knitr::opts_chunk$set(
message = FALSE,  # oculta mensajes largos de librerías
warning = FALSE   # oculta warnings
)

Introducción

El análisis de series temporales es una herramienta fundamental para comprender la evolución de fenómenos económicos, financieros y sociales, ya que permite identificar patrones históricos y anticipar posibles escenarios futuros. En un contexto global caracterizado por mercados altamente dinámicos y sujetos a constantes transformaciones tecnológicas, disponer de métodos estadísticos robustos resulta esencial para la toma de decisiones estratégicas en empresas, gobiernos e instituciones financieras. En este trabajo se seleccionó como objeto de estudio las acciones de META Platforms Inc., una compañía líder a nivel mundial en servicios digitales, redes sociales y tecnologías emergentes. El comportamiento de sus acciones constituye un indicador relevante dentro del mercado global debido a su influencia en los sectores tecnológicos, publicitarios y de plataformas digitales. Analizar esta serie permite observar fases relevantes del comportamiento del activo, tales como fluctuaciones asociadas a la pandemia de COVID-19, el desplome de 2022 y la recuperación acelerada que siguió en los años posteriores. La capacidad de analizar y predecir el comportamiento de un activo financiero como META es particularmente útil para inversionistas, analistas y gestores de portafolios, ya que contribuye a estimar tendencias, evaluar riesgos, planificar estrategias de inversión y anticipar fluctuaciones del mercado. En este sentido, la aplicación de modelos de series temporales, como el modelo ARIMA, permite modelar adecuadamente la dinámica de los precios, identificar patrones temporales y generar pronósticos que apoyen la toma de decisiones basada en evidencia. En síntesis, este análisis no solo contribuye a comprender el comportamiento histórico del precio de META, sino que además demuestra el valor del análisis predictivo para enfrentar la incertidumbre inherente a los mercados financieros actuales, reforzando la importancia de las series temporales en la planificación estratégica y en la gestión de información económica.

Objetivos

Objetivo general

  • Aplicar la metodología ARIMA al precio de cierre mensual de las acciones de META (2018–2025) para analizar su comportamiento histórico y generar pronósticos de corto plazo basados en un modelo estadístico.

Objetivos específicos

  • Describir la serie temporal seleccionada.
  • Evaluar la estacionariedad de la serie.
  • Identificar el orden apropiado del modelo ARIMA.
  • Ajustar y comparar diferentes modelos ARIMA.
  • Generar pronósticos del precio de cierre de META para los próximos cinco periodos.
  • Interpretar los resultados obtenidos.

Metodologia

a) Serie de tiempo:

Una serie de tiempo es una lista de valores ordenados por fecha (como el precio de cierre de una acción cada mes). Nos sirve para ver cómo cambian las cosas con el tiempo, detectar tendencias (subidas o bajadas), ciclos y variaciones inesperadas (volatilidad). En pocas palabras es como leer la historia de algo a medida que pasa el tiempo.

b) Modelo ARIMA:

Es un método que nos ayuda a predecir valores futuros usando el propio pasado de la serie de tiempo. Este se compone de tres partes:

Se escribe ARIMA(p,d,q), y cada letra hace referencia a:

c) Importancia y utilidad de los modelos ARIMA en la predicción de series temporales:

El modelo ARIMA es importante porque permite predecir el futuro basándose en el pasado sin necesidad de modelos complicados o información externa adicional. Es bastante útil si queremos predecir valores de los próximos meses de algo, o si queremos comparar varios modelos y elegir el que mejor pronostica para algo. Además de ello, se puede utilizar bastante en economía, finanzas, ventas y demanda, análisis de riesgo y cualquier área donde los datos vienen en el tiempo, ayudándonos así a tomar mejores decisiones.

Descripción de la serie temporal

a) Contexto histórico de la serie de tiempo:

Meta Platforms, Inc, conocida anteriormente como Facebook, Inc hasta octubre del 2021, es una empresa tecnológica multinacional, fundada por Mark Zuckerberg (un programador y empresario estadounidense) junto con sus compañeros de Universidad Eduardo Saverin, Andrew McCollum, Dustin Moskovitz y Chris Hughes en 2004. El cambio de nombre se debió al hecho de que se comenzó a apostar por el “metaverso”, el cual en pocas palabras es un universo virtual tridimensional e inmersivo que fusiona el mundo físico y el digital, donde los usuarios interactúan a través de avatares personalizables. Además de ellos, se compone de grandes empresas como lo son Facebook, Instagram, WhatsApp, Messenger, y la división de Reality Labs (se encarga de la investigación, desarrollo y producción de hardware y software de realidad virtual (RV) y realidad aumentada (RA)). Es bastante importante, tomando en cuenta que es uno de los medios de negocio publicitario con ingresos más recurrentes.

