Cristian Latorre, María Alejandra Reyes y Natalia Giraldo.

Métodos cuantitativos en Finanzas

Predicción series de tiempo mediante la metodología Box-Jenkins

1. Introducción:

Desde la perspectiva teórica que abarca el objeto de estudio de la investigación sobre el pronóstico de series de
tiempo financieras, se evidenció que la modelación y el pronóstico de este tipo particular de series, ha sido
estudiado históricamente a través de dos enfoques antagónicos.

Por una parte, se encuentra el desarrollo y la profundización de las teorías chartistas, más específicamente el
análisis técnico. En el cual, las teorías implican que el precio de un activo subyacente contiene información precisa
y concisa para pronosticar su comportamiento en el futuro. Por lo tanto, los precios determinan un patrón
secuencial a través del tiempo que permite replicar su historia en el futuro.

En contraste con lo anterior, la teoría de los mercados eficientes y los procesos estocásticos plantean que no es
posible predecir los precios futuros de los activos subyacentes a partir de los precios pasados, dado que los precios
de las acciones están determinados por una caminata aleatoria propuesto por Fama (1965). Lo anterior debido a
que estadísticamente hay evidencia empírica que determina que los cambios en los precios son variables
aleatorias independientes e idénticamente distribuidas a lo largo del tiempo.

Dicho lo anterior, se justifica que para el desarrollo de esta investigación se utilizó una metodología de Box-
Jenkins, la cual interioriza la perspectiva de la teoría de caminata aleatoria y mediante la cual se puede justificar
la teoría de los mercados eficientes. Los planteamientos del proceso obtenido para el pronóstico aseguran que el
nivel de precios de un activo no es predecible, dado que la variación en los precios no tiene memoria y como
consecuencia su mejor pronóstico en el futuro hace referencia al valor del periodo inmediatamente anterior. En
otras palabras, asume que el precio de un activo bursátil depende de una caminata aleatoria.

2. Identificación:

Una serie de tiempo se define como un conjunto de observaciones secuenciales sobre intervalos de tiempo
separados de manera regular. Dicho lo anterior, para el análisis y la implementación de la metodología, se tomó
la serie de tiempo de los precios mensuales de la acción de Apple desde enero de 2010 hasta abril de 2019.

Gráfico 1: Serie de tiempo de los precios de la acción de Apple

 Gráfico 2: Descomposición de la serie de tiempo de los precios de la acción de Apple

En la gráfica del precio de acción, realizando econometría ocular, se puede decir superficialmente que la gráfica
sigue un proceso aleatorio y tiene tendencia, por tal motivo, se decidió descomponer la serie para poder analizarla
de una mejor manera. Visualmente, se podría decir que el proceso NO es estacionario (débilmente), dado que no
parece tener una media, varianza y covarianzas constantes a lo largo de la serie; parece tener un comportamiento
con raíz unitaria. Razón por la cual, se procede a realizar la prueba de Dickey & Fuller argumentada para probar
formalmente procesos de raíz unitaria.

La hipótesis nula de la prueba consiste en determinar que 𝛾 (gamma) es igual

a 0 (lo que indicaría un proceso de raíz unitaria), y su hipótesis alterna es que
𝛾 (gamma) sea diferente de cero.

Tabla 1: Tabla 2:
Test de Dickey-Fuller (Regresión por tendencia) Test de Dickey-Fuller (Regresión por deriva)
En la primera prueba realizada de Dickey-Fuller expresada en la tabla 1, tau 3 (en el cual la hipótesis nula de la
prueba, ecuación 3, es “Ho: El proceso tiene raíz unitaria”), se evidencia que el valor del estadístico con un grado
de significancia al 5% no rechaza la hipótesis nula, por lo tanto, no se puede concluir que el proceso es
estacionario. Por ende, se prosigue a mirar Phi 3, el cual tiene como hipótesis nula un proceso de raíz unitaria con
tendencia. Como se puede observar, el estadístico cae en la región de no rechazo de la hipótesis nula.

En la tabla número 2, se realiza una prueba de regresión por deriva, es decir, con reversión a la media (Ecuación
2). Los resultados arrojan que ante un valor crítico de -2.88 con significancia del 5%, no se rechaza la hipótesis
nula en la prueba estadística. Por lo anterior, se concluye que no se tiene suficiente evidencia estadística para
rechazar que los precios de la acción de Apple son una caminata aleatoria. Para verificar lo anterior se grafica la
ACF y la PACF.

