Definicion de Modelo de pronóstico de media móvil integrada autorregresiva (ARIMA)
El **modelo de pronóstico de media móvil integrada autorregresiva (ARIMA)** es una técnica utilizada en análisis de series temporales para predecir valores futuros. Combina la autorregresión (AR) y la media móvil (MA), y se basa en la idea de que los valores futuros dependen de los valores pasados y de los errores.
¿Qué es la media móvil integrada autorregresiva (ARIMA)?
La media móvil integrada autorregresiva, o ARIMA, es un modelo de análisis estadístico que utiliza datos de series de tiempo para comprender mejor un conjunto de datos o predecir tendencias futuras.
Un modelo estadístico es autorregresivo si predice valores futuros basándose en valores pasados. Por ejemplo, un modelo ARIMA puede tener como objetivo predecir los precios futuros de las acciones en función de su desempeño pasado o predecir las ganancias de una empresa en función de períodos pasados.
Resultados clave
- Los modelos de media móvil integrada autorregresiva (ARIMA) predicen valores futuros basándose en valores pasados.
- ARIMA utiliza promedios móviles rezagados para suavizar los datos de series temporales.
- Se utilizan ampliamente en análisis técnicos para predecir precios futuros de valores.
- Los modelos autorregresivos suponen implícitamente que el futuro se parecerá al pasado.
- Por lo tanto, pueden ser inexactos en determinadas condiciones del mercado, como crisis financieras o períodos de rápido cambio tecnológico.
Comprensión de la media móvil integrada autorregresiva (ARIMA)
Un modelo de media móvil integrada autorregresiva es una forma de análisis de regresión que mide la fuerza de una variable dependiente en relación con otras variables cambiantes. El propósito del modelo es predecir los movimientos futuros de un mercado financiero o de valores examinando las diferencias entre los valores de una serie en lugar de observar los valores reales.
El modelo ARIMA se puede entender describiendo cada uno de sus componentes de la siguiente manera:
- Autoregresión (AR): Se refiere a un modelo que muestra una variable cambiante que retrocede sobre sus valores rezagados o anteriores.
- Integrado (yo): representa la diferencia en las observaciones sin procesar que permite que la serie temporal se vuelva estacionaria (es decir, los valores de los datos se reemplazan por la diferencia entre los valores de los datos y los valores anteriores).
- Media móvil (MA): Implica la relación entre una observación y el error residual de un modelo de media móvil aplicado a observaciones rezagadas.
Parámetros ARIMA
Cada componente en ARIMA funciona como un parámetro con notación estándar. Para los modelos ARIMA, la notación estándar sería ARIMA con p, d y q, donde los valores enteros reemplazan los parámetros, lo que indica el tipo de modelo ARIMA que se está utilizando. Los parámetros se pueden definir como:
- PAG: el número de observaciones de retraso en el modelo, también conocido como orden de retraso.
- d: cuántas veces difieren las observaciones sin procesar; También conocido como grado de diferencia.
- q: tamaño de ventana de media móvil, también conocido como orden de media móvil.
Por ejemplo, un modelo de regresión lineal incluye el número y tipo de términos. Un valor de cero (0), que puede usarse como parámetro, indicará que el componente en particular no debe usarse en el modelo. Por lo tanto, se puede construir un modelo ARIMA para realizar la función de un modelo ARMA o incluso modelos AR, I o MA simples.
Debido a que los modelos ARIMA son complejos y funcionan mejor con conjuntos de datos muy grandes, se utilizan algoritmos informáticos y técnicas de aprendizaje automático para calcularlos.
ARIMA y datos estacionarios
En un modelo de media móvil integrado autorregresivo, los datos varían para hacerlo estacionario. Un modelo que demuestra estacionariedad es un modelo que muestra la persistencia de los datos en el tiempo. La mayoría de los datos económicos y de mercado reflejan tendencias, por lo que el propósito de la diferenciación es eliminar cualquier tendencia o patrón estacional.
La estacionalidad, o cuando los datos muestran patrones regulares y predecibles que se repiten a lo largo del año calendario, pueden afectar negativamente al modelo de regresión. Si aparece una tendencia y la estacionariedad no es obvia, muchos cálculos a lo largo del proceso no se podrán realizar y no producirán los resultados deseados.
Un shock único influirá indefinidamente en los valores posteriores del modelo ARIMA en el futuro. Por tanto, el legado de la crisis financiera sigue vivo en los modelos autorregresivos actuales.
