NOTAS PARA EL CURSO DE ANALISIS DE SERIES DE TIEMPO

Francisco Snchez Villarreal Introduccin.

Una particularidad del ser humano es la de ser conciente del tiempo. La sucesin de eventos que se dan en su vida personal o en el ambiente que le rodea y la forma como estos se relacionan le ha permitido desarrollar los conceptos de presente, pasado y futuro, pero tambin otras sutilezas como el que hubiera pasado ante la presencia o ausencia de un factor influyente. No slo eso, sino que lo que puede pasar en el futuro ante la presencia o ausencia de un factor. Explicar el pasado y predecir el futuro es motivo de constante reflexin y estudio desde los orgenes de la humanidad. Esta preocupacin dio lugar al pensamiento mgico y en las comunidades primitivas los sacerdotes o sacerdotisas ocupaban un papel preponderante en la interpretacin de eventos que asociaban a favor o en contra del futuro de los gobernantes. Orculos como el de la ciudad de Delfos en la antigua Grecia tienen un importante papel en la historia. Hay que admitir que en la actualidad los astrlogos y adivinos no han perdido su status y personas de todos los niveles econmicos y culturales recurren frecuentemente a las ms diversas formas de adivinacin, desde las cartas del Tarot y los mapas astrales hasta los residuos de caf. La incertidumbre se asocia tanto a problemas muy ntimos como a situaciones ms mundanas. Es motivo de preocupacin del hombre de la calle tanto como de los equipos de estrategia y planeacin de empresas y gobiernos. La ciencia enfrenta a las formas subjetivas de predecir el futuro con tcnicas estadsticas unas muy sencillas y otras muy complejas. Algunas tcnicas se pueden ubicar en el plano descriptivo y otras en el plano inferencial al considerar la presencia de una distribucin de probabilidad. Todas desde luego pretenden minimizar los errores en los pronsticos y todas se apoyan en algunos principios fundamentales: Disponer de informacin acerca del pasado. La informacin debe ser cuantificable en alguna forma de datos asociados a intervalos en el tiempo. Se supone que existe cierta inercia en los fenmenos estudiados que se traduce en patrones que se repiten al menos parcialmente en el futuro.

Al analizar un grupo de datos referidos intervalos de tiempo en forma ordenada, lo cual constituye una serie de tiempo, es posible identificar algunos elementos o componentes en el patrn de una serie de tiempo: Tendencia Variaciones cclicas 1

Variaciones estacionales Variaciones irregulares o al azar.

Tendencia (T). Se asocia a la direccin general que presenta la grfica de una serie de tiempo. La tendencia puede manifestarse en forma de una recta o de una funcin ms compleja. Variaciones cclicas(C). Se refiere a las oscilaciones de larga duracin, usualmente aos, alrededor de la tendencia. Los ciclos en economa se asocian a perodos de prosperidad o de depresin. Usualmente requieren de muchas observaciones para identificar su presencia. Variaciones estacionales (E). Son oscilaciones de corta duracin (meses, semanas o das) que suelen presentar fenmenos como las ventas de artculos deportivos o el consumo de energa elctrica. Variaciones irregulares o aleatorias (I). Son debidas a la presencia de factores no cuantificados o desconocidos que influyen en el comportamiento del fenmeno.
Serie de Tiempo
106 105 104 Valor 103 102 101 100 99 0 10 20 30 40 50 60 70 Tiempo

Error cuadrtico medio Una forma de evaluar la bondad de ajuste del modelo es a travs del error cuadrtico medio. Este se calcula como el promedio de los cuadrados de los residuales.

ECM =

(Y
n t =1

Yt ) n

MEDIAS MOVILES Y METODOS DE SUAVIZAMIENTO Medias Mviles. Uno de los procedimientos ms simples de pronstico consiste en tomar el promedio k perodos atrs y considerarlo como la mejor opcin de pronstico para el siguiente perodo. Transcurrido un perodo se incorpora la ltima observacin al promedio y se desecha la ltima para calcular nuevamente la media. Si particularmente k=1, entonces la ltima observacin se considera el mejor pronstico para el subsiguiente.

Yt +1 =

Yt + Yt 1 + ..... + Yt ( k 1) k

Yt +1 =
i =0

K 1

Yt i k

Una forma alternativa de clculo, en funcin de la media mvil anterior consiste en sumar la diferencia entre la ms reciente observacin y la ltima del clculo anterior dividida entre el nmero de perodos considerados en la media mvil.

