valor inicial y1 junto con la historia
de los w entre el periodo 0 y el periodo t :
yt = t+1 y1 + t wo + t1 w1 + ... + wt1 + wt .
Notese que esta ecuacion expresa al yt como una funcion lineal del valor inicial
y1 y de los valores historicos de w. Eso hace facil calcular el efecto de w0 sobre
yt . Si w0 fuese cambiado con y1 y w1 , w2 , ..., wt+j :
yt+j = j+1 yt1 + j wt + j1 wt+1 + ... + wt+j1 + wt+j .

Y el efecto de wt sobre yt+j esta dado por:
y( t + j)
= j
(wt )
Con esto, concluimos que el multiplicador dinamico depende solo de los periodos
j.
2.2. PARTE 2
Hallar el efecto del ingreso sobre la demanda de dinero dos periodos hacia
adelante
4
Solucion:
Dada la ecuacion
mt = 0,27 + 0,72 mt1 + 0,19 It + 0,045 rbt
Y la ecuacion en diferencia:
yt = yt1 + wt
Donde:
yt = mt y = 0,72
Pasando a resolver, establecemos:
mt = 0,72mt1 + wt
Para lo cual:
mt = 0,27 + 0,72 mt1 + 0,19 It + 0,045 rbt
En base a la solucion general por el metodo de sustitucion recursiva con 2

periodos adelante llegamos a:
wt = 3 mt1 + 2 wt + wt+1 + wt+2
Definimos el multiplicador dinamico pedido en 2 periodos hacia adelante:
m( t + 2) m( t + 2) wt
= x
It wt It
Calculando tendramos como solucion
m( t + 2)
= (0,72)2 (0,19) = 0,098
It
Con lo cual hemos hallado el efecto del ingreso sobre la demanda de dinero 2
periodos hacia adelante.
3. Ejercicio SVAR-VAR
Tenemos las siguientes ecuaciones, que representan SVAR:
yt = 1 yt1 + 2 (it t ) + ey (1)
t = 1 t1 + yt + e (2)
it = t + y yt + ei (3)
Sabemos:
1 = 0,2, 2 = 0,5, = 0,2, = 0,5, y = 0,6
Zt = Zt1 + et
5
Donde
ey
et = e
ei

yt
Zt = t
it
Calcular del VAR de la forma reducida.
Solucion:
4. Ejercicio FIR
Al resolver una ecuacion en diferencia por sustitucion recursiva se observa
que la ecuacion yt se expresa como una funcion lineal de los valores iniciales y
los errores wt . De esta manera se puede calcular el efecto de wt en yt . El efecto
sobre yt esta dado por la derivada parcial de yt respecto a wt .
y( t + j)
=
(wt )
Por lo tanto si | < 1|, el sistema es esstable; las consecuencias de un cambio

determinado en wt en el tiempo se extinguira. Si > 1|, el sistema es explo-
sivo. Debido a que el multiplicador dinamico calcula la respuesta de y a un
impulso unico en w, tambien se conoce como la funcion de Impulso-Respuesta.
yt = 0,6yt1 + 0,11yt2 + 0,006yt3 + wt ...(I)
Donde wt RB(0, 2 ) Hallar la Funcion de Impulso-Respuesta para j=0,1,2.
Solucion
Realizamos las iteraciones:
Para j = 0
yt
=1
wt
Para j = 1
yt+1 = 0,6yt + 0,11yt1 + 0,006yt2 + wt+1

yt+1 yt+0
= 0,6( ) = 0,6
wt wt
Para j = 2
yt+2 = 0,6yt+1 + 0,11yt + 0,006yt1 + wt+2
6
yt+2 yt+1 yt
= 0,6( ) 0,11( ) = 0,25
wt wt wt
5. Ejercico Maxima Verosimilitud

El siguiente ejercicio requiere que usted recuerde la estimacion por maxima
verosimilitud y aplicarla a un vector autoregresivo, se le pide estimar un ratio
de verosimilitud. Sea la siguiente expresion de la funcion L denotada en el libro
de James D. Hamilton:
Y T
X
L(, ) = (Tn /2)log(2) + (T /2)log|1 | (1/2) e0t 1 et (1)
i=1
Demuestre que la seccion L puede demostrarse de la siguiente manera:

Y
L(, ) = (Tn /2)log(2) + (T /2)log|1 | (Tn /2) (2)
Tomando en cuenta considere un valor dado de :

T
X
= (1/T ) e0t et (3)
i=1
Solucion:
6. Ejercicio VAR
Dado las ecuaciones:
y1t = 0,3y1,t1 + 0,82y2,t1 + 1t (1)
y2t = 0,9y1,t1 + 0,4y2,t1 + 2t (2)

Con E(1t,1 ) = 1 para t = y 0 en otros casos, E(2t,2 ) = 2 para t = y 0 en
otros casos y E(1t,2 ) = 0 para todo t y .
1. Determine si este sistema es estacionario en covarianzas.

(Y( t+s))
2. Calcule s = (0t ) para s = 0,1 y 0,2 . Cual es el lmite cuando
s ?.
3.Calcule la fraccion del MSE del error de prediccion dos periodos hacia
E[Y1,t+2 E(Y1,t+2 /yt , yt1 ...)]2
Que es debido a y1,t+1 y y1,t+2 .
7
Solucion
Determine si el sistema es estacionario en covarianzas: El sistema se puede
reescribir como:

y1t 0,3 0,8 y1,t1
= + 1t
y2t 0,9 0,4 y2,t1 2t
Para que el sistema

sea estacionario se tiene que cumplir que los valores
0,3 0,8
propios de sean menores que 1.
0,9 0,4
2 (0,3 + 0,4) + (0,3x0,4 0,9x0,8) = 0

2 (0,7) + 0,6 = 0
Al resolver la ecuacion se obtienen las soluciones 1 = 1,15 y 2 = 0,55 por lo

que el sistema es no estacionario en covarianza.Debido a que debe de cumplir
que los valores propios de la A sean menor a 1|i | < 1, es decir:
|I A| = 0 < 1
Por ser no estacionario no se puede proceder a resolver los puntos 2 y 3.
7. Ejercicio Mecanismo de Ecuaciones en Dife-

rencia
Demuestre que los coeficientes del multiplicador dinamico FIR, ci responden
a la siguiente expresion, que involucra los valores propios i :
p1
i
ci = Q p (1)
i=1,6=k (i k )

1 2 3 ... p
1 0 0 ... 0
F = 0

1 0 ... 0
0 0 1 ... 0
Que representa una transformacion de la ecuacion en diferencia de orden p,

ED(p)
yt = 1 yt1 + 2 yt2 + 3 yt3 + .... + p ytp + wt
Los coeficientes ci provienen de la matrz T, tal que
ci = [t1i y it ], y
8

t11 t22 t33 ... t1p
t21 t22 t23 ... t2p

. . . ... .
T =
.

. . ... .
. . . ... .
tp1 tp2 tp3 ... tpp
Solucion
Dado que:
F = T T 1 (1)
FT = T
F ti = ti i (2)
Tomamos arbitrariamente ti :
p1
i
p2
ip3

i
ti =
.

.

.
1
Donde:1 , 2 , ...p son distintos entre s.

Entonces ti debe cumplir la ecuacion (2).
Comprobacion:F ti = ti j
p1
1 p1 + 2 p2

i i i + ... + p
p2 p2
1 2 3 ... p i i
p3 p3
1 0 0 ... 0 i
i
. = .
0 1 0 ... 0
. .
0 0 1 ... 0
. .
1 i
De la proposicion:
p i p1 i p2 ....p = 0 (3)
p = i p1 + i p2 + .... + p (4)
9
Reemplazando en la matriz
p p1
i i
p1 p2
ip2 ip3

i i
F ti =
.

=
.

i 1x1 (5)
. .

