Documente Academic
Documente Profesional
Documente Cultură
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.
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
Ejercicio 1.1
2
Agrupando:
I = I 1 2 p + 0
1 (L) = (1 0 )L
1 = (1 1 2 3 p )
1 = (2 + 3 + + p )
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
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)
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
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:
Parte a)
Determine si este sistema es estacionario en covarianzas
Solucion:
Para ver si el sistema es estacionario, se usara el siguiente metodo:
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:
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
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):
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
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
Sea AR(m)
u2 t = + 1 u2 t1 + 2 u2 t2 + . . . + m u2 tm + wt . . . (1)
1 1 z 2 z 2 . . . m z m = 0
1 + 2 + . . . + m < 1
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 )
Y tomamos esperanza en ambos lados, donde u2t+s denota el pronostico lineal de s periodos
hacia adelante:
De (2) obtenemos:
= 2 (1 1 2 . . . m ) . . . (4)
8
Solucion 4.5
Consideremos el siguiente modelo:
yt = x0t + ut
1 (yt x0t )2
f (yt |xt , t1 ) = exp( )
2ht 2ht
Donde:
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
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:
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 ()
10
5. EJERCICIOS ADICIONALES
Sea la series definida por:
Xn = Xn2 + Zn ,
RB(0, 2 )
|| < 1
cov(Xn , Xnh ) h
x(h) = =
var(Xn ) 0
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 ) + 0
E(Xn ) = E(Xn2 )
E(Xn ) = E(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 )
2
V ar(Xn ) =
1 2
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:
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
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
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 ]
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)
(p+1 x)n = 0
Por induccion:
(1 x)n = Xn Xn1
generalizando:
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
UNIVERSIDAD NACIONAL DE INGENIERIA
Escuela Profesional de Ingeniera Economica
Analisis Series de Tiempo Financieras
Rafael Caparo, rafael.caparo@unistra.fr
Jan Sandoval, jan.sandoval@rimac.com.pe
Examen Parcial
El desarrollo del examen dura 2 horas.Pregunta mal contestada tiene una pe-
nalizacion de -50% del puntaje.
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)
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 = +
(1 L)Y = m + C(L)
Con C(0) = Id
2
Mostrar, que hay un paseo aleatorio1 (multivariable) T y un proceso esta-
cionario S de tal manera que
Y =S+T
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
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
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 ?
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).
4.1.5. Considere el siguiente VAR bivariado:
(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
Xt+1|t = t+1
k=1 ak Xt+1k
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
UNIVERSIDAD NACIONAL DE INGENIERIA
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.
-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).
-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. -
UNIVERSIDAD NACIONAL DE INGENIERIA
Escuela Profesional de Ingeniera Economica
Analisis Series de Tiempo Financieras
Rafael Caparo, rafael.caparo@unistra.fr
Jan Sandoval, jan.sandoval@rimac.com.pe
Examen Parcial
El desarrollo del examen dura 2 horas.Pregunta mal contestada tiene una pe-
nalizacion de -50% del puntaje.
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)
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 = +
(1 L)Y = m + C(L)
Con C(0) = Id
2
Mostrar, que hay un paseo aleatorio1 (multivariable) T y un proceso esta-
cionario S de tal manera que
Y =S+T
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
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
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 ?
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).
4.1.5. Considere el siguiente VAR bivariado:
(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
Xt+1|t = t+1
k=1 ak Xt+1k
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
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.
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.
Donde: t RB(0, 1)
SOLUCION 1.1.1.
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
2
Cuarto Proceso ARMA(2,0):
SOLUCION 1.1.2.
Parte i:
0 = 1 1 0,540 = 0 2 0,541 = 0
1 = 0,54 2 = 0,2916
3
Parte ii:
E(Yt )) = 0
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:
Donde wt RB(0, u2 )
SOLUCION 1.2.1.
Parte a:
Tenemos:
yt = 0,6yt1 0,11yt2 + 0,006yt3 + wt (1)
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 )
f o r j =1:30
FIR ( j +1)=c1 vp1 ( j )+c2 vp2 ( j )+c3 vp3 ( j )
end
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
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:
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 )
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 ]
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 )
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 ) )
c2=vp2 3 / ( ( vp2vp1 ) ( vp2vp3 ) ( vp2vp4 ) )
c3=vp3 3 / ( ( vp3vp1 ) ( vp3vp2 ) ( vp3vp4 ) )
c4=vp4 3 / ( ( vp4vp1 ) ( vp4vp2 ) ( vp4vp3 ) )
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:
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
2.1.1. Demuestre:
SOLUCION 2.1.1.