Yt +1 = Yt +

Yt Yt k k k

Si se calculan las medias mviles en forma consecutiva se observa un alisamiento de la serie. Entre mayor sea el valor de k, mayor efecto de alisamiento. Esta prctica se alisamiento o suavizamiento de series se usa con frecuencia a manera de filtro de las variaciones aleatorias. Las medias mviles simples otorgan el mismo peso a todas las observaciones pasadas, pero tambin existe la posibilidad de otorgar una ponderacin a las observaciones de modo que tienen mayor peso las observaciones ms recientes. El problema para el investigador es la seleccin de los ponderadores.

Yt +1 = WiYt i
i =0

K 1

con

W
i =0

K 1

=1

En el campo burstil, el anlisis tcnico se orienta al estudio y prediccin de las acciones del mercado, tales como movimientos de precios y tendencias. Entre sus principales herramientas se incluyen indicadores y diversos tipos de grficas que incorporan las medias mviles en diferentes formas. Las grficas de medias mviles son utilizadas para definir estrategias de mercado como las siguientes:

1.- Si la media mvil cruza al grfico de precios de abajo a arriba es seal de venta. 2.- Si la media mvil cruza al grfico de precios de arriba a abajo es seal de compra. Una buena media mvil es la que acta como soporte y resistencia del grfico. Cuanto mayor sea el nmero de contactos entre la media y el grfico, mejor ser la media mvil elegida. Considrese la serie de tiempo del Indice de Precios y Cotizaciones (IPC) de la Bolsa Mexicana de Valores ( BMV) con el valor al cierre del da y las medias mviles de 10 y 20 das del 3 de enero al 8 de diciembre de 2006.

(fuente: http//yahoo.finace.com/)

Suavizamiento Exponencial Simple. Para comprender mejor como opera el suavizamiento exponencial simple, partamos de la frmula de medias mviles en una serie estacionaria.

Yt +1 = Yt +

Yt Yt k k k

Ahora supngase que por alguna razn Yt k no est disponible y que en su lugar se utiliza como aproximacin Yt . Entonces la frmula anterior quedara expresada:

Yt +1 = Yt +

Yt Yt k k

Si se factoriza el pronstico al tiempo t, la siguiente frmula equivalente permite ver que el pronstico al tiempo t+1 otorga un peso de 1/k y al pronstico del perodo anterior (1-(1/K)).

1 1 Yt +1 = Yt + 1 Yt k k
Ahora supngase que la ms reciente observacin recibe una ponderacin , donde est en el intervalo (0,1) y el pronstico ms reciente recibe una ponderacin (1- ). El resultado es la frmula de suavizamiento exponencial simple.

Yt +1 = Yt + (1 )Yt
Si se sustituye en forma iterativa hacia atrs en esta frmula se observa la forma como participan las ponderaciones para las observaciones anteriores.

Yt +1 = Yt + (1 )(Yt 1 + (1 )Yt 1 )
2 = Yt + (1 )Yt 1 + (1 ) Yt 1 2 = Yt + (1 )Yt 1 + (1 ) (Yt 2 + (1 )Yt 2 ) 2 = Yt + (1 )Yt 1 + (1 ) Yt 2 + (1 )Yt 2

La observacin ms reciente tiene una ponderacin y la anterior se reduce en una proporcin (1- ), para formar una sucesin de valores decrecientes. Otra forma alternativa de expresar la frmula de suavizamiento exponencial simple es la siguiente:

Yt +1 = Yt + (Yt Yt )
En esta frmula se puede apreciar el coeficiente otorga mayor o menor importancia a la diferencia entre el pronstico anterior y el valor observado. El coeficiente tiene un efecto anlogo, pero en sentido inverso a la inclusin de ms o menos observaciones en una media mvil. En la media mvil a medida que se incluyen ms observaciones se obtiene mayor suavizamiento. En el suavizamiento exponencial simple, a menor valor del coeficiente , corresponde mayor suavizamiento. En este sentido Makridakis plantea que un valor de =2/(k+1) es la mejor aproximacin para hacer equivalente el suavizamiento exponencial simple a un procedimiento de medias mviles.

Suavizamiento Exponencial de Brown. El suavizamiento exponencial simple adolece del problema de subestimar sensiblemente la serie si sta presenta una tendencia creciente. El mtodo de Brown utiliza un doble suavizamiento exponencial con el objeto de incorporar la presencia de la tendencia. La diferencia entre las dos series suavizadas es ponderada por dos coeficientes identificados como at y bt . La prediccin adopta la forma de una recta con at como ordenada al origen y bt como la pendiente aplicada al nmero del perodo que se pretende pronosticar.