. .
i px1
1 px1
Entonces
Secumpleque : F ti = ti i (6)
Dado que:
Ci = [t1i ti1 ]
21
C1 =
(1 2 )(1 3 )
22
C2 =
(2 1 )(2 3 )
23
C3 =
(3 1 )(3 2 )
Generalizando:
p1
i
Ci = Q (7)
k6=i (i k )
8. Ejercicio Procesos Estacionarios ARMA,VAR

8.1. ARMA(p,q)
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1yt1 + t + 1 t1
1.Calcular la media, varianza, autocovarianza.
10
2. Especificar la forma general de la Funcion de autocorrelacion simple FAS
y la funcion de autocorrelacion parcial FAP.
3. Especificar las condiciones de estacionariedad e invertibilidad segun co-

rresponda a cada proceso.
Solucion
Para los proceos estacionarios, tendremos en cuenta que:
E(yt ) = cte =
V ar(yt ) = cte =
t RB
1.Calcular la media, varianza, autocovarianza.
ARMA(2,0)
yt = + 1 yt1 + 2 yt2 + t
-Media
E(yt ) = E() + 1 E(yt1 ) + 2 E(yt2 ) + E(t )
E(yt ) 1 E(yt1 ) 2 E(yt2 ) =

E(yt ) = =
1 1 2
-Varianza
V ar(yt ) = V ar() + V ar1 (yt1 ) + V ar2 (yt2 ) + V ar(t )

2
V ar(yt ) =
1 21 22
-Autocovarianza
yj = Cov(yj , ytj ) = E[(yt E(yt ))(ytj E(ytj ))]
Yt = E[yt ytj ]
0 = Cov(yt ; yt ) = E[(yt E(y))(yt E(yt ))] = E[yt yt ]

0 = E[(1 yt1 + 2 yt2 + t )(yt )]
0 = 1 E[yt1 yt ] + 2 E[yt2 yt ] + E[yt t ]
0 = 1 1 + 2 2 + 2
11
1 = Cov(yt ; yt1 ) = E[yt yt1 ]
1 = E[(1 yt1 + 2 yt2 + t )(yt1 )]
2
1 = 1 E[yt1 ] + 2 E[yt2 yt1 ]
1 = 1 0 + 2 1
2 = Cov(yt ; yt2 ) = E[yt yt2 ]

2 = E[(1 yt1 + 2 yt2 + t )(yt2 )]
2
2 = 1 E[yt1 yt2 ] + 2 E[yt2 ]
2 = 1 1 + 2 0
Generalizando:
j = 1j1 + 2j2
ARMA(0,2)
yt = + t + 1 t1 + 2 t2
-Media
E(yt ) = E() + E(t ) + 1 E(t1 ) + 2 E(t2 )
E(yt ) =
E(yt ) = =
-Varianza

V ar(yt ) = 2 (1 + 12 + 22 )
-Autocovarianza
yj = Cov(yj , ytj ) = E[(yt E(yt ))(ytj E(ytj ))]
Yt = E[(yt )(ytj )]
0 = Cov(yt ; yt ) = E[(yt )(yt )]
12
0 = E[(t + 1 t1 + 2 t2 )(t + 1 t1 + 2 t2 )]
0 = E(2t ) + 1 E(2t1 ) + 2 E(2t2 )
0 = 2 (1 + 12 + 22 )
1 = Cov(yt ; yt1 ) = E[(yt )(yt1 )]

1 = E[(t + 1 t1 + 2 t2 )(t1 + 1 t2 + 2 t3 )]
1 = 1 E(2t1 ) + 2 1 E(2t2 )
1 = 2 (1 + 1 2 )
2 = Cov(yt ; yt2 ) = E[(yt )(yt2 )]

2 = E[(t + 1 t1 + 2 t2 )(t2 + 1 t3 + 2 t4 )]
2 = 2 E[2t2 ]
2 = 2 2
Para: j > 2yj = 0
ARMA(1,1)
yt = + 1 yt1 + t + 1 t1
-Media
E(yt ) = E() + E(1 yt1 ) + E(t ) + E(1 t1 )
E(yt ) 1 E(yt1 ) = + E(t ) + 1 E(t1 )

E(yt ) = =
1 1
-Varianza

2 (1 + 12 )
V ar(yt ) =
1 21
-Autocovarianza
yj = Cov(yj , ytj ) = E[(yt E(yt ))(ytj E(ytj ))] = E[yt ytj ]
13
0 = E[(1 yt1 + t + 1 t1 )(yt )]
0 = 1 E[yt1 yt ] + E[yt t ] + 1 [yt1 t1 ]
0 = 1 1 + 2 + 12 2
1 = Cov(yt ; yt1 ) = E[yt yt1 ]