Fechas y eventos importantes

library(quantmod)
library(fpp2)

# Descargo la serie desde Yahoo
serie <- getSymbols('META', src='yahoo', auto.assign=FALSE,
                    from="2018-01-01")

# Convertimos la serie a mensual
serie_mensual <- apply.monthly(serie, last)
accion <- serie_mensual$META.Close

#View(serie_mensual)
#names(serie_mensual)
library(ggplot2)
library(dplyr)


n <- length(accion)

ventana  <- accion[1:(n - 5)]   
ventana2 <- accion[(n - 4):n]   

# Data frame 
df_meta <- data.frame(
  fecha  = index(accion),
  precio = as.numeric(accion)
)

# Eventos 
eventos <- data.frame(
  fecha = as.Date(c(
    "2018-03-01",
    "2020-03-01",
    "2021-10-28",
    "2022-11-01",
    "2023-07-01",
    "2024-03-01",
    "2025-07-01"
  )),
  evento = c(
    "Cambridge Analytica (2018)",
    "Inicio COVID-19 (2020)",
    "Cambio de nombre a META (2021)",
    "Despidos masivos (2022)",
    "Lanzamiento Threads (2023)",
    "Integración Meta AI (2024)",
    "Máximo impulsado por IA (2025)"
  )
)

library(plotly)

# límites para las líneas de eventos
y_min <- min(df_meta$precio)
y_max <- max(df_meta$precio)

p <- plot_ly() %>%
  # Línea del precio mensual
  add_lines(
    data = df_meta,
    x = ~fecha,
    y = ~precio,
    name = "Precio mensual",
    hovertemplate = paste(
      "Fecha: %{x}<br>",
      "Precio: %{y:.2f} USD",
      "<extra></extra>"
    )
  ) %>%
  # Líneas verticales de eventos (con tooltip del evento)
  add_segments(
    data = eventos,
    x = ~fecha, xend = ~fecha,
    y = y_min,  yend = y_max,
    line = list(dash = "dot", color = "red"),
    name = "Evento",
    hoverinfo = "text",
    text = ~evento,
    showlegend = FALSE
  ) %>%
  layout(
    title = "META: Evolución del precio mensual con eventos clave (desde 2018)",
    xaxis = list(title = "Año"),
    yaxis = list(title = "Precio de cierre mensual (USD)"),
    hovermode = "x unified"
  )

p   # importante: para que se imprima el gráfico

A continuación se explica cada periodo con todos los detalles relevantes, relacionándolo directamente con las fechas de picos y valles.

2018 — Cambridge Analytica

Fechas relacionadas: 2018-01, 2018-02, 2018-04, 2018-07, 2018-08, 2018-09

Qué pasó:

Marzo 2018: explosión del escándalo Cambridge Analytica. Uso indebido de datos de 87 millones de usuarios. Zuckerberg declara ante el Congreso. Se multiplican investigaciones y multas.

Caída abrupta: varios valles consecutivos y picos pequeños, el precio pierde cerca del 20%.

Importancia, una de las crisis reputacionales más grandes del sector tecnológico.

2019 — Regulación y multas

Fechas relacionadas: 2019–01, 02, 03, 05, 06, 08, 10

Qué pasó:

Multa histórica de $5.000 millones por la FTC.

Europa endurece el GDPR.

Estancamiento en crecimiento de usuarios.

Se observan picos pequeños y valles suaves → un mercado desconfiado.

Fuerte lateralidad del precio.

Periodo de alta presión regulatoria.

2020 — COVID-19 y aceleración digital

Fechas relacionadas: 2020–01, 04, 09, 10, 12

Qué pasó:

Caída inicial: marzo 2020 sacude a todo el mercado.

Luego: explosión del comercio digital → aumento masivo de anuncios.

Facebook registra ingresos récord en plena pandemia.

Un valle profundo al inicio.

Luego picos muy marcados por los reportes trimestrales.

Uno de los mayores impulsos financieros de la compañía.

2021 — Rebranding a Meta

Fechas: 2021–03, 09, 11

Qué pasó:

Facebook oficializa la transición a Meta Platforms.