S t' = Yt + (1 ) S t'1 S t'' = S t' + (1 ) S t''1 at = 2S t' S t''

bt =

Suavizamiento exponencial simple Doble suavizamiento exponencial simple Ordenada al origen del pronstico Pendiente del pronstico Pronstico m perodos adelante

( S t' S t'' ) 1

Yt = at bt m

A continuacin se presentan los clculos para la serie utilizada en el suavizamiento exponencial simple. En este caso se aplic el parmetro Alfa =

0.20. Como valores iniciales para el suavizamiento simple y el doble se tom la primera observacin de la serie.
Alfa = 0.2

Perodo t
Yt 1 2 3 4 5 6 7 8 9 10 11 12

Yt
101.068 101.096 101.184 102.143 100.664 99.827 99.390 98.809 98.776 98.244 98.837 99.041

S't
101.068 101.074 101.096 101.305 101.177 100.907 100.604 100.245 99.951 99.610 99.455 99.372

S''t
101.068 101.069 101.074 101.121 101.132 101.087 100.990 100.841 100.663 100.452 100.253 100.077

at
101.078 101.117 101.490 101.222 100.727 100.217 99.648 99.239 98.767 98.657 98.668

bt
0.00112 0.00529 0.04613 0.01125 -0.04498 -0.09665 -0.14909 -0.17803 -0.21071 -0.19947 -0.17615

a(t-1)+b(t-1)
Yt estimada

101.079 101.122 101.536 101.233 100.682 100.120 99.499 99.061 98.556 98.458

A continuacin se presenta la grfica de la serie completa, as como de los pronsticos.

Suavizamiento Exponencial de Holt . Es un procedimiento usual en los medios de anlisis financieros, es similar al de Brown, excepto que no aplica la frmula de doble suavizamiento, sino un suavizamiento simple con el parmetro y la tendencia se suaviza a partir de un parmetro adicional . Ambos parmetros se asignan en forma externa sin depender de los datos de la serie, con lo cual se tiene mayor flexibilidad en el modelo. Para el clculo utiliza tres ecuaciones:

Lt = Yt + (1 )( Lt 1 + Tt 1 )

Tt = ( Lt Lt 1 ) + (1 )Tt 1

Yt + p = Lt + pTt
Donde

Yt

Es el valor de la serie original al tiempo t Es el valor suavizado de la serie. Es el parmetro de suavizamiento de la serie. Es la componente de tendencia suavizada. Es el parmetro de suavizamiento de la tendencia.

Lt

Tt

p Es el perodo de pronstico.
Considrese como ejemplo de aplicacin la siguiente serie que presenta un comportamiento estacional que parece repetirse cada 10 perodos y una clara tendencia al alza.
1 2 3 4 5 6 7 8 9 10 11 12 92.2 93.1 98.7 98.9 105.5 101.1 107.1 106.9 105.0 96.3 100.8 101.5 13 14 15 16 17 18 19 20 21 22 23 24 99.9 109.1 111.5 108.5 107.8 104.3 102.2 101.1 100.3 105.0 108.3 115.1 25 26 27 28 29 30 31 32 33 34 35 36 113.6 109.8 112.1 108.3 103.3 106.5 100.3 106.5 113.6 118.5 111.5 114.5 37 38 39 40 41 42 43 44 45 46 47 48 110.5 109.2 106.4 106.1 110.2 112.5 118.1 116.5 119.1 115.6 115.8 111.2 49 50 51 52 53 54 110.6 107.3 111.9 118.7 118.7 117.7

Para el arranque del procedimiento se asigna el valor de la primera observacin a L1 = 92.2 como consecuencia Y1 estimada coincide con la observacin. Un aspecto importante es la seleccin de los valores de los parmetros de suavizamiento. En este caso los valores utilizados son = 0.7 y = 0.2. Para las observaciones subsiguientes se aplican las frmulas iterativas referidas anteriormente. A continuacin se reproducen los clculos asociados a las primeras 10 observaciones.
Perodo t 1 2 3 4 5 6 7 8 9 10 Yt 92.2 93.1 98.7 98.9 105.5 101.1 107.1 106.9 105.0 96.3 Lt 92.2000 92.8300 96.9768 98.6021 103.7514 102.4610 106.0833 107.1724 106.1309 99.5702 Tt 0.0000 0.1260 0.9302 1.0692 1.8852 1.2501 1.7245 1.5974 1.0697 -0.4564 Y t est 92.2 93.0 97.9 99.7 105.6 103.7 107.8 108.8 107.2 99.1 e2 Residual 0.00000 0.02074 0.62891 0.59486 0.01866 6.81764 0.50106 3.49613 4.84266 7.91726

El error cuadrtico medio alcanza el valor 1.8777 y el grado de ajuste se puede observar en la siguiente grfica. Para fines de pronstico en nuestra experiencia funciona mejor una ligera modificacin de la frmula de Holt al desplazar la componente de tendencia pues as se preserva cierto efecto de la estacionalidad.