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
yt = t+1 y1 + t 0 + t1 1 + t2 2 + ... + t1 + t
9
2.1.2. Encuentre:
SOLUCION 2.1.2.
operando:
(1 ) 2
= 2 1 2 = 0
1
2.1.3. Calcule:
SOLUCION 2.1.3.
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
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
y3 ( t )= p h i 1 2 y ( t 1)+p h i 2 2 y ( t 2)+p h i 3 2 y ( t 3)+p h i 4 2 y ( t 4)+p h i 5 2 y ( t 5)+p h i 6 2 y ( t 6
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
y4 ( t )= p h i 1 3 y ( t 1)+p h i 2 3 y ( t 2)+p h i 3 3 y ( t 3)+p h i 4 3 y ( t 4)+p h i 5 3 y ( t 5)+p h i 6 3 y ( t 6
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 )
SOLUCION 3.2.
12
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.
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.
Donde: t RB(0, 1)
SOLUCION 1.1.1.
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
2
Cuarto Proceso ARMA(2,0):
SOLUCION 1.1.2.
Parte i:
0 = 1 1 0,540 = 0 2 0,541 = 0
1 = 0,54 2 = 0,2916
3
Parte ii:
E(Yt )) = 0
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:
Donde wt RB(0, u2 )
SOLUCION 1.2.1.
Parte a:
Tenemos:
yt = 0,6yt1 0,11yt2 + 0,006yt3 + wt (1)
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 )
f o r j =1:30
FIR ( j +1)=c1 vp1 ( j )+c2 vp2 ( j )+c3 vp3 ( j )
end
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
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:
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 )
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 ]
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 )
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 ) )
c2=vp2 3 / ( ( vp2vp1 ) ( vp2vp3 ) ( vp2vp4 ) )
c3=vp3 3 / ( ( vp3vp1 ) ( vp3vp2 ) ( vp3vp4 ) )
c4=vp4 3 / ( ( vp4vp1 ) ( vp4vp2 ) ( vp4vp3 ) )
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:
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
2.1.1. Demuestre:
SOLUCION 2.1.1.
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
yt = t+1 y1 + t 0 + t1 1 + t2 2 + ... + t1 + t
9
2.1.2. Encuentre:
SOLUCION 2.1.2.
operando:
(1 ) 2
= 2 1 2 = 0
1
2.1.3. Calcule:
SOLUCION 2.1.3.
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
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
y3 ( t )= p h i 1 2 y ( t 1)+p h i 2 2 y ( t 2)+p h i 3 2 y ( t 3)+p h i 4 2 y ( t 4)+p h i 5 2 y ( t 5)+p h i 6 2 y ( t 6
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
y4 ( t )= p h i 1 3 y ( t 1)+p h i 2 3 y ( t 2)+p h i 3 3 y ( t 3)+p h i 4 3 y ( t 4)+p h i 5 3 y ( t 5)+p h i 6 3 y ( t 6
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 )
SOLUCION 3.2.
12
FACULTAD DE INGENIERIA ECONOMICA, ESTADISTICA Y CIENCIAS
SOCIALES
Profesor:
Alumnos:
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
1
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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.
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:
E(yt ) = (1 - )
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 .
yt = (1 ) + (1 1 L)(1 + L)vt
= C + vt + ( 0,5)vt1 0,5vt2 .
2
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
1.1. Bonus 1
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:
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
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
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
4 = 1 3 + 2 2 + 3 1 + 4 0
3
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
4 = 1 L4 + 2 L2 4 + 3 L3 4 + 4 L4 4
4 = (L)1
0 = (L)psi4
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
(0) = 2 + 2 + 2
(1) = 2 2
(2) = 2
..
.
(h) = 2
(h) 2
(h) = = 2
(0) + 2 + 2
4
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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).
Graficamos:
5
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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
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
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
Ahora analizaremos los residuos del modelo, se observa en la grafica que los datos simulados no
presentan correlacion.
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
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
Con los datos que tenemos realizaremos la prediccion estatica para un modelo AR(2) y para un
modelo MA(1).
8
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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.