Inversiones de miles de millones en el metaverso.

Inversionistas preocupados por los costos.

Picos antes del anuncio.

Valles posteriores por dudas del mercado.

Evento que marca un cambio estructural en la empresa.

2022 — El peor año en la historia de Meta

Fechas: 2022–01, 03, 04, 08, 09, 11

Qué pasó:

Apple implementa ATT (App Tracking Transparency):

→ Meta pierde capacidad de segmentación publicitaria.

→ Impacto estimado: $10.000 millones anuales.

Reality Labs pierde más de $13.000 millones.

Meta cae 65% en bolsa.

Valles profundos, recuperaciones cortas (picos) antes de volver a caer, la mayor caída de mercado en la historia de la empresa.

2023–2024 — La era de la IA y recuperación histórica

Fechas: 2023–08, 09 // 2024–03, 05, 07, 08, 10, 11

Qué pasó:

Lanzamiento de LLaMA y mejoras de IA en Ads.

“Year of Efficiency”: despido de 21.000 empleados → reducción de costos.

Vuelve el crecimiento acelerado.

META alcanza máximos históricos en 2024.

Picos muy altos y crecientes.

Valles más suaves por correcciones normales.

La recuperación más rápida y fuerte de una Big Tech en los últimos años.

2025 — Rally continuo por Inteligencia Artificial

Fechas: 2025–02, 05, 08

Qué pasó:

Mayor adopción de IA generativa en Ads.

Rumores de dispositivos IA propios de Meta.

Proyecciones altamente positivas.

Picos históricos nuevamente.

Correcciones técnicas (valles) pero tendencia neta alcista.

Gran expansión en el marco de la revolución IA generativa.

b) Estadísticas descriptivas de la serie:

plot(accion,
     main = "META: Precio de cierre mensual",
     xlab = "Fecha",
     ylab = "Precio de cierre (USD)")

Al observar la serie mensual desde el 2018 hasta finales del 2025, se puede apreciar una tendencia creciente, ya que es evidente por su forma que tiende a ir aumentando con el tiempo, obviando el hecho de que a partir de agosto del 2021 tuvo un pico en caída más marcado en comparación al resto, igual que cerca de abril del 2025, donde hay una segunda caída pronunciada que se explicó anteriormente. La serie no tiene una trayectoria totalmente lineal, pero si se nota esa tendencia de crecimiento que se puede llegar a sostener con el tiempo, y es por ello por lo que podemos concluir que la serie tiene una tendencia en general positiva relativamente fuerte, por lo que podemos concluir que no es una serie estacionaria (ya que sigue una ligera tendencia a crecer, y las series estacionarias no tienen tendencias o patrones). Ahora bien, podemos deducir que tampoco es una serie estacional, ya que aunque tiene una tendencia de crecimiento, no presenta ciclos o periodos que puedan repetirse durante el tiempo (hay una tendencia mas no un patrón). En cuanto a la volatilidad de la serie original se puede decir que entre enero 2018 y agosto del 2021 es baja, ya que los cambios en los precios de cierre de las acciones no tienen cambios drásticos, y por así decirlo se mantienen en un rango o no son demasiado cambiantes, así como desde octubre del 2022 hasta enero del 2025, mientras que hay una volatilidad alta entre agosto del 2021 a octubre del 2022 y de enero a julio del 2025, pues se muestra una caída radical en el cierre de las acciones mensuales, teniendo así un cambio muy drástico en comparaciones al nivel o amplitud de las caídas generales en estas. Por ello mismo podemos decir que hay una volatilidad media, ya que aunque hay cambios drásticos en las bajas y subidas de los precios de cierre, hay también gran parte en donde se mantienen más constantes. En cuanto a las estadísticas descriptivas, nos damos cuenta que justo en Octubre de 2022 es donde está el precio de cierre mínimo (93,16 USD) y en julio de 2025 está el precio de cierre mensual máximo (773,44 USD), notando que hay una diferencia radical o considerado entre ambos valores, lo cual puede llegar a ser preocupando para los inversionistas actuales de META, tomando en cuenta que este cambio ocurrió en un periodo de tiempo corto. Por otro lado, se puede ver que el precio promedio de cierre mensual es de 316,43 USD, sin embargo, podemos ver con la mediana que el 50% de las acciones en cuanto a precio de cierre mensual están por encima de 260,11 USD, lo que nos puede indicar que en el transcurso de los años (entre 2018 a 2025), las acciones se han mantenido casi cercanas y por encima del promedio, sin embargo, tomando en cuenta que el valor máximo es mucho más alto, es un poco preocupante la cercanía del 50% de datos al valor mínimo. Y dado que la desviación es alta (de 176,73 USD) en comparación a la media (316,43 USD), ya que está alejada de ella de forma un poco considerable, podemos asumir que hay una variabilidad relativamente alta en el cambio de los precios de cierre mensual de las acciones.

