SERIES 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.

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.

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.

El test de Dickey-Fuller es el método estándar para detectar una raíz unitaria: contrasta si una serie de tiempo necesita diferenciarse para volverse estacionaria.

La descomposición STL divide una serie de tiempo en una tendencia, un patrón estacional y un residuo restante, facilitando entender qué está impulsando realmente la serie.

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.

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.

Explora el modelo ARMA, que integra componentes autorregresivos y de media móvil para modelar y predecir series de tiempo estacionarias.

ARIMA extiende ARMA a series no estacionarias diferenciando los datos d veces antes de ajustar un modelo ARMA(p,q).

SARIMA añade términos AR, diferenciación y MA estacionales a ARIMA, convirtiéndose en el modelo estándar para series de tiempo con patrones estacionales repetitivos.

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.

Explora el método Holt-Winters, una técnica de suavizado exponencial triple que modela el nivel, la tendencia y la estacionalidad para predicciones estacionales precisas.

ARIMAX extiende ARIMA incluyendo variables externas (exógenas) como regresores, combinando la estructura de autocorrelación de ARIMA con el poder explicativo de la regresión.

El filtro de Kalman estima estados no observables a partir de medidas ruidosas alternando pasos de predicción y actualización, óptimo bajo supuestos gaussianos.

GARCH modela la varianza condicional variable en el tiempo (agrupación de la volatilidad) en rendimientos financieros, extendiendo ARCH con una parametrización más parsimoniosa.

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.

VAR (Vectorautorregresión) extiende el AR a múltiples series temporales simultáneamente, capturando las dinámicas cruzadas entre variables y permitiendo el análisis de funciones impulso-respuesta.

La causalidad de Granger contrasta si los valores pasados de una serie temporal mejoran la predicción de otra, más allá de lo que ya aporta el propio pasado de esa serie.

Dos series no estacionarias pueden seguir compartiendo una relación estable a largo plazo. Los contrastes de cointegración la detectan, y un VECM la modela directamente.