Series de Tiempo

Ejercicio en Clase

Concepto

Una Serie de Tiempo es una coleccion de observaciones sobre un determinado fenómeno, efectuadas en momento sucesivos, usualmente equiespaciados.

Algunos ejemplos de series de tiempo son: 1. Precios de acciones 2. Niveles de inventario 3. Rotacion de Personal 4. Ventas 5. PIB (GDP)

Mas informacion: link

Instalar paquetes y librerias

#install.packages("forecast")
library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

library(readxl)

Crear Serie de Tiempo

Ejemplo: Los siguientes de datos de producción trimestral inician en el primer trimestre de 2020. Se busca pronosticar la producción de los siguientes 5 trimestres

produccion <- c(50,53,55,57,55,60)

ts<-ts(produccion,start = c(2020,1),frequency =  4)
ts

##      Qtr1 Qtr2 Qtr3 Qtr4
## 2020   50   53   55   57
## 2021   55   60

Crear Modelo ARIMA

ARIMA significa AutoRegressive Integrated Moving Average o Modelo Autorregresivo Integrado de Promedio Movil

arima<-auto.arima(ts)
summary(arima)

## Series: ts 
## ARIMA(0,1,0) 
## 
## sigma^2 = 9.2:  log likelihood = -12.64
## AIC=27.29   AICc=28.62   BIC=26.89
## 
## Training set error measures:
##                 ME    RMSE      MAE      MPE     MAPE      MASE       ACF1
## Training set 1.675 2.76895 2.341667 2.933747 4.145868 0.3902778 -0.5152989

Generar el pronóstico

pronostico <- forecast(arima,level=c(95), h=5)
pronostico

##         Point Forecast    Lo 95    Hi 95
## 2021 Q3             60 54.05497 65.94503
## 2021 Q4             60 51.59246 68.40754
## 2022 Q1             60 49.70291 70.29709
## 2022 Q2             60 48.10995 71.89005
## 2022 Q3             60 46.70652 73.29348

plot(pronostico)

Actividad 2

Crear Serie de Tiempo

# Read the Excel file into a data frame
hershey <- read_excel("C:\\Users\\USER\\Documents\\Ventas_Históricas_Lechitas.xlsx")

## New names:
## • `` -> `...1`
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...5`
## • `` -> `...6`

# Assuming 'hershey' is your data frame

# Store the second row as column names
new_colnames <- as.character(hershey[2, ])

# Remove the first two rows from the data frame
hershey <- hershey[-(1:2), ]

# Set the new column names
colnames(hershey) <- new_colnames

# Convert 'Ventas' column to numeric
hershey$Ventas <- as.numeric(hershey$Ventas)


ts1<-ts(hershey$Ventas,start =c(2017,1),frequency =12)
ts1

##           Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
## 2017 25520.51 23740.11 26253.58 25868.43 27072.87 27150.50 27067.10 28145.25
##           Sep      Oct      Nov      Dec
## 2017 27546.29 28400.37 27441.98 27852.47

Crear Modelo ARIMA

ARIMA significa AutoRegressive Integrated Moving Average o Modelo Autorregresivo Integrado de Promedio Movil

arima2<-auto.arima(ts1)
summary(arima2)

## Series: ts1 
## ARIMA(1,1,0) with drift 
## 
## Coefficients:
##           ar1     drift
##       -0.8190  292.0193
## s.e.   0.1727  122.4233
## 
## sigma^2 = 608019:  log likelihood = -88.31
## AIC=182.62   AICc=186.05   BIC=183.81
## 
## Training set error measures:
##                     ME     RMSE      MAE        MPE     MAPE MASE      ACF1
## Training set -65.80228 675.2882 575.9571 -0.2638862 2.179851  NaN 0.1402586

Generar el pronóstico

pronostico2 <- forecast(arima2,level=c(95), h=12)
pronostico2

##          Point Forecast    Lo 95    Hi 95
## Jan 2018       28047.46 26519.17 29575.75
## Feb 2018       28418.95 26865.83 29972.07
## Mar 2018       28645.88 26619.37 30672.40
## Apr 2018       28991.21 26912.67 31069.75
## May 2018       29239.57 26864.20 31614.93
## Jun 2018       29567.35 27120.63 32014.07
## Jul 2018       29830.08 27168.41 32491.75
## Aug 2018       30146.08 27401.37 32890.80
## Sep 2018       30418.46 27504.21 33332.71
## Oct 2018       30726.57 27723.23 33729.91
## Nov 2018       31005.41 27860.30 34150.52
## Dec 2018       31308.22 28071.73 34544.71

plot(pronostico2)

Actividad 3. Finanzas Corporativas

library(finreportr)

Con la función de finerportr podemos obtener la siguiente información

• CompanyInfo() = Brinda información general como Nombre, Ubicación, ZIP, etc.

• AnnualReports() = Brinda el nombre, fecha y número de acceso

• GetIncome()= Brinda el Estado de Resultados.

• GetBalanceSheet() = Brinda el Balance General

• GetCashFlow() = Brinda el Flujo de Efectivo.

options(HTTPUserAgent = "a a@gmail.com")
CompanyInfo("JPM")

##               company        CIK  SIC state state.inc FY.end     street.address
## 1 JPMORGAN CHASE & CO 0000019617 6021    NY        DE   1231 383 MADISON AVENUE
##          city.state
## 1 NEW YORK NY 10017

AnnualReports("BABA",foreign=TRUE)

##    filing.name filing.date         accession.no
## 1       20-F/A  2024-02-23 0001193125-24-044480
## 2         20-F  2023-07-21 0000950170-23-033752
## 3         20-F  2022-07-26 0001104659-22-082622
## 4         20-F  2021-07-27 0001104659-21-096092
## 5         20-F  2020-07-09 0001104659-20-082409
## 6         20-F  2019-06-05 0001047469-19-003492
## 7         20-F  2018-07-27 0001047469-18-005257
## 8         20-F  2017-06-15 0001047469-17-004019
## 9         20-F  2016-05-24 0001047469-16-013400
## 10        20-F  2015-06-25 0001047469-15-005768

google_income<-GetIncome("GOOG",2016)
amazon_balance <- GetBalanceSheet("AMZN",2015)
apple_cash<-GetCashFlow("AAPL",2014)