Yt + p = Lt + pTt S + p
9

Suavizamiento Exponencial de Holt

130

120

110

100

90

80 1 11 21 31 41 51 61

Perodo

Suavizamiento Exponencial de Winters . El procedimiento de suavizamiento de Holt fue refinado por Winters con la inclusin de un parmetro adicional para la estacionalidad. Su procedimiento incluye 3 parmetros se suavizamiento , , para la serie, la tendencia y la estacionalidad. Para el clculo se emplean cuatro ecuaciones que reflejan los suavizamientos y el pronstico.

Lt =

Yt + (1 )( Lt 1 + Tt 1 ) St s

Tt = ( Lt Lt 1 ) + (1 )Tt 1
St = Yt + (1 ) S t s Lt

Yt + p = (Lt + pTt )St s + p

En este caso tambin se plantea una ligera modificacin al desplazar la componente de tendencia.

Yt + p = (Lt + pTt s + p )St s + p

Al aplicar el procedimiento a la serie anterior con valores = 0.75, =0.20 , =0.75 se obtienen los siguientes resultados para las primeras 10 observaciones.

10

Perodo t 1 2 3 4 5 6 7 8 9 10

Yt 92.2 93.1 98.7 98.9 105.5 101.1 107.1 106.9 105.0 96.3

Lt

Tt

St 0.91658 0.91708 0.92581 0.92421 0.93296 0.92245 0.92973 0.92687 0.92100 0.90361

Y t est 92.8 93.7 98.9 100.4 106.3 103.8 107.8 108.9 106.9 98.3

e2 Residual 0.39255 0.35904 0.02993 2.29574 0.57531 7.33948 0.50268 4.05736 3.71527 4.08467

100.59167 0.68357 101.49899 0.72832 106.27479 1.53781 107.07185 1.38966 112.72880 2.24312 110.01665 1.25207 114.89473 1.97727 115.45256 1.69338 114.24949 1.11409 107.26114 -0.50640

La suma de cuadrados de los residuales alcanza 1.3258. En la siguiente grfica se muestra el ajuste y los pronsticos para los siguientes 10 perodos.
Suavizamiento Exponencial de Winter
130

120

110

100

90

80 1 6 11 16 21 26 31 36 41 46 51 56 61 66

Perodo

METODOS DE DESCOMPOSICIN Mtodo Aditivo En el mtodo aditivo se considera que los componentes de la serie se tiempo Y, tendencia, cclico, estacional y aleatorio suman sus efectos. Lo que se pretende entonces es aislar los efectos bajo el supuesto de aditividad. Y = T+C+E+I

11

El mtodo consiste en identificar cada componente y restarla de la serie original. Se empieza con la tendencia, se sigue con el componente estacional y se concluye con el componente cclico. El resto corresponde a la componente aleatoria. Ejemplo: Considere la siguiente serie de tiempo correspondiente a 8 aos de observaciones mensuales de 1990 a 1997.
Mes Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 1990 169 127 235 314 343 345 377 346 348 442 440 674 1991 351 310 434 517 523 535 549 510 503 574 567 777 1992 457 403 519 579 571 563 550 485 448 493 447 646 1993 277 216 292 357 349 327 335 290 262 331 315 544 1994 212 167 295 380 391 406 422 404 400 475 486 721 1995 410 363 478 561 565 575 596 561 538 613 626 831 1996 502 448 554 634 629 609 601 549 496 546 494 690 1997 342 264 336 395 387 390 378 330 316 374 372 578

La grfica de la serie de tiempo presenta evidencia de cierta tendencia ascendente, un efecto estacional mensual que repite el patrn anualmente y ciclos largos de 4 aos de duracin.
Serie de Tiempo Original
900 800 700 600 500 400 300 200 100 0
May-90 May-91 May-92 May-93 May-94 May-95 May-96 May-97 Ene-90 Sep-90 Ene-91 Sep-91 Ene-92 Sep-92 Ene-93 Sep-93 Ene-94 Sep-94 Ene-95 Sep-95 Ene-96 Sep-96 Ene-97 Sep-97