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
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
10
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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:
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
11
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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.
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:
Como se sabe:
F = T T 1
Donde:
1 0 ... 0
0 2 0 0
= .
.. .. .. ..
. . .
0 0 . . . p
12
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
1 2 . . . p 1
0 1 . . . 0 1
F = .
.. .. . . .. ..
. . . .
0 0 ... 1 0
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
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
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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
14
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
(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 )
p1
i
Ci = Q p
i=1 ( p k )
j6=k
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
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
At = F (F At2 + t1 ) + t1
At = F 2 At2 + F t1 + t1 . . . . . . (3)
At = F 3 At3 + F 2 t2 + F t1 + t
Si generalizamos:
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:
16
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
j
Donde F11 es el elemento (1,1) de la matriz F elevada a la j-esima potencia. Nos piden hallar:
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 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
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
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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
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
entonces
18
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
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
(1 1 L 2 L2 )Yt = c + t ()
(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 + . . .
Yt = (L)c + (L)t
Es demostrado que
(L)c = c/(1 1 2 )
5.4. Captulo 4
(1 1 L 2 L2 . . . p Lp )(Yt ) = (1 + 1 L + 2 L2 + . . . + q Lq )t
con bt generado recursivamente desde
19
Analisis de Series de Tiempo Solucionario Primera Practica Calificada
bt = Yt Ybt|t1
para s = 1, 2, . . . , q
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
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:
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
SOLUCIN
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
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
2
1.1.2. Pregunta 2: Estacionaridad en sentido Dbil y en sentido Estricto
SOLUCIN
i) E(yt ) =
ii) V ar(yt ) = 2
iii) Cov(yt , ytk ) = k
3
1.2. Prediccin
X
yt = + t tj , t RB(0, 2 )
j=0
Y sea It = yt , yt1 , ... el conjunto de informacin disponible al momento t.
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
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 )
2E[nt+h ]
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 )
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:
SOLUCIN
Aplicando el teorema de la prediccin lineal del mnimo error cuadrtico medio, te-
nemos:
yt+h |t = E[Yt+h | It ]
6
2 Ejercicios aplicativos
Para j=0
yt
=1
wt
Para j=1
Para j=2
Para j=3
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
vp1=eigenvalues(1,1)
vp2=eigenvalues(2,1)
vp3=eigenvalues(3,1)
vp4=eigenvalues(4,1)
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
supuestos:
E(yt ) = 0
E(yt , yt ) = 0
E(yt , ytj ) = j
p
0,42 + 4 0,5
0,4 +
1 = = 0,9348
p 2
0,4 0,42 + 4 0,5
2 = = 0,5348
2
p
0,52 + 4 0,04
0,5 +
1 = = 0,5701
p 2
0,5 0,52 + 4 0,04
2 = = 0,0701
2
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
p
R= 0,72 + 0,5382 = 0,8831
9
Como R es menor a 1 entonces el proceso es estacionario.
p
1,92 + 4 0,1
1,9 +
1 = = 1,9512
p 2
1,9 1,92 + 4 0,1
2 = = 0,0512
2
10
2.2.2 Funcin de autocovarianzas y funciones de Autocorrelacin
MA()
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 )
Entonces:
11
0 = 1
1 0,40 = 0
1 = 0,4
2 0,41 0,50 = 0
2 = 0,41 + 0,50
2 = 0,4(0,4) + 0,5(1)
2 = 0,66
3 0,42 0,51 = 0
3 = 0,42 + 0,51
3 = 0,4(0,66) + 0,5(0,4)
3 = 0,464
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
E(yt , yt2 ) = 0,4E(yt1 , yt2 ) + 0,5E(yt2 , yt2 ) + E(t , yt2 ) + E(t1 , yt2 )
(2) = 0,4(1) + 0,5(0)
(2) = 0,4(0,2(0)) + 0,5(0)
(2) = 0,58(0)
Si k=3
E(yt , yt3 ) = 0,4E(yt1 , yt3 ) + 0,5E(yt2 , yt3 ) + E(t , yt3 ) + E(t1 , yt3 )
(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
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
MA()
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 )
Entonces:
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
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
Si k=2
Si k=3
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
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
MA()
Entonces:
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
20
Si k=0
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 ) =
1,4E(yt1 , yt2 ) 0,78E(yt2 , yt2 ) + E(t , yt2 ) + 1,3E(t1 , yt2 ) + 1,4E(t2 , 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 ) =
1,4E(yt1 , yt3 ) 0,78E(yt2 , yt3 ) + E(t , yt3 ) + 1,3E(t1 , yt3 ) + 1,4E(t2 , yt3 )
(3) = 1,4(2) 0,78(1)
21
(3) = 1,4(1,6011(0)) + 0,5(0,7865(0))
(3) = 2,6347(0)
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
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).