  1. Tendencia: creciente/en aumento positivo.

  2. Estacionariedad: no tiene, ya que hay una tendencia.

  3. Estacionalidad: no tiene, ya que hay tendencia pero no ciclos o periodos repetitivos.

  4. Volatilidad: media, debido al comportamiento drástico pero también constante.

  5. Media: 316,43 USD

  6. Mediana: 260,11 USD

  7. Desviación estándar: 176,73 USD

  8. Mínimo: 93,16 USD

  9. Máximo: 773,44 USD

# Tomo precio de cierre mensual
accion <- serie_mensual$META.Close  

#length(accion)

# Estadisticas descriptivas de la serie original 
summary(accion)
##      Index              META.Close    
##  Min.   :2018-01-31   Min.   : 93.16  
##  1st Qu.:2020-01-23   1st Qu.:183.83  
##  Median :2022-01-15   Median :260.11  
##  Mean   :2022-01-13   Mean   :316.42  
##  3rd Qu.:2024-01-06   3rd Qu.:382.07  
##  Max.   :2025-12-03   Max.   :773.44
data.frame(
  Media = mean(accion),
  Mediana = median(accion),
  Desviacion_Estandar = sd(accion),
  Varianza = var(accion))
##               Media Mediana Desviacion_Estandar META.Close
## META.Close 316.4183 260.115             176.715   31228.21

Análisis descriptivo del histograma del precio de cierre mensual de META

# Histograma de la serie original
library(ggplot2)

ggplot(data.frame(valor = as.numeric(accion)), aes(x = valor)) +
  geom_histogram(bins = 20, fill = "skyblue", color = "black") +
  labs(title = "Distribución del precio de cierre de META",
       x = "Precio de cierre (USD)",
       y = "Frecuencia")

El gráfico de barras presenta la distribución del precio de cierre mensual en dólares para las acciones de Meta Platforms, Inc. Podemos observar que aunque los valores están dispersos en un rango amplio, hay un grupo de valores que están concentrados en la parte izquierda, lo que confirma una alta variabilidad en el precio con el paso del tiempo, pero que a su vez, presenta una tendencia mayor a cerrar el mes con un rango de precios (USD).

En primer lugar, se aprecia que la mayor frecuencia de precios se encuentra entre aproximadamente 150 y 380 USD, zona donde se acumulan la mayoría de observaciones. Esto coincide con el valor de la mediana (260.11 USD), lo que indica que la mitad de los meses registraron precios iguales o inferiores a ese valor. La mediana es menor que la media, lo que sugiere un sesgo a la derecha, reflejando que existen meses con precios mucho más altos que elevan el promedio general de la serie (como se puede ver en el gráfico de la serie mensual en los meses más recientes).

Resultados del modelo ARIMA

Elección de ventanas:

  1. Ventana (entrenamiento): en este caso se tomaron los datos desde 2018-01-01 hasta 2025-11-28 (solo se toman en cuenta los precios de cierre de las acciones mes por mes) tomando en cuenta que la precisión del modelo ARIMA también se ve altamente influenciada por la cantidad de datos que se tomen para entrenar al modelo.

  2. Ventana 2 (prueba): en este caso se toman los datos desde la fecha de finalización de la anterior ventana, esto con el fin de que al realizar el pronóstico, se puedan obtener los posibles precios de cierre de las acciones a partir de este punto, y que así se puedan estimar proyecciones de los meses siguientes.

Análisis de Estacionariedad

ACF de la serie original

ggAcf(ventana)

La función de autocorrelación (ACF) de la serie original presenta una caída lenta y autocorrelaciones significativas en los rezagos iniciales, un patrón típico de series con tendencia y no estacionarias.

Prueba ADF

El test ADF mostró:

  • Estadístico = -1.43

  • p-value > 0.80

Por lo tanto, no se rechaza la hipótesis nula de raíz unitaria, confirmando que la serie no es estacionaria.

