# Establecemos directorio
setwd("~/Maestria/3er semestre/Series de tiempo/Week 2/mentorias")
# Cargamos liberarias necesarias
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.1 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(readxl)
library(tseries)
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
# Cargamos conjunto de datos
data = read_excel("./data/TDC_CV_data_banxico.xlsx")
#data = data[-c(1, 2, 3), ] # modificandolo para quedarnos solo con datos a partir de 2012
data$Fecha = as.Date(data$Fecha)
# observamos la cabecera del conjunto
head(data)
# Pruebas de dicky fuller para comprobación de estacionareidad
#---- H0: La serie tiene una raiz unitaria, por lo que no es estacionaria
# ---- H1: ..
resultado_adf_sistema = adf.test(data$Sistema)
print(resultado_adf_sistema)
##
## Augmented Dickey-Fuller Test
##
## data: data$Sistema
## Dickey-Fuller = -2.2411, Lag order = 4, p-value = 0.4771
## alternative hypothesis: stationary
Resultado de prueba estacionareidad para serie de tiempo saldos en sistema. R = No se rechaza la H0, por lo que no es estacionaria la serie del sistema
resultado_adf_bbva = adf.test(data$`BBVA MEXICO`)
print(resultado_adf_bbva)
##
## Augmented Dickey-Fuller Test
##
## data: data$`BBVA MEXICO`
## Dickey-Fuller = -1.1942, Lag order = 4, p-value = 0.9017
## alternative hypothesis: stationary
Resultado de prueba estacionareidad para serie de tiempo saldos en BBVA: R = No se rechaza la H0, por lo que no es estacionaria la serie del BBVA
Al no obtener una serie ideonea para un Modelo de naturaleza AR, cambiamos el enfoque y decidimos realizar algunas transformaciones. Obtendremos inicialmente el cambio porcentual bimestre a bimestre y finalmente la serie a ajustar sera la diferencia de esta tasa de variación. Esto se hace así dado que el cambio porcentual como serie tampoco cumplia el requisito de la estacionareidad.
# ---- Calcula el cambio porcentual utilizando dplyr
data = data %>%
arrange(data) %>%
mutate(Sistema_pc_change = (Sistema - lag(Sistema)) / lag(Sistema) * 100)%>%
mutate(BBVA_pc_change = (`BBVA MEXICO` - lag(`BBVA MEXICO`)) / lag(`BBVA MEXICO`) * 100); head(data)
data = data[-1, ] #le recortamos el dataframe la primera fila
# ----- Sacamos diferencias como nuevas columnas
data_2 = select(data, Fecha)
data_2 = data_2[-1, ] # le recorramos nuevamente la primer fila porque con las diferencias la perderemos
data_2$diff_pc_sistema = diff(data$Sistema_pc_change)
data_2$diff_pc_bbva = diff(data$BBVA_pc_change)
Volvemos a realizar pruebas de dicky fuller para evaluar la idoneidad.
resultado_adf_sistema_pct = adf.test(data_2$diff_pc_sistema)
## Warning in adf.test(data_2$diff_pc_sistema): p-value smaller than printed
## p-value
print(resultado_adf_sistema_pct)
##
## Augmented Dickey-Fuller Test
##
## data: data_2$diff_pc_sistema
## Dickey-Fuller = -4.5148, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
Resultado de prueba estacionareidad para serie de tiempo primeras diferencias de Var% en saldos para sistema bancario R = Se rechaza la H0, por lo que es estacionaria la serie del sistema
resultado_adf_bbva = adf.test(data_2$diff_pc_bbva)
## Warning in adf.test(data_2$diff_pc_bbva): p-value smaller than printed p-value
print(resultado_adf_bbva)
##
## Augmented Dickey-Fuller Test
##
## data: data_2$diff_pc_bbva
## Dickey-Fuller = -6.0202, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
Resultado de prueba estacionareidad para serie de tiempo primeras diferencias de Var% en saldos para BBVA. R= Se rechaza la H0, por lo que es estacionaria la serie del BBVA
Hasta este momento ya logramos la estacionareidad en las pruebas, donde tuvimos que sacar cambios porcentuales a los saldos de la cartera vigente y posteriormente las diferencias de dichos saldos.
