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/roman/OneDrive/Desktop/Gestion/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)
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