2
1 = E[(1 yt1 + E[yt1 t ] + 1 E[yt1 )t1 ]
1 = 1 0 + 1 2
2. Especificar la forma general de la Funcion de autocorrelacion simple FAS

y la funcion de autocorrelacion parcial FAP.
ARMA(2,0)
yt = + 1 yt1 + 2 yt2 + t
Obteniendo el FAS
j=0
0
0 = =1
0
j=1
1 1 0 + 2 1 1
1 = = = 1 + 2 1 1 =
0 0 1 2
j=2
2 1 1 + 2 0
2 = = = 1 1 + 2
0 0
j=3
3 1 2 + 2 1
3 = = = 1 2 + 2 1
0 0
En General j = 1 j1 + 2 j2 j > 0
Obteniendo el FAP:
El primer valor de la FAP siempre coincide con el primero de la FAS, por
1
tanto11 = 1 = 1 2
yt = 20 + 21 yt1 + 22 yt2 + t
Modelo AR(2)
yt = + 1 yt1 + 2 yt2 + t
14
El segundo valor de la FAP coincide con el segundo parametro autorregresivo,
es decir 22 = 2 y los valores sucesivos de la PACF seran nulos.En general
jj = 0 j > 2
ARMA(0,2)
yt = + t + 1 t1 + 2 t2
Obteniendo el FAS
j=0
0
0 = =1
0
j=1
1 1 + 2 1
1 = =
0 1 + 12 + 22
j=2
2 2
2 = =
0 1 + 12 + 22
j=3
3
3 = =0
0
En general j = 0j > 2
Obteniendo el FAP:
El primer coeficiente del FAP coincide con el valor del primer coeficiente
del FAS:
1 + 2 1
11 = 1 =
1 + 12 + 22
2 21
22 =
1 21
3 + 31 + 1 22 21 2 21 3
33 =
1 + 221 2 221 22
ARMA(1,1)
yt = + 1 yt1 + t + 1 t1
15
Obteniendo el FAS
j=0
0
0 = =1
0
j=1
1 1 0 1 2 1 2
1 = = = 1
0 0 0
j=2
2 1 1
2 = = = 1 1
0 0
j=3
3 1 2
3 = = = 1 2
0 0
En general j = 1 j1 j > 2
Obteniendo el FAP:
Representamos el ARMA(1,1) en un AR():

yt = + (1 1 )yt1 + 1 (1 1 )yt2 + 12 (1 1 ) + ... + t
1 1
11 1 1
22 1 (1 1 )
33 12 (1 1 )
En general jj 1j1 (1 1 ) j 1
3. Especificar las condiciones de estacionariedad e invertibilidad segun co-

rresponda a cada proceso.
ARMA(2,0)
yt = + 1 yt1 + 2 yt2 + t
yt = + 1 Lyt + 2 L2 yt + t
yt (1 1 L 2 L2 ) = + t
t
yt = +
(1 1 L 2 L2 ) (1 1 L 2 L2 )
Recordando
Si: x 1
1
1x = 1 + x + x2 + x3 + ... (Condicion de estacionariedad)
16
Luego

yt = + t + Q1 t1 + Q1 t2 + ...(M A )
(1 1 L 2 L2 )
Por tanto:
Siguiendo la condicion de Estacionariedad
|1 | < 1;
2 + 1 < 1;
2 1 < 1
ARMA(0,2)
yt = + t + 1 t1 + 2 t2
yt = + (1 + 1 L + 2 L2 )t
yt
= + t
(1 + 1 L + 2 L2 ) (1 + 1 L + 2 L2 )

yt = P1 yt1 + P2 yt2 + P3 yt3 + ...(AR ) = + t
(1 + 1 L + 2 L2 )
Por tanto:
|1 | < 1;
(2 + 1 ) < 1;
2 1 < 1
ARMA(1,1)
yt = + 1 yt1 + t + 1 t1
yt = + 1 Lyt + (1 + 1 L)t
yt (1 1 L) = + (1 + 1 L)t
yt (1 1 L)
= + t
(1 + 1 L) (1 + 1 L)
Por tanto:
1
| | > 1 || < 1;
1
|1 | < 1
17
8.2. Demostraciones
Consideramos un proceso vectorial (Yt ) de tamano n, que se supone es inte-
grado de orden 1, y admite una representacin VAR de la forma :
(L)Y = +