# Creando un objeto de serie temporal con xts y el conjunto final a emplear
data_ts = xts::xts(data_2[, c("diff_pc_sistema", "diff_pc_bbva")], order.by =as.Date(data_2$Fecha))
plot(data_ts)
class(data_ts)# validando tipo de datos
## [1] "xts" "zoo"
df_data_ts = data.frame(data_ts); df_data_ts
3.1. Ajuste para serie Sistema 3.1.1. Evaluando autocorrelaciones en series
df_data_ts = data.frame(data_ts); df_data_ts
# Calculo de la Autocorrelación y Autocorrelación Parcial
acf(data_ts$diff_pc_sistema, lag.max = 50, plot = TRUE, ylim=c(-0.5,0.5), main = "Autocorrelación serie var pct sistema")
# Por efectos directos e indirectos
pacf(data_ts$diff_pc_sistema, lag.max = 50, plot = TRUE, main = "Autocorrelación parcial serie var pct sistema")
# Para efectos directos
3.1.2. Ajuste modelo AR
# Ajustar un modelo ARMA(p, q) con la función arima()
orden_ar = 1 # Orden del componente AR
orden_ma = 0 # Orden del componente MA
modelo_arma_sistema <- arima(data_ts$diff_pc_sistema, order = c(orden_ar, 0, orden_ma))
# Mostrar los coeficientes del modelo ARMA
print("Coeficientes del Modelo ARMA:")
## [1] "Coeficientes del Modelo ARMA:"
print(modelo_arma_sistema$coef)
## ar1 intercept
## -0.47984748 -0.03581277
summary(modelo_arma_sistema)
## Length Class Mode
## coef 2 -none- numeric
## sigma2 1 -none- numeric
## var.coef 4 -none- numeric
## mask 2 -none- logical
## loglik 1 -none- numeric
## aic 1 -none- numeric
## arma 7 -none- numeric
## residuals 74 ts numeric
## call 3 -none- call
## series 1 -none- character
## code 1 -none- numeric
## n.cond 1 -none- numeric
## nobs 1 -none- numeric
## model 10 -none- list
3.1.3. Evaluando residuos
# Analisis de residuos
plot(modelo_arma_sistema$residuals)
# Calcular la Autocorrelación Parcial de los residuos
pacf(modelo_arma_sistema$residuals, lag.max = 50, plot = TRUE, main = "Autocorrelación residuos modelo AR BBVA")
# No se observa alguna autocorrelación significativa entre residuos.
# Nos interesa la autocorrelación parcial para evaluar uno a una la asoaciación entre residuos.
# Corroborando estacionareidad en residuos
resultado_adf_sistema_resid = adf.test(modelo_arma_sistema$residuals)
print('resultado_adf_sistema_resid')
## [1] "resultado_adf_sistema_resid"
print(resultado_adf_sistema_resid)
##
## Augmented Dickey-Fuller Test
##
## data: modelo_arma_sistema$residuals
## Dickey-Fuller = -3.5924, Lag order = 4, p-value = 0.04008
## alternative hypothesis: stationary
# Los residuos son estacionarios
3.1.4. Generando proyecciones para el sistema
# Crear proyecciones futuras con la función forecast()
proyecciones_sistema <- forecast::forecast(modelo_arma_sistema, h = 7) # h es la cantidad de periodos a pronosticar
# Mostrar las proyecciones
print("Proyecciones Futuras en sistema:")
## [1] "Proyecciones Futuras en sistema:"
print(proyecciones_sistema)
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 75 -2.11260343 -15.32124 11.09604 -22.31347 18.08827
## 76 0.96072999 -13.68987 15.61133 -21.44543 23.36689
## 77 -0.51400130 -15.47695 14.44895 -23.39786 22.36985
## 78 0.19364479 -14.84030 15.22759 -22.79879 23.18608
## 79 -0.14591740 -15.19617 14.90433 -23.16329 22.87145
## 80 0.01702066 -15.03698 15.07102 -23.00608 23.04013
## 81 -0.06116476 -15.11603 14.99370 -23.08559 22.96326
3.2. Ajuste para serie BBVA
3.2.1. Evaluando autocorrelaciones en series
# Calcular la Autocorrelación y Autocorrelación Parcial
acf(data_ts$diff_pc_bbva, lag.max = 50, plot = TRUE, main = "Autocorrelación serie var pct BBVA")
pacf(data_ts$diff_pc_bbva, lag.max = 50, plot = TRUE, main = "Autocorrelación serie var pct BBVA")
De la autocorrelación parcial se nos sugiere que empleamos gasta 10 lags dado que la autocorrelacióin deja de ser significativa para efectos directos después de este
3.2.2. Ajuste modelo AR