Serie Diferenciada

library(tseries)
#adf.test(ventana) 

#Diferenciacion 
miserie<-diff(ventana) %>% na.omit() 

# Gráfico ggplot
g_miserie <- autoplot(miserie) +
  labs(
    title = "Serie diferenciada de META",
    x = "Tiempo",
    y = "Diferencia del precio de cierre"
  )

# Gráfico interactivo
ggplotly(g_miserie)

Después de aplicar la primera diferencia, la serie pierde la tendencia y oscila alrededor de cero, indicando estacionariedad visual.

ACF de la Serie Diferenciada

library(tseries)
ggAcf(miserie) 

#adf.test(miserie)

La ACF muestra valores bajos sin estructura persistente, lo que es típico de una serie diferenciada y estacionaria.

Prueba ADF para la serie diferenciada

  • Estadístico = -4.25

  • p-value < 0.01

library(gridExtra)

grid.arrange(ggAcf(miserie),
             ggPacf(miserie),
             nrow=1)

En la primera diferenciacion se rechaza la hipótesis nula, concluyendo que la serie diferenciada sí es estacionaria. Esto justifica usar d = 1 en el modelo ARIMA.

Selección del Modelo ARIMA

auto.arima

El algoritmo seleccionó inicialmente ARIMA(2,1,2).

Comparación de modelos

Se evaluaron:

ARIMA(0,1,0)

#auto.arima(ventana)  # PELIGRO

modelo1 <- Arima(ventana, order = c(0,1,0)) 
modelo2 <- Arima(ventana, order = c(5,1,5))
modelo3 <- Arima(ventana, order = c(1,1,1))
modelo4 <- Arima(ventana, order = c(2,1,2))

checkresiduals(modelo1)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,0)
## Q* = 17.741, df = 10, p-value = 0.05948
## 
## Model df: 0.   Total lags used: 10

ARIMA(0,1,0) significa que la serie fue diferenciada una vez (d = 1) y que no hay términosautorregresivos (p = 0) ni de media móvil (q = 0).

Este modelo asume que los cambios mensuales son ruido blanco y, por tanto, no modela dependencias temporales adicionales.

ARIMA(1,1,1)

checkresiduals(modelo2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(5,1,5)
## Q* = 1.6554, df = 3, p-value = 0.6469
## 
## Model df: 10.   Total lags used: 13

ARIMA(1,1,1) incorpora memoria inmediata en la dinámica de diferencias (un término AR y uno MA). Se evalúa como alternativa parsimoniosa frente a la caminata aleatoria; su idoneidad depende de la significancia de los parámetros y de mejoras en AIC y medidas de error frente al benchmark.

ARIMA(2,1,2)

checkresiduals(modelo3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,1,1)
## Q* = 10.031, df = 8, p-value = 0.2628
## 
## Model df: 2.   Total lags used: 10

ARIMA(2,1,2) fue el resultado inicial del procedimiento automático (auto.arima) y modela dependencias en lags 1 y 2 tanto en la parte autorregresiva como en la de media móvil. Si bien ofreció un ajuste razonable, la comparación de modelos mostró que un modelo de mayor orden produjo métricas de error y AIC inferiores, por lo que ARIMA(2,1,2) quedó como alternativa intermedia en el proceso de selección.

ARIMA(5,1,5)

checkresiduals(modelo4)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,2)
## Q* = 3.8103, df = 6, p-value = 0.7023
## 
## Model df: 4.   Total lags used: 10

ARIMA(5,1,5) incorpora cinco términos autorregresivos y cinco términos de media móvil sobre la serie diferenciada. Es un modelo relativamente complejo que permite capturar dependencias en múltiples rezagos hasta 5 periodos en las diferencias.

Tras comparar múltiples especificaciones, se seleccionó ARIMA(5,1,5) como modelo final por exhibir el menor RMSE y MAE, AIC más bajo y residuales compatibles con ruido blanco. Este modelo captura dependencias hasta cinco rezagos en la serie diferenciada y fue utilizado para generar el pronóstico a cinco meses

Pronóstico ARIMA

El modelo ARIMA(5,1,5) fue seleccionado como la especificación con mejor desempeño predictivo entre las alternativas evaluadas, debido a su menor error de pronóstico y a que sus residuales presentan características de ruido blanco, lo cual confirma que modela adecuadamente la dinámica temporal reciente del precio de cierre de META.

#accuracy(modelo1)
#accuracy(modelo2)
#accuracy(modelo3)
#accuracy(modelo4)

library(tidyverse)

#Gráfico
modelo2 %>% 
  forecast(h=5) %>%  # (Realizo 5 pronósticos)
  autoplot(include=80)

Se generó un horizonte de 5 meses.