p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
Solucion
(L) = I 1 L 2 L2 ... p Lp
+ (L) = 0 + 1 L 2 L2 ... p1 Lp1
(1) = I 1 2 ... p
Entonces pasamos a determinar los coeficientes i i=1,2,...,p-1
(L) = I 1 2 ... p + (1 L)(0 + 1 L 2 L2 ... p1 Lp1 )
(L) = I1 2 ...p +(0 +1 L2 L2 ...p1 Lp1 )(0 L+1 L2 2 L3 ...p1 Lp )
Agrupando:
(L) = (I1 2 ...p +0 )+(1 0 )L+(2 1 )L2 +(3 2 )L3 +...(p1 Lp2 Lp1 p1 Lp
I = (I 1 2 ... p + 0 )
1 (L) = (1 0 )L
1 = (1 1 2 ... p )
1 = (2 + 2 ... + p )
Y as sucesivamente, podemos generalizar hacia el termino j donde:

p
X
j = i , i = 1, 2, ..., p 1
i=j+1
18
Volviendo al problema,utilizamos la descomposicion:
(1)Yt + + (L)(1 L)Yt = +
(1)Yt + (0 + 1 L + 2 L2 + ... + p1 Lp1 )(1 L)Yt = +

((1)+0 (1L)Yt +1 (1L)Yt1 +2 (1L)Yt2 +...+p1+1 (1L)Ytp+1 = +
[(1)+(1L)]Yt = 1 (1L)Yt1 2 (1L)Yt2 +...+p1+1 (1L)Ytp+1 ++

p1
X
(1 L)]Yt = (1)Yt1 1 (1 L)Yti + + t
i=1
Para obtener la misma expresion del dato, realizamos un cambio de variable de

j = j Por lo tanto demostramos lo pedido:
p1
X
(1 L)Yt = (1)Yt1 + i (1 L)Yti + + t
i=1
(b)Mostrar que el rango de (1) es estrictamente menor que n.
De la equivalencia hallada anteriormente, observamos que el primer termino

de la derecha incluye una posible variable I(1). Dado que sabemos que Yt es
I(1), entonces (1)Yt1 debe contener las relaciones de cointegracion. Entonces
el determinante de (1)Yt1 es cero.
Por propiedades de matrices se sabe que cualquier matriz, el cual su deter-

minante sea cero, tanto una de sus filas o columnas puede contener todos sus
elementos cero, por lo que el rango sera menor que el orden de dicha matriz (en
este caso menor que n).
(c)Supongamos que el rango de (1) es igual a r.Demostrar que existe 2

matrices y ; de dimensiones (n,r) y rango r tal que (1) = t
Sea (1) de rango r, expresarlo en funcion del producto de y , implica

que el rango mnimo de cada uno de las dos matrices debe ser r, pero dado que
son de orden (nxr) el rango maximo que pueden tener es r. Intersectando ambas
soluciones se obtiene que tanto como deben tener rango r.
(d)Mostrar que t yt es necesariamente estacionario(Las columnas de son

entonces llamadas vectores de cointegracion yt .
t yt = t (I (1))Yt1 + t + t t
19
El primer termino es cointegrado de orden(1), mientras que t y t t son
I(0) por lo tanto la suma de estos terminos resulta que t yt es I(0).
8.3. Ejercicios
Solucion
9. Ejercicio Vectores Autoregresivos- Estimacion

9.1. Demostraciones
Solucion
10. Ejercicio Aplicaciones con procesos ARMA

10.1. Procesos Estacionarios Arma(p,q)
Considere que existe un proceso estacionario X que tiene como PGD el si-
guiente ARMA(1,1):
(1 L)X = (1 L)t
Nos interesa encontrar la prediccion lineal optima en t para un horizonte

temporal igual a t+1 denotada por:Xt+1\t = EL(Xt+1 \Xt , Xt1 , Xt2 , ...)
P
1. Muestre que existe una serie absolutamente convergente k ak
+
X
Xt+1\t = ak Xt+1k
k=1
Solucion
Sea:(1 L)Xt = (1 L)t
Asegurando que la condicion de convertibilidad se cumple( < 1) podemos

expresar la serie estacionaria como:

(1 L)
Xt = t
(1 L)
20
Teniendo en cuenta que:
1
= 1 + x + x2 + x3 + ...
1x
Asumimos que:
(1 L)
= a(L)
(1 L)
Donde a(L) = 1 a1 L a2 L2 a3 L3 ...
Entonces:
(1 L)(1 + L + 2 L2 + 3 L3 + ...) = a(L)
(1 + L + 2 L2 + 3 L3 + ...) + (L L2 2 L3 ...) = a(L)

[1 ( )L ( )L2 2 ( )L3 ...] = 1 a1 L a2 L2 a3 L3 ...
De lo que:
aj = i1 ( )

(1 L)
Xt = a(L)Xt = t
(1 L)
(1 a1 L a2 L2 a3 L3 ...)Xt = t
Xt a1 Xt1 a2 Xt2 a3 Xt3 ... = t
Xt = a1 Xt1 + a2 Xt2 + a3 Xt3 + ... + t
+
X
Xt = ak Xtk + t
k=1
Asumiendo que el error es Gaussiano, la mejor prediccion lineal condiciona-

da a la informacion en el tiempo t para Xt+1 es:
E(Xt+1 \Xt , Xt1 , Xt2 , ...) = E(Xt+1 )

"+ #
X
E(Xt+1 \Xt , Xt1 , Xt2 , ...) = E ak Xt+1k + t+1
k=1
21
+
X
Xt+1\t = ak Xt+1k
k=1

+
X
Xt+1\t = ( ) k1 Xt+1k
k=1
2.Siendo imposible de encontrar la observacion para (Xt )t < 0, definimos la

t+1
X
Xt+1\t = ak Xt+1k
k=1
Expresar Xt+1\t en funcion de Xt y Xt\t1 .
Xt+1\t = ()Xt +()Xt1 +2 ()Xt2 +...+t1 ()X1 +t ()X0 ...(a)
Xt\t+1 = ()Xt1 +()Xt2 +2 ()Xt3 +...+t2 ()X1 +t1 ()X0 ...(b)
Ahora reemplazammos (b) en (a):
Xt+1\t = ()Xt +[()Xt1 +()Xt2 +...+t2 ()X1 +t1 ()X0 ]
Xt+1\t = ( )Xt + Xt\t+1

1
t = Et ((Xt Xt\t1 )2 )
2t
Expresar t+1 en funcion de t .
1
t+1 = Et+1 ((Xt+1 Xt+1\t )2 )
2t+1
22
Multiplicando y dividiendo por el factor 2t+1 y sumando y restando el factor
Et ((Xt Xt\t1 )2 ) obtenemos:
1 2t
t+1 = [Et+1 ((Xt+1 Xt+1\t )2 )+Et ((Xt Xt\t1 )2 )Et ((Xt Xt\t1 )2 )]
2t+1 2t
1 2 2t 1
t+1 = [Et ((Xt Xt\t1 ) )] + [Et+1 ((Xt+1 Xt+1\t )2 )Et ((Xt Xt\t1 )2 )]
2t 2t+1 2t+1
Pero observamos que el 1er termino es t por lo que la expresion quedara

como:
2t 1
t+1 = t + 2 [Et+1 ((Xt+1 Xt+1\t )2 ) Et ((Xt Xt\t1 )2 )]
2t+1 t+1

del et
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t1 Xt ] = 1 + 2t (2t 2t )
1 = E[Xt Xt1 = E[Xt1 + t1 Xt1 = 0 2t
2 = 1
3 = 2
.
.
.
k = k1
( 2) 2
0 = t
1
23
Sabemos que:
1
0 = E[(X0 X0\1 )2 ]
20
Dado que por dato es imposible encontrar la observacion para (Xt )t < 0,
entonces: (X0\1 ) = 0. Por lo tanto:
1
0 = E[(X0 )2 ]
20
0 (0)
0 =
20
( 2)
0 =
1
(2) 2
Dado que:0 (t) = 1 t
0 (t) ( 2)
t = =
2t 1
5. Que podra decir sobre el error de la prediccion E((Xt Xt\t1 )2 ) si