# Ajustar un modelo ARMA(p, q) con la función arima()
orden_ar = 10 # Orden del componente AR
orden_ma = 0 # Orden del componente MA
modelo_arma_bbva <- arima(data_ts$diff_pc_bbva, order = c(orden_ar, 0, orden_ma))
# Mostrar los coeficientes del modelo ARMA
print("Coeficientes del Modelo ARMA:")
## [1] "Coeficientes del Modelo ARMA:"
print(modelo_arma_bbva$coef)
## ar1 ar2 ar3 ar4 ar5 ar6
## -0.32858293 -0.27703634 -0.31116433 -0.24581678 -0.37994005 -0.06815096
## ar7 ar8 ar9 ar10 intercept
## -0.29084810 -0.13908051 -0.08646034 -0.22001710 0.07547995
summary(modelo_arma_bbva)
##
## Call:
## arima(x = data_ts$diff_pc_bbva, order = c(orden_ar, 0, orden_ma))
##
## Coefficients:
## ar1 ar2 ar3 ar4 ar5 ar6 ar7 ar8
## -0.3286 -0.2770 -0.3112 -0.2458 -0.3799 -0.0682 -0.2908 -0.1391
## s.e. 0.1130 0.1192 0.1226 0.1239 0.1274 0.1271 0.1231 0.1229
## ar9 ar10 intercept
## -0.0865 -0.2200 0.0755
## s.e. 0.1189 0.1113 0.2290
##
## sigma^2 estimated as 39.33: log likelihood = -241.6, aic = 507.21
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.1090882 6.271501 4.768648 127.1256 144.3693 0.559353
## ACF1
## Training set -0.02933186
3.2.3. Evaluando residuos
# Analisis de autocorrelación de Residuos
data_ts$bbva_resid = modelo_arma_bbva$residuals
# Calcular la Autocorrelación Parcial
pacf(modelo_arma_bbva$residuals, lag.max = 50, plot = TRUE, main = "Autocorrelación residuos modelo AR BBVA")
# Corroborando estacionareidad en residuos
resultado_adf_bbva_resid = adf.test(modelo_arma_bbva$residuals)
print('resultado_adf_bbva_resid')
## [1] "resultado_adf_bbva_resid"
print(resultado_adf_sistema_resid)
##
## Augmented Dickey-Fuller Test
##
## data: modelo_arma_sistema$residuals
## Dickey-Fuller = -3.5924, Lag order = 4, p-value = 0.04008
## alternative hypothesis: stationary
3.2.4. Generando proyecciones para el sistema
# Crear proyecciones futuras con la función forecast()
proyecciones_bbva = forecast::forecast(modelo_arma_bbva, h = 7) # h es la cantidad de periodos a pronosticar
# Mostrar las proyecciones
print("Proyecciones Futuras bbva:")
## [1] "Proyecciones Futuras bbva:"
print(proyecciones_bbva)
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 149 -1.3161989 -9.353451 6.721053 -13.60811 10.97572
## 150 1.3155511 -7.144460 9.775562 -11.62292 14.25402
## 151 -0.9363140 -9.504761 7.632133 -14.04062 12.16799
## 152 0.9257152 -7.744235 9.595665 -12.33383 14.18526
## 153 -0.8169737 -9.493700 7.859752 -14.08688 12.45293
## 154 2.7194913 -6.086373 11.525356 -10.74792 16.18690
## 155 -1.6854307 -10.671377 7.300515 -15.42825 12.05739
3.3 Conjunción de proyecciones
#Uniendo ambas proyecciones y poniendoles indice de fechas
#rear un rango de fechas entre dos puntos con incrementos de dos meses
fecha_inicio = as.Date("2023-12-31")
fecha_fin = as.Date("2024-12-31")
fechas = seq(from = fecha_inicio, to = fecha_fin, by = "2 months")
# Asegurarse de que las fechas no excedan el rango final
fechas = fechas[fechas <= fecha_fin]
# Crear el dataframe con los vectores existentes y el nuevo vector de fechas
df_proyecciones_sistema = data.frame(proyecciones_sistema);df_proyecciones_sistema
df_proyecciones_bbva = data.frame(proyecciones_bbva);df_proyecciones_bbva
dataframe_proys = data.frame('diff_pc_sistema' = df_proyecciones_sistema$Point.Forecast, 'diff_pc_bbva' = df_proyecciones_bbva$Point.Forecast, Fechas = fechas);dataframe_proys
data_ts_proy = xts::xts(dataframe_proys[, c("diff_pc_sistema", "diff_pc_bbva")], order.by =as.Date(dataframe_proys$Fecha))
plot(data_ts_proy)
#Recortando algunas observaciones para fines de ilustración en grafica
df_data_ts = df_data_ts[-c(1, 2, 3), ]
dataframe_var_pc = rbind(df_data_ts, data_ts_proy)
head(dataframe_var_pc)
# GRafico de variaciones
dataframe_var_pc$fecha_text = as.Date(rownames(dataframe_var_pc))