Y su ecuacin en diferencias :
yt = yt1 + wt
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
Generalizando
24
yt+ j+1 yt1 + j wt + j1 yt+1 + ... + wt+j1 + wt+j
yt+j
= j
wt
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
det(F Ip ) = 0
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
p
1 21 42
1 =
2
p
1 + 21 42
2 =
2
26
3 Lectura: Evaluacin de Portafolio de inversionistas ins-
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:
27
la siguiente:
pt f t = + Xt + .t2 + t (2)
2
log(t2 ) = + log((t1 ) + [t1 /t1 ] + y(t1 /t1 ) (3)
3.3 Timing
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:
X
Xi = 1 (6)
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 ]
/Xi 0
/Xi + Ui = 0
Xi + U i = 0
Xi 0
Ui 0
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
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):
y1 = y2 = 0
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:
Figura 4:
34
Considerando solo las 200 primeras observaciones se estima un modelo AR (2) re-
portando la ecuacin estimada:
Figura 5:
Figura 6:
35
Mostrando los valores de los residuos del modelo:
Figura 7:
36
Del men View mostramos la estructura del ARMA:
Figura 8:
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:
Figura 12:
39
Mostrando los valores de los residuos del modelo:
Figura 13:
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
series y2 = 0
series y2 = 0
smpl @all
Modelos:
44
estimando el modelo AR(2)
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
Powered by TCPDF (www.tcpdf.org)
UNIVERSIDAD NACIONAL DE INGENIERIA
Escuela Profesional de Ingeniera Economica
Analisis Series de Tiempo Financieras
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.
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
y vendedor de la opcion call?
3$1
4$2
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?:
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:
3
UNIVERSIDAD NACIONAL DE INGENIERIA
Escuela Profesional de Ingeniera Economica
Analisis Series de Tiempo Financieras
Rafael Caparo, rafael.caparo@unistra.fr
Jan Sandoval, jan.sandoval@uni.edu.pe
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:
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.
0 1 p1
0
1 0 p2 1
vec .. = [Ir2 A] vec(Q).
.. ..
. . .
0 0
p1 p2 0
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=
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
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.
T
X 0 p
(1/T ) t t Q
t=1
" #
11
12
para t =
0
E(t ) = 21 2
0 de otra forma.
4
Use los resultados de la seccion Estimacion de maxima verosimilitud
de un vector autorregresivo restringido para escribir esto en la forma
siguiente:
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:
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).
6.3 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.
7
construccion de una IS-LM dinamica usted debera justificar cada paso realizado
con alguna citacion de una parte del documento de referencia.
8
TEMA 1
MODELOS GARCH Y MV
Solucion:
Se tiene que el cuadrado del error en yt que sigue un proceso AR(m) con un error
RB tiene la siguiente forma:
Solucion:
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 2 u2t2 + .... + m u2tm
Finalmente:
2 =
(1 1 2 ... m )
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
Solucion:
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
E[yt ] = x0t
V ar[yt ] = ht
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:
T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
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
Powered by TCPDF (www.tcpdf.org)
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:
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
XP = Y. . . . . . . . . . . . . . . . . . (1)
Y = [XP 1| XP 2| XP 3| ...| XP m]
O lo que es equivalente:
Y = [Y 1| Y 2| Y 3| ...| Y m]
V (Y1 ) = P10 Cx P1
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:
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
CxP = P Cx = P P 1 = P P 0 E(Y 0 Y ) =
4
Powered by TCPDF (www.tcpdf.org)
Powered by TCPDF (www.tcpdf.org)
5.1 Cambios en el Valor de la Cartera debido a los cambios en los
precios de los Activos.
U U U
U = SA + SB + SC
SA SB SC
U U U
W = [ , , ]
SA SB SC
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
Ejemplo
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.
