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


Variable Coefficient Std. Error t-Statistic Prob.


LY(-1) -0.061621 0.028312 -2.176491 0.0314
D(LY(-1)) 0.376312 0.085671 4.392507 0.0000
C 0.031696 0.015185 2.087304 0.0389
@TREND(2004M01) -4.66E-05 2.97E-05 -1.566704 0.1198


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