Eliminacin de la Tendencia. Se procede a ajustar un modelo de regresin simple a toda la serie de datos, considerando como variable independiente el perodo. Por comodidad a enero de 1990 se le asigna el t=1 y se concluye con t=96 para diciembre de 1997. El modelo ajustado es el siguiente:

12

 Yt = 403.101535 + 0.957528t
Tendencia
550 500 450 400 350 300 250 200 150 100 50 0
0 10 20 30 40 50 Perodo t 60 70 80 90 100 110

Se estima Yt para las 96 observaciones y a la serie original se le resta la serie estimada por el modelo: Una vez restada la componente de tendencia, la grfica de la serie de diferencias permite apreciar un ligero efecto estabilizador en la serie, si se la comprara con la serie original.
Serie Restada la Tendencia 450 350 250 150 50 -50 -150 -250 -350 -450
10 20 30 40 50 Perodo t 60 70 80 90 100

Eliminacin de la componente estacional. Como se observa un patrn estacional mensual, se parte de la serie de diferencias y se calcula el promedio de las observaciones correspondientes a cada mes. Estos promedios se restan de la serie original en los meses respectivos.

13

Componente Estacional Mensual

Mes Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Promedio -104.275 -157.983 -53.315 19.977 21.645 19.687 25.980 -16.603 -38.060 28.107 14.524 227.817

250

200

150

100

50

-50

-100

-150

-200 10 20 30 40 50 Perodo t 60 70 80 90 100

El efecto resultante de restar los promedios mensuales es una serie que presenta solamente por la componente cclica y por la componente aleatoria. Ello se observa en la siguiente grfica:
Serie con Componente Cclica y Aleatoria 200 150 100 50 0 -50 -100 -150 -200
10 20 30 40 50 Perodo t 60 70 80 90 100

En la grfica se puede observar que los ciclos cubren 48 perodos. Entonces se procede a calcular el promedio de las observaciones separadas en esa magnitud. As la 1 observacin se promedia con la 49 y se procede en forma sucesiva. Se procede entonces con el mismo procedimiento aplicado a la componente estaciona, esto es, se restan los promedios calculados perodo a perodo. La diferencia resultante corresponde nicamente a la parte aleatoria.

14

Serie de Componente Aleatoria 15

10

-5

-10

-15
10 20 30 40 50
Perodo t

60

70

80

90

100

Como resultado final cada valor de la serie se puede expresar como la suma de sus cuatro componentes. En la siguiente tabla se reproduce la descomposicin de los primeros doce meses de la serie.
Perodo t 1 2 3 4 5 6 7 8 9 10 11 12 Mes Ene-90 Feb-90 Mar-90 Abr-90 May-90 Jun-90 Jul-90 Ago-90 Sep-90 Oct-90 Nov-90 Dic-90 Valor 169.0 127.0 235.0 314.0 343.0 345.0 377.0 346.0 348.0 442.0 440.0 674.0 Tendencia 404.059 405.017 405.974 406.932 407.889 408.847 409.804 410.762 411.719 412.677 413.634 414.592 Estacional -104.275 -157.983 -53.315 19.977 21.645 19.687 25.980 -16.603 -25.560 28.107 14.524 227.817 Cclico -132.264 -123.014 -110.639 -102.889 -85.514 -76.014 -59.264 -42.139 -35.139 -5.264 11.861 32.111 Residual 1.481 2.981 -7.019 -10.019 -1.019 -7.519 0.481 -6.019 -3.019 6.481 -0.019 -0.519

En el ejemplo el error cuadrtico medio es igual a 20.110. Su raz cuadrada se considera como el error estndar de la estimacin y en este caso es 4.484. Un valor muy pequeo si se considera que el valor promedio de la serie es de 448, representa un error relativo de 1%. Prediccin. Se procede en forma inversa, esto es primero se toma la tendencia estimada para el perodo observado y para los perodos adicionales que se pretende pronosticar. A los valores estimados por la tendencia se les suma en forma congruente la componenete estacional y la componente cclica. En la siguiente grfica se presentan los valores observados y pronosticados para las 96 observaciones originales, ms 24 correspondientes a 2 aos de pronstico. En la estimacin de

15

los meses observados no se considera la componente residual con objeto de ver como se ajusta la serie al considerar los componentes sistemticos, esto es tendencia, estacional y cclico y poder calcular el ECM.
Serie Original y Serie Pronosticada
1000 900 800 700 600 500 400 300 200 100 0 10 20 30 40 50 60 70 Perodo t 80 90 100 110 120 130 VALOR ESTIMADO

16