Powered by TCPDF (www.tcpdf.org)
Powered by TCPDF (www.tcpdf.org)
Powered by TCPDF (www.tcpdf.org)
Captulo 1
MODELOS GARCH Y MV
Solucion:
Se tiene que el cuadrado del error en yt que sigue un proceso AR(m) con un error
RB tiene la siguiente forma:
Solucion:
2
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 2 u2t2 + .... + m u2tm
Finalmente:
2 =
(1 1 2 ... m )
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(ut 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
3
4. Que pasa cuando s ?
Solucion:
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
E[yt ] = x0t
V ar[yt ] = ht
4
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:
T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5
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
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
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.
Solucion:
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.
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:
26
11.2. PRUEBAS DE CAUSALIDAD BIVARIADA DE GRANGER 21
bj xtj dj xt+j + 2t .
X X X
yt = c2 hj tj + + (11.2.11)
j=1 j=1 j=1
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
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
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)
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
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:
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.
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)
Powered by TCPDF (www.tcpdf.org)
SOLUCIONARIO DEL EXAMEN
PARCIAL ANALISIS DE SERIES DE
TIEMPO-SECCION K
1. MODELOS GARCH Y MV 2
3. VECTORES AUTORREGRESIVOS 21
4. COINTEGRACION 25
1
Captulo 1
MODELOS GARCH Y MV
Solucion:
Se tiene que el cuadrado del error en yt que sigue un proceso AR(m) con un error
RB tiene la siguiente forma:
Solucion:
2
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 2 u2t2 + .... + m u2tm
Finalmente:
2 =
(1 1 2 ... m )
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(ut 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
3
4. Que pasa cuando s ?
Solucion:
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
E[yt ] = x0t
V ar[yt ] = ht
4
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:
T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5
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
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
P
1. Muestre que existe una serie absolutamente convergente k ak tal que:
+
X
Xt+1/t = ak Xt+1k
k=1
Solucion:
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 ( )
9
Donde su forma general es:
+
X
Xt+1/t = ( ) k1 Xt+1k
k=1
Solucion:
bt+1/t =( )Xt +X
X bt/t1
Solucion:
1 bt+1|t )2 )
et+1 = Et+1 ((Xt+1 X
2t+1
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
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
Solucion:
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t t1 )Xt ] = 1 + 2 (2 2 )
2 = 1
3 = 2
. .
. .
. .
k = k1
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
(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
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 +...
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:
= 2 + 12 2 + 22 2 + ... + s2 2
= 2 (1 + 12 + 22 + ... + s2 )
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
Solucion:
E(yt ) = cte =
V ar(yt ) = cte
t R.B.
Media:
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
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 ) = 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:
j = Cov(yt ; ytj ) = E[(yt E(yt ))(ytj E(ytj ))]
= E[(yt )(ytj )]
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:
16
2. Especificar la forma general de la Funcion de autocorrelacion simple (FAS) y
la Funcion de autocorrelacion parcial (FAP).
Solucion:
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:
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:
En general jj = 0 j > 2
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
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:
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
= 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:
Condicion de estacionariedad :
|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
Solucion:
21
0
b) Calcule t = yt+s /t para s=1 y 2. Ademas indicar el lmite cuando
s
Solucion:
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 + ...
*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
Solucion:
yt = yt1 + t
(1 L)yt = t
yt = t + t1 + 2 t2 + 3 t3 + ... + s ts + ...
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:
23
*Para la variable 1:
24
Captulo 4
COINTEGRACION
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.
Solucion:
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.
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:
26
SOLUCIONARIO DEL EXAMEN
PARCIAL ANALISIS DE SERIES DE
TIEMPO-SECCION K
1. MODELOS GARCH Y MV 2
3. VECTORES AUTORREGRESIVOS 21
4. COINTEGRACION 25
1
Captulo 1
MODELOS GARCH Y MV
Solucion:
Se tiene que el cuadrado del error en yt que sigue un proceso AR(m) con un error
RB tiene la siguiente forma:
Solucion:
2
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 2 u2t2 + .... + m u2tm
Finalmente:
2 =
(1 1 2 ... m )
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(ut 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
3
4. Que pasa cuando s ?
Solucion:
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
E[yt ] = x0t
V ar[yt ] = ht
4
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:
T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5
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
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
P
1. Muestre que existe una serie absolutamente convergente k ak tal que:
+
X
Xt+1/t = ak Xt+1k
k=1
Solucion:
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 ( )
9
Donde su forma general es:
+
X
Xt+1/t = ( ) k1 Xt+1k
k=1
Solucion:
bt+1/t =( )Xt +X
X bt/t1
Solucion:
1 bt+1|t )2 )
et+1 = Et+1 ((Xt+1 X
2t+1
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
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
Solucion:
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t t1 )Xt ] = 1 + 2 (2 2 )
2 = 1
3 = 2
. .