# Agregar una columna que indique si es proyección o no
dataframe_var_pc$naturaleza = ifelse(year(dataframe_var_pc$fecha_text) == 2024, "Proyeccion", "Observacion")
# Crear el gráfico con ggplot2
ggplot(dataframe_var_pc, aes(x = fecha_text, group = naturaleza)) +
geom_line(aes(y = diff_pc_sistema, color = "Sistema", linetype = naturaleza)) +
geom_line(aes(y = diff_pc_bbva, color = "BBVA", linetype = naturaleza)) +
labs(title = "Primera diferencia Var% en saldos: Observación y proyección",
x = "Fecha",
y = "Primera diferencia de variación porcentual",
color = "Tipo",
linetype = "Tipo") +
scale_color_manual(values = c("Sistema" = "darkgreen", "BBVA" = "darkblue")) +
scale_linetype_manual(values = c("Observacion" = "solid", "Proyeccion" = "dashed")) +
theme_minimal()
# Tranformación inversa para obtener saldos
data_copy = data; data_copy
# Crear un índice de fechas que avanza de dos en dos meses
fechas = seq(as.Date("2023-12-31"), as.Date("2024-12-31"), by = "2 months")
# Crear un dataframe con fechas y cuatro columnas vacías
df_complemento <- tibble(Fecha = fechas, Sistema = rep(NA, length(fechas)), `BBVA MEXICO` = rep(NA, length(fechas)),
Sistema_pc_change = rep(NA, length(fechas)), BBVA_pc_change = rep(NA, length(fechas)))
# Este dataframe es de preparación
# Arreglos manuales
df_proyectado_complementado = rbind(data_copy[-c(1, 2, 3, 4), ], df_complemento)
df_proyectado_complementado = df_proyectado_complementado %>%
mutate(Sistema_pc_change_modif = if_else(row_number() == 1, Sistema_pc_change, 0),
BBVA_pc_change_modif = if_else(row_number() == 1, BBVA_pc_change, 0))
# uniendo dtaaframes
df_final = cbind(df_proyectado_complementado, dataframe_var_pc)
head(df_final)
# Crear las columnas producto de var pc
for (i in 2:nrow(df_final)) {
df_final$Sistema_pc_change[i] = df_final$diff_pc_sistema[i] + df_final$Sistema_pc_change[i - 1]
}
for (i in 2:nrow(df_final)) {
df_final$BBVA_pc_change[i] = df_final$diff_pc_bbva[i] + df_final$BBVA_pc_change[i - 1]
}
head(df_final)
df_final_vf = select(df_final, Fecha, Sistema, "BBVA MEXICO", Sistema_pc_change, BBVA_pc_change, naturaleza)
head(df_final_vf)
df_final_vf_2 = df_final_vf
# Crear las columnas producto de saldos
for (i in 2:nrow(df_final_vf_2)) {
df_final_vf_2$Sistema[i] <- (df_final_vf_2$Sistema[i - 1] + (df_final_vf_2$Sistema[i - 1] * (df_final_vf_2$Sistema_pc_change[i]/100)))
}
# Crear las columnas producto de saldos
for (i in 2:nrow(df_final_vf_2)) {
df_final_vf_2$"BBVA MEXICO"[i] = (df_final_vf_2$"BBVA MEXICO"[i - 1] + (df_final_vf_2$"BBVA MEXICO"[i - 1] * (df_final_vf_2$BBVA_pc_change[i]/100)))
}
head(df_final_vf_2)
df_final_vf_2$Fecha = as.Date(df_final_vf_2$Fecha)
# Crear el gráfico con ggplot2
ggplot(df_final_vf_2, aes(x = Fecha, group = naturaleza)) +
geom_line(aes(y = Sistema, color = "Sistema", linetype = naturaleza)) +
geom_line(aes(y = df_final_vf_2$`BBVA MEXICO`, color = "BBVA MEXICO", linetype = naturaleza)) +
labs(title = "Cartera vigente: Observación y proyección a 1 año",
x = "Fecha",
y = "Saldos cartera vigente (Miles de millones de pesos)",
color = "Tipo",
linetype = "Tipo") +
scale_y_continuous(labels = scales::dollar_format(scale = 1e-7))+
scale_color_manual(values = c("Sistema" = "darkgreen", "BBVA MEXICO" = "darkblue"))+
scale_linetype_manual(values = c("Observacion" = "solid", "Proyeccion" = "dashed")) +
theme_minimal()
1- Pruebas de Estacionareidad
2- Transformaciones para estacionareidad
3- Preprocesamiento de datos.
4- Manipulación de objetos tipo serie de tiempo.
5- Prueba de autocorrelación e interpretación para selección de retrasos.
6- Prueba de autocorrelación parcial e interpretación para selección de retrasos.
7- Ajuste del modelo AR.
8- Análisis de residuos.
9- Proyecciones de la diferencia en tasa de variación.
10- Transformación inversa para obtención de saldos estimados.