Ejercicio en Clase

Concepto

Una serie de tiempo es una colección de observaciones sobre un determinado fenómeno, efectuadas en momentos sucesivos, usualmente equiespaciados.

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

Más información:
Libro R for Data Science (2e)

Instalar paquetes y llamar librerías

#install.packages("forecast")
library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

Crear la serie de tiempo

Ejemplo: Los siguientes datos de producción trimestral inicial 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(data= 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 Móvil.

arima <- auto.arima(ts, D=1)
arima
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[4] with drift 
## 
## Coefficients:
##        drift
##       1.5000
## s.e.  0.1768
## 
## sigma^2 = 2.01:  log likelihood = -2.84
## AIC=9.68   AICc=-2.32   BIC=7.06
summary(arima)
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[4] with drift 
## 
## Coefficients:
##        drift
##       1.5000
## s.e.  0.1768
## 
## sigma^2 = 2.01:  log likelihood = -2.84
## AIC=9.68   AICc=-2.32   BIC=7.06
## 
## Training set error measures:
##                      ME      RMSE       MAE        MPE      MAPE       MASE
## Training set 0.03333332 0.5787923 0.3666667 0.03685269 0.6429133 0.06111111
##                    ACF1
## Training set -0.5073047

Generar el Pronóstico

pronostico <- forecast(arima, level=c(95), h=5)
pronostico
##         Point Forecast    Lo 95    Hi 95
## 2021 Q3             61 58.22127 63.77873
## 2021 Q4             63 60.22127 65.77873
## 2022 Q1             61 58.22127 63.77873
## 2022 Q2             66 63.22127 68.77873
## 2022 Q3             67 63.07028 70.92972
plot(pronostico)

Actividad 2- Hersheys

Crear la serie de tiempo

Importar base de datos y librería

library(readxl)
lechitas <- read_excel("/Users/raquelgarza/Desktop/Rstudio/Ventas_Históricas_Lechitas.xlsx")
lechitas$Ventas <- as.numeric(lechitas$Ventas)
ts1 <- ts(data=lechitas$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
## 2018 28463.69 26996.11 29768.20 29292.51 29950.68 30099.17 30851.26 32271.76
## 2019 32496.44 31287.28 33376.02 32949.77 34004.11 33757.89 32927.30 34324.12
##           Sep      Oct      Nov      Dec
## 2017 27546.29 28400.37 27441.98 27852.47
## 2018 31940.74 32995.93 32197.12 31984.82
## 2019 35151.28 36133.07 34799.91 34846.17

Crear modelo ARIMA

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

arima1 <- auto.arima(ts1)
arima1
## Series: ts1 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8979
## s.e.  0.1551   0.2047   14.5026
## 
## sigma^2 = 202701:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
summary(arima1)
## Series: ts1 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8979
## s.e.  0.1551   0.2047   14.5026
## 
## sigma^2 = 202701:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
## 
## Training set error measures:
##                    ME    RMSE    MAE        MPE      MAPE       MASE      ACF1
## Training set 25.22158 343.864 227.17 0.08059932 0.7069542 0.06491044 0.2081026

Generar el Pronóstico

pronostico1 <- forecast(arima1, level=c(95), h=12)
pronostico1
##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.28 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90
## Jun 2020       37102.65 35958.90 38246.40
## Jul 2020       37151.04 36005.73 38296.34
## Aug 2020       38564.64 37418.70 39710.58
## Sep 2020       38755.22 37609.03 39901.42
## Oct 2020       39779.02 38632.72 40925.32
## Nov 2020       38741.63 37595.28 39887.97
## Dec 2020       38645.86 37499.50 39792.22
plot(pronostico1)

Finanzas Corporativas

Instalar paquetes y llamar librerías

library(finreportr)

Información disponible

Con la función finreportr podemos obtener la siguiente información:

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

  • 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") #nombre de la banca
##               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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