. .
. .
k = k1
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
(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
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 +...
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:
= 2 + 12 2 + 22 2 + ... + s2 2
= 2 (1 + 12 + 22 + ... + s2 )
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
Solucion:
E(yt ) = cte =
V ar(yt ) = cte
t R.B.
Media:
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
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 ) = 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:
j = Cov(yt ; ytj ) = E[(yt E(yt ))(ytj E(ytj ))]
= E[(yt )(ytj )]
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:
16
2. Especificar la forma general de la Funcion de autocorrelacion simple (FAS) y
la Funcion de autocorrelacion parcial (FAP).
Solucion:
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:
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:
En general jj = 0 j > 2
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
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:
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
= 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:
Condicion de estacionariedad :
|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
Solucion:
21
0
b) Calcule t = yt+s /t para s=1 y 2. Ademas indicar el lmite cuando
s
Solucion:
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 + ...
*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
Solucion:
yt = yt1 + t
(1 L)yt = t
yt = t + t1 + 2 t2 + 3 t3 + ... + s ts + ...
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:
23
*Para la variable 1:
24
Captulo 4
COINTEGRACION
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.
Solucion:
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.
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:
26
SOLUCIONARIO DEL EXAMEN
PARCIAL ANALISIS DE SERIES DE
TIEMPO-SECCION K
1. MODELOS GARCH Y MV 2
3. VECTORES AUTORREGRESIVOS 21
4. COINTEGRACION 25
1
Captulo 1
MODELOS GARCH Y MV
Solucion:
Se tiene que el cuadrado del error en yt que sigue un proceso AR(m) con un error
RB tiene la siguiente forma:
Solucion:
2
E(u2t |u2t1 , u2t2 ...) = + 1 u2t1 + 2 u2t2 + .... + m u2tm
Finalmente:
2 =
(1 1 2 ... m )
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(ut 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
3
4. Que pasa cuando s ?
Solucion:
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
E[yt ] = x0t
V ar[yt ] = ht
4
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:
T T
T 1X 1 X (yt x0t )2
Ln(L()) = Ln(2) (Ln(ht )) ( )
2 2 t=1 2 t=1 ht
5
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
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
P
1. Muestre que existe una serie absolutamente convergente k ak tal que:
+
X
Xt+1/t = ak Xt+1k
k=1
Solucion:
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 ( )
9
Donde su forma general es:
+
X
Xt+1/t = ( ) k1 Xt+1k
k=1
Solucion:
bt+1/t =( )Xt +X
X bt/t1
Solucion:
1 bt+1|t )2 )
et+1 = Et+1 ((Xt+1 X
2t+1
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
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
Solucion:
Entonces:
0 = E[(Xt )2 ]
0 = E[Xt1 + t t1 )Xt ] = 1 + 2 (2 2 )
2 = 1
3 = 2
. .
. .
. .
k = k1
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
(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
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 +...
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:
= 2 + 12 2 + 22 2 + ... + s2 2
= 2 (1 + 12 + 22 + ... + s2 )
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
Solucion:
E(yt ) = cte =
V ar(yt ) = cte
t R.B.
Media:
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
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 ) = 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:
j = Cov(yt ; ytj ) = E[(yt E(yt ))(ytj E(ytj ))]
= E[(yt )(ytj )]
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:
16
2. Especificar la forma general de la Funcion de autocorrelacion simple (FAS) y
la Funcion de autocorrelacion parcial (FAP).
Solucion:
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:
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:
En general jj = 0 j > 2
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
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:
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
= 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:
Condicion de estacionariedad :
|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
Solucion:
21
0
b) Calcule t = yt+s /t para s=1 y 2. Ademas indicar el lmite cuando
s
Solucion:
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 + ...
*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
Solucion:
yt = yt1 + t
(1 L)yt = t
yt = t + t1 + 2 t2 + 3 t3 + ... + s ts + ...