Gráfico 3: Autocorrelación parcial y simple de la serie de precios de la acción

Cuando se trabaja con series de tiempo, se busca que estas sean estacionarias y estables, dado que ante un choque
externo la serie se ve afectada en el corto plazo, sin embargo, en el largo plazo la serie tiende a converger
nuevamente a su media. Un proceso de raíz unitaria tiene memoria infinita, como el presentado anteriormente
el cual no es estacionario. Lo que significa que ante un choque exógeno la serie no va a tener reversión a la media.
No obstante, diferenciando este tipo de series, se podría obtener un proceso estacionario.

Para realizar el análisis y el ajuste de modelación para el pronóstico, es importante diferenciar la serie de la acción
de Apple, por lo que se procede a calcular los rendimientos continuos del precio de la acción mediante la diferencia
obtenida de los logaritmos de los precios actuales y los precios inmediatamente anteriores, es decir:

𝑅𝑒𝑡𝑜𝑟𝑛𝑜𝐴𝑝𝑝𝑙𝑒 = 𝐿𝑛(𝑆𝑡 ) − 𝐿𝑛(𝑆𝑡−1 )

Matemáticamente al aplicar el logaritmo a la diferencia de precios, se está eliminando el crecimiento exponencial

y financieramente, esta nueva variable representa los log-retornos (ya que en el mercado bursátil un inversionista
prefiere ver los retornos que reflejan movimientos en el mercado en vez del precio del activo o de su portafolio).
Por lo anterior, se obtiene una nueva serie de datos resultado del cambio en los precios del activo subyacente. A
partir de estos rendimientos, se obtuvo la media (promedio de rentabilidad mensual) y la desviación estándar
(riesgo) de la serie.

Media () 1.792565%

Desviación Estándar () 7.250843%

Gráfico 4: Serie de tiempo de los retornos mensuales de Apple

Para observar si la nueva serie de datos tiene raíz unitaria, se procede nuevamente a realizar la prueba de Dickey-
Fuller, de tal manera que se pueda establecer que la serie es estable a través del tiempo y permita realizar el mejor
ajuste de modelación, dado que el objetivo es obtener un pronóstico sobre el comportamiento de los retornos de
la acción de Apple.

Tabla 3:
Test de Dickey-Fuller (Regresión por tendencia) para los retornos de la acción de Apple

La información presente en la tabla número 3,

permite observar que mediante la prueba
argumentada de Dickey-Fuller (por medio de una
regresión de tendencia), tau3 al 5% de
significancia, expresa que no hay suficiente
evidencia estadística para aceptar la hipótesis
nula. Es decir, la serie es estacionaria y no tiene
raíz unitaria dado que se eliminó el factor
estocástico de caminata aleatoria que percibe la
ley de movimiento en los precios de los activos
financieros una vez se obtuvieron los log-retornos
del activo subyacente.

Una vez el modelo es consistente y estable, se

procede a identificar el tipo de proceso
estocástico que determina la serie de tiempo de
los log-retornos de Apple. Por consiguiente, se
busca encontrar los valores adecuados de p, d, y
q del modelo ARIMA a estimar mediante el
correlograma simple (MA) y parcial (AR).
 Gráfico 5: Correlograma parcial y simple de los retornos de la acción

Los
anteriores correlogramas no brindan información suficiente dado que ninguno de sus rezagos es significativo para
el modelo. Por ende, se procede a hacer la diferenciación de los log-retornos de manera que permita encontrar
los parámetros adecuados para el modelo que se ajusta a la serie.

Gráfico 6: Correlograma parcial y simple de la diferencia de retornos de la acción

En el anterior correlograma se observan los rezagos de p y q estadísticamente significativos, por lo cual, cabe
anotar que el modelo (mediante econometría ocular) puede tener una aproximación a un ARIMA de orden (4,1,1).
Sin embargo, para la estimación de pronóstico, se calcularán otros modelos que permitan comparar y realizar una
verificación del diagnóstico estimado por cada modelo.
 3. Estimación:

• Modelo #1:
Tabla 4: Estimación del primer modelo

𝒀𝒕 = 𝜶𝟎 + 𝜶𝟏 ∆𝒀𝒕−𝟏 + 𝜶𝟐 ∆𝒀𝒕−𝟐 + 𝜶𝟑 ∆𝒀𝒕−𝟑 + 𝜶𝟒 ∆𝒀𝒕−𝟒 + 𝑼𝒕 + 𝜽𝟏 𝑼𝒕−𝟏

• Modelo #2:
Tabla 5: Estimación del segundo modelo

𝒀𝒕 = 𝜶𝟎 + 𝜶𝟏 ∆𝒀𝒕−𝟏 + 𝜶𝟐 ∆𝒀𝒕−𝟐 + 𝑼𝒕 + 𝜽𝟏 𝑼𝒕−𝟏

• Modelo #3:
Tabla 6: Estimación del tercer modelo

𝒀𝒕 = 𝜶𝟎 + 𝜶𝟏 ∆𝒀𝒕−𝟏 + 𝑼𝒕 + 𝜽𝟏 𝑼𝒕−𝟏
Los modelos anteriores, permiten determinar que el correlograma simple y parcial arrojaron el mejor modelo
ajustado a la serie de tiempo de la acción de Apple, es decir, para el pronóstico se realizara un modelo ARIMA
(4,1,1), como consecuencia de su nivel de significancia individual y de poseer el menor criterio de información de
Akaike (AIC) y el menor criterio de información bayesiano (BIC) entre los modelos, el cual funciona como medida
en la calidad y bondad de ajuste del modelo estadístico.

4. Verificación de Diagnóstico:

4.1 Análisis de los coeficientes:

Dadas las propiedades asintóticas de estimación por Mínimos Cuadrados Ordinarios (MCO), se puede
estimar que el modelo ARIMA (4,1,1) muestra significancia individual en los parámetros estimados de p y
q, por lo que se puede intuir que el proceso cumple con las condiciones de estacionariedad e invertibilidad
en los rezagos incorporados del modelo elegido.

4.2 Bondad de Ajuste:

El AIC y el BIC del modelo número 1 son los menores respecto a los otros modelos comparados (2 y 3).
Razón por la cual se puede afirmar que se está utilizando el mejor modelo dentro de los propuestos para
elegir el número de rezagos correctos del modelo elegido para el pronóstico.

4.3 Análisis de residuos:

El supuesto de que los residuales de los estimadores son ruido blanco es una condición necesaria para
que un proceso sea estacionario. Por tal motivo se realizan las pruebas respecto a estos, con el objetivo
de verificar que el modelo ajustado si es adecuado para el pronóstico. Cabe recalcar que la normalidad de
los errores es algo deseable más no necesario, lo principal sobre estos es que sean ruido blanco. Para que
un proceso sea ruido blanco debe cumplir con los siguientes criterios:

1. Media cero
2. Varianza constante
3. No correlación serial entre los errores

Para ello, se procede a graficar la distribución y la autocorrelación simple de los errores:

Gráfico 7: Correlograma simple y distribución del modelo ARIMA (4,1,1)
 Tabla 6: Test de Ljung-Box

En el gráfico anterior se puede observar que los residuos son un ruido blanco dentro del modelo estimado,
porque no se observan rezagos significativos en la ACF ni en la PACF y que su distribución es normal, por
lo que estadísticamente los residuales no alteran las predicciones de pronóstico que pueda realizar el
modelo ARIMA (4,1,1). Por otra parte, la prueba de Ljung-Box, cuya hipótesis nula es que las
autocorrelaciones entre los errores son cero, arrojó que en el modelo propuesto los residuales no tienen
una correlación serial. Es decir, son independientes.

5. Pronóstico:
6. Conclusión

Como se puede observar, el pronóstico tiende a cero para los retornos de la acción, lo cual concuerda con
la teoría del proceso de Weiner generalizado para el precio de un activo financiero, el cual se describe de
la siguiente forma:

𝑑𝑆𝑡 = 𝜇 𝑆𝑡 𝑑𝑡 + 𝜎 𝑆𝑡 𝑑𝑤𝑡

El componente estocástico de la estimación realizada sobre el pronóstico coincide con la teoría de los
mercados eficientes, determinando que el precio de los activos financieros sigue una caminata aleatoria.
Por lo tanto, la variable sigue un proceso de Markov, es decir, solo el valor presente de la variable es
relevante para pronosticar o predecir el futuro, la historia pasada de la variable y la forma en la que
emerge al presente es irrelevante.

7. Referencias:

• Enders, W. (1995). Applied Econometrics Time Series.

• Hamilton, J.D. (1994), Time Series Analysis. Princeton.
• Parody, E., Charris, A & García, R. (2016). Modelo Log-normal para la Predicción del Precio de las Acciones
del Sector Bancario que cotizan en el Índice General de la Bolsa de Valores de Colombia (IGBC). Dimensión
Empresarial, 14(1), 137 -149.
• Hyndman, R.J., & Athanasopoulos, G. (2018) Forecasting: principles and practice, 2nd edition, OTexts:
Melbourne, Australia. OTexts.com/fpp2. Acceso en mayo 2019.