Contenido
Diplomado en Modelos Dinámicos para Finanzas y Economía
Área: Estadística y Matemáticas
Horario: Viernes de 18:00 a 21:00 H. y Sábado de 09:00 a 12:00 H.
Módulos a Cursar: 5
Horas: 150
Notas: Las Sesiones serán Presenciales
ACERCA DEL PROGRAMA.
Presentar a los participantes algunos modelos cuya estructura dinámica permite realizar análisis del comportamiento de datos registrados en forma de series de tiempo. Se destacará la aplicación de tales modelos a las finanzas y a la economía. Por ello, es necesario señalar los supuestos teóricos, así como las limitaciones y los alcances de las conclusiones obtenidas del análisis con los modelos dinámicos. Para la práctica se requerirá la utilización de paquetes estadísticos y econométricos que faciliten el análisis y se abordará el estudio de la econometría como una herramienta para realizar investigación en diversas disciplinas.
¿A QUIÉN VA DIRIGIDO?
Economistas, financieros, actuarios, matemáticos y toda persona interesada en el estudio y análisis de los modelos dinámicos de series de tiempo.
Plan de Estudios.
Modulo 1.
MODELOS ECONOMÉTRICOS Y VARIABLES CATEGÓRICAS
Objetivo.
Introducir variables cualitativas explicativas en el modelo econométrico y conocer sus diferentes aplicaciones. Impartir los conocimientos necesarios para identificar y estimar un sistema de ecuaciones simultáneas.
Temario.
1. Modelos con variables de tipo cualitativo. Variables dicotómicas
1.1 Naturaleza de las variables dicotómicas
1.2 Modelos con variables explicativas cualitativas. Cambio estructural.
Análisis estacional
2. Modelos de ecuaciones simultáneas
2.1 Naturaleza de los modelos de ecuaciones simultáneas. Ejemplos
2.2 El problema de identificación. Condiciones de orden y de rango
2.3 Métodos de estimación. Mínimos cuadrados indirectos. Mínimos
cuadrados en dos etapas
2.4 Sistema de ecuaciones aparentemente no relacionadas
3. Aplicaciones
Modulo 2.
MODELOS DE PRONÓSTICO PARA SERIES DE TIEMPO
Objetivo.
Proporcionar los conceptos y conocimientos necesarios para distinguir entre los enfoques cualitativo y cuantitativo del pronóstico. Reconocer el tipo del modelo subyacente a cada una de las técnicas de pronóstico estadístico y validarlo, y aplicar adecuadamente la técnica cuantitativa de pronóstico, dependiendo de las características y el volumen de los datos disponibles.
Temario.
1. Introducción al pronóstico. Pronóstico estadístico
2. Conocimiento de los datos
2.1 Inspección de los datos
2.2 Suavizamiento
3. Uso de transformaciones
3.1 Transformaciones lineales
3.2 Transformaciones no lineales
3.3 Selección de una transformación
4. Criterios para elegir una técnica de pronóstico
5. Modelos de pronóstico
5.1 Pronóstico de series no estacionales
5.2 Pronóstico de series estacionales
6. Evaluación de los pronósticos
7. Aplicaciones
Modulo 3.
ANÁLISIS DE SERIES DE TIEMPO
Objetivo.
Presentar las herramientas que se utilizan con mayor frecuencia en el análisis de series de tiempo. El análisis se enfoca en el dominio del tiempo, con énfasis particular en la familia de modelos ARIMA. La estrategia de elaboración de modelos es la propuesta por Box y Jenkins.
Temario.
1. Introducción al análisis de series de tiempo
2. Elementos de ecuaciones en diferencia
2.1 Notación y conceptos elementales
2.2 Uso de operadores de retraso
3. Modelos para series univariadas
3.1 Identificación de modelos ARIMA
3.2 Estimación de modelos ARIMA
3.3 Verificación de los modelos
4. Pruebas de raíces unitarias
5. Modelos para series estacionales
5.1 Análisis de series estacionales
5.2 Elaboración de modelos
6. Pronósticos para series de tiempo
6.1 Caso estacionario
6.2 Caso no estacionario
7. Aplicaciones
Modulo 4.
OTROS TEMAS DE LAS SERIES DE TIEMPO
Objetivo.
Repasar algunos temas del análisis de series de tiempo que han resultado útiles en la práctica, para realizar estudios de series de economía y finanzas. Ejercitar la aplicación de las metodologías presentadas.
Temario.
1. Modelos de heteroscedasticidad condicional
1.1 Procesos ARCH
1.2 Procesos GARCH
1.3 Procesos IGARCH
1.4 Procesos A-GARCH, T-GARCH y EGARCH
1.5 Procesos ARCH-M
2. Métodos para ajuste estacional de series de tiempo
2.1 Introducción al ajuste estacional de series de tiempo
2.2 Métodos para ajuste estacional de series de tiempo
2.3 Componentes no observables de una serie de tiempo
2.4 Procedimiento X13-ARIMA
2.5 Descomposición con el proceso X11
3 Análisis de intervención
3.1 Teoría del análisis de intervención
3.2 Funciones dinámicas de intervención
3.3 Metodología del análisis de intervención
4 Aplicaciones
Modulo 5.
INTRODUCCIÓN AL ESTUDIO DE SERIES DE TIEMPO MÚLTIPLES
Objetivo.
Presentar modelos para el análisis conjunto de varias series de tiempo. Subrayar la riqueza de análisis, teórico y empírico, que se obtiene al considerar el estudio de varias variables en forma simultánea. Mostrar el tipo de resultados que se pueden obtener en la práctica.
Temario.
1. Modelos para series de tiempo múltiples
1.1 Relación con modelos de ecuaciones simultáneas
1.2 Extensión de modelos ARMA al caso multivariado
2. Cointegración bivariada
2.1 Regresión espuria
2.2 Relación entre cointegración e integración
3. Vectores autorregresivos
4. Causalidad de Granger
5. Función de respuesta al impulso
6. Descomposición de la varianza del pronóstico
7. Análisis de cointegración
8. Modelos en forma de corrección de errores
9. Aplicaciones
Modulo 6.
ANÁLISIS BAYESIANO DE MODELOS ECONOMÉTRICOS
Objetivo.
Estudiar el paradigma bayesiano en el análisis estadístico y aplicar las
herramientas necesarias para emitir juicios sobre los resultados de un modelo econométrico, a partir de información subjetiva y de la muestra. Hacer pronósticos informados de los valores futuros de una serie de tiempo que hagan uso de este modelo y de la información subjetiva.
Temario.
1. Introducción a estadística bayesiana
1.1 Problema de decisión: elementos y criterios
1.2 Proceso de aprendizaje, distribución inicial, verosimilitud, distribución
final y distribución predictiva. Distribuciones de referencia
1.3 Decisiones estadísticas: estimación, pruebas de hipótesis y predicción
1.4 Aplicaciones
2. Análisis bayesiano de modelos de regresión
2.1 Modelo y distribución inicial
2.2 Función de verosimilitud, distribución final y distribución predictiva
2.3 Estimación, regiones de credibilidad y pruebas de hipótesis
2.4 Aplicaciones
3. Análisis bayesiano de series de tiempo
3.1 Modelo AR y modelo ARMA
3.2 Distribución inicial, función de verosimilitud, distribución final y
distribución predictiva
3.3 Estimación, regiones de credibilidad y pruebas de hipótesis
3.4 Aplicaciones