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:
23
*Para la variable 1:
24
Captulo 4
COINTEGRACION
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.
Solucion:
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.
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:
26
UNIVERSIDAD NACIONAL DE INGENIERIA
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.
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
Ejercicio 1.1
2
Agrupando:
I = I 1 2 p + 0
1 (L) = (1 0 )L
1 = (1 1 2 3 p )
1 = (2 + 3 + + p )
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
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)
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
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:
Parte a)
Determine si este sistema es estacionario en covarianzas
Solucion:
Para ver si el sistema es estacionario, se usara el siguiente metodo:
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:
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
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):
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
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
Sea AR(m)
u2 t = + 1 u2 t1 + 2 u2 t2 + . . . + m u2 tm + wt . . . (1)
1 1 z 2 z 2 . . . m z m = 0
1 + 2 + . . . + m < 1
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 )
Y tomamos esperanza en ambos lados, donde u2t+s denota el pronostico lineal de s periodos
hacia adelante:
De (2) obtenemos:
= 2 (1 1 2 . . . m ) . . . (4)
8
Solucion 4.5
Consideremos el siguiente modelo:
yt = x0t + ut
1 (yt x0t )2
f (yt |xt , t1 ) = exp( )
2ht 2ht
Donde:
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
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:
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 ()
10
5. EJERCICIOS ADICIONALES
Sea la series definida por:
Xn = Xn2 + Zn ,
RB(0, 2 )
|| < 1
cov(Xn , Xnh ) h
x(h) = =
var(Xn ) 0
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 ) + 0
E(Xn ) = E(Xn2 )
E(Xn ) = E(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 )
2
V ar(Xn ) =
1 2
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:
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
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
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 ]
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)
(p+1 x)n = 0
Por induccion:
(1 x)n = Xn Xn1
generalizando:
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
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
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
E(yt ) = 0
V ar(yt ) = 2
Cov(yt , ytk ) = k
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
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
p
2, 4 2, 42 4 (1, 78)
1,2 =
2
2, 4 1, 36i
1,2 =
2
1,2 = 1, 2 0, 58i
p
R= 1, 44 + 0, 336
3
R = 1, 32
El proceso no es estacionario
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.
M A()
M A()
4
(1 0, 5L 0, 04L2 )yt = t
yt = (1 0, 5L 0, 04L2 )1 t
yt = (L)1 t
0, 040 L2 = 1
o = 1
1 0, 50 = 0
o = 0, 5
1 = 0, 5
2 0, 51 0, 04o = 0
2 = 0, 51 + 0, 04o
2 = 0, 5(0, 5) + 0, 04
2 = 0, 29
3 0, 52 0, 041 = 0
5
3 = 0, 165
Si k = 0
Si k = 1
(1 0, 04)(1) = 0, 5(0)
(1) = 0, 52(0)
Si k = 2
(2) = 0, 31(0)
Si k = 3
6
(3) = 0, 5(0, 31)(2) + 0, 04(0, 52)(1)
(3) = 0, 176(0)
(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)
j Z j )
X X
G(z) = 2 ( h Z h )(
h=0 j=0
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
p1
i
p2
i
p3
= i
..
.
1
donde : 1 , 2 , ..., p
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
F ()
p = p1 1 + 1 + p2
i 1 + ... + p = 0
F.ti = i .ti
T = [t1 t2 ....tp ]
Ademas
T T 1 = 1
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 :
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
10
1 t11 + 2 t21 + 3 t31 = 0........(2)
Luego
(1) (2)3 :
De la diferencia:
Luego
(2) (3)3 :
De la diferencia de * - ** 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 )
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
Reemplazando (2) en 1:
At = F (F At2 + t1 ) + t1
At = F 2 (At2 + F t1 ) + t ............(3)
12
Reemplazando (4) en (3):
At = F 3 At3 + F 2 t2 + F 2 t2 + F t1 + t
De forma general:
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
Donde
j
F11
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
1 2 t
yt+1 = C + wt+2 + f11 wt+1 + f11 wt + .... + f11 w2
14
1.3 Ejercicio 3: Procesos estacionarios en covari-
anza
Es el siguiente proceso MA(2) estacionario en covarianza?