t ?
(1 L)Xt = (1 L)et
Xt = et + ( )et1 + (2 )et2 + (3 2 )et3 + ...
O puede expresarse como:
Xt = et + 1 et1 + 2 et2 + 3 et3 + ...
24
Cambio de variable de t t + s para trabajar:
Xt+s = et+s +1 et+s1 +2 et+s2 +3 et+s3 +...+s+1 et1 +s+2 et2 +s+3 et3 +...
Et1 (Xt+s ) = Et1 (et+s +1 et+s1 +2 et+s2 +3 et + s 3+...+s+1 et1 +s+2 et2 +s+3 et3 +...)
Et1 (Xt+s ) = Et1 (et+s )+Et1 (1 et+s1 )+Et1 (2 et+s2 )+...+Et1 (s+1 et1 )+Et1 (s+2 et2 )+...
No se conoce a futuro el error, por ello Et1 (et+sj ) = 0 i = 0, s 1 De

aqu en adelante descrito como:
Et1 (Xt+s ) = Et1 (s+1 et1 ) + Et1 (s+2 et2 ) + ...
Sabiendo que Eti (eti ) = eti , i = 1, n, entonces:
Et1 (Xt+s ) = (s+1 et1 ) + Et1 (s+2 et2 ) + ...
(Error) = (Xt+s Et1 Xt+s )
El problema nos pide analizar:E[(Xt+s Et1 Xt+s )2 ]
E[(t+s + 1 t+s1 + 2 t+s2 + ...s t )2 ]

E(2t+s + 12 2t+s1 + 22 2t+s2 + ...s2 2t )
PeroE(2t ) = 2t t. Entonces:
= 2t + 12 2t + 22 2t + ... + s2 2t

= 2t (1 + 12 + 22 + ... + s2 )
25
Ahora evaluamos el lmite de esta expresion para s , dado || < 1 lm E[(Xt+s
s
Et1 Xt+s )2 ] = 2t
11. Ejercicio Vectores Autorregresivos y RU

y1,t = 2,03y1,t1 + 0,04y2,t1 + 1,t

y2,t = 1,02y1,t1 + 3,05y2,t1 + 2,t
Con E(1t 1 ) = 1para t = yo en otros casos, E(2t 2 ) = 2 parat = y 0

en otros casos y E(1t 2 ) = 0 para todo t y
1. Determine si este sistema es estacionario en covarianzas.
Yt+s
2. Calcule s = 0t t para s = 0,1y0,2. Cual es el lmite cuando s ?
3.Calcule la fraccion del MSE del error de prediccion dos periodos hacia
adelante para la variable 1: E[y1,t+2 E(y1,t+2 /yt , yt1 ...)]2 que es debido a
1,t+1 y 1,t+2
Solucion
Determine si este sistema es estacionario en covarianzas .
|I A| = 0 < 1

2,03 0,04 1 0 2,03 0,04
[ | = =0
1,02 3,05 0 1 1,02 3,05
(2,03 )x(3,05 ) (1,02)(0, 04) = 0

2 5,08x + 6,1507 = 0
1 = 1,9915
2 = 3,0885
|1 | > 1 y |2 | > 1 por lo que diremos que Como los valores encontrados en
su valor absoluto son mayores a 1, concluimos que el sistema no es estacionario
en covarianzas.
26

Seriespackdepacks Parciales

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Seriespackdepacks Parciales

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ECONOMICA

SOLUCIONARIO EXAMEN PARCIAL DE SERIES

Profesor: Rafael Caparo

1.3. Considere el modelo

2. EJERCICIOS PROCESOS ESTACIONARIOS ARMA, VAR

Donde st es innovacion de Y e (0) = Id

1. Utilizando la descomposicion (X) = (1) + (I X)+ (X) demostramos que podemos

Identificando los terminos de la descomposicion

Entonces pasamos a determinar los coeficientes i , i = 1, 2, , p 1

(L) = (I 1 2 p + 0 ) + (1 0 )L + (2 1 )L2 + (3 2 )L3 +

Igualando los terminos de (L) con la expresion anterior:

Obtenido 0 podemos ahora determinar el siguiente termino

Y as sucesivamente, podemos generalizar hacia el termino i donde:

Volviendo al problema, utilizamos la descomposicion:

(1)Yt + + (L)(1 L)Yt = + t

Se deduce que 0 = I 1 por lo tanto reduciendo la expresion:

[(1) + (1 L)]Yt = 1 (1 L)Yt1 2 (1 L)Yt2 tp+1 (1 L)Ytp+1 + + t

Agrupando y despejando los terminos:

