INTRODUCCIÓN

Existen muchas variables de interés que evolucionan en el tiempo: variables macroeconómicas, demográficas, datos de demanda y precios de mercados eléctricos, o aquellos correspondientes a variables que se miden en ciertos procesos físicos o químicos, por citar sólo algunos ejemplos. Cada vez más, el interés radica en modelar no sólo la evolución de una única variable en el tiempo, sino de varias (bien conjuntamente o utilizando algunas de ellas para explicar la evolución temporal de otras, por ejemplo la influencia de la demanda eléctrica en el precio).

Por otro lado, y dentro de los temas avanzados en series temporales, son de especial relevancia aquéllos que tienen que ver con la modelización y predicción de la volatilidad, pues son útiles, por ejemplo, para la modelización y predicción de volatilidades asociadas a datos financieros, climáticos o de precios en mercados energéticos.

OBJETIVOS

• Conocer la modelización conjunta de varias variables con evolución temporal.
• Analizar un caso concreto de modelos no lineales: aquellos que son útiles para modelar la varianza condicional (volatilidad).
• Manejo del software R para series temporales univariantes, multivariantes y modelos de volatilidad.

CONTENIDOS

• Revisión de los modelos univariantes de series temporales (modelos ARIMA) y su implementación utilizando el software libre R. Paquetes forecast y , entre otros.
• Modelos de heterocedasticidad condicional (modelos que se utilizan para modelar la volatilidad, cuando ésta no es constante en el tiempo).
• Particularmente se tratarán los modelos GARCH (Generalized AutoRegressive Conditionally Heteroskedastic) y los modelos ARSV (AutoRegressive Stochastic Volatility), los primeros con mayor detalle. Estos modelos son útiles para modelar la volatilidad de series financieras pero también del contexto energético (precios de energía eléctrica, precios de emisiones de CO2, precios de combustibles fósiles), así como series climáticas (nivel del Ártico, datos mensuales).
• Implementación de estos modelos en R, utilizando por ejemplo los paquetes rugarch y stochvol.
• Modelos multivariantes de series temporales. Modelos que permiten tener en cuenta la evolución de varias series, y tener en cuenta que para predecir una de ellas puede ser útil tener en cuenta no sólo el pasado de ésta sino de las demás. Particularmente se explicarán los modelos ARIMA multivariantes (Vector ARIMA models: modelos VARIMA).
• Implementación de estos modelos en R, utilizando por ejemplo el paquete MTS.

METODOLOGÍA

El curso es básicamente práctico. Se analizarán diferentes series reales, aprendiendo a identificar el modelo y calcular predicciones.

Se utilizará el software libre R, se proporciona código realizado por las formadoras a los participantes para que no haber manejado antes R no sea un problema.

Aunque se revisarán en la primera sesión algunos conceptos importantes de las series temporales univariantes es muy recomendable asistir con algún conocimiento previo de estos modelos.