yt = (1 + 0.8L + 0.4L2 )
E(t T ) = 0, t 6= T
como:
t RB
como los esperados de los errores son iguales a cero nos queda:
E(yt ) = 0
Como
E(t T ) = 0; t 6= T
15
.Covarianza de orden 1:
E(t T ) = 0; t 6= T
Nos quedara:
.covarianza de orden 2:
por la condicion:
E(t T ) = 0; t 6= T
2 = 0.4E(2t2 )
2 = 0.42
.Covarianza de orden 3:
E(t T ) = 0t 6= T
.covarianza de orden 4:
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
Y su ecuacion en diferencia:
yt = yt1 + wt
Donde:
yt = mt
t = 0.72
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
Generalizando:
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
det(F Ip ) = 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
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
0.19
A= = 0.68
1 0.72
21
Chapter 3
Laboratorio
Solucion:
22
Figure 3.1: Funcion impulso respuesta (FIR)
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:
23
Figure 3.2: Multiplicadores dinamicos para una ED(4)
Solucion:
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])
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
Solucion:
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:
E(yt = )
V ar(Yt ) = 2
1
Cov(Yt , Ytk ) = k
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.
-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.
Solucion:
Teniendo la ecuacion anterior expresada como un
yt = yt1 + wt
donde yt = mt y = 0,72
3
Date Equation
0 y0 = y1 + w0
1 y1 = y0 + w1
2 y2 = y1 + w2
. .
. .
. .
t y2 = yt1 + wt
y2 = y1 + w2 = (y1 = 2 y1 + w0 + w1 ) + w2 ,
o
y2 = y1 + w2 = 3 y1 + 2 w0 + w1 + w2
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 :
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
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:
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:
t = 1 t1 + yt + e (2)
it = t + y yt + ei (3)
Sabemos:
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 )
Solucion
Realizamos las iteraciones:
Para j = 0
yt
=1
wt
Para j = 1
Para j = 2
6
yt+2 yt+1 yt
= 0,6( ) 0,11( ) = 0,25
wt wt wt
Y T
X
L(, ) = (Tn /2)log(2) + (T /2)log|1 | (1/2) e0t 1 et (1)
i=1
Solucion:
6. Ejercicio VAR
Dado las ecuaciones:
3.Calcule la fraccion del MSE del error de prediccion dos periodos hacia
adelante para la variable 1:
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
|I A| = 0 < 1
p1
i
ci = Q p (1)
i=1,6=k (i k )
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
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 )
yt = + 1 yt1 + 2 yt2 + t
yt = + t + 1 t1 + 2 t2
yt = + 1yt1 + t + 1 t1
10
2. Especificar la forma general de la Funcion de autocorrelacion simple FAS
y la funcion de autocorrelacion parcial FAP.
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
-Autocovarianza
Yt = E[yt ytj ]
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
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
-Autocovarianza
Yt = E[(yt )(ytj )]
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 )
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
-Autocovarianza
13
0 = Cov(yt ; yt ) = E[(yt E(yt ))(yt E(yt ))] = E[yt yt ]
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
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:
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
1
tanto11 = 1 = 1 2
. El segundo valor se determina a partir de la regresion:
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:
11 1 1
22 1 (1 1 )
33 12 (1 1 )
En general jj 1j1 (1 1 ) j 1
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:
Siguiendo la condicion de Estacionariedad
|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:
Siguiendo la condicion de Estacionariedad
1
| | > 1 || < 1;
1
Condicion de Invertibilidad:
|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 = +
Solucion
Identificando los terminos de la descomposicion
(L) = I 1 L 2 L2 ... p Lp
+ (L) = 0 + 1 L 2 L2 ... p1 Lp1
(1) = I 1 2 ... p
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 )
18
Volviendo al problema,utilizamos la descomposicion:
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
(1 L)X = (1 L)t
Solucion
Sea:(1 L)Xt = (1 L)t
(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)
Entonces:
De lo que:
aj = i1 ( )
21
+
X
Xt+1\t = ak Xt+1k
k=1
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
2t 1
t+1 = t + 2 [Et+1 ((Xt+1 Xt+1\t )2 ) Et ((Xt Xt\t1 )2 )]
2t+1 t+1
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
(1 L)Xt = (1 L)et
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 )+...
25
Ahora evaluamos el lmite de esta expresion para s , dado || < 1 lm E[(Xt+s
s
Et1 Xt+s )2 ] = 2t
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 .
Para ver si el sistema es estacionario, se usara el siguiente metodo:
|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
|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