

Un estudio de la series de tiempo aplicado al forecasting


WHAT WE DO

Objetivos
Estudiar los fundamentos matemáticos necesarios para comprender con detalle los principales aspectos del forecasting vía las series de tiempo.
Familiarizar al estudiante con las diferencias y ventajas de cuatro de los principales modelos para la predicción, así como el entendimiento de las hipótesis principales hechas en cada modelo.
Invitar al estudiante al mundo de las aplicaciones y el uso adecuado del estudio de las series de tiempo en fenómenos financieros.
Temario
De regresiones lineales a series de tiempo
Regresiones lineales por mínimos cuadrados
Cualidades estadísticas de las regresiones lineales
Hipótesis geométricas y estocásticas
El concepto de sobre-ajuste y regularización
Ejemplos de estacionalidad: necesidad de nuevos métodos
Alisamiento exponencial y las cadenas de markov
Complementos sobre probabilidad
Cadenas de markov y sus aplicaciones
Alisamiento exponencial recursivo
Alisamiento exponencial como mínimos cuadrados
Cualidades estocásticas y estadísticas del alisamiento exponencial
Holt-Winters y la detección de anomalías
Modelos autoregresivos
Primeros ejemplos de modelos dependientes
Ruido blanco y relación con otros procesos estocásticos
Cualidades estadísticas
Modelos ARIMA: diferenciabilidad y estacionalidad
Aplicaciones a la predicción
Modelos ARCH
¿Qué es la heterocedasticidad?
Relación con modelos anteriores
Volatilidad en un proceso
Un estudio de la volatilidad vía ARCH