# Pronóstico
fc <- modelo2 %>% 
  forecast(h = 5, level = 0.95)

tabla_fc <- data.frame(
  Periodo = 1:5,
  Pronostico = as.numeric(fc$mean),
  Limite_Inferior_95 = as.numeric(fc$lower[,1]),
  Limite_Superior_95 = as.numeric(fc$upper[,1])
)

knitr::kable(
  tabla_fc,
  digits = 2,
  align = "c"
)
Periodo Pronostico Limite_Inferior_95 Limite_Superior_95
1 789.19 727.72 850.66
2 831.98 730.50 933.46
3 839.01 713.49 964.53
4 836.45 690.17 982.72
5 852.41 683.43 1021.39 
#Miro los valores verdaderos
#accion[91:95]

Los valores reales estuvieron dentro o cerca de los intervalos estimados, mostrando un buen comportamiento predictivo considerando la volatilidad de la acción.

Con este modelo se generó un pronóstico para los próximos cinco meses, obteniendo valores futuros que oscilan entre aproximadamente 700 y 730 dólares como estimación central.

Tendencia esperada

El pronóstico sugiere que, en el corto plazo, el precio de las acciones de Meta podría mantenerse en un rango estable y relativamente alto, cercano al nivel alcanzado tras la etapa de recuperación que caracteriza los datos más recientes. Esto es coherente con el comportamiento de la compañía en los últimos años, donde después de la caída significativa del 2022, META experimentó un repunte sólido impulsado por:

El modelo, al capturar esta dinámica reciente, proyecta que dicha tendencia de estabilidad en niveles altos podría continuar en el corto horizonte.

Incertidumbre del pronóstico

Las bandas de confianza del 95% muestran intervalos relativamente amplios, con límites inferiores alrededor de 580–630 dólares y superiores entre 840–870 dólares para los horizontes más lejanos.

Esto indica que el mercado de META, aunque actualmente sólido, mantiene un grado considerable de volatilidad, influido por:

En consecuencia, aunque la estimación central apunta hacia la estabilidad, el rango de posibles resultados es amplio, lo que refleja el riesgo inherente en el precio de activos tecnológicos de gran capitalización.

Conclusiones

  1. Resumen de los hallazgos principales del análisis: el estudio de la serie de tiempo del precio de cierre mensual de las acciones de Meta nos muestra que luego de la fuerte caída registrada en 2022, la empresa ha logrado una recuperación sostenida, alcanzando niveles altos de valorización. Este comportamiento se ha visto impulsado, principalmente, por la reestructuración interna, el aumento en eficiencia publicitaria, el uso de IA en sus plataformas y el crecimiento de algunos aplicativos que componen a Meta, como lo son Instagram, Messenger, Reels y WhatsApp Business. El modelo utilizado para el pronóstico evidencia una tendencia de estabilidad en el corto plazo, manteniéndose el precio dentro de rangos elevados y con una proyección ligeramente ascendente, coherente con el desempeño reciente del activo.

  2. ⁠Implicaciones de los pronósticos en el contexto de la serie de tiempo: el pronóstico obtenido mediante el modelo ARIMA(5,1,5) nos sugiere que Meta podría conservar una tendencia estable con precios elevados durante los próximos periodos, lo que refleja un posible escenario de continuidad en la recuperación, sin embargo, los intervalos de confianza se amplían conforme avanza el horizonte de tiempo, mostrando un escenario incierto con precios que podrían oscilar entre valores inferiores y superiores más amplios. Esto significa que el pronóstico debe interpretarse como una estimación estadística y no como una predicción exacta, siendo más útil para analizar tendencias y riesgos que para anticipar valores puntuales en un mercado tan volátil como lo es el financiero.

  3. ⁠Limitaciones del análisis y posibles mejoras para futuros estudios: la principal limitación radica en que el modelo ARIMA no considera factores externos que influyen directamente en el precio de las acciones, como política monetaria, entorno macroeconómico, competencia en redes sociales, avances tecnológicos o cambios regulatorios. Esto puede reducir la precisión predictiva ante eventos inesperados del mercado. Para investigaciones futuras sería recomendable incorporar modelos más completos como ARIMAX, SARIMA, VAR, GARCH o enfoques de machine learning que integren múltiples variables y permitan capturar de manera más eficiente la volatilidad y comportamiento no lineal del precio.

Bibliografia