Análisis de series de tiempo financieras

Curso

Análisis de series de tiempo financieras

Facultad de Economía
Inicio / Programas / Análisis de series de tiempo financieras

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 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. 

Nota: 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.

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 conocimiento en las herramientas de pronóstico y simulación de series de tiempo aplicado al sector financiero. 
Se espera que los estudiantes tengan un conocimiento básico de manipulación de datos en R e interés en el aprendizaje de los diferentes algoritmos y metodologías estadísticas que potencializan el análisis de series de tiempo. Es ideal que el estudiante haya tomado previamente el curso de introducción a R o algún curso de R.

Objetivos

Este curso tiene como objetivo principal profundizar en los modelos de 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

Cada sesión del curso estará dividida en dos módulos. En el primer módulo se explicarán los conceptos teóricos de los modelos a discutir, con un énfasis en los supuestos del modelo, aplicaciones y limitaciones. En el segundo módulo se realizará un caso de estudio práctico mediante el uso del lenguaje de programación R donde se evidenciará la forma como se usan estos conceptos en la práctica. Los estudiantes tendrán acceso a los diferentes códigos y aplicaciones desarrolladas a lo largo del curso.    

Nota: 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.

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: Simulación de la TRM.

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. 
a)    Distribución de los retornos. 
b)    Aplicación: Descomposición de la serie de desempleo. 

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: Análisis sobre spreads de los TES.

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: Estimación de la volatilidad de acciones y su uso en valoración de opciones, simulación de retornos y cuantificación de riesgo de marcado (VaR 5%). 


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: Simulación del Brent y los derivados del petróleo. 

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
a)    Random Forest 
b)    Redes neuronales
c)    Aplicación: Pronóstico de tasas de usura como spread del BanRep

Sesión 8: Otras aproximaciones al pronóstico de series de tiempo: 

•    Modelos de series temporales estructurales bayesianos (BSTS)
•    Modelo ARFIMA
•    Análisis de sentimiento para el pronóstico de series de tiempo 
•    Aplicación: Pronóstico del SPX a partir de análisis de sentimiento

Profesores

Germán González

Economista e historiador de la Universidad de los Andes, Magister en Economía de la misma universidad. Se ha desempeñado como profesor asistente en la Universidad de los cursos de Microeconomía ll, Microeconomía lll e historia económica de Colombia. En adición, fue asistente de investigación en el Centro de Estudios sobre el Desarrollo Económico –CEDE–. En la actualidad se desempeña como Investigador del área de Matemáticas financieras en Quantil donde se dedica al diseño, desarrollo e implementación de modelos matemáticos buscan la gestión y cuantificación del riesgo en el sector real y publico. Cuenta con amplia experiencia en análisis de portafolio, coberturas de riesgo y modelos de trading algorítmico, y análisis de espacial de datos. Ha sido el desarrollador principal de QuanTrip, herramienta que permite identificar patrones de comportamiento de manera individual y agregada en los recorridos y lugares frecuentes de diferentes individuos en un determinado territorio. Ha participado en proyectos con Movendo y Sentiance que requieren de la simulación, geolocalización, reconocimiento de patrones y visualización de recorridos de individuos en la ciudad de Melbourne, Australia. Conocimiento de diferentes algoritmos de Machine Learning: minería de texto, redes neuronales y modelos de clasificación enfocados a modelos de trading algorítmico que pronostican la dirección de los retornos del S&P 500 a partir de los sentimientos de los inversionistas. Finalmente, Dominio avanzado de los lenguajes de programación Python y R.

Pedro Alejandro Cabra Acela

Economista de la Universidad de los Andes y actual estudiante de la maestría en economía de la misma universidad. Se ha desempeñado como profesor asistente en la Universidad de los cursos Microeconomía III, Microeconomía avanzada con Teoría de Juegos, Política Fiscal y Econometría Avanzada. Adicionalmente, trabajó como asistente de investigación en temas de género en el mercado laboral. Actualmente, se desempeña como Investigador del área de Matemáticas financieras en Quantil. Tiene conocimientos de diferentes algoritmos matemáticos, teóricos y empíricos, para el análisis predictivo y de causalidad, tanto en estructuras de series de tiempo como en cortes transversales y panel de datos. Ha participado en proyectos con el Ministerio de Hacienda, Confecámaras, Riopaila, Seguros Alfa, entre otros, donde ha tenido que enfrentar problemas de pronóstico de factores de riesgo, gestión de riesgo y coberturas y optimización de portafolios de inversión. Conocimiento en diferentes algoritmos de Machine Learning y su implementación en R.