Contenido

Objetivo

Explorar métodos avanzados de suavización y modelado ARIMA en series de tiempo para predecir comportamientos económicos y tomar decisiones informadas.

Descripción

Este tema se enfoca en el análisis de series de tiempo utilizando Python, específicamente en técnicas de suavización y modelos ARIMA para entender y pronosticar tendencias económicas. Se abordará cómo las fluctuaciones diarias en los precios pueden ser suavizadas para una mejor interpretación y cómo los patrones ocultos en los datos históricos pueden prever futuras dinámicas del mercado. Este conocimiento es crucial para la toma de decisiones estratégicas en el ámbito financiero.

Explicación

Haz clic para revisar la explicación.

Modelado de series de tiempo (segunda parte)

Recursos adicionales

El siguiente enlace es externo a la Universidad Tecmilenio, al acceder a este considera que debes apegarte a sus términos y condiciones.

Revisa el siguiente video:

Para conocer más sobre modelo de series de tiempo, revisa el siguiente video:

Actividad

Objetivo

Analizar la serie de tiempo del tipo de cambio de una divisa internacional frente al dólar a tu elección usando Python, para identificar patrones y hacer predicciones futuras que apoyen la toma de decisiones financieras.

Instrucciones
  1. Configuración inicial: Instala y carga las librerías necesarias en Python (Pandas, Matplotlib, Statsmodels).
  2. Carga de datos: Importa el conjunto de precios históricos del tipo de cambio seleccionado para un periodo de 36 meses en frecuencia diaria, utilizando la librería yfinance y creando un DataFrame con los datos.
  3. Visualización de la serie de tiempo: Genera un gráfico inicial de la serie de tiempo para observar el comportamiento diario y tendencia del tipo de cambio.
  4. Suavización de la serie: Aplica técnicas de suavización como el promedio móvil simple y la suavización exponencial para identificar tendencias a corto plazo.
  5. Análisis de estacionalidad: Verifica la estacionalidad de la serie utilizando la función de autocorrelación y autocorrelación parcial.
  6. Construcción del modelo ARIMA: Desarrolla un modelo ARIMA ajustando los parámetros p, d, q basados en el análisis previo y verifica la estacionalidad.
  7. Validación del modelo: Evalúa el modelo ARIMA con la prueba Augmented Dickey-Fuller para confirmar que la serie es estacionaria.
  8. Pronóstico futuro: Usa el modelo ARIMA desarrollado para hacer un pronóstico de los valores futuros del tipo de cambio para los próximos 20 días.
  9. Visualización del pronóstico: Grafica los resultados del pronóstico junto con la serie de tiempo original para comparar los resultados.
  10. Interpretación de resultados: Analiza los resultados del modelo y discute cómo pueden influir en las decisiones financieras.
Checklist
  • Se instala y carga correctamente todas las librerías necesarias.
  • Se importa correctamente los datos del tipo de cambio seleccionado.
  • Se genera gráficos de la serie de tiempo que reflejan claramente las tendencias y fluctuaciones.
  • Se aplica correctamente técnicas de suavización para analizar tendencias a corto plazo.
  • Se realiza el análisis de estacionalidad y autocorrelación para verificar patrones en la serie.
  • Se construye un modelo ARIMA y se ajustan los parámetros p, d, q basándose en el análisis de estacionalidad.
  • Se valida la estacionalidad del modelo con la prueba Augmented Dickey-Fuller.
  • Se realiza un pronóstico de los valores futuros y se grafica correctamente.
  • Se interpreta los resultados del modelo y su posible impacto en las decisiones financieras.