Cómo construir un modelo ARIMA
Para comenzar a construir un modelo ARIMA para invertir, debe descargar tantos datos de precios como sea posible. Una vez que haya identificado las tendencias en los datos, determine el orden más bajo de diferencias (d) observando las autocorrelaciones. Si la autocorrelación con el rezago 1 es cero o negativa, la serie ya es diferente. Es posible que tengas que diferenciar más la serie si el retardo-1 es mayor que cero.
A continuación, determine el orden de regresión (p) y el orden de la media móvil (q) comparando autocorrelaciones y autocorrelaciones parciales. Una vez que tengas la información necesaria, podrás elegir el modelo que utilizarás.
Pros y contras de ARIMA
Los modelos ARIMA tienen puntos fuertes y son buenos para hacer predicciones basadas en circunstancias pasadas, pero hay más razones para ser cautelosos al utilizar ARIMA. A diferencia de las advertencias de inversión que afirman que «el rendimiento pasado no es un indicador del rendimiento futuro…», los modelos ARIMA suponen que los valores pasados tienen alguna influencia residual sobre los valores actuales o futuros y utilizan datos del pasado para predecir eventos futuros.
La siguiente tabla enumera otras características de ARIMA que demuestran un buen y mal rendimiento.
Adecuado para pronósticos a corto plazo.
Sólo se necesitan datos históricos
Modela datos no estacionarios
No diseñado para pronósticos a largo plazo
Deficiente para predecir puntos de inflexión
Costoso computacionalmente
Los parámetros son subjetivos.
¿Para qué se utiliza ARIMA?
ARIMA es un método para pronosticar o predecir resultados futuros basado en series de tiempo históricas. Se basa en el concepto estadístico de correlación serial, que establece que los puntos de datos pasados influyen en los puntos de datos futuros.
¿Cuáles son las diferencias entre los modelos autorregresivos y de media móvil?
ARIMA combina funciones autorregresivas y de media móvil. Por ejemplo, un proceso autorregresivo AR(1) es un proceso en el que el valor actual se basa en el valor inmediatamente anterior, y un proceso AR(2) es un proceso en el que el valor actual se basa en dos valores anteriores. Una media móvil es un cálculo que se utiliza para analizar puntos de datos mediante la creación de una serie de promedios de diferentes subconjuntos del conjunto de datos completo para suavizar los efectos de los valores atípicos. Como resultado de esta combinación de técnicas, los modelos ARIMA pueden tener en cuenta tendencias, ciclos, estacionalidad y otros tipos de datos no estáticos al realizar pronósticos.
¿Cómo funciona la previsión ARIMA?
El pronóstico ARIMA se logra incorporando datos de series de tiempo para la variable de interés. El software estadístico determinará el número apropiado de retrasos, o magnitud de las diferencias, para aplicar a los datos y probar la estacionariedad. Luego generará resultados, que a menudo se interpretan de manera similar a un modelo de regresión lineal múltiple.
Línea de fondo
El modelo ARIMA se utiliza como herramienta de pronóstico para predecir cómo se desempeñará algo en el futuro en función del desempeño pasado. Se utiliza en análisis técnico para predecir el rendimiento futuro de un activo.
El modelado ARIMA generalmente no es adecuado para pronósticos a largo plazo, como más allá de seis meses, porque utiliza datos y parámetros pasados que están influenciados por el razonamiento humano. Por esta razón, es mejor utilizarlo con otras herramientas de análisis técnico para obtener una imagen más clara del desempeño de un activo.
Preguntas Frecuentes
1. ¿Qué es la media móvil integrada autorregresiva (ARIMA)?
ARIMA es un modelo de análisis estadístico que utiliza datos de series de tiempo para comprender mejor un conjunto de datos o predecir tendencias futuras.
2. ¿Cómo se construye un modelo ARIMA?
Para construir un modelo ARIMA, es necesario descargar tantos datos de precios como sea posible y determinar el orden de diferencias (d), el orden de regresión (p) y el orden de la media móvil (q) mediante el análisis de autocorrelaciones y autocorrelaciones parciales.
3. ¿Cuáles son las ventajas y desventajas de ARIMA?
Las ventajas de ARIMA incluyen su adecuación para pronósticos a corto plazo, la capacidad de modelar datos no estacionarios y la utilización de datos históricos. Sin embargo, las desventajas incluyen su ineficacia para pronósticos a largo plazo, la falta de pronóstico de puntos de inflexión, su alto costo computacional y la subjetividad en la elección de parámetros.
¿Problemas o dudas? Te ayudamos
Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org.