SERIES DE TIEMPO
Las series de tiempo son secuencias de datos registrados en intervalos regulares, ordenados cronológicamente. El análisis de series de tiempo se centra en comprender patrones, tendencias, estacionalidad y otras dinámicas temporales presentes en los datos, lo que permite realizar predicciones y tomar decisiones basadas en el comportamiento histórico.
Introducción
¿Qué es una serie de tiempo?
Una serie de tiempo es una secuencia de observaciones registradas a lo largo del tiempo. Aprende sus componentes, cómo descomponerla y por qué los métodos estadísticos estándar no son directamente aplicables.
Estacionariedad en series de tiempo
La estacionariedad es el supuesto clave de la mayoría de los modelos de series de tiempo. Aprende a detectar y corregir la no estacionariedad mediante tests formales y transformaciones.
ACF y PACF
La ACF y la PACF son las herramientas principales para identificar el orden de los componentes AR y MA en los modelos de series de tiempo.
Modelos de series temporales
Modelo autorregresivo (AR)
Explora el modelo autorregresivo (AR), un concepto clave en el análisis de series de tiempo que se usa para modelar y predecir datos regresando la variable sobre sus propios valores retardados.
Modelo de media móvil (MA)
Aprende sobre el modelo de media móvil (MA), un concepto fundamental en el análisis de series de tiempo para capturar el impacto de los errores pasados sobre los valores actuales.
Modelo autorregresivo de media móvil (ARMA)
Explora el modelo ARMA, que integra componentes autorregresivos y de media móvil para modelar y predecir series de tiempo estacionarias.
Modelo ARIMA
ARIMA extiende ARMA a series no estacionarias diferenciando los datos d veces antes de ajustar un modelo ARMA(p,q).
Modelo SARIMA
SARIMA añade términos AR, diferenciación y MA estacionales a ARIMA, convirtiéndose en el modelo estándar para series de tiempo con patrones estacionales repetitivos.
Suavizado exponencial
El suavizado exponencial es una familia de métodos de predicción que asignan pesos que decrecen exponencialmente a las observaciones pasadas, equilibrando la importancia de los datos recientes con los históricos.
Método Holt-Winters
Explora el método Holt-Winters, una técnica de suavizado exponencial triple que modela el nivel, la tendencia y la estacionalidad para predicciones estacionales precisas.
Modelo ARIMAX
ARIMAX extiende ARIMA incluyendo variables externas (exógenas) como regresores, combinando la estructura de autocorrelación de ARIMA con el poder explicativo de la regresión.
Filtro de Kalman
El filtro de Kalman estima estados no observables a partir de medidas ruidosas alternando pasos de predicción y actualización, óptimo bajo supuestos gaussianos.
Modelo GARCH
GARCH modela la varianza condicional variable en el tiempo (agrupación de la volatilidad) en rendimientos financieros, extendiendo ARCH con una parametrización más parsimoniosa.
Modelo EGARCH
EGARCH extiende GARCH para capturar la volatilidad asimétrica: las perturbaciones negativas aumentan la varianza más que las positivas del mismo tamaño, una característica clave de los mercados de renta variable.
Modelo VAR
VAR (Vectorautorregresión) extiende el AR a múltiples series temporales simultáneamente, capturando las dinámicas cruzadas entre variables y permitiendo el análisis de funciones impulso-respuesta.