Curso Análisis de series de tiempo financieras

Curso

Curso Análisis de series de tiempo financieras

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

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

Julián Chitiva

Economista y Matemático de la Universidad de los Andes, y candidato a grado de la Maestría en Economía en la misma universidad. Como matemático, tiene gran interés por las matemáticas puras y aplicadas, especialmente por la combinatoria, la geometría, la estadística, la teoría de juegos y las finanzas. Como economista, tiene gran interés por la teoría de redes, la economía de la información y la teoría de contratos. Ha trabajado como asistente de investigación en el Centro de Estudios sobre el Desarrollo Económico –CEDE- de la Universidad de los Andes. Adicionalmente, ha sido profesor complementario/asistente en diferentes cursos tanto en la Facultad de Economía como en el Departamento de Matemáticas. Tiene experiencia en el manejo de herramientas cuantitativas y paquetes estadísticos tales como Stata, R, Matlab y Python. Actualmente es investigador junior del área de Matemáticas Financieras en Quantil.

Paula Rodríguez

Matemática e Ingeniera Industrial de la Universidad de Los Andes y actualmente Investigadora de Minería de Datos en Quantil. Trabajó en análisis de datos funcionales para sus proyectos de grado: "Regresión con Proyecciones Aleatorias para Datos Funcionales" y "Estudio del crecimiento de rosas desde el análisis de datos funcionales". En el 2018 fue asistente de investigación en la Universidad de Cornell donde desarrolló funciones para la implementación de Principal Analysis by Conditional Estimation (PACE) en datos funcionales para el paquete FDA de R junto con el profesor Giles Hooker. Como investigadora en Quantil ha desarrollado e implementado modelos de credit scoring para instituciones financieras y de estimación de demanda de productos masivos. Además, fue profesora asistente del curso de Minería de Datos y sus Aplicaciones de la maestría en Economía y profesora complementaria de Cálculo Integral y Álgebra Lineal en la Universidad de Los Andes. También fue Trainee de Ciencia de Datos en Data Pop Alliance donde desarrolló tutoriales en este mismo campo trabajando también con Web Scraping y datos espaciales.