Análisis de series de tiempo financieras
En la modelación financiera de cualquier empresa del sector real o gubernamental que se ve afectada por variables de mercado es de gran utilidad pronosticar y simular estas variables para gestionar y proyectar los resultados financieros de la empresa. El análisis de series de tiempo financieras es uno de los campos más desarrollados en las ciencias financieras en los últimos años, y es el método principal para incorporar la incertidumbre de variables de mercado en el análisis financiero de las empresas. Este curso tiene como objetivo presentar los modelos de gestión financiera y conceptos utilizados frecuentemente en el análisis de series de tiempo y la forma como estos se aplican en la gestión financiera de una empresa, utilizando el poder de R.
Este curso hace parte del programa Finanzas cuantitativas en R. Ver más aquí.
Dirigido a
Este curso está dirigido a profesionales en economía, administración de empresas, ingeniería y profesionales de distintas áreas que se encuentren interesados en adquirir conocimientos en las herramientas de pronóstico y simulación de series de tiempo aplicadas al sector financiero.
Se tiene como prerrequisito de este curso haber tomado el curso de Introducción al análisis de datos en R u otro curso introductorio en R, dado que es necesario que el estudiante esté familiarizado con el lenguaje de programación.
Notas:
• Se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante.
• El software que usará es Rstudio y R 3.6.3 o superior. Las instrucciones de instalación serán remitidas al inicio del curso.
Objetivos
Este curso tiene como objetivo principal profundizar en los modelos de gestión financiera en las series de tiempo comúnmente usados en la cuantificación de riesgo de financiero, análisis de inversión e investigaciones en finanzas. Se profundizará en modelos de series de tiempo univariados que permitan pronosticar la serie, estimar la volatilidad de activos financieros, y simular diferentes escenarios posibles de la serie. Al finalizar este curso, se espera que el estudiante tenga la capacidad implementar los diferentes modelos de series de tiempo en el lenguaje de programación R.
Metodología
El curso se realizará de manera virtual con sesiones sincrónicas. Cada sesión estará dividida en dos módulos. En el primero se explicarán los conceptos teóricos de los modelos a discutir, con un énfasis en los supuestos del modelo; y en el segundo se realizará un caso de estudio práctico mediante el uso del lenguaje de programación R donde se evidenciará la forma como se usan estos modelos en la práctica. Los estudiantes tendrán acceso a los diferentes códigos y aplicaciones desarrolladas a lo largo del curso.
Contenido
Sesión 1: Introducción
a) Estado del arte
b) Regresión lineal simple (MCO)
c) Supuestos y problemas de MCO
d) Máxima verosimilitud.
e) Modelo HAC.
f) Aplicación: Análisis de regresión - Ingresos de Grupo Éxito
Sesión 2: Características de las series de tiempo
a) Descomposición de series de tiempo.
b) Tendencia, ciclo y estacionalidad.
c) Criterios de información: AIC, BIC.
d) Distribución de los retornos.
e) Aplicación: Descomposición de la serie del COLCAP.
Sesión 3: Pronóstico de series de tiempo lineales:
a) Pronóstico punto, intervalo y distribución.
b) Función de autocorrelación serial (ACF y PACF).
c) Modelos AR, MA, AR-MA y AR(I)MA.
d) Series de tiempo estacionales.
e) Criterios de error: RSME, MAE, MAPE
f) Aplicación: Pronóstico de número de pasajeros en aerolíneas
Sesión 4: Modelos con heteroscedasticidad condicional:
a) Clusters de volatilidad
b) Prueba de hipótesis de efectos ARCH
c) Modelo ARCH.
d) Modelo GARCH y sus derivaciones.
e) Aplicación: Optimización de portafolio (media varianza) – Frontera eficiente
Sesión 5: Vectores autoregresivos:
a) Dependencia entre variables
b) Modelo de vectores autoregresivos
c) Prueba de causalidad de Granger
d) Cointegración
e) Modelos VEC
f) Aplicación: qué mueve el Brent.
Sesión 6: Selección de variables y reducción de dimensionalidad:
a) Stepwise: Forward selection & Backward elimination.
b) Random Forest: Importancia de atributos
c) Maldición de la dimensionalidad
d) Análisis de componentes principales
e) Aplicación: ¿Qué variables afectan la participación de los fondos de inversión en Colombia?
Sesión 7: Pronósticos de series de tiempo no lineales:
a) Introducción a modelos no lineales
b) Métricas y criterios evaluación: Curva ROC, AUC, Matriz de confusión.
c) Logit y Probit
d) Maquinas de soporte vectorial
e) Random Forest
f) Redes neuronales
g) Aplicación: Pronóstico de tasas de usura como spread del BanRep
Sesión 8: Otras aproximaciones al pronóstico de series de tiempo:
• Introducción a estadística Bayesiana
• Modelo ARFIMA (SC)
• Análisis de sentimiento
• Aplicación: Pronóstico del SPX a partir de análisis de sentimiento
Profesores
Condiciones
Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.
La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.
