MODELO ARIMA PARA PRONOSTICO DEL TIPO DE CAMBIO BANCARIO NUEVO SOL / DLAR A
DICIEMBRE DEL 2014
El presente trabajo presentado busca pronosticar el tipo de cambio bancario del nuevo sol por dlar permitindonos cuantificar los posibles cambios que pueden ocurrir y as cuantificar el grado de riesgo que estamos y teniendo en las transacciones financieras internacionales. Los datos histricos permiten comprender no solo lo que ha sucedido en el pasado, sino que tambin lo que podra suceder en el futuro. Para el tratamiento de dichos datos, existen algunos mtodos estadsticos y/o economtricos que permiten predecir con algn grado de confianza para cortos periodos y despejar la incertidumbre. A continuacin usted puede observar el comportamiento del tipo de cambio (soles por dlar) de enero del 2004 a agosto del 2004 y una proyeccin hasta diciembre del 2014. La metodologa a utilizar en el desarrollo del presente trabajo es la del Modelo ARIMA o tambin conocido como Box-Jenkins el inters de estos mtodos de pronsticos no est en la construccin de modelos uniecuacionales o de ecuaciones simultneas, sino en el anlisis de las propiedades probabilsticas, o estocsticas, de las series de tiempo econmicas por s mismas segn la filosofa de que los datos hablen por s mismos. A diferencia de los modelos de regresin, en los cuales Yt se explica por las k regresoras X1, X2, X3,. . , Xk, en los modelos de series de tiempo del tipo BJ, Yt se explica por valores pasados o rezagados de s misma y por los trminos de error estocsticos. Por esta razn, los modelos ARIMA reciben algunas veces el nombre de modelos atericos porque no se derivan de teora econmica alguna. El modelo considera 4 pasos: Paso 1. Identificacin. Es decir, encontrar los valores apropiados de p, d y q. En seguida veremos la forma como el correlograma y el correlograma parcial ayudan en esta labor. Paso 2. Estimacin. Tras identificar los valores apropiados de p y q, la siguiente etapa es estimar los parmetros de los trminos autorregresivos y de promedios mviles incluidos en el modelo. Algunas veces, este clculo se efecta mediante mnimos cuadrados simples, pero otras hay que recurrir a mtodos de estimacin no lineal (en parmetros). Como esta labor se lleva a cabo ahora a travs de rutinas en diversos paquetes estadsticos, en la prctica no es preciso preocuparse por los desarrollos matemticos de la estimacin; el estudiante interesado en el tema puede consultar las referencias. Paso 3. Examen de diagnstico. Despus de seleccionar un modelo ARIMA particular y de estimar sus parmetros, tratamos de ver si el modelo seleccionado se ajusta a los datos en forma razonablemente buena, pues es posible que exista otro modelo ARIMA que tambin lo haga. Es por esto que el diseo de modelos ARIMA de Box-Jenkins es un arte ms que una ciencia; se requiere gran habilidad para seleccionar el modelo ARIMA correcto. Una simple prueba del modelo seleccionado es ver si los residuales estimados a partir de este modelo son de ruido blanco; si lo son, aceptamos el ajuste particular; si no lo son, debemos empezar de nuevo. Por tanto, la metodologa BJ es un proceso iterativo. Identificacin Empezaremos la estimacin del modelo y del pronstico siguiendo los pasos mencionados en lneas arriba para ello mostraremos la grfica del tipo de cambio y la tendencia que sigue la variable:
Como podemos observar la variable tipo de cambio muestra una tendencia no estacionaria para lo cual es necesario eliminar la no estacionariedad y transformarle en estacionaria; que es uno de los supuestos en los que se fundamenta el modelo ARIMA.
Para ello hacemos una transformacin de la variable para poder encontrar la variacin del cambio de su tendencia para lo cual la convertimos en una funcin logartmica. Como observar mantiene su tendencia no estacionaria para convertirla en estacionaria es necesario hacer la transformacin de sus primeras diferencias y mediante sus correlograma de sus residuos verificar su estacionariedad y lo podemos reafirmar con la prueba de la raz unitaria.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LY) Method: Least Squares Date: 09/10/14 Time: 19:46 Sample (adjusted): 2004M03 2014M08 Included observations: 126 after adjustments
R-squared 0.158972 Mean dependent var -0.000735 Adjusted R-squared 0.138291 S.D. dependent var 0.005247 S.E. of regression 0.004871 Akaike info criterion -7.780005 Sum squared resid 0.002894 Schwarz criterion -7.689964 Log likelihood 494.1403 Hannan-Quinn criter. -7.743424 F-statistic 7.686837 Durbin-Watson stat 1.938394 Prob(F-statistic) 0.000095
Null Hypothesis: LY has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.176491 0.4981 Test critical values: 1% level -4.032498 5% level -3.445877 10% level -3.147878
*MacKinnon (1996) one-sided p-values.
Estimacin Despus de un proceso de iteracin de los modelos ARIMA el que mejor se ajusta es el modelo ARIMA (1,1,0) o simplemente el modelo MA(1) Yt= + 1ut1 Dependent Variable: DIFLY Method: Least Squares Date: 09/10/14 Time: 20:01 Sample (adjusted): 2004M02 2014M08 Included observations: 127 after adjustments Convergence achieved after 4 iterations MA Backcast: 2004M01
Variable Coefficient Std. Error t-Statistic Prob.
C -0.000692 0.000604 -1.145216 0.2543 MA(1) 0.394759 0.082608 4.778682 0.0000
R-squared 0.134242 Mean dependent var -0.000713 Adjusted R-squared 0.127316 S.D. dependent var 0.005232 S.E. of regression 0.004887 Akaike info criterion -7.788773 Sum squared resid 0.002986 Schwarz criterion -7.743983 Log likelihood 496.5871 Hannan-Quinn criter. -7.770576 F-statistic 19.38216 Durbin-Watson stat 1.988219 Prob(F-statistic) 0.000023
Inverted MA Roots -.39
Como podemos observar el modelo resulta ser significativo en MA(1) obteniendo un t estadstico de 4.77 con una probabilidad de 0.000 y un cofieciente Durbin- Watson el cual muestra que no existe auto correlacin en los rezagos de los residuos .
PRONOSTICO DEL TIPO DE CAMBIO BANCARIO SOLES POR DLAR A DICIEMBRE DEL 2014 Y2014-9 = + 1u2014-8 + u2014-9 +Y2014-8 Septiembre del 2014 = -0.000692+0.394759*0.00552+0+2.787= 2.816 Y2014-10 = + 1u2014-8+ u2014-10+Y2014-9 Octubre del 2014 = -0.000692+0.394759*0.00552+0+2.816= 2.818 Y2014-10 = + 1u2014-8+ u2014-10+Y2014-9 Noviembre del 2014 = -0.000692+0.394759*0.00552+0+2.818= 2.819 Y2014-10 = + 1u2014-8+ u2014-10+Y2014-9 Diciembre del 2014 = -0.000692+0.394759*0.00552+0+2.819= 2.821