Curso 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.
Este curso hace parte del programa Programa Análisis financiero en R (5 cursos). 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 participantes tengan un interés en el aprendizaje de R y en los diferentes modelos que potencializan el análisis de series de tiempo. Se espera que los participantes tengan un conocimiento básico de programación, conocimientos de estadística y finanzas de pregrado.
Se espera que los participantes tengan un interés en el aprendizaje de R y en los diferentes modelos que potencializan el análisis de series de tiempo.
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 de implementar los diferentes modeles de series de tiempo en el lenguaje de programación R.
Metodología
El curso se realizará en salas habilitadas para el uso de computadores y 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 realiza 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 Regresión Lineal y Repaso de R: (GG & AA)
- Mínimos cuadrados ordinarios.
- R^2 y R^2 ajustado
- Máxima verosimilitud.
- Autocorrelación serial y heteroscedasticidad.
- Modelo HAC.
- Aplicación simulación: TRM
Sesión 2: Características de las series de tiempo. (GG)
- Descomposición de series de tiempo.
- Tendencia.
- Ciclo.
- Estacionalidad.
- Criterios de información: AIC, BIC.
- Distribución de los retornos.
- Prueba de hipótesis para ajuste de distribución.
- Aplicación: Estudio de los retornos del COLAP
Sesión 3: Análisis de series de tiempo lineales: (GG & AA)
- Prueba de hipótesis de Dickey-Fuller
- Función de autocorrelación serial (ACF y PACF).
- Modelos AR, MA, AR-MA y AR(I)MA.
- Series de tiempo estacionales.
- Criterios de error: RSME, MAE, MAPE
- Aplicación: Análisis sobre spreads de los TES.
Sesión 4: Modelos con heteroscedasticidad condicional (AA)
- Clusters de volatilidad
- Prueba de hipótesis de efectos ARCH
- Modelo ARCH
- Modelo GARCH y sus derivaciones (E-GARCH, M-GARC e I-GARCH).
- Modelo Gatch: distribuciones.
- 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: Reducción de dimensionalidad y copulas (GG & AA)
- Maldición de la dimensionalidad
- Análisis de componentes principales
- Copulas
- Aplicación: Simulación del Brent y los derivados del petróleo.
Sesión 6: Vectores autoregresivos (GG & AA)
- Dependencia entre variables
- Modelo de vectores autoregresivos
- Prueba de causalidad de Granger
- Cointegración
- Modelos VEC
- Aplicación: Brent
Sesión 7: Modelos de series de tiempo no lineales (AA)
- Prueba de hipótesis de no linealidad.
- Modelos TAR, SETAR y STAR.
- Modelos de cambio de régimen markovianos
- Aplicación: Estimación de regímenes de volatilidad en el mercado accionario colombiano.
Sesión 8: Redes Neuronales (GG)
- Feed Forward Neural Network
- Redes Neuronales con múltiples capas
- Redes Neuronales recurrentes.
- Aplicación: Predicción de retornos del S&P500
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.
