Un estudio de la series de tiempo aplicado al forecasting

BB.png

WHAT WE DO

BB2.png

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

TEMARIO