2. Mostrar que el rango de (1) es estrictamente menor que n.

De la equivalencia hallada anteriormente, observamos que el primer termino de la derecha

3. Supongamos que el rango de (1) es igual a r. Demostrar que existen 2 matrices

4. Mostrar que t yt es necesariamente estacionario (Las columnas de son enton-

y1,t = 2, 03y1,t1 + 0, 04y2,t1 + 1,t

Resolvemos el determinante para hallar lambda,

yt = c + 1 yt1 + 2 yt2 + ... + p ytp + ut

donde ut es ruido blanco:

E(yt |yt1 , yt2 , ...) = c + 1 yt1 + 2 yt2 + ... + p ytp

Dado que el proceso es estacionario en covarianza, la media no condicional de yt es constante:

E(yt ) = c/(1 1 2 ... p )

u2t = + 1 u2t1 + 2 u2t2 + ... + m u2tm + wt

donde wt es un nuevo proceso ruido blanco:

E(u2t |u2t1 , u2t2 , ...) = + 1 u2t1 + 2 u2t2 + ... + m u2tm

2 = E(u2t ) = /(1 1 2 ... m )

Solucion 4.3. Calcule el pronostico de s periodos hacia delante

Con el fin de que ut 2 tenga covarianza estacionaria se requiere:

Cuando se satisfacen estas condiciones, la varianza no condicional de ut 2 esta dada por

Adelantando s periodos hacia adelante, tenemos:

u2 t+s = + 1 u2 t+s1 + 2 u2 t+s2 + . . . + m u2 t+sm + wt+s

E(u2 t+s ) = + 1 E(u2 t+s1 ) + 2 E(u2 t+s2 ) + . . . + m E(u2 t+sm ) . . . (3)

Reemplazando (4) en (3):

u2t+s = 2 (1 1 2 . . . m ) + 1 u2t+s1 + 2 u2t+s2 + . . . + m u2t+sm

(u2t+s 2 ) = 1 (u2t+s1 2 ) + 2 (u2t+s2 2 ) + . . . + m (u2t+sm 2 )

Solucion 4.4. Que pasa cuando s ?

Donde el error ut tiene un comportamiento heterocedastico, con media 0 y varianza ht . En

= (yt , yt1 , . . . , y1 , y2 , . . . , ym+1 , x0t , x0t1 , . . . , x01 , x00 , . . . , x0m+1 )0

ht = + 1 u2t1 + 2 u2t2 + . . . + m u2tm

ht = + 1 (yt1 x0t1 )2 + 2 (yt2 x0t2 )2 + . . . + m (ytm x0tm )2 ht = [zt ()]0

Luego el logaritmo de la funcion de verosimilitud sera:

1 (yt x0t )2 (yt x0t )2 h

Sustituyendo los valores obtenemos lo pedido:

Zn con n enteros, ademas Zn es un:

Xn es estacionario. Zn y Xm no estan correlacionados para m menor a n.

5.1. a)Calcule (x)

h = E[(Xn E(Xn ))(Xnh E(Xnh ))]

E(Xn ) = E(Xn2 ) + E(Zn )

E(Xn ) = E(Xn ) + E(Zn )

Con lo anterior podemos seguir con el calculo de de la ecuacion (5)

h = E[(Xn 0)(Xnh 0)]

Resolviendo y despejando, obtenemos:

Usamos la ecuacion (16) en la (14) y obtenemos que:

*Para h=2, seguimos los mismos calculos anteriores y obtenemos lo siguiente:

*Para h=3, seguimos los mismos calculos anteriores y obtenemos lo siguiente:

(1)Yt + + (L)(1 L)Yt = + t

[(1) + (1 L)]Yt = 1 (1 L)Yt1 2 (1 L)Yt2 tp+1 (1 L)Ytp+1 + + t

y1,t = 2, 03y1,t1 + 0, 04y2,t1 + 1,t

Donde es innovacion de Y e (0) = Id

y1t = y1,t1 + y2,t1 + 1t

y1t = 0.3y1,t1 + 0.8y2,t1 + 1t

con E(1t 1 ) = 1 para t = y 0, en otro caso, E(2t 2 ) = 2 para t =

que se explica por 1,t+1 y 1,t+2

Donde es innovacion de Y e (0) = Id

y1t = y1,t1 + y